Kursplan för Stokastiska processer och Bayesiansk inferens

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2019-02-22 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnStochastic processes and Bayesian inference
  • KurskodMVE550
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPENM
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeMatematik
  • InstitutionMATEMATISKA VETENSKAPER
  • BetygsskalaTH - Fem, Fyra, Tre, Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 20141
  • Sökbar för utbytesstudenterJa

Poängfördelning

0118 Tentamen 6 hp
Betygsskala: TH		 6 hp
  • 18 Jan 2020 em H
  • 08 Apr 2020 fm DIST
  • 17 Aug 2020 fm J
0218 Inlämningsuppgift 1,5 hp
Betygsskala: UG		 1,5 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Information saknas

Särskild behörighet

För kurser på avancerad nivå gäller samma grundläggande och särskilda behörighetskrav som till det kursägande programmet. (När kursen är på avancerad nivå men ägs av ett grundnivåprogram gäller dock tillträdeskrav för avancerad nivå.)
Undantag från tillträdeskraven: Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

En grundkurs i matematisk statistik

Syfte

Genom att bygga på fundamentet från en första grundkurs i matematisk statistik skall kursen ge kunskaper om ett större utbud av sannolikhetsteoretiska modeller, speciellt stokastiska processer, och större kunskaper om Bayesiansk inferens, generellt och i sammanhang med dessa modeller. Tillsammans skall dessa kunskaper ge ett solid fundament för båda praktisk tillämpning av och prediktion med stokastiska processer i sammanhang med dataanalys, och för vidare studier inom statistik och sannolikhetsteori.

Lärandemål (efter fullgjord kurs ska studenten kunna)

Efter fullgjord kurs skall studenten kunna använda vissa grundläggande stokastiska processer som modeller för reella fenomen samt anpassa modellerna med observerade data. Studenten skall kunna göra prediktioner med dessa modeller, både genom beräkningar baserad på deras teoretiska egenskaper och genom datorbaserad simulering. Studenten skall kunna göra datorbaserad inferens med MCMC för vissa enkla modeller, och generellt kunna förstå och tillämpa det Bayesianska paradigmet för inferens.      

Innehåll

Markovkedjor i diskret tid. Förgreningsprocesser. Grundläggande principer för Bayesiansk inferens, med diskretisering och konjugerade apriorifördelningar. Dolda Markovmodeller (HMM). Monte Carlo integrering och Markov chain Monte Carlo (MCMC) simulering. Poisson-processer. Tidskontinuerliga Markovkedjor. Introduktion till Brownska rörelser.

Organisation

Föreläsningar och räkneövningar. Obligatoriska inlämningsuppgifter.

Litteratur

Dobrow: Introduction to Stochastic Processes with R. (Finns på Chalmers som e-bok). Wiley 2016.

Föreläsningsanteckningar.

Examination inklusive obligatoriska moment

Skriftlig tentamen. Obligatoriska inlämningsuppgifter.

Kursplanen innehåller ändringar

  • Ändring gjord på tentamen:
    • 2020-01-13: Plats Plats ändrat från Johanneberg till Hörsalsvägen, Data av grunnet
      [2020-01-18 6,0 hp, 0118]
    • 2020-01-13: Plats Plats ändrat från Hörsalsvägen, Data till Hörsalar på hörsalsvägen av annbe
      [2020-01-18 6,0 hp, 0118]