Mehr erfahren

Ort und Zeit

Vorlesung: Fr, 10-12 Uhr, HS Weismann-Haus, Albertstr. 21a
Übung: 2-stündig 14-täglich, verschiedene Termine
Klausur 06.08., 10:00-12:00

Lehre

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

Inhalt

Nach dem in der Vorlesung Stochastik I erhaltenen Einblick in die Grundlagen sowie in verschiedene Methoden und Fragestellungen der Stochastik bzw. Wahrscheinlichkeitstheorie wird sich diese Vorlesung hauptsächlich statistischen Themen widmen, insbesondere solchen, die für Studierende des Lehramts an Gymnasien relevant sind. Aber auch für Studierende im B.Sc. Mathematik mit Interesse an Stochastik kann die Vorlesung eine (hoffentlich) nützliche Ergänzung und gute Grundlage für den späteren Besuch der Kursvorlesung „Mathematische Statistik“ sein.

Nach der Präzisierung des Begriffes „statistisches Modell“ werden Methoden zur Konstruktion von Schätzern (z.B. Maximum-Likelihood-Prinzip, Momentenmethode) und Gütekriterien für diese (Erwartungstreue, Konsistenz) besprochen. Außerdem werden Konfidenzintervalle und Hypothesentests eingeführt. Als weitere Anwendungen werden lineare Modelle betrachtet und falls die Zeit es erlaubt, weitere statistische Verfahren. Dabei werden auch die für viele Test- und Schätzverfahren nützlichen Eigenschaften von exponentiellen Familien und multivariaten Normalverteilungen vorgestellt.

Vorkenntnisse

Lineare Algebra I+II und Analysis I+II

Verwendbarkeit

Stochastik (2HfB21, MEH21)
Stochastik II (MEdual24)
Wahlpflichtmodul Mathematik (BSc21)

Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.

Mehr erfahren

Ort und Zeit

Vorlesung: Fr, 10-12 Uhr, HS Weismann-Haus, Albertstr. 21a
Übung: 2-stündig 14-täglich, verschiedene Termine
Klausur 14.03.
Nachklausur 06.08., 10:00-12:00

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.

Lehre

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

Inhalt

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.

Vorkenntnisse

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

Verwendbarkeit

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

Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.

Mehr erfahren

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

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.

Lehre

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

Inhalt

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.

Vorkenntnisse

Keine, die über die Zulassung zum Studiengang hinausgehen.

Verwendbarkeit

Basics in Applied Mathematics (MScData24)

Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.

Mehr erfahren

Ort und Zeit

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

Lehre

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

Inhalt

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.

Vorkenntnisse

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.

Verwendbarkeit

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

Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.