Fachbereich 07: Mathematik und Informatik, Physik, Geographie - Data Science - Master of Science - Data Science ab Wintersemester 2023/24

Dieser Modul setzt den Modul "Grundlagen der Datenanalyse mit R (R1)" des vorherigen Semesters nahtlos fort und hat ebenso als Hauptanliegen die Anwendung statistischer Verfahren und den praktischen Umgang mit der (open source) Statistik- und Grafik-Software R anhand von realen Datensätzen. Um die rechtzeitige Installation der aktuellsten Version von R (4.6.1 seit Juni 2026) muss sich - wie zuvor in R1 - vor Beginn des Kurses selbst gekümmert werden. Quelle der Software: https://cran.r-project.org (im Bereich "Download and Install R", wohinter sich auch Installationshinweise sowie Links auf die "R FAQ" und die "R for Windows FAQ" finden, deren - zumindest partielle - Lektüre empfehlenswert und hilfreich ist). Achtung: Beim Upgrade auf eine neuere 4er-Version ist es i. d. R. nötig, *sämtliche*, bereits installierten Pakete zu aktualisieren, was wegen gewissen Abhängigkeiten unter divesen Paketen evtl. sogar wiederholt erfolgen muss und etwas Zeit in Anspruch nehmen kann.

(Beachten Sie, dass es in diesem Modul auch eine dazugehörige Übung gibt, in die Sie sich bitte ebenfalls via Stud.IP eintragen, wenn Sie daran teilzunehmen beabsichtigen.)

Kompetenzziele: Sie erlernen anhand realer Daten die Nutzung weiterer statistischer Verfahren sowie die Realisierung von Monte-Carlo-Simulationen in R und sollen
• Inferenzstatistik für univariate Ein- und Mehrstichprobenprobleme sowie für die einfache lineare Regression beherrschen,
• Wahrscheinlichkeitsverteilungen und die Generierung von Pseudo-Zufallszahlen in R nutzen können,
• Prinzipien, Probleme sowie R-spezifische Vor- und Nachteile verschiedener Simulationskonzepte kennen,
• mit Beispielen für Simulationsstudien vertraut sein,
• Simulationsstudien und -ergebnisse präsentieren können.

Als Master-Modul: Die Studierenden sollen lernen, selbstständig Simulationsszenarien zu konzipieren, zu implementieren und die Resultate der Simulation zu präsentieren.

Modulinhalte:
• R-Funktionen für die Inferenzstatistik univariater Ein- und Mehrstichprobenprobleme
• Einführung in die einfache lineare Regression
• Wahrscheinlichkeitsverteilungen und Pseudo-Zufallszahlen
• Simulation des Starken Gesetzes der Großen Zahlen in diversen Beispielen
• eventuell Simulationen auf der Basis von "random walks", z. B. für Ruinprobleme, Geburtsprozesse, Bäume, Markovketten.

Als Master-Modul: Selbstständige Konzeption und Implementation eines ausgewählten Simulationsszenarios samt Präsentation der Simulationsergebnisse.

Formales ist im jeweiligen Modulhandbuch zu finden (für BSc siehe z. B. unter https://www.uni-giessen.de/mug/7/findex35.html/7_35_07_03_Ma in der Anlage 2 und für MSc siehe z. B. unter https://www.uni-giessen.de/mug/7/findex36.html/7_36_07_3_M in der Anlage 2).

Der Kurs richtet sich an Studierende der Mathematik (Bachelor oder Master oder Lehramt an Gymnasien) mit Interesse an angewandter Stochastik und an Studierende aus anderen Fachgebieten mit einem belastbaren statistischen Basiswissen.
Gründliche Kenntnisse aus dem Modul "Grundlagen der Datenanalyse mit R (R1)" sowie Kenntnisse aus den Modulen "Stochastik 1" und "Stochastik 2" (oder gleichwertigen, höheren Vorlesungen über Statistische Methoden) sind notwendig (bzw. zumindest äußerst empfehlenswert).

direkte Anfrage bei Dozent*in per E-Mail

Modulcodes nach den Speziellen Ordnungen von 2026: 07-M/MA-FinEl, 07-M/BA-FinEl

In der Vorlesung werden die Grundlagen der Methode der finiten Elemente für die numerische Lösung der partiellen Differentialgleichungen erläutert. Der Schwerpunkt wird in der Beschreibung der praktischen Umsetzung der Methode liegen. Weiterhin werden die theoretischen Aspekte, wie Existenz und Eindeutigkeit der Lösung sowie Fehlerabschätzungen behandelt.

direkte Anfrage bei Dozent*in per E-Mail