The course revolves around basic concepts of the most general types of financial risks:

• market risk
• credit risk
• operational risk

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 and statistics.

Certification: Exam at the end of the term, 6 ECTS credits.

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

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

Inscription key

  MTSA2020

Formale Techniken und Argumentationen besitzen auch in den Sozial-, Geistes- und Wirtschaftswissenschaften eine große, und immer weiter wachsende, Bedeutung, stellen aber für viele, darauf nicht so gut vorbereitete Studierende eine sehr große Hürde dar. Im Rahmen eines fachübergreifenden Propädeutikums sollen nichtmathematikaffine Studierende der LMU sanft in die Formalisierung eingeführt und mit wesentlichen Techniken (wieder) vertraut gemacht werden.

Gerade unter den Herausforderungen der Corona-Situation ist es uns ein besonderes Anliegen, nicht-mathematikaffine Studienanfän-ger*innen in einem semesterbegleitenden Vorkurs zu begleiten und zu unterstützen.

Die Veranstaltung richtet sich sowohl an Studienanfänger als auch an Studierende die im Rahmen Ihres Studiums bereits auf Schwierigkeiten im Umgang mit formalen Methoden gestoßen sind.

Zielgruppe: Studierende der Geistes-, Sozial- und Wirtschaftswissenschaften

Einschreibeschlüssel (sowohl für Teilnehmer*innen, als auch für Gastzugang): CoVorMa

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

Der Einschreibeschlüssel lautet Mathematik II

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, computer science (Informatik), economics and business administration.

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

Record of Achievement:

Der Einschreibeschlüssel lautet: MatheIINF23

Contents: Decision theory deals with rational decisions under uncertainty. It has high interdisciplinary importance, for example, in the analysis and support of decisions in business administration or finance (e.g. investment strategies), economics or sociology (rational choice theory), medicine (e.g. expert systems) or engineering (e.g. autonomous control). Moreover, statistical decision theory can be seen as a formal framework for choosing analysis methods (optimal tests or estimators, best classification algorithms, etc.). This general view, understanding statistics and machine learning as special cases of decision theory, plays a fundamental role in the critical analysis and problem-adequate generalization of any data-based learning procedure.

The course first discusses the general structure of decision problems, including fundamental decision principles. Then it analyzes and characterizes the Bayes and minimax criteria as extreme poles to deal with (state) uncertainty and develops modern alternatives in the context of complex uncertainty (ambiguity).

Enrolment Key: DT24

Additional Note: If you are interested in active participation in the course but cannot always come in person for good reasons, you are welcome to contact me (Thomas Augustin). We are currently investigating whether we can offer a fallback Zoom solution. 

Der Einschreibeschlüssel lautet: MatheIINF2024

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, computer science (Informatik), economics and business administration.

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

Record of Achievement:

Date: 11.3. - 15.3. (block course)

Place: VU 104 Prof.-Huber-Platz

Description

This course will teach the fundamental techniques and concepts of supervised Machine Learning, which has become a central part of modern data analysis. In particular non-linear and non-parametric methods have been used successfully in uncovering complex patterns and relationships by computer scientists and statisticians.

The module offers an introductory and applied overview of supervised learning methods and concepts for regression and classification. This includes models such as linear regression, discriminant analysis, naive Bayes, decision trees and random forests, but also more advanced techniques like model selection, feature selection, and hyperparameter optimization. The focus of the course is to give a basic understanding of the different algorithms, models and concepts while explaining the necessary mathematical foundation.

Students acquire theoretical as well as practical competencies regarding some fundamental models of learning from data. The students will be enabled to conduct a data analysis project themselves, including understanding and interpreting the data, in order to critically judge the advantages and disadvantages of the different methods. The accompanying exercise classes are a mix of theoretical and practical assignments. The latter will be conducted in R and will cover all methods introduced during the lecture.

Prerequisites: Analysis, linear algebra, basic statistics knowledge

Enrollment key: IntroML

Termine:

Einschreibeschlüssel: MathGrund

Passwort für Gastzugang (vorläufig für noch nicht immatrikulierte Studierende): gast

Beschreibung des Kurses

Der Einschreibeschlüssel lautet CoVorMa22

• Der Einschreibeschlüssel lautet: "fmm"

Syllabus

ONLINE COURSE

Teachers: Hanna Brenzel, Hariolf Merkle, Marco Puts, Piet Daas
Runtime: 14. November 2022 -  16. December 2022
Format: Flipped Classroom: Self-learning through online videos and literature, weekly 1-hour online meetings
Examination: Examination sheets (3 ECTS credits)
Language: English
Prerequisites: Basic R knowledge is required.

Who is this course for? MsC Statistics and Data Science (2021, WP 28+29+40+46), BsC Statistics and Data Science (2021, WP 8+11),Bsc Statistik (2010, WP 6.0.3+6.0.4), Statistik und Data Science als Nebenfach für Bachelor 30 ECTS (2021, WP 4+5), Statistik und Data Science als Nebenfach für Bachelor 60 ECTS (2021, WP 11+12), Statistik und Data Science als Nebenfach 30 ECTS Mathematik (2021, WP 5+6), Statistik Nebenfach 60 ECTS Bachelor Soziologie (2021, WP 10+11), Grundlegende Statistik als Nebenfach für MA 30 ECTS (2011, WP 6), Vertiefte Statistik Master (2011, WP 5)

Syllabus

Teacher: Walter J. Radermacher
Runtime: 1. October 2023 - 12. October 2023
Format: Self-learning through online videos in the first week and in-person workshops for practical appliance of use cases in the second week.
Examination: Oral Exam (3 ECTS credits)
Language: English


Who is this course for? MsC Statistics and Data Science (2021, WP 28+29+40+46), BsC Statistics and Data Science (2021, WP 8+11), Statistik und Data Science als Nebenfach für Bachelor 30 ECTS (2021, WP 4+5), Statistik und Data Science als Nebenfach für Bachelor 60 ECTS (2021, WP 11+12), Statistik und Data Science als Nebenfach 30 ECTS Mathematik (2021, WP 5+6), Statistik Nebenfach 60 ECTS Bachelor Soziologie (2021, WP 10+11), WISO Mater (2010, "Ausgewählte Gebiete..." (3ECTS))

Semantische Rollen (z.B. Agens, Patiens, Rezipient, Possessor usw.) sind ein zentrales Konzept an der Syntax-Semantik-Schnittstelle, das für die Analyse ganz verschiedener grammatischer Phänomene relevant ist. Primus (2012: Vorwort) zufolge basieren sie „auf universal gültigen, kognitiv grundlegenden Begriffen, die bestimmten Urteilen entsprechen, die Menschen über Ereignisse in ihrer Umwelt machen können, Urteile darüber, wer was tat, wem es geschah und was sich dabei veränderte“.

Ausgehend von einer Wiederholung semantischer und syntaktischer Grundbegriffe werden im Seminar die folgenden Themengebiete behandelt:

• Eigenschaften semantischer Rollen und ihre theoretische Modellierung (z.B. Protorollen).
• Grammatische Phänomene, die sich nur unter Bezugnahme auf semantische Rollen befriedigend erklären lassen, z.B. Passiv und andere Diathesen, Wortstellungsalternationen im Mittelfeld usw.
• Typologische Aspekte: Universale Prinzipien der Rollenzuweisung und ihre Abbildung auf syntaktische Funktionen, Unterschiede in der Organisation des Kasussysrems (z.B. Ergativsprachen).
• (Neuro-)kognitive Verarbeitungseffekte, die durch rollensemantische Unterschiede mitbedingt sind.
  

Ein bekanntes Beispiel sind Animatheitseffekte, die beispielsweise dazu führen, dass (1b) gegenüber (1a) markiert wirkt (und andere neuronale Aktivierungsmuster zeigt) als (2b) gegenüber (2a) (Grewe et al. 2006).

(1a) Dann wurde dem Arzt der Mantel gestohlen.
(1b) Dann wurde der Mantel dem Arzt gestohlen.

(2a) Dann wurde dem Arzt der Polizist vorgestellt.
(2b) Dann wurde der Polizist dem Arzt vorgestellt.

This bachelor/master-seminar deals with selected methods and topics that are less common in the classical statistics curriculum .

Besides rather classical topics like non-parametric statistics, some non-classical topics aim at applications of order and lattice theory, others are rather motivated by the philosophy of science in the context of statistics (including machine learning contexts), further topics deepen aspects of decision theory.  For the latter, it is advantageous to have heard the corresponding lecture on decision theory, but this is not a must.

Since the seminar is offered for advanced bachelor students as well as master students and since the mathematical background of the students is probably relatively heterogeneous, this will be taken into account concerning the requirements and also in the supervision. In general, the exact design of the seminar topics (whether more in depth or more in breadth, etc.) can of course be individually shaped by the students in consultation with the lecturers.

The topics are partly related to each other and partly rather independent of each other.

The seminar will take place in blocks at the end of the semester (around the first week of March), the exact scheduling will take place in the preliminary meeting.

The preliminary meeting, during which the topic will be assigned, is tentatively scheduled for Monday, Nov. 15, beginning at 18:00 s.t. via zoom.

There will be an interim meeting (via zoom) around mid-January.

The seminar is planned as a virtual event via zoom.

Der Einschreibeschlüssel lautet: MatheINF

Dieses Seminar ist das Folgeseminar zum Seminar "Projekte mit digitalen Medien im öff. Raum mit Blender 3D". Es hat das Ziel, die im ersten Seminar entwickelten Konzepte und Implementierungen durch prozdurale Modellierungstechniken weiterzuentwicklen und zu verfeinern. Während das erste Seminar den Fokus auf die Grundlagen der 3D-Modellierung mit Blender 3D legt, werden im zweiten Teil nach einer kurzen Einführung in die mathematischen Grundlagen der Computergrafik, basierend auf diesen, fortgeschrittene Techniken zur prozeduralen Erstellung von Inhalten vermittelt.

Das Seminar richtet sich an die höheren Semester des Studiengangs BA Anwendungsfach Medieninformatik (WP11.1)

Das Seminar "Fortgeschrittenes prozedurales Gestalten mit Blender 3D" zum Modul WP 11.1, ist gekoppelt mit dem einführenden Seminar von Herrn Dr. Stöber  mit dem Titel "Digitales Gestalten mit Blender 3D" und dem Modul WP 10.1. Beide Seminare ergänzen sich und sollen als Ergebnis die Möglichkeit haben einen AR-Auftritt im öffentlichen Raum zu machen.

Als Gelände ist der Platz hinter dem Marstall vorgesehen, eventuell für die Teilnahme am Medien-Kunst-Festival des Residenztheaters. Genauere Informationen dazu im Seminar. Das Seminar mit 3 SWS wird sechsstündig gehalten und beginnt in der 49. Kalenderwoche als Folgeseminar des Grundlagenseminar mit ebenfalls 3 SWS. von Herrn Dr. Stöber und baut auf diesem auf.

Ziele des Seminars:

• Erlernen prozeduraler Modellierungstechniken
• Weiterentlicklung des animierten AR-Auftritts Blender 3D aus dem Grundlagenseminar
• Weiterentlicklung der Gesamtästhetik

Sie können auch eigene Programme benutzen und auf Ihrem eigenen Laptop arbeiten. Sie sollten nach Möglichkeit einen eigenen Zugriff auf Adobe AfterEffects haben.

Das Seminar wird im Präsenzmodus stattfinden.

Mathematik I für Physiker

Einschreibeschlüssel: 23WSM1

Entwicklung und Produktion kurzer Lernvideos im Rahmen einer mobilen Anwendungssoftware (App) zum Förderkonzept "Strategieorientierte Förderung des mathematischen Faktenwissens (Einmaleins)"

Im Rahmen vorangegangener Forschungsseminare (WiSe 17/18 bis SoSe 2020) zu den Zusammenhängen zwischen sprachlichen Fähigkeiten und mathematischen Kompetenzen ist im zweiten Teil des Projektes ein Förderprogramm entstanden, das spracherwerbsgestörten Kindern den Erwerb mathematischen Faktenwissens (Einmaleins) erleichtern soll. Das Interventionskonzept zielt darauf ab, Kindern mit spezifischen Spracherwerbsstörungen und mathematischen Lernschwierigkeiten das Herleiten von Einmaleinsaufgaben und deren Ergebnissen sowie den automatisierten Abruf des Gelernten zu ermöglichen. Hierfür erlernen die Kinder im Laufe des Förderprogramms heuristische Strategien ("grundsätzliche Vorgehensweisen, wie man in einer Problemsituation agieren kann“) sowie eine Speicherstrategie, den sogenannten “Speicher-Rap“.

Dieses Forschungsseminar verfolgt das Ziel, Skripte für kurze Lernvideos zu entwickeln, die im Rahmen der App von SchülerInnen abgerufen werden können. Im Anschluss gilt es die nach sprachheilpädagogischen Prinzipien basierenden Videoskripte in einem iterativen Prozess hinsichtlich ihrer Umsetzbarkeit kritisch zu reflektieren und zu überarbeiten. Daraufhin sollen erste Prototypenvideos gefilmt und geschnitten werden.

Teilnehmen können Studierende des Lehramtsstudienganges Sonderpädagogik (Förderschwerpunkt Sprache), die Interesse an den Themen "Medien im Unterricht", "Computergestützte Intervention" sowie "Effektivität mobilen Sprach- und Mathematiklernens" haben und sich didaktisch kreativ beteiligen möchten.

Dies ist der zweite Teil der Mathematik Vorlesungen im Bachelor Physik. Wir starten am Dienstag 18. April 2023 um 8.30 Uhr im C123. Zuerst werden wir mit Linearer Algebra (weiter-)machen. Die (Zentral-)Übung startet am Mittwoch 19. April 2023 um 16.15 Uhr im C123 mit einer zusätzlichen Vorlesung.

Einschreibung mit Passwort ALAIIP

Anyone remotely concerned with digital media and the data powering the digital media ecosystems is talking about Artificial Intelligence (AI) these days. There are hopes and fears connected to the advancement of AI. However, how does AI work and how do practitioners in communication professions use AI in their jobs?

To answer these questions the goal of this course is twofold. We first want to develop a basic understanding of what AI is and how it works. We will not go into programming or mathematics of AI, so do not be afraid. Our goal is a conceptual overview of the field of AI and developing a feeling for what it is, what you can do with it, and what you can’t do with it.

The second goal is to get an overview of how AI is applied and used by practitioners in communication professions. To this end we will talk to people working in areas like publishing, journalism, data science, and others.

The bachelor thesis concludes the scientific education of the bachelor study programme in actuarial sciences.  During a time span of about 13 weeks the students will work inde­pendently, but under scientific tutoring upon a subject that is based on bases and actual re­sults of their special field of work.  In line with the main area of research of the teacher the thesis may for example cover one of the fol­lowing subjects:

- Life insurance

- Pensions insurance

- Property/casualty insurance

- Financial mathematics

- Probability theory

- Risk management

- Reinsurance

- Health insurance

Modular Computational Courses

The module Data Ethics and Data Security is part of the MSc Data Science program at Ludwig-Maximilians-Universität (LMU) Munich. The course will be lead by Prof. Dr. Dieter Kranzlmüller, Jan Schmidt and Fabio Genz.

Contents: The module Data Ethics and Data Security covers basic legal and ethical questions and challenges of data security. The module comprises two courses. This course looks into methodological questions of data anonymisation and technical aspects of data security. Students are introduced to the technical, legal, and ethical issues of data security, especially when dealing with personal data or when planning experiments in Data Science.

Objective: Students will reflect on standard procedures and problems of data protection and learn technical methods to handle data responsibly.

Please note: In the winter term 20/21 the Data Science Certificate Program will be held as a live online course. Each lecture is divided into two parts. The first part takes place on thursdays (afternoon 13:30 - 17:00) and the second part on fridays (morning 09:00-12:30).

This Data Science Certificate Program provides practical and scientifically based knowledge of the theory and methods of Data Science and adresses the needs of professionals in their everyday work. It is therefore aimed at anyone working in any area of business or education (please note the requirements and application). The Data Science Certificate Program takes place twice a year as a one-semester training with an estimated workload of 200 hours (including time for preparation, follow-up work and preparation for the exam).

With the Data Science Certificate Program, you can benefit from:

• Theoretical and practical concepts in the field of Data Science and its potential in business use cases
• Interdisciplinary topics of Data Science, statistics and computer science, methodological training and use case analysis (Curriculum)
• Transfer of well-founded know-how and practical training of analytical and strategic skills

On this Moodle-Platform you can download seminar material. For more Information click here or visit the Curriculum.

Die Vorlesung gibt eine einführende Übersicht über die wichtigsten technischen und wahrnehmungsphysiologischen Grundlagen zur Realisierung digitaler Medien. Es werden nur die Informatikkenntnisse vorausgesetzt, die parallel in der Einführung in die Programmierung vermittelt werden. Es wird ein relativ breites Themenspektrum verschiedenster Disziplinen (Mathematik, Physik, Nachrichtentechnik, Medizin) angesprochen. Die Vorlesung bildet die Basis für die stärker ins technische Detail gehende Lehrveranstaltung "Medientechnik" und stellt die Grundlagen für vertiefende Lehrangebote zu Multimedia-Themen bereit.

• Bachelor Statistik und Data Science: WP7 Ausgewählte Gebiete der statistischen Modellierung
• Nebenfach Statistik und Data Science (60 ECTS): WP6 Einführung in die Bayes-Statistik
• Nebenfach Statistik und Data Science (30 ECTS): WP8 Einführung in die Bayes-Statistik
• Bachelor Informatik mit integriertem Anwendungsfach Statistik: WP40 Einführung in die Bayes-Statistik
• Bachelor Wirtschaftsmathematik: P17 Ausgewählte Gebiete der angewandten Statistik
• Andere Studiengänge auf Anfrage

Einschreibeschlüssel: HaroldJeffreys

• Einschreibeschlüssel: Einstein
  
• Kick-off Meeting via Zoom: 2. November, 14-16 Uhr s.t.
  

Advanced bachelor and master students of statistics, mathematics, economics, business science and computer science

Einführung in Finanzmathematik in diskreter Zeit.

Einschreibeschlüssel: fima1

Time and Location

Tue 12 - 14 in B005, Thu 10 - 12 in B004

Synopsis

(Linear) Functional analysis can be viewed as "linear algebra on infinite-dimensional vector spaces".
As such it is a merger of analysis and linear algebra. The concepts and results of functional analysis are important to a number of other mathematical disciplines, e.g., numerical mathematics, approximation theory, partial differential equations, and also to stochastics; not to mention that the mathematical foundations of quantum physics rely entirely on functional analysis. This course will present the standard introductory material to functional analysis: topological foundations, Banach and Hilbert spaces, dual spaces, Hahn-Banach thm., Baire thm., open mapping thm., closed graph thm., weak topologies. If time permits we will also cover Fredholm theory for compact operators and the spectral theorem.

Prerequisites

Kurzzusammenfassung
  Die Vorlesung beschäftigt sich in einem ersten Teil mit Existenz-, Eindeutigkeits- und Stabilitätsfragen der klassischen Theorie gewöhnlicher Differentialgleichungen und behandelt in einem zweiten Teil einführende Themen aus der Theorie dynamischer Systeme.

Voraussetzungen  
Analysis I, II, III, Lineare Algebra I, II.

Hörerkreis
  Studiengänge B.Sc. Mathematik, B.Sc. Wirtschaftsmathematik, Lehramt Gymnasium.

Einschreibeschlüssel  sode24

Einschreibeschlüssel: Grund1WS23

Einschreibeschlüssel: Grund2SS24

Das maschinelle Lernen hat in der jüngeren Vergangenheit stark an Bedeutung gewonnen, nicht nur als einer der Hauptpfeiler der modernen KI, sondern auch als Methodenlieferant und Innovationstreiber in vielen Anwendungsgebieten. Diese Bachelorvorlesung gibt eine Einführung in grundlegende Ideen und Konzepte des maschinellen Lernens als wissenschaftliche Disziplin im Schnittbereich von Informatik, Statistik und angewandter Mathematik. Der Schwerpunkt wird dabei auf der Problemklasse des überwachten Lernens liegen. Die Veranstaltung spannt einen Bogen von den theoretischen Grundlagen der Generalisierung bis hin zu wichtigen methodischen und algorithmischen Konzepten.

Zeitplan

Den Einschreibeschlüssel finden Sie auf uni2work.

Einschreibeschlüssel: ExamUF24S

Einschreibeschlüssel: ExamUF23W

Das Modul führt in grundlegende mathematische Konzepte zum Umgang mit endlichen oder abzählbaren Strukturen ein sowie in grundlegende Konzepte der Logik. Unter anderem werden behandelt: Mengen, Relationen, Ordnungen, Modulare Arithmetik, Kombinatorik, Gruppen und Körper, Aussagenlogik und Prädikatenlogik, Gentzen-Kalküle und Resolution.

Einschreibeschlüssel: LDS_SoSe23

Die Kurseinschreibung ist geschlossen. Es ist keine Teilnahme mehr möglich.

Description

The overall subject is Many-body Quantum mechanics. We will start with atoms and molecules and prove the famous theorem on stability of matter, which says that the energy of a system with N electrons and M nulclei can bounded from below by -C(N+M). Subsequently we show the existence of the thermodynamic limit of Coulomb systems. Next we study bosonic systems, recall the original argument of Bose and Einstein, and then prove Bose-Einstein-Condensation for interacting systems. Next, we study fermionic systems modeling metals and describe the Hartree-Fock approximation, followed by studying the correlation energy, including recent results. Finally we consider the mathematical properties of the BCS theory of superconductivity, and compare with results from the physics literature. 

Please note: MQM1 is NOT a prerequisite!

Enrolement key: mqm2_2023@lmu

Für weitere Information verweisen wir auf https://www.ai.math.uni-muenchen.de/teaching/sose2024/math_dnns/index.html

Die Vorlesung gibt auf einem elementaren Niveau eine Einführung in grundlegende Begriffe der Analysis und der linearen Algebra.

• Einschreibeschlüssel: Einstein

• Kick-off Meeting via Zoom: 21. Oktober, 16-18 Uhr c.t.

Einschreibeschlüssel: MiQWS23

Einschreibeschluessel: MiQSS24

Der Einschreibeschlüssel lautet: MathErg17

Diese Seite dient der Klausuranmeldung. Der Einschreibeschlüssel ist auf der Veranstaltungsseite (Übung) zu finden.

How do uncertainties influence modeling in environmental sciences?

This course will summarize necessary mathematical and statistical tools and concepts and how these are incorporated into the modeling realm.

P1 Mathematical Geophysics is a mandatory module in the International Master's Programme in Geophysics. It provides in-depth knowledge of mathematical methods required for geophysical modeling.

Die Vorlesung führt ein in die grundlegenden Aspekte der Physik ein, welche nicht schon Teil der Vorlesung Physik I aus dem Wintersemester sind: 1. Kernphysik in der Biologie, 2. Ladungen, Elektronenverteilung und biochemische Bindungen, 3. Magnetismus in der Biologie, 4. Wechselwirkung von Licht mit biologischer Materie, 5. Farbanalyse und Spektroskopie, 6. Optik, der Sehvorgang und optische Instrumente.

Lernziel der Vorlesung ist, dass die Studierenden alle Inhalte der Vorlesung beherrschen und zum Wissenstransfer auf aktuelle biologische Probleme fähig sind. Dabei werden auch grundlegende Inhalte der Statistik und Mathematik begleitend wiederholt, die essentiell zum Verständniss der Vorlesung sind. Die Vorlesungsinhalte werden weiterhin durch Tutorien begleitet.

Well before the start of a semester the teacher will give a list of suitable subjects for the prosemi­nar.  The subjects may vary.  They are based on the knowledge the students have acquired in calculus, algebra, probability theory or possibly also basic actuarial knowledge.  The proseminar is aimed at giving a basic introduction to subjects of mathematics or actuarial sciences that are not covered by the basic and in-depth modules.

This class is meant for everyone interested in problem solving, ML or quant finance 🧐💻 If you want to participate feel free to text us via walter@math.lmu.de or weber@math.lmu.de.

The registration key is beyondtheobvious. 

Organization:

Our first meeting will take place on 20th April from 16-18 o'clock in room B251 (Mathematical Institute)

Target Group:

• BSc students of (business) mathematics with good knowledge of stochastic and preferably probability theory
  
• MSc students of (financial) mathematics

Although the class is mainly tailored for mathematics students, all students from quantitative subjects (e.g. physics, computer science, statistics) are very welcomed to join! 

Content:

The content of the class can be structured in three pillars:

1. Brainteasers and Logic Problems
2. Coding Problems
3. Useful and Interesting Theory

Physikalische Gesetze werden in der Sprache der Mathematik formuliert. Die Vorlesung "R: Rechenmethoden für Physiker" bietet eine zügige Einführung in diese Sprache.  Sie richtet sich an Physikstudent*innen im ersten Studiensemester und behandelt die im Bachelor-Physikstudium benötigten mathematischen Konzepte und Methoden. Diese werden mit intuitiven Argumenten begründet - für mathematisch rigorose Beweisen wird auf die 'echten' Mathe-Vorlesungen M1-M3 verwiesen. Ziel der R-Vorlesung ist das zügige, anwendungsbezogene Erlernen des mathematischen 'Handwerks' (Sicherheit, Geläufigkeit und Schnelligkeit im Umgang mit Standardrechenmethoden).

Wenn wir die Zeitung aufschlagen oder uns über aktuelle Nachrichten informieren, werden wir mit einer Informationsflut an statistischen Informationen konfrontiert - nicht erst seit der Corona-Pandemie.

In diesem Zusammenhang begegnen uns auch oftmals relative Häufigkeiten und Anteile und zwar in verschiedenen numerischen Darstellungsformen (z.B. "Jeder dritte Deutsche ist zu dick", "2 von 5 alleinerziehenden Müttern empfangen Hartz IV" usw.). Diese Darstellungsarten und deren Umrechnungen ineinander sind alles andere als trivial und führen immer wieder zu Fehlern in medialen Darstellungen. In diesem Kurs lernen Sie die verschiedenen numerischen Darstellungsarten relativer Häufigkeiten kennen. Sie reflektieren, welche der Umrechnungen eher leicht sind und welche mit Schwierigkeiten verbunden sind.

Abschließend erfahren Sie, welche Anteils-Verwirrungen in den Medien häufig anzutreffen sind.

Hier finden Sie alle wesentlichen Informationen zum Praktikum "Reflexion mathematikdidaktischer Praxis", das im ersten Modul  zur Mathematikdidaktik für alle Lehramtsstudiengängen mit Schwerpunkt Sekundarstufe vorgesehen ist.

Riemannian Geometry is the study of manifolds with a Riemannian metric. In this course, we will begin by discussing basic geometric objects (geodesics, Jacobi fields, curvature). Particular emphasis will be given to geometric interpretation and intuition behind the (analytic) objects of differential geometry, and how to use the analysis to answer geometric questions.
Once the basic notions have been covered, the course will discuss connections between geometry and topology of manifolds, and comparison geometry. The latter allows to interpret curvature bounds in a purely metric fashion, and leads towards metric geometry and geometric group theory.

Prerequisites: Differentiable manifolds (including vector bundles and linear connections). Some topology is helpful, but not necessary.

Suitable for: Masters students in mathematics, TMP students

Well before the start of a semester the teacher will give a list of suitable subjects for the prosemi­nar.  The subjects may vary.  They are based on the knowledge the students have acquired in calculus, algebra, probability theory or possibly also basic actuarial knowledge.  The proseminar is aimed at giving a basic introduction to subjects of mathematics or actuarial sciences that are not covered by the basic and in-depth modules.

TESTKURS - nur zu Übungszwecken angelegt!

Basic Information

• Language: English
• Prerequisite courses
  • Formal Languages and Complexity (must)
  • Logic and Discrete Structures (must)
  • Formal Specification and Verification (recommended)
  • Software Verification (recommended)
  • SAT Solving (recommended)
• Date: Thursday, 10:15-11:45
• Location: Seminar Room 133, Oettingenstr. 67
• First meeting: 2024-04-18 (about the detailed seminar organization and expectations)

Content

Model checking is an important research field in computer science where automatic solutions to the following problem are studied: Given a computational model and a specification, decide whether the model satisfies the specification or not. In practice, a computational model can be a digital circuit (hardware) or a program (software). A specification can be a safety property requiring that errors never happen during the execution of the model. Compared to testing, model checking can guarantee the correctness of a computational model with mathematical rigor. Model checking is rooted in a solid theoretical foundation and requires advanced software engineering for tool implementation. The inventors of model checking won the 2007 Turing Award, and leading technology companies use model-checking techniques to assure the quality of their products.

Goal

The goal of this seminar is to learn the mathematical foundation and understand the working of state-of-the-art algorithms for hardware and software model checking. At the end of this seminar, students should become familiar with the background knowledge of model checking and able to explain a scientific publication on model checking in oral and written forms.

Organization

The seminar will consist of three phases:

1. Reading sessions: In the first phase, we will recap the mathematical foundation of model checking. Students will be divided into groups. Each group will be assigned a topic and lead the discussion on the topic in one seminar session.
2. Weekly meetings: In the second phase, each student will be assigned a publication on an algorithm for model checking. Students will have weekly meetings with the mentors to report their progress. Mentors will guide students to read and understand the algorithms in the publications.
3. Final presentation and report: In the final phase, students will present the algorithms assigned to them and write a report explaining them with examples and analysis.

Team

• Prof. Dr. Dirk Beyer
• Nian-Ze Lee, Ph.D.
• Po-Chun Chien

References

• Handbook of Model Checking, 2018