Behörighetskrav

120 hp inklusive Regressionsanalys eller Introduktion till data science. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)

Mål

Syftet med kursen är att studenterna ska få en god överblick och kunskap om ett flertal statistiska tekniker som utvecklats de senaste åren i takt med att datorernas kapacitet ökat.

Efter godkänd kurs ska studenten kunna:

• redogöra för den teoretiska grunden för Markov Chain Monte Carlo-metoder och använda sådana tekniker för valda statistiska problem;
• redogöra för principerna för slumptalsgeneratorer;
• använda simuleringsmetoder såsom Bootstrap och SIMEX;
• använda EM-metoder;
• självständigt använda icke-parametriska statistiska metoder;
• använda statistisk programvara.

Innehåll

Återsamplingsmetodik, Jack-knife, bootstrap. EM-algoritmen, SIMEX-metodik. Markov Chain Monte Carlo. Slumptalsgeneratorer. Smoothing-tekniker. Kernelskattningar, närmaste granne-skattningar, ortogonala och lokala polynomiella skattningar, wavelet-skattning. Splines. Val av bandbredd och andra parametrar. Tillämpningar och användning av statistisk programvara, företrädelsvis R.

Undervisning

Föreläsningar, räkneövningar och datorlaborationer.

Examination

Skriftligt prov (4 hp) vid kursens slut kombinerat med obligatoriska inlämningsuppgifter (1 hp) och projekt (2,5 hp) under kursens gång.

Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en enskild student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.

Övriga föreskrifter

Kursen kan inte ingå i samma examen som kursen Datorintensiv statistik och informationsutvinning (1MS009).