- Systematische Vertiefung und Erweiterung der im Bachelorstudium erlangten Kenntnisse und Fähigkeiten zur Mathematik
- Kennenlernen vertiefter Anwendungen der Mathematik, auch exemplarisch mit Projektcharakter
- Beherrschen wichtiger Verfahren und Algorithmen
- Erwerb direkt berufsbezogener inhaltlicher und prozessorientierter Kompetenzen

- Die Studierenden lernen grundlegende Konzepte für lineare Modelle kennen, können diese auf verschiedene statistische Fragen anwenden, die zugrundeliegenden Annahmen kritisch überprüfen oder geeignete Korrekturverfahren anwenden.

- Querverbindungen: mat839, mat843, mat835, maschinelles Lernen

Lineare Einfachregression, multiple Regression, Kleinste-Quadrate-Schätzung, Eigenschaften des KQ-Schätzers, Modellierung kategorialer und metrischer Einflussgrößen, Modelldiagnose, Modellwahl, Variablenselektion, allgemeine lineare Modelle, generalisierte lineare Modelle

Fahrmeir, Kneib & Lang (2009): Regression - Modelle, Methoden und Anwendungen, Springer.
Rawlings, Pantula & Dickey (1998). Applied Regression Analysis: A Research Tool, Springer Verlag.
Schmidt, Trenkler (2006). Einführung in die moderne Matrix-Algebra, Springer Verlag.
Ligges (2008). Programmieren mit R, Springer Verlag.

Studienschwerpunkt: C

nach Ende der Vorlesungszeit

Klausur oder mündliche Prüfung oder Fachpraktische Übung (KMÜ)