Ruprecht-Karls-Universität Heidelberg Fakultät für Mathematik und Informatik Universitätsbibliothek

Lehrveranstaltungen Statistik Sommersemester 2012

Stand: 22.04.2012

  Frühere Semester

Einführung in die Wahrscheinlichkeitstheorie und Statistik (Grundvorlesung)

Dozent: K. Oelschläger

Zeit: Mi 11:00-13:00; Fr 09:00-11:00
Ort: INF 288, MathI HS 2
Großgebiet: Wahrscheinlichkeitstheorie und Statistik

	Anmeldung		Leistungspunkte
	Fortsetzung		Themenvergabe

Inhalt: In der Wahrscheinlichkeitstheorie und der Statistik werden Strukturen, Modelle und Methoden zur mathematischen Untersuchung zufälliger Phänomene im menschlichen Erfahrungsbereich eingeführt. Hierbei steht in der Wahrscheinlichkeitstheorie das Ziel, Gesetzmäßigkeiten vorgegebener Modelle zu erkunden, im Vordergrund. Auf den Resultaten der Wahrscheinlichkeitstheorie aufbauende Verfahren zur Auswahl der in speziellen alltäglichen Situationen sinnvollen Modelle und die Auswertung empirischer Daten mit Hilfe dieser Modelle bilden den Aufgabenbereich der Statistik.
Die in der Vorlesung angesprochenen Themenbereiche sind im Modulhandbuch des Studiengangs Bachelor Mathematik, siehe http://www.math.uni-heidelberg.de/fakultaet/studium/bachelor.html , MA8, aufgelistet.
Literatur:  
Krengel, U.: Einführung in die Wahrscheinlichkeitstheorie und Statistik, Vieweg.
Georgii, H.: Stochastik, de Gruyter.
Grimmett, G.R., Stirzaker, D.R.: Probability and Random Processes, Oxford Science Publications.
Voraussetzungen: Analysis 1, Lineare Algebra 1
Zielgruppe: Studierende der Mathematik (Bachelor, Lehramt), Studierende der Physik, Informatik, Bio- und Wirtschaftswissenschaften
Bemerkungen: Anmeldung zu den Übungsgruppen:
https://www.mathi.uni-heidelberg.de/muesli/user/login

Heidelberger Standortnachweis der empfohlenen Literatur unter
http://ub-fachinfo.uni-hd.de/math/kvv/ss2012/g-7.htm

Übungen

Dozent: K. Oelschläger

Wahrscheinlichkeitstheorie (Grundvorlesung)

Dozent: R. Dahlhaus

Zeit: Di, Do 09:00-11:00
Ort: INF 294, AM HS -104
Zuordnung:

Übungen

Dozent: R. Dahlhaus

Statistik II (Kursvorlesung)

Dozent: T. Gneiting

Zeit: Di, Do 09:00-11:00
Ort: INF 294, AM HS -101
Großgebiet: Statistik

	Anmeldung		Leistungspunkte
	Fortsetzung		Themenvergabe

Inhalt: Statistical Forecasting:
Basic notions: statistical decision theory, probabilistic and point forecasts, prediction spaces, information bases, calibration and sharpness
Proper scoring rules and consistent scoring functions
Forecasts combinations
Times series forecasts and spatial prediction
Statistical postprocessing of ensemble forecasts; combining numerical and statistical approaches
Applications and case studies in meteorology, economics and other disciplines
Literatur:  
Gneiting, T.: Making and evaluating point forecasts. Journal of the American Statistical Association 106 (2011), 746-762.
Gneiting, T. and Raftery, A. E.: Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association 102 (2007), 359-378.
Voraussetzungen: Statistik I
Bemerkungen: Fortsetzung der Statistik I; Vorlesung in englischer Sprache

Heidelberger Standortnachweis der empfohlenen Literatur unter
http://ub-fachinfo.uni-hd.de/math/kvv/ss2012/k-9.htm

Übungen

Dozent: T. Gneiting

Computational Statistics / Einführung in R (Spezialvorlesung)

Dozent: G. Sawitzki

Großgebiet: Angewandte Mathematik, Statistik, Informatik

	Anmeldung		Leistungspunkte
	Fortsetzung		Themenvergabe

Inhalt: „Computational Statistics“ ist der Zweig der Statistik, der von den heutigen rechnerischen Möglichkeiten ausgeht. Neben effizienter Implementierung klassischer Verfahren stehen oft neue bis hin zu experimentellen Ansätzen.
Die Vorlesung stellt typische Konzepte der Statistik vor und illustriert ihre praktische Anwendung an Beispielen.
Themen sind:
- Diagnostik und Anpassungstest für univariate Verteilungen
- Lineare Modelle; Residuenanalyse und Regressionsdiagnostik
- Zwei-Stichproben-Vergleiche
- Monte-Carlo-Verfahren, Resampling-Verfahren, Simulation
- Multivariate Methoden.
Wesentlicher Teil der Vorlesung ist eine Einführung in R, eine speziell für die Statistik entwickelten Programmiersprache. Das R-System steht als „Open Source“-Software zur Verfügung (siehe http://www.r-project.org/ ). R ist das wesentliche Werkzeug für Simulationen und statistische Auswertungen mit modernen Methoden.
Literatur:  
Sawitzki, G. (2009) Computational Statistics: An Introduction to R. Chapman & Hall/CRC Press. (Eine frühere Version auf deutsch: pdf download http://www.cran.r-project.org/doc/contrib/Sawitzki-Einfuehrung.pdf )
R Core Team (2011) An Introduction to R. (pdf download: http://www.cran.r-project.org/doc/manuals/R-intro.pdf )
Venables, W. N., Ripley, B. D. (2002) Modern Applied Statistics with S. Springer.
Voraussetzungen: Grundkenntnisse in Wahrscheinlichkeitstheorie und Statistik.
Zielgruppe: Die Vorlesung wendet sich Studierende im mittleren und und fortgeschrittenen Studienabschnitt. Sie ist auch als Quereinstieg in die Statistik oder „Auffrischungsvorlesung“ geeignet.
Bemerkungen: Die Veranstaltung ist als Blockkurs geplant
Termin wird in den Statistik-Vorlesungen und auf http:
www.math.uni-heidelberg.de/stat/news/ bekanntgegeben.
Die Vorlesung ist bei entsprechenden Vorkenntnissen auch für Hörer anderer Fakultäten und für Anwender aus der Praxis geeignet.
R-Kenntnisse sind Voraussetzung für Examensarbeiten in der angewandten Statistik.

Heidelberger Standortnachweis der empfohlenen Literatur unter
http://ub-fachinfo.uni-hd.de/math/kvv/ss2012/x-8.htm

Geometrische Wahrscheinlichkeiten (Proseminar)

Dozent: Thorarinsdottir

Zeit: Mi 14:00-16:00
Ort: INF 294, AM HS -111
Vorbesprechung: Do, 2.2., 16:30, INF 294, Zi 101

	Anmeldung		Leistungspunkte
	Fortsetzung		Themenvergabe

Inhalt: Siehe http://www.rzuser.uni-heidelberg.de/~gb4/seminar/
Literatur: H. Solomon (1978): Geometric Probability. Society for Industrial and Applied Mathematics, Philadelphia, PA.
Voraussetzungen: Einführung in die Wahrscheinlichkeitstheorie und Statistik

Heidelberger Standortnachweis der empfohlenen Literatur unter
http://ub-fachinfo.uni-hd.de/math/kvv/ss2012/v-7.htm

Vorhersagen in Theorie und Praxis (Seminar)

Dozent: T. Gneiting

Zeit: Do 14:00-16:00
Ort: INF 294, AM HS -104
Vorbesprechung: Do., 2. Februar 10:45 Uhr, AM HS -101
Großgebiet: Statistik

	Anmeldung		Leistungspunkte
	Fortsetzung		Themenvergabe

Inhalt: lt. Themenliste, die in der Vorbesprechung verteilt wird
Literatur: lt. Themenliste, die in der Vorbesprechung verteilt wird
Voraussetzungen: Statistik I
Bemerkungen: Den TeilnehmerInnen wird parallel zum Seminar die Teilnahme an der Vorlesung und den Übungen zu Statistik II (Statistical Forecasting) empfohlen.

Heidelberger Standortnachweis der empfohlenen Literatur unter
http://ub-fachinfo.uni-hd.de/math/kvv/ss2012/s-18.htm

Hochdimensionale Zufallsmatrizen (Seminar)

Dozent: Ziegel

Zeit: Mi 14:00-16:00
Ort: INF 294, AM HS 134
Vorbesprechung: Mi, 2.1., 15:45, INF 294, Zi 101

	Anmeldung		Leistungspunkte
	Fortsetzung		Themenvergabe

Inhalt: Wir beschäftigen uns mit der Spektraltheorie von Zufallsmatrizen, wenn ihre Dimension gegen unendlich strebt. Klassische Grenzwertsätze in der Statistik sind unter der Annahme formuliert, dass die Dimension der Daten fest ist. Die grossen Fortschritte in der Informatik und immer größere Rechnerkapazitäten machen es heute jedoch möglich, riesige Datenmengen zu sammeln, zu speichern und zu analysieren. Anwendungsbeispiele finden sich in der Biologie (DNA Analyse), in der Finanzwelt (Aktien-Portfolios) oder bei der Analyse von grossen Netzwerken. In vielen dieser hochdimensionalen Probleme liefern die klassischen Grenzwertsätze keine brauchbaren Resultate.
Die Theorie der Zufallsmatrizen (RMT = random matrix theory) kann einen Alternative darstellen um mit hochdimensionalen Daten umzugehen. Ziel des Seminars ist es die grundlegenden Methoden und Resultate der RMT kennenzulernen, wobei der Fokus nicht bei den Anwendungen, sondern bei den theoretischen Grundlagen liegen wird.
Literatur: Z. Bai, J. W. Silverstein, Spectral Analysis of Large Dimensional Matrices, Springer 2010.

Heidelberger Standortnachweis der empfohlenen Literatur unter
http://ub-fachinfo.uni-hd.de/math/kvv/ss2012/s-19.htm

Statistische Methoden für cointegrierte stochastische Prozesse (Seminar)

Dozent: R. Dahlhaus

Bemerkungen: Als Blockveranstaltung geplant

Statistisches Praktikum (Seminar)

Dozent: G. Sawitzki

Zeit: Di, Do 14:00-16:00
Ort: INF 294, R 230
Vorbesprechung: Di. 17. April 2012 AM Raum 230
Großgebiet: Angewandte Mathematik, Statistik

	Anmeldung		Leistungspunkte
	Fortsetzung		Themenvergabe

Inhalt:  
Regression
Klassifikation und „machine learning“
Literatur:  
Simon J. Sheather. A Modern Approach to Regression with R. Springer, 2009.
T. Hastie, R. Tibshirani, and J. H. Friedman. The Elements of Statistical Learning. Springer Series in Statistics. Springer, 2009.
William N. Venables, Brian D. Ripley:Modern Applied Statistics with S. Springer 2002
Weitere Literatur wird im Praktikum angegeben.
Voraussetzungen: Grundvorlesung Statistik oder Stochastik. Das Praktikum ist auch als „Seiteneinstieg“ in die Statistik geeignet.
Zielgruppe: Studierende im mittleren Studienabschnitt mit Schwerpunkt Statistik. Bei Bedarf können Aspekte, die für den Schulunterricht geeignet sind, besonders berücksichtigt werden.

Heidelberger Standortnachweis der empfohlenen Literatur unter
http://ub-fachinfo.uni-hd.de/math/kvv/ss2012/s-20.htm

Stochastik (Hauptseminar)

Dozent: R. Dahlhaus ; Podolskij

Zeit: Di 11:00-13:00
Ort: INF 294, AM R 101

Arbeitsgemeinschaft Computational Statistics (Hauptseminar)

Dozent: G. Sawitzki

Zeit: Mi 10:00-12:00; Beginn: Mi 18. Apr. 2012
Ort: INF 294, AM R 230
Großgebiet: Angewandte Mathematik, Statistik, Informatik

	Anmeldung		Leistungspunkte
	Fortsetzung		Themenvergabe

Inhalt: Schwerpunktthemen im kommenden Semester werden voraussichtlich sein:
Simulation in der Statistik
Dimensionsreduktion
In der Arbeitsgemeinschaft kann auch auf konkrete Fragestellungen eingegangen werden, die sich z.B. im Rahmen von Diplom- oder Examensarbeiten ergeben.
Literatur: Aktuelle Literatur, im wesentlichen aus den Zeitschriften „Journal of Computational and Graphical Statistics“ und „Statistics and Computing“.
Søren Asmussen, Peter W. Glynn: Stochastic Simulation: Algorithms and Analysis. Springer 2007. ISBN: 978-0-387-30679-7
T. Hastie, R. Tibshirani, and J. H. Friedman. The Elements of Statistical Learning. Springer Series in Statistics. Springer, 2009.
Brian D. Ripley: Stochastic Simulation. Wiley 2006. ISBN: 978-0-470-00960-4
Weitere Literatur wird noch angegeben.
Voraussetzungen: Grundkenntnisse in Wahrscheinlichkeitstheorie und Statistik
Bemerkungen: Anmeldung ist erwünscht. Anmeldung und weitere Information bei G. Sawitzki (INF 294, Raum 230, Tel: 06221 / 54-8979, gs@statlab.uni-heidelberg.de).

Heidelberger Standortnachweis der empfohlenen Literatur unter
http://ub-fachinfo.uni-hd.de/math/kvv/ss2012/o-14.htm

    Frühere Semester

    Fakultät für Mathematik und Informatik
    StatLab Heidelberg
    Universitätsbibliothek Heidelberg / Fachinformation Mathematik