In den Wirtschaftswissenschaften braucht man viele mathematische Werkzeuge. Ein für die Wirtschaftswissenschaften besonders nützliches Gebiet ist die lineare Algebra. Sie ist u.a. aus folgenden Gründen für die Wirtschaftswissenschaften hilfreich:

  • Mit Hilfe von Vektoren und Matrizen lassen sich komplexe Situationen oder Modelle mit einer kompakten Notation beschreiben. Die Beschreibung wird dadurch einfacher und transparenter.

  • Die lineare Algebra hilft bei der Lösung linearer Gleichungssysteme. Sie kommen nicht nur in den Wirtschaftswissenschaften, sondern in praktisch allen Wissenschaften vor.

  • In der Ökonometrie nutzt man die Methoden der linearen Algebra für die Schätzung empirischer Modelle.

  • Die lineare Algebra ist quasi der Motor der künstlichen Intelligenz und unumgänglich z.B. für die Arbeit mit neuronalen Netzen.

In diesem Kurs lernen Sie die Grundlagen der linearen Algebra kennen. Die Darstellungbeschränkt sich meist auf den zweidimensionalen Fall, denn die geometrische Sichtweise auf die lineare Algebra hilft, ein intuitives Verständnis zu entwickeln. Dadurch wird es später leichter, sich auch in höherdimensionalen Räumen sicher zurecht zu finden.

Einige Werkzeuge der linearen Algebra sind zwar nicht schwierig umzusetzen, brauchen aber viele oder sogar sehr viele Rechenschritte. Dafür lassen sich Computer ideal einsetzen. Viele Programmiersprachen haben Funktionen für die Methoden der linearen Algebra, z.B. für die Invertierung einer Matrix. In diesem Kurs lernen Sie, wie man die numerischen Berechnungen in R durchführt.

Semester: ST 2026
ePortfolio: No

Bayesian Statistics and MCMC Methods give you a toolkit for modern empirical research under uncertainty. You will learn how priors, likelihoods, and Bayes’ theorem combine into posterior inference, then turn theory into practice through computational methods used in real data problems. The course moves from the basic foundations of Bayesian statistics to modern simulation tecniques, including Gibbs sampling and Metropolis-Hastings. We will apply the methods to econometric models such as multiple linear regression and Tobit models. This course is rigorous, hands-on, and directly relevant for research in economics, finance and data science. 

Semester: ST 2026
ePortfolio: No
Semester: Term-independent
ePortfolio: No