Person: Dr. Cornelia Oberhauser


SAS-Kurs als 5-tägiger Blockkurs in den Semesterferien

Termine:

Tag

   Uhrzeit
   Raum
Mo 21.09.2020
Vorlesung 9:15 - ca. 12:15
online über Zoom

Übung
13:15 - 17:00
online über Zoom
Di 22.09.2020
Vorlesung
9:15 - ca. 12:15 online über Zoom
Übung 13:15 - 17:00 online über Zoom
Do 24.09.2020
Vorlesung 9:15 - ca. 12:15 online über Zoom
Übung 13:15 - 17:00 online über Zoom
Mo 28.09.2020
Vorlesung 9:15 - ca. 12:15 online über Zoom
Übung 13:15 - 17:00 online über Zoom
Di 29.09.2020
Vorlesung 9:15 - ca. 12:15 online über Zoom
Übung 13:15 - 17:00 online über Zoom


Gastschlüssel

  • Der Gastschlüssel lautet: "saskurs2020"

Statistische Regressionsanalysen und Teststatistiken sind mittlerweile in allen Wissenschaften und Anwendungsfeldern vertreten. In diesem Bachelor Seminar wird untersucht werden, inwieweit Machine Learning Methoden, wie z.B. Ensemble Methoden, Support Vector Machines oder neuronale Netze, traditionelle statistische Methoden in verschiedenen Feldern abgelöst haben bzw. ablösen können.


Einschreibeschlüssel: StatML

Syllabus

  1. Introduction to Stochastic Processes
  2. Autoregressive Moving Average Processes
  3. Estimation of Vector ARMA Models
  4. Prediction
  5. Testing for Causality
  6. Innovations Accounting
  7. Structural VAR

Intended audience: Advanced students and PhD students in econometrics, statistics, VWL, BWL, mathematics or computer science.

Prerequisites: Profound knowledge in matrix-algebra and econometrics (econometrics I) or statistics (linear models). Basic knowledge in univariate time series analysis is not demanded but of advantage.

Teaching Style: Online via Zoom and Moodle

Examination: (written) Exam

Record of Achievement: 3 ECTS + 3 ECTS


Time Schedule

The lectures and tutorials take place between 16.06.2020 (first lecture) and 21.07.2020.


Inscription key

  MTSA2020

Master Seminar

Over the past decade, there has been a growing public fascination with the complex “connectedness” of general networks. This connectedness is found in many incarnations: in the rapid growth of the Internet and the Web, in the ease with which global communication now takes place, and in the ability of news and information as well as epidemics and financial crises to spread around the world with surprising speed and intensity.  To adequately capture and understand such phenomena, network analysis has proven to be extremely useful. In this context, network analysis has numerous applications ranging from social to natural sciences. Statistical network analysis offers a very broad range of instruments enabling the description and analysis of complex and interdependent systems.Due to the growing need for ways to handle network data, methodological research on network analytical models has spurred in recent years.  This seminar intends to provide master students of statistics and data science with an overview of the current state of research in the field of network analysis. More precisely, the focus will be on dynamic network models and community detection. In addition to the estimation, interpretation, and comparison of network models, implementation and application are covered. 

Times  

Room

   Instructor

Lecture   

Wed. 12:15 - 14:15 p.m.

 Zoom Calls until further notice   

   Mittnik

Tutorial  

Fri. 8:30 - 10:00 a.m.

 Zoom Calls until further notice

   Schiele


Topics

  • The Classical Multiple Linear Regression Model
  • Seemingly Unrelated Regressions
  • Simultaneous Equations Models
  • Discrete Choice Models

Key: econometrics_s20

Wichtige Hinweise: 
  • Die Veranstaltung wird bis auf Weiteres in digitaler Form abgehalten. 
  • Für die Vorlesung werden Videos hochgeladen.
  • Die Übung wird über Zoom als "virtual classroom" abgehalten. Bitte beachten Sie die Gruppenteilungen.
  1. Gruppe 1 (Nachnamen A - K) Di. 16:15 - 17:45
  2. Gruppe 2 (Nachnamen L - Z) Mi. 14:15 - 15:45
  • Der Einschreibeschlüssel wird am 08.05.2020 deaktiviert.
  • Falls Sie Fragen zum Ablauf oder zur Organisation der Veranstaltung haben, es wird am Di. den 21.04. um 16:00 Uhr c.t. eine virtuelle Fragestunde geben. Der Link wir noch bekannt gegeben.

Termine - Vorlesung
Montag --- [Videos]
Donnerstag --- [Videos]
Start 20.04.2020

Termine - Übungen
Dienstag 16:00 c.t. - 18:00 Uhr [Zoom- Link wird noch bekannt gegeben]
Mittwoch 14:00 c.t. - 16:00 Uhr [Zoom- Link wird noch bekannt gegeben]
Start 28.04.2020


Einschreibeschlüssel: ***************

Die Veranstaltung "Programmieren mit Statistischer Software (R)" wendet sich an Studierende im Bachelor Statistik (4. Semester). Sie baut auf den Veranstaltungen "Einführung in die Statistische Software" (1. Semester) und "Statistische Software" (2. Semester) auf.

Die Veranstaltung findet vom 20.04.2020 ausschließlich online statt und verläuft nach dem Inverted Classroom Prinzip.

Einschreibeschlüssel: progr2020

Wichtige Aspekte des Kurses:

  • Dieser Kurs ist vollständig online, es gibt keine Präsenzvorträge oder -übungen.
  • Es ist absolut unerlässlich, dass Sie R zu Hause auf Ihrem Gerät zum Laufen bringen, da wir nicht wissen, wann die CIP-Pools im Institut wieder geöffnet werden. Bitte benutzen Sie unsere Installationsanleitung, die Sie auf dieser Moodle-Seite finden.
  • Um die 6 ECTS-Punkte für diesen Kurs zu erhalten, müssen Sie die Hausarbeit am Ende des Semesters bestehen.
  • Die Buchkapitel, Links und weiteren Materialien sind alle optional. Wenn Sie jedoch jede Woche die Themen und Aufgaben abschließen und die Buchkapitel durcharbeiten, steigen Ihre Chancen den Kurs zu bestehen stark an.
  • Wir werden jede Woche eine Zoom-Sitzungen abhalten, um Ihnen bei den Aufgaben und bei Fragen zu helfen.
  • Sie sollen diesen Kurs im vierten Semester des Bachelor-Studiengangs Statistik abschließen. Die Master-Veranstaltung Fortgeschrittene Programmierung baut auf diesem Kurs auf.




Die Veranstaltung "Statistische Software (R)" wendet sich an Studierende im Bachelorstudiengang Statistik (2. Semester).

Der Kurs wird vollständig online stattfinden.

Einschreibeschlüssel: SS20statR

Einschreibeschlüssel: xxx

Wichtiger Hinweis:
Die Veranstaltung wird bis auf Weiteres ausschließlich in digitaler Form abgehalten.
Präsenztermine werden vorerst nicht stattfinden!


Termine - Vorlesung
Mittwoch 12:00 c.t. - 14:00 Uhr Zoom-Meeting - Link ist im Moodle-Kurs angegeben
Donnerstag 14:00 c.t. - 16:00 Uhr Zoom-Meeting - Link ist im Moodle-Kurs angegeben
Start 22.04.2020

Termine - Übungen
Donnerstag 10:00 c.t. - 12:00 Uhr Zoom-Meeting - Link ist im Moodle-Kurs angegeben
Start 30.04.2020

Termine - Tutorium
Dienstag 18:00 c.t. - 20:30 Uhr Zoom-Meeting - Link ist im Moodle-Kurs angegeben
Start 05.05.2020


Syllabus:

  1. Overview
  2. Fundamentals and Properties of Stochastic Processes
  3. Univariate ARIMA-Processes
  4. Estimation and Forecasting of ARIMA-Models
  5. Univariate GARCH-Models + Extensions
  6. Selected aspects: Long Memory und Fractional Differencing, Threshold-Models

Intended audience: Advanced bachelor and master students of statistics, mathematics, informatics, economics and business administration.

Prerequisites: Solid mathematical foundations (analysis and linear algebra), basic knowledge in econometrics (econometrics 1) or statistics (linear models).

Teaching Style: Online via Zoom and Moodle

Examination: (written) Exam

Record of Achievement: 6 ECTS

 

Time Schedule

The lectures and tutorials take place between 21.04.2020 (first lecture) and 09.06.2020.



Termine


Termin
  Ort 
Vorlesung    Montag
 14 - 16  Online
  als Q&A über Zoom
Vorlesung
 Donnerstag 12-14    entfällt
Übung  
 Dienstag
 10 - 12  Online
  Live über Zoom

Bitte die Hinweise auf der Moodle-Seite des Kurses beachten!

Einschreibeschlüssel

  • Der Einschreibeschlüssel lautet:

Einschreibeschlüssel: BiostatMeth20

  • Der Einschreibeschlüssel ist xxx.
  • Vorlesungen als aufgezeichnete Videos bei LMUcast (s.u.) verfügbar, jede Woche Fragestunde Dienstag 12-14h.
  • Für die Übungen gibt es Musterlösungen als PDF, aufgezeichnete Erklärvideos dazu und Online-Fragestunden.


  • Termine
    Q&A zur Vorlesung:
      Di 12-14, lmu-munich.zoom.us/j/774262325

    Übung/Fragestunde:
      Do  14-16 & Mi 12-14, lmu-munich.zoom.us/j/774262325
  • Die Veranstaltung gibt aus einer methodischen Perspektive einen Überblick über zentrale Aspekte der amtlichen Statistik im Kontext der Wirtschaftsstatistik und der amtlichen Dissemination statistischer Ergebnisse. Besprochen werden u.a. folgende Themen:  nationale und internationale Armutsmessung,  dynamische Indikatoren der Wirtschaftsstatistik, spezielle Bereichsstatistiken (Haushalts-, Todesursachen- und Unternehmensstatistiken),  Konzepte der Bevölkerungsstatistik, Linkage und Matching von Datensätzen. 

    Diese Veranstaltung ist eine Pflichtveranstaltung für alle Studierenden, die das EMOS-Zusatzzertifikat (European Master in Official Statistics) erwerben wollen; alle anderen Masterstudierenden können sich 6 ECTS-Punkte flexibel anerkennen lassen. Es handelt sich um eine Kombination aus Vorlesung, Übung und Inverted-Classroom-Elementen.

    Die Veranstaltung kann unabhängig von einer Teilnahme an EMOS A (immer im Winteresemester angeboten) besucht werden.

    NEU: Aufgrund einer gewissen Reduktion des Wahlpflichtangebots im Sommersemester 2020 steht die Veranstaltung auch fortgeschrittenen Bachelor- und Nebenfachstudierenden offen.



    Zum Nachträglichen Einschreiben wenden Sie sich bitte an: Dominik.Kreiss@stat.uni-muenchen.de

    Die Entscheidungstheorie befasst sich mit rationalen Entscheidungen unter Unsicherheit. Sie besitzt große interdisziplinäre Bedeutung etwa bei der Analyse und Unterstützung von Entscheidungen in der BWL (z.B. Investmentstrategien), VWL bzw. Soziologie (Rational Choice Theorie), Medizin (z.B. Expertensysteme) oder den Ingenieurwissenschaften (z.B. autonome Steuerung). Die statistische Entscheidungstheorie kann zudem als formaler Rahmen für die Wahl von Analysemethoden (optimale Tests oder Schätzer, beste Klassifikationsverfahren etc.) gesehen werden; sie spielt eine fundamentale Rolle bei der kritischen Analyse und probelmadäquaten Verallgemeinerung datenbasierter Lernverfahren.

    Die Vorlesung diskutiert zunächst die allgemeine Struktur von Entscheidungsproblemen inklusive fundamentaler Entscheidungsprinzipien. Dann analysiert und charakterisiert sie das Bayes- und das Minimaxkriterium als Extrempole, mit (Zustands-)Unsicherheit umzugehen, und entwickelt moderne Alternativen im Kontext komplexer Unsicherheit (Ambiguität).


    Zum Nachträglichen Einschreiben wenden Sie sich bitte an: Dominik.Kreiss@stat.uni-muenchen.de

    The course Statistische Methoden in Genomik und Proteomik (Statistical methods for biological high-throughput data) will cover important statistical methods and concepts for the analysis of biological high-throughput data. We will focus on bulk genomics, single-cell genomics, proteomic, and, in particular, microbiome data. 

    Statistical topics include

    • Hypothesis testing for high-dimensional data
    • Differential abundance and association analysis
    • High-Dimensional regression models for biological data
    • Graphical models for network inference
    • Deep learning models for high-throughput data

    Enrollment key (Einschreibeschlüssel): StatGenProt

    All lectures and exercises will be taught live online in English via Zoom (see Ankündigungen for the link). 

    Teaching times (starting April 22)
    LectureWednesdays 10-12 c.t.Live Zoom link 
    Exercises (every other week)Fridays 12-14 c.t.Live Zoom link

    The live lectures will be recorded and made available to course participants.






    The lecture deals with theoretical and practical concepts from the fields of statistical learning and machine learning. Main focus is on predictive modeling. The tutorial applies these concepts and methods to real examples for illustration purposes.

    Login Key: FCIMPM20

    Schedule:


        Times Room Target Audience
    FCIM   Wed 12-14
    Thu 16-18
    A 014
    A 014
    Statistik, WISO, 
    Biostatistik MSc.
    Data Science MSc
    .


    All lectures take place in the Main Building, Geschwister-Scholl-Platz 1

    Due to Corona, all lectures and exercises will be online!


    Termine und Personen:

    Termin    Ort Person
    Vorlesung  
    Di, 16.00 - 18.00
       online   
    Prof. Dr. Helmut Küchenhoff
    Vorlesung
    Mi, 10.00 - 12.00
       online
    Prof. Dr. Helmut Küchenhoff
    Übung
    Mo, 12.00 - 13.00 
       online
    Maximilian Weigert
    Übung
    Di, 10.00 - 11.00
       online
    Catharina Hollauer
    Tutorium
    Fr, 14.00 - 16.00  
       online
    Felix Langer

    Einschreibeschlüssel: LiMo20


    Dates & Overview

    Kickoff: first week of semester, tbd
    Block 1: End of May/Beginning June
    Block 2: End of June/Beginning July

    Key: will be announced at kickoff event

    Target groups: Master Statistics, Master Data Science

    Course Description

    Classical statistical learning excels at learning associations and making accurate predictions. However, many questions like treatment effect estimation are not associative but causal in nature.
    Graphical models provide a general framework for describing statistical relations between random variables and performing inference. More recently, they have become a popular framework for reasoning about causal relations.
    In this seminar, we will introduce the basics of inference in graphical models, discuss how they can be employed to perform causal inference and peak into recent research on connections to classical machine learning.


    Termine:



    Termin Ort
    Mo 12:15-13:45
    Do 10:15-11:45

      Note:

      • There is the option to attend the lectures only, or to attend lectures + seminar. The related workload is reflected in the ECTS.
      • The different options are described in detail on the Moodle page. 

      Important information:

      • The lecture material (video, pdf, code) is available online. The dates below serve as Q&A sessions for the lessons. The students are asked to watch the respective videos before that sessions.

      Important Dates:


      Date Time  Place
      Q&A Session: Introduction 21.04.2020 13:00 - 14:00 zoom
      Q&A Session: Dynamic Programming 28.04.2020 13:00 - 14:00 zoom
      Q&A Session: Model-free Prediction  05.05.2020 13:00 - 14:00 zoom
      Q&A Session: Model-free Control 12.05.2020 13:00 - 14:00 zoom
      Q&A Session: VFA/Deep RL 19.05.2020 13:00 - 14:00 zoom
      Q&A Session: Policy-based RL 26.05.2020 13:00 - 14:00 zoom
      Additional Q&A Session 23.06.2020 12:00 - 13:00 zoom
      Student Presentations / Block Seminar t.b.d. t.b.d. t.b.d.

      Enrollment key: RLSS20

      Termine:

      Termin Ort Person
      Vorlesung   Di, 16-18 c.t. HGB, A 030 Prof. Dr. Christian Heumann
      Übung 1    Mi, 12-14 c.t.  S 03, S 005 Federico Croppi
      Übung 2    Mi, 12-14 c.t.S 03, S 004 Lisa Wimmer
      Übung 3    Mi, 14-16 c.t. S 03, S 004
      Katrin Racic-Rachinsky
      Übung 4    Mi, 14-16 c.t. S 03, S 005
      Simon Wiegrebe
      Übung 5    Do, 18-20 c.t.S03, S 004
      Christoph Luther
      Übung 6 Fr, 10-12 c.t.S 03, S 004
      Simon Wiegrebe
      Wiederholung
      (Statistik I)
      Mo, 10-12 c.t. HGB, A 021 Matthias Aßenmacher

      Einschreibeschlüssel

      • Der Einschreibeschlüssel lautet: "Wiwistat20"

      Important Dates:

      Termin Ort
      Preliminary meeting 06.04.20, 16-18 c.t. Ludwigstr. 33, 144
      Deep Learning Intro 20.04.20, 16-18 c.t. Ludwigstr. 33, 144
      Presentations 02.07.20, 10-14 s.t. Ludwigstr. 33, 144
       Presentations 03.07.20, 10-14 s.t. Ludwigstr. 33, 144
      Submission deadline 31.08.20, 23.59 CET

      Enrollment key:
      Will be announced at the preliminary meeting.

      Note:
      This seminar is subject to the regular application process for seminars at the Department of Statistics.

      Dies ist ein Online-Kurs.

      Einschreibeschlüssel: ThomasB20

      Der Kurs kann belegt werden im Bachelor Statistik, Master Statistik (inkl. WiSo, Biostatistik) und Nebenfach Statistik, in einer 3 ECTS und 6 ECTS-Version.