Ort und Zeit

Vorlesung: Fr, 10-12 Uhr, HS Weismann-Haus, Albertstr. 21a
Übung: 2-stündig 14-täglich, verschiedene Termine
Klausur: Datum wird noch bekanntgegeben

Dozent:in: Thorsten Schmidt
Assistenz: Simone Pavarana
Sprache: auf Deutsch

Stochastik ist, lax gesagt, die „Mathematik des Zufalls“, über den sich – womöglich entgegen der ersten Anschauung – sehr viele präzise und gar nicht zufällige Aussagen formulieren und beweisen lassen. Ziel der Vorlesung ist, eine Einführung in die stochastische Modellbildung zu geben, einige grundlegende Begriffe und Ergebnisse der Stochastik zu erläutern und an Beispielen zu veranschaulichen. Sie ist darüber hinaus auch, speziell für Studierende im B.Sc. Mathematik, als motivierende Vorbereitung für die Vorlesung „Wahrscheinlichkeitstheorie“ im Sommersemester gedacht. Behandelt werden unter anderem: Diskrete und stetige Zufallsvariablen, Wahrscheinlichkeitsräume und -maße, Kombinatorik, Erwartungswert, Varianz, Korrelation, erzeugende Funktionen, bedingte Wahrscheinlichkeit, Unabhängigkeit, Schwaches Gesetz der großen Zahlen, Zentraler Grenzwertsatz.

Die Vorlesung Stochastik~II im Sommersemester wird sich hauptsächlich statistischen Themen widmen. Bei Interesse an einer praktischen, computergestützen Umsetzung einzelner Vorlesungsinhalte wird (parallel oder nachfolgend) zusätzlich die Teilnahme an der regelmäßig angebotenen "`Praktischen Übung Stochastik"' empfohlen.

Lineare Algebra I sowie Analysis I und II \
Lineare Algebra I kann gleichzeitig gehört werden.

Stochastik (2HfB21, MEH21)
Stochastik I (BSc21, MEB21, MEdual24)

Ort und Zeit

Vorlesung: Di, Do, 8-10 Uhr, SR 404, Ernst-Zermelo-Str. 1
Übung: Do, 10-12 Uhr, HS II, Albertstr. 23b
Praktische Übung: 2-stündig, Termin wird noch festgelegt

Dozent:in: Sören Bartels, Moritz Diehl, Thorsten Schmidt
Assistenz: Alen Kushova
Sprache: auf Englisch

Diese Vorlesung bietet eine Einführung in die grundlegenden Konzepte, Begriffe, Definitionen und Ergebnisse der Stochastik, der Numerik und der Optimierung, begleitet von Programmierprojekten in Python. Der Kurs vertieft die vorhandenen Grundlagen in den drei Gebieten und bietet die Basis für die weiterführenden Vorlesungen dieser Gebiete.

Keine, die über die Zulassung zum Studiengang hinausgehen.

Basics in Applied Mathematics (MScData24)

Ort und Zeit

Vorlesung: Di, Do, 14-16 Uhr, SR 404, Ernst-Zermelo-Str. 1
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben

Dozent:in: Ernst August v. Hammerstein
Sprache: auf Englisch

Die Vorlesung Mathematische Statistik baut auf Grundkenntnissen aus der Vorlesung Wahrscheinlichkeitstheorie auf. Das grundlegende Problem der Statistik ist, anhand einer Stichprobe von Beobachtungen möglichst präzise Aussagen über den datengenerierenden Prozess bzw. die den Daten zugrundeliegenden Verteilungen zu machen. Hierzu werden in der Vorlesung die wichtigsten Methoden aus der statistischen Entscheidungstheorie wie Test- und Schätzverfahren eingeführt.

Stichworte hierzu sind u.a. Bayes-Schätzer und -Tests, Neyman-Pearson-Testtheorie, Maximum-Likelihood-Schätzer, UMVU-Schätzer, exponentielle Familien, lineare Modelle. Weitere Themen sind Ordnungsprinzipien zur Reduktion der Komplexität der Modelle (Suffizienz und Invarianz).

Statistische Methoden und Verfahren kommen nicht nur in den Naturwissenschaften und der Medizin, sondern in nahezu allen Bereichen zum Einsatz, in denen Daten erhoben und analysiert werden, so z. B. auch in den Wirtschaftswissenschaften (Ökonometrie) und Sozialwissenschaften (dort vor allem in der Psychologie). Im Rahmen dieser Vorlesung wird der Schwerpunkt aber weniger auf Anwendungen, sondern – wie der Name schon sagt – mehr auf der mathematisch fundierten Begründung der Verfahren liegen.

Wahrscheinlichkeitstheorie (insbesondere Maßtheorie sowie bedingte Wahrscheinlichkeiten und Erwartungen)

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Advanced Lecture in Stochastics (MScData24)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Di, Do, 12-14 Uhr, HS II, Albertstr. 23b
Übung: Do, 16-18 Uhr, SR 218, Ernst-Zermelo-Str. 1

Die Anforderungen an Studien- und Prüfungsleistungen werden in den aktuellen Ergänzungen der Modulhandbücher beschrieben, die ab Ende Oktober 2025 als Teil des Kommentierten Vorlesungsverzeichnisses veröffentlicht werden.

Dozent:in: Giuseppe Genovese
Assistenz: Roger Bader
Sprache: auf Englisch

The goal of the course is to provide a mathematical treatment of deep neural networks and energy models, that are the building blocks of many modern machine learning architectures. About neural networks we will study the basics of statistical learning theory, the back-propagation algorithm and stochastic gradient descent, the benefits of depth. About energy models we will cover some of the most used learning and sampling algorithms. In the exercise classes, besides solving theoretical problems, there will be some Python programming sessions to implement the models introduced in the lectures.

Probability Theory I \
Basic knowledge of Markov chains is useful for some part of the course.

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Advanced Lecture in Stochastics (MScData24)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Mo, Mi, 14-16 Uhr, HS II, Albertstr. 23b
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben

Dozent:in: Angelika Rohde
Assistenz: Johannes Brutsche
Sprache: auf Englisch

A stochastic process \((X_t)_{t\in T}\) is a family of random variables, where mostly the situation \(T = \mathbb{N}\) or \(T = [0, 1]\) is studied. Basic examples include stationary time series, the Poisson process and Brownian motion as well as processes derived from those. The lecture includes ergodic theory and its applications, Brownian motion and especially the study of its path properties, the elegant concept of weak convergence on Polish spaces as well as functional limit theorems. Finally, we introduce stochastic integration with respect to local martingales, based on the continuous time version of the martingale transform.

Wahrscheinlichkeitstheorie I

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Advanced Lecture in Stochastics (MScData24)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Mo, 10-12 Uhr, HS 1015, KG I
Übung: Di, 8-10 Uhr, HS 1098, KG I

Die Anforderungen an Studien- und Prüfungsleistungen werden in den aktuellen Ergänzungen der Modulhandbücher beschrieben, die ab Ende Oktober 2025 als Teil des Kommentierten Vorlesungsverzeichnisses veröffentlicht werden.

Dozent:in: Eva Lütkebohmert-Holtz
Sprache: auf Englisch

Dieser Kurs bietet eine Einführung in die Finanzmärkte und -produkte. Neben Futures und Standard-Put- und Call-Optionen europäischer und amerikanischer Art werden auch zinssensitive Instrumente wie z.B. Swaps behandelt.

Für die Bewertung von Finanzderivaten führen wir zunächst Finanzmodelle in diskreter Zeit ein, wie das Cox-Ross-Rubinstein-Modell vor und erläutern die Grundprinzipien der risikoneutralen Bewertung. Schließlich diskutieren wir das berühmte Black-Scholes-Modell, das ein zeitkontinuierliches Modell für die Optionsbewertung darstellt.

Stochastik I

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Do, 14-16 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben

Dozent:in: Maxwell Levine
Sprache: auf Englisch

Developments in artificial intelligence have boomed in recent years, holding the potential to reshape not just our daily routines but also society at large. Many bold claims have been made regarding the power and reach of AI. From a mathematical perspective, one is led to ask: What are its limitations? To what extent does our knowledge of reasoning systems in general apply to AI?

This course is intended to provide some applications of mathematical logic to the field of machine learning, a field within artificial intelligence. The goal of the course is to present a breadth of approachable examples.

The course will include a gentle introduction to machine learning in a somewhat abstract setting, including the notions of PAC learning and VC dimension. Connections to set theory and computability theory will be explored through statements in machine learning that are provably undecidable. We will also study some applications of model theory to machine learning.

The literature indicated in the announcement is representative but tentative. A continuously written PDF of course notes will be the main resource for students.

Background in basic mathematical logic is strongly recommended. Students should be familiar with the following notions: ordinals, cardinals, transfinite induction, the axioms of ZFC, the notion of a computable function, computable and computably enumerable sets (a.k.a. recursive and recursively enumerable sets), the notions of languages and theories and structures as understood in model theory, atomic diagrams, elementarity, and types. The concepts will be reviewed briefly in the lectures. Students are not expected to be familiar with the notion of forcing in set theory.

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Reine Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Mi, 10-12 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben

Dozent:in: David Criens
Sprache: auf Englisch

Die Klasse der Markov-Ketten ist eine wichtige Klasse von (zeitdiskreten) stochastischen Prozessen, die häufig verwendet werden, um zum Beispiel die Ausbreitung von Infektionen, Warteschlangensysteme oder Wechsel von Wirtschaftsszenarien zu modellieren. Ihr Hauptmerkmal ist die Markov-Eigenschaft, was in etwa bedeutet, dass die Zukunft von der Vergangenheit nur durch den aktuellen Zustand abhängt. In dieser Vorlesung wird die mathematischen Grundlagen der Theorie der Markov-Ketten vorgestellt. Insbesondere diskutieren wir über Pfadeigenschaften, wie Rekurrenz, Transienz, Zustandsklassifikationen sowie die Konvergenz zu einem Gleichgewicht. Wir untersuchen auch Erweiterungen auf kontinuierliche Zeit. Auf dem Weg dorthin diskutieren wir Anwendungen in der Biologie, in Warteschlangensystemen und im Ressourcenmanagement. Wenn es die Zeit erlaubt, werfen wir auch einen Blick auf Markov-Ketten mit zufälligen Übergangswahrscheinlichkeiten, sogenannten Irrfahrten in zufälliger Umgebung, ein verbreitetes Modell für Zufällige Medien.

Notwendig: Stochastik I \
Nützlich: Analysis III, Wahrscheinlichkeitstheorie I

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Elective in Data (MScData24)

Dozent:in: Peter Pfaffelhuber
Assistenz: Samuel Adeosun
Sprache: auf Englisch

Die Maßtheorie ist die Grundlage der fortgeschrittenen Wahrscheinlichkeitstheorie. In diesem Kurs bauen wir auf den Kenntnissen der Analysis auf und liefern alle notwendigen Ergebnisse für spätere Kurse in Statistik, probabilistischem maschinellem Lernen und stochastischen Prozessen. Der Kurs beinhaltet Mengensysteme, Konstruktionen von Maßen über äußere Maße, das Integral und Produktmaße.

Grundlagenvorlesung in Analysis und Verständnis mathematischer Beweise.

Elective in Data (MScData24)

Ort und Zeit

Do, 10-12 Uhr, -, -

Kann nicht gemeinsam mit der Praktische Übungen Stochastik in Python angerechnet werden.

Dozent:in: Sebastian Stroppel
Sprache: auf Englisch

This course is designed for students without prior knowledge in programming, but students who have already taken a first programming course might benefit as well . We will start with basic syntax and the standard library of python, including data types, functions, loops, regular expressions, and interacting with the operating system. For data analysis we learn dataframes using packages such as pandas (and relatives), see how we can interact with freely available APIs, make plots using matplotlob, and use numpy and scipy for standard procedures including numerical computations.

Within this course, you will pick a programming task of your interest, and implement your ideas based on your gained knowledge.

keine

Elective (MScData24)
Praktische Übung (2HfB21, MEH21, MEB21)

Ort und Zeit

Seminar: Mo, 16-18 Uhr, SR 127, Ernst-Zermelo-Str. 1
Voranmeldung: Wenn Sie sich für das Seminar interessieren, schreiben Sie bitte eine E-Mail an Johannes Brutsche, in der Sie Ihre Voraussetzungen in der Wahrscheinlichkeitsrechnung angeben und, ob Sie vorhaben, Wahrscheinlichkeitstheorie II zu besuchen.
Vorbesprechung 22.07., 14:00, Raum 232, Ernst-Zermelo-Str. 1
Vortragsbesprechungen (Tutorium zum Seminar): Termine nach Vereinbarung

Dozent:in: Angelika Rohde
Assistenz: Johannes Brutsche
Sprache: Vorträge/Teilnahme auf Deutsch oder auf Englisch möglich

Random walks are stochastic processes (in discrete time) formed by successive summation of independent, identically distributed random variables and are one of the most studied topics in probability theory. Many results that are part of this seminar also carry over to Brownian motion and related processes in continuous time. In particular, the theory for random walks contains many central and elegant proof ideas which can be extended to various other settings. We start the theory at the very beginning but quickly move on to proving local central limit theorems, study Green's function and recurrence properties, hitting times and the Gambler's ruin estimate. Further topics may include a dyadic coupling with Brownian motion, Dirichlet problems, random walks that are not indexed in \(\mathbb{N}\) but the lattice \(\mathbb{Z}^d\), and intersection probabilities for multidimensional random walks (which are processes \(X:\mathbb{N}\rightarrow\mathbb{R}^d\)). Here, we will see that in dimension \(d=1,2,3\) two paths hit each other with positive probability, while for \(d\geq 4\) they avoid each other almost surely.

Wahrscheinlichkeitsheorie I \
Einige Vorträge benötigen nur Stochastik I. Wenn Sie an dem Seminar interessiert sind und Wahrscheinlichkeitsheorie noch nicht gehört haben, schreiben Sie bitte dem Assistenten, damit wir ein geeigentes Thema auswählen können.

Wahlmodul im Optionsbereich (2HfB21)
Mathematisches Seminar (BSc21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Mathematisches Seminar (MSc14)
Wahlmodul (MSc14)
Mathematical Seminar (MScData24)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Di, Do, 10-12 Uhr, HS Weismann-Haus, Albertstr. 21a
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben
Klausur 22.09., 10:00-12:00
Nachklausur 31.10.

Dozent:in: Angelika Rohde
Assistenz: Johannes Brutsche
Sprache: auf Englisch

Das Problem der Axiomatisierung der Wahrscheinlichkeitstheorie wurde 1933 von Kolmogorov gelöst: Eine Wahrscheinlichkeit ist ein Maß auf der Menge aller möglichen Versuchsausgänge eines zufälligen Experiments. Von diesem Ausgangspunkt entwickelt sich die gesamte moderne Wahrscheinlichkeitstheorie mit zahlreichen Bezügen zu aktuellen Anwendungen.

Die Vorlesung ist eine systematische Einführung dieses Gebietes auf maßtheoretischer Grundlage und beinhaltet unter anderem den zentralen Grenzwertsatz in der Version von Lindeberg-Feller, bedingte Erwartungen und reguläre Versionen, Martingale und Martingalkonvergenzsätze, das starke Gesetz der großen Zahlen und den Ergodensatz sowie die Brown'sche Bewegung.

notwendig: Analysis I+II, Lineare Algebra I, Stochastik I

nützlich: Analysis III

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Vertiefung (MEd18, MEH21)
Angewandte Mathematik (MSc14)
Wahlmodul (MSc14)
Advanced Lecture in Stochastics (MScData24)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Mi, 14-16 Uhr, HS II, Albertstr. 23b, Do, 10-12 Uhr, SR 404, Ernst-Zermelo-Str. 1
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben

Dozent:in: David Criens
Assistenz: Samuel Adeosun
Sprache: auf Englisch

This lecture builds the foundation of one of the key areas of probability theory: stochastic analysis. We start with a rigorous construction of the It^o integral that integrates against a Brownian motion (or, more generally, a continuous local martingale). In this connection, we learn about It^o's celebrated formula, Girsanov’s theorem, representation theorems for continuous local martingales and about the exciting theory of local times. Then, we discuss the relation of Brownian motion and Dirichlet problems. In the final part of the lecture, we study stochastic differential equations, which provide a rich class of stochastic models that are of interest in many areas of applied probability theory, such as mathematical finance, physics or biology. We discuss the main existence and uniqueness results, the connection to the martingale problem of Stroock-Varadhan and the important Yamada-Watanabe theory.

Wahrscheinlichkeitstheorie I und II (Stochastische Prozesse)

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Advanced Lecture in Stochastics (MScData24)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Mo, 14-16 Uhr, HS II, Albertstr. 23b
Übung: Mi, 16-18 Uhr, SR 403, Ernst-Zermelo-Str. 1

Dozent:in: Ernst August v. Hammerstein
Assistenz: Sebastian Hahn
Sprache: auf Englisch

Lévy-Prozesse sind das zeitstetige Analogon zu Irrfahrten (random walks) in diskreter Zeit, da sie definitionsgemäß ebenfalls unabhängige und stationäre Zuwächse besitzen. Sie bilden eine fundamentale Klasse stochastischer Prozesse, die vielfache Anwendungen in der Versicherungs- und Finanzmathematik, der Warteschlangentheorie und auch in der Physik und Telekommunikation gefunden haben. Auch die Brownsche Bewegung und der Poisson-Prozess, die vielleicht schon aus anderen Vorlesungen bekannt sind, gehören zu dieser Klasse. Trotz ihrer Reichhaltigkeit und Flexibilität sind Lévy-Prozesse üblicherweise sowohl analytisch wie auch numerisch sehr handhabbar, da ihre Verteilung durch ein einzelnes eindimensionales, unbegrenzt teilbares Wahrscheinlichkeitsmaß erzeugt wird.

Die Vorlesung beginnt mit einer Einführung in unbegrenzt teilbare Verteilungen und der Herleitung der berühmten Lévy-Khintchine-Formel. Danach wird erläutert, wie Lévy-Prozesse daraus entstehen und wie die Charakteristiken der Verteilungen die Pfadeigenschaften der zugehörigen Prozesse beeinflussen. Nach einem kurzen Blick auf die Methode der Subordination wird abschließend die Optionsbewertung in von Lévy-Prozessen getriebenen Finanzmarktmodellen diskutiert.

notwendig: Wahrscheinlichkeitstheorie I

nützlich: Wahrscheinlichkeitstheorie II (Stochastische Prozesse)

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Mi, 12-14 Uhr, HS II, Albertstr. 23b
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben

Dozent:in: Thorsten Schmidt
Assistenz: Simone Pavarana
Sprache: auf Englisch

In this lecture we will study new and highly efficient tools from machine learning which are applied to stochastic problems. This includes neural SDEs as a generalisation of stochastic differential equations relying on neural networks, transformers as a versatile tool not only for languages but also for time series, transformers and GANs as generator of time series and a variety of applications in Finance and insurance such as (robust) deep hedging, signature methods and the application of reinforcement learning.

Wahrscheinlichkeitstheorie. Für einige Teile wird zudem ein gutes Verständnis stochastischer Prozesse gebraucht. In der Vorlesung wird dazu eine (sehr) kurze Einführung gegeben, so dass es für schnell Lernende möglich ist, der Veranstaltung auch ohne die Vorlesung 'Stochastische Prozesse' zu folgen.

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Elective in Data (MScData24)

Ort und Zeit

Do, 14-16 Uhr, PC-Pool Raum -100, Hermann-Herder-Str. 10

Dozent:in: Carola Heinzel
Assistenz: Samuel Adeosun
Sprache: auf Englisch

This course introduces the foundational concepts and practical skills necessary for understanding and implementing machine learning models, with a particular focus on deep learning and neural networks. Students will progress from basic programming skills in Python , with a focus on the PyTorch library, to advanced topics such as training multi-layer perceptrons, optimization techniques, and transformer architectures. By the end of the course, participants will have the ability to implement and analyze neural networks, apply optimization strategies, and understand modern transformer-based models for tasks such as text generation and time series analysis.

Programmiergrundkenntnisse und Grundkenntnisse in Stochastik.

Praktische Übung (2HfB21, MEH21, MEB21)
Wahlmodul im Optionsbereich (2HfB21)
Mathematische Ergänzung (MEd18)
Wahlmodul (MSc14)
Elective (MScData24)

Dozent:in: David Criens
Assistenz: Andreas Demleitner
Sprache: auf Deutsch

Es sind nicht nur Sätze, Beweise oder illustrierende Beispiele, sondern auch Gegenbeispiele, die die Tiefe und Schönheit einer Theorie aufzeigen. Natürliche Fragen sind: (a) sind die Voraussetzungen eines Satzes notwendig und nicht nur hinreichend; (b) sind Voraussetzungen hinreichend und nicht nur notwendig; (c) gelten auch Gegenrichtungen von Aussagen. In diesem Proseminar beschäftigen wir uns mit Gegenbeispielen aus dem Gebiet der Wahrscheinlichkeitstheorie. Mögliche Themen reichen von klassischen Fragestellungen, wie der Messbarkeit, Unabhängigkeit von Zufallsvariablen, Erwartungswerten oder bedingten Wahrscheinlichkeiten, bis hin zu fortgeschritteneren Themen, wie Grenzwertsätzen, Martingalen oder Markov Prozessen. Für jeden interessierten Studierenden kann ein passendes Thema gefunden werden.

Stochastik I (es können auch Themen aus Wahrscheinlichkeitstheorie I–III vergeben werden)

Proseminar (2HfB21, BSc21, MEH21, MEB21)

Dozent:in: Angelika Rohde
Assistenz: Gabriele Bellerino
Sprache: Vortrag/Teilnahme auf Deutsch oder Englisch möglich

Wohingegen lineare Transformationen von Gaußprozessen ihre gaußsche Eigenschaft bewahren, gilt dies für nichtlineare Funktionale, beispielsweise additive Funktionale der Form \[\int_0^T f(X_s) ds\qquad \text{ oder }\qquad \sum_{k=1}^n f(X_{k/n}),\] im Allgemeinen nicht. Die Wiener-Chaos-Zerlegung bietet einen Rahmen zur Analyse nichtlinearer Funktionale von Gaußprozessen. Es handelt sich hierbei um eine orthogonale Zerlegung des Raumes \[L^2(\mathbb{P}) = \bigoplus_{k=1}^\infty \mathcal{H}_k\] der bezüglich \(\mathbb{P}\) quadratintegrierbaren Zufallsvariablen, wobei \(\mathbb{P}\) ein gaußsches Wahrscheinlichkeitsmaß ist. Dieses Konzept verallgemeinert dabei die Eigenschaften orthogonaler Polynome bezüglich eines Wahrscheinlichkeitsmaßes auf der reellen Achse auf ein (potentiell) unendlichdimensionales Szenario. Es stellt sich heraus, dass Elemente eines Wiener-Chaos \(\mathcal{H}_k\) als mehrfache Wiener-Itô-Integrale dargestellt werden können, welche wiederum gut verstandene Objekte sind.

In diesem Seminar werden wir die grundlegenden Eigenschaften des Wiener-Chaos untersuchen, beginnend mit der Hermite-Polynombasis. Anschließend wenden wir uns fortgeschrittenen Themen wie Anwendungen im Malliavin-Kalkül zu, einem unendlichdimensionalen Differential-Kalkül auf gaußschen Wahrscheinlichkeitsräumen (stochastische Variationsrechnung). Des Weiteren werden zentrale und nichtzentrale Grenzwertsätze für nichtlineare Funktionale von gaußschen und nicht-gaußschen Prozessen sowie Invarianzprinzipien behandelt.

Notwendige Vorkenntnisse bestehen nur aus Kenntnissen der Wahrscheinlichkeitstheorie I.

Für einige Vorträge sind Vorkenntnisse der Wahrscheinlichkeitstheorie II (Stochastische Prozesse) nützlich. Ihre individuellen Vorkenntnisse können bei der Vergabe der Themen jedoch selbstverständlich berücksichtigt werden.

Wahlmodul im Optionsbereich (2HfB21)
Mathematisches Seminar (BSc21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Mathematisches Seminar (MSc14)
Wahlmodul (MSc14)
Mathematical Seminar (MScData24)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Mo, Mi, 14-16 Uhr, SR 404, Ernst-Zermelo-Str. 1
Übung: Di, 16-18 Uhr, SR 127, Ernst-Zermelo-Str. 1

Dozent:in: Ernst August v. Hammerstein
Assistenz: Sebastian Stroppel
Sprache: auf Englisch

Die Vorlesung "Mathematische Statistik"' baut auf Grundkenntnissen aus der Vorlesung "Wahrscheinlichkeitstheorie"' auf. Das grundlegende Problem der Statistik ist, anhand einer Stichprobe von Beobachtungen möglichst präzise Aussagen über den datengenerierenden Prozess bzw. die den Daten zugrundeliegenden Verteilungen zu machen. Hierzu werden in der Vorlesung die wichtigsten Methoden aus der statistischen Entscheidungstheorie wie Test- und Schätzverfahren eingeführt.

Stichworte hierzu sind u.a. Bayes-Schätzer und -Tests, Neyman-Pearson-Testtheorie, Maximum-Likelihood-Schätzer, UMVU-Schätzer, exponentielle Familien, lineare Modelle. Weitere Themen sind Ordnungsprinzipien zur Reduktion der Komplexität der Modelle (Suffizienz und Invarianz).

Statistische Methoden und Verfahren kommen nicht nur in den Naturwissenschaften und der Medizin, sondern in nahezu allen Bereichen zum Einsatz, in denen Daten erhoben und analysiert werden, so z. B. auch in den Wirtschaftswissenschaften (Ökonometrie) und Sozialwissenschaften (dort vor allem in der Psychologie). Im Rahmen dieser Vorlesung wird der Schwerpunkt aber weniger auf Anwendungen, sondern – wie der Name schon sagt – mehr auf der mathematisch fundierten Begründung der Verfahren liegen.

Notwendig: Wahrscheinlichkeitstheorie (insbesondere Maßtheorie sowie bedingte Wahrscheinlichkeiten und Erwartungen)

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Advanced Lecture in Stochastics (MScData24)
Elective in Data (MScData24)

Ort und Zeit

Fragestunde / flipped classroom: Mo, 10-12 Uhr, HS II, Albertstr. 23b
Übung: Mi, 12-14 Uhr, SR 127, Ernst-Zermelo-Str. 1
Vorlesung: asynchron (Videos)

Dozent:in: Peter Pfaffelhuber
Assistenz: Samuel Adeosun
Sprache: auf Englisch

Ein stochastischer Prozess \((X_t)_{t\in I}\) ist nichts weiter als eine Familie von Zufallsvariablen, wobei etwa \(I = [0,\infty)\) eine kontinuierliche Zeitmenge ist. Einfache Beispiele sind Irrfahrten, Markov-Ketten, die Brown’sche Bewegung oder davon abgeleitete Prozesse. Letztere spielen vor allem in der Modellierung von finanzmathematischen oder naturwissenschaftlichen Fragestellungen eine große Rolle. Wir werden zunächst Martingale behandeln, die in allgemeiner Form faire Spiele beschreiben. Nach der Konstruktion des Poisson-Prozesses und der Brown’sche Bewegung konstruieren, werden wir uns auf Eigenschaften der Brown'schen Bewegung konzentriieren. Infinitesimale Charakteristiken eines Markov-Prozesses werden durch Generatoren beschrieben, was eine Verbindung zur Theorie von partiellen Differentialgleichungen ermöglicht. Abschließend kommt mit dem Ergodensatz fur stationäre stochastische Prozesse eine Verallgemeinerung des Gesetzes der großen Zahlen zur Sprache. Weiter werden Einblicke in ein paar Anwendungsgebiete, etwa Biomathematik oder zufällige Graphen gegeben.

Notwendig: Wahrscheinlichkeitstheorie~I

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Advanced Lecture in Stochastics (MScData24)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Mo, Mi, 12-14 Uhr, SR 404, Ernst-Zermelo-Str. 1
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben

Dozent:in: Thorsten Schmidt
Assistenz: Moritz Ritter
Sprache: auf Englisch

Diese Vorlesung bildet den Höhepunkt unserer Reihe zur Wahrscheinlichkeitstheorie und erreicht das ultimative Ziel dieser Reihe: Die Kombination von stochastischer Analysis und Finanzmathematik, ein Gebiet, das seit den 1990er Jahren eine erstaunliche Fülle von faszinierenden Ergebnissen hervorgebracht hat. Der Kern ist sicherlich die Anwendung der Semi-Martingale-Theorie auf die Finanzmärkte, die in dem fundamentalen Theorem der Preisbildung von Vermögenswerten kummulieren. Dieses Ergebnis wird überall auf den Finanzmärkten verwendet. Danach befassen wir uns mit modernen Formen der stochastischen Analysis, die neuronale SDEs, Signaturmethoden, Unsicherheits- und Terminstrukturmodelle. Die Vorlesung schließt mit einer Untersuchung der neuesten Anwendungen von maschinellem Lernen auf den Finanzmärkten und dem wechselseitigen Einfluss der stochastischen Analyse auf maschinelles Lernen ab.

Notwendig: Wahrscheinlichkeitstheorie II (Stochastische Prozesse)

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Advanced Lecture in Stochastics (MScData24)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Do, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben

Dozent:in: David Criens
Assistenz: Dario Kieffer
Sprache: auf Englisch

Die Klasse der Markov-Ketten ist eine wichtige Klasse von (zeitdiskreten) stochastischen Prozessen, die häufig verwendet werden, um zum Beispiel die Ausbreitung von Infektionen, Warteschlangensysteme oder Wechsel von Wirtschaftsszenarien zu modellieren. Ihr Hauptmerkmal ist die Markov-Eigenschaft, was in etwa bedeutet, dass die Zukunft von der Vergangenheit nur durch den aktuellen Zustand abhängt. In dieser Vorlesung wird die mathematischen Grundlagen der Theorie der Markov-Ketten vorgestellt. Insbesondere diskutieren wir über Pfadeigenschaften, wie Rekurrenz, Transienz, Zustandsklassifikationen sowie die Konvergenz zu einem Gleichgewicht. Wir untersuchen auch Erweiterungen auf kontinuierliche Zeit. Auf dem Weg dorthin diskutieren wir Anwendungen in der Biologie, in Warteschlangensystemen und im Ressourcenmanagement. Wenn es die Zeit erlaubt, werfen wir auch einen Blick auf Markov-Ketten mit zufälligen Übergangswahrscheinlichkeiten, sogenannten Irrfahrten in zufälliger Umgebung, ein verbreitetes Modell für Zufällige Medien.

Notwendig: Stochastik~I \ Nützlich: Analysis~III, Wahrscheinlichkeitstheorie~I

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Elective in Data (MScData24)

Ort und Zeit

Vorlesung: Di, Fr, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben
Praktische Übung: 2-stündig, Termin wird noch festgelegt
Mündliche Prüfung 06.12.

Dozent:in: Diyora Salimova
Assistenz: Ilkhom Mukhammadiev
Sprache: auf Englisch

Ziel dieses Kurses ist es, die Studierenden in die Lage zu versetzen, Simulationen und deren mathematische Analyse für stochastische Modelle aus Anwendungen wie der Finanzmathematik und der Physik durchzuführen. Zu diesem Zweck vermittelt der Kurs ein solides Wissen über stochastische Differentialgleichungen (SDEs) und deren Lösungen. Darüber hinaus werden verschiedene numerische Methoden für SDEs, ihre zugrunde liegenden Ideen, Konvergenzeigenschaften und Implementierungsprobleme untersucht.

Notwendig: Stochastik, Maßtheorie, Numerik und MATLAB-Programmierung.

Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Elective in Data (MScData24)

Ort und Zeit

Seminar: Fr, 10-12 Uhr, SR 125, Ernst-Zermelo-Str. 1
Voranmeldung: per E-Mail an Thorsten Schmidt
Vorbesprechung 18.10.
Vortragsbesprechungen (Tutorium zum Seminar): Termine nach Vereinbarung

Dozent:in: Thorsten Schmidt
Assistenz: Moritz Ritter
Sprache: Vorträge/Teilnahme auf Deutsch oder auf Englisch möglich

Dieses Seminar wird sich auf theoretische Ergebnisse des maschinellen Lernens konzentrieren, einschließlich moderner universeller Approximationssätze, der Näherung von Filtermethoden durch Transformationen, der Anwendung von Methoden des maschinellen Lernens in Finanzmärkten und möglicherweise anderen verwandten Themen. Darüber hinaus werden wir Themen der stochastischen Analyse behandeln, wie die fraktionale Itô-Kalkulation, Unsicherheit, Filterung und optimalen Transport. Sie sind auch eingeladen, Themen vorzuschlagen.

Das Seminar richtet sich an Studierende, die mindestens Stochastik und Maschinelles Lernen oder Wahrscheinlichkeitstheorie II gehört haben.

Wahlmodul im Optionsbereich (2HfB21)
Mathematisches Seminar (BSc21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Mathematisches Seminar (MSc14)
Wahlmodul (MSc14)
Mathematical Seminar (MScData24)
Elective in Data (MScData24)