Kursplan för Principer för statistisk slutledning

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2020-03-12 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnStatistical inference principles
  • KurskodMVE326
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPENM
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeMatematik
  • InstitutionMATEMATISKA VETENSKAPER
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

Kurstillfället är inställt. Kurstillfället ges enligt plan vartannat år. För frågor kontakta utbildningssekreteraren för
  • Undervisningsspråk Engelska
  • Anmälningskod 20116
  • Sökbar för utbytesstudenterNej

Poängfördelning

0115 Inlämningsuppgift, del A 2,5 hp
Betygsskala: UG		0 hp0 hp2,5 hp0 hp0 hp0 hp
0215 Tentamen, del B 5 hp
Betygsskala: TH		0 hp0 hp5 hp0 hp0 hp0 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

För tillträde till kursen krävs kunskaper motsvarande kursen MVE155 Statistisk slutledning. Dessutom krävs kunskaper motsvarande minst 15 hp på avancerad nivå i matematisk statistik.

Syfte

Kursen behandlar på ett matematiskt och rigoröst sätt matematisk statistik och principer för statistisk slutledning. Utöver behandlingen av centrala statistiska begrepp och modeller så diskuteras och jämförs olika filosofiska perspektiv på vetenskaplig inferens.

Lärandemål (efter fullgjord kurs ska studenten kunna)

Studenten skall efter fullföljd kurs kunna matematiska grundläggningar av
  • poängskattning inklusive att hitta och evaluera skattningar,
  • hypotestester inklusive att hitta och evaluera test,
  • intervallskattning inklusive att hitta och evaluera skattningar,
  • asymptotisk skattning,

och skall kunna använda dessa begrepp och satser i teoretiska övningar och programmeringsövningar.

Innehåll

Det centrala innehållet i kursen är:
  • exponentiella familjer av sannolikhetsfördelningar
  • uttömmande- och likelihoodprinciperna för datareduktion
  • maximum likelihoodskattningar and Bayesianska skattningar
  • EM-algoritmen
  • likelihoodratiotester och Bayesianska tester
  • starkaste tester
  • intervallskattningar
  • asymptotisk skattning

Organisation

Föreläsningar, övningar, inlämningsuppgifter

Litteratur

Litteratur anges separat.

Examination inklusive obligatoriska moment

Skriftliga inlämningar. Skriftlig examen.

Kursplanen innehåller ändringar

  • Ändring gjord på kurstillfälle:
    • 2020-03-12: Examinator Examinator ändrat från Annika Lang (langa) till Umberto Picchini (picchini) av Viceprefekt
      [Kurstillfälle 1]
    • 2020-03-12: Inställd Ändrat till inställd av UOL
      [Kurstillfälle 1] Inställt