Tidsserieanalys, 6 hp
Time Series Analysis, 6 credits
732A62
Huvudområde
StatistikUtbildningsnivå
Avancerad nivåKurstyp
Fristående- och programkursExaminator
Fredrik LindstenKursansvarig
Fredrik LindstenStudierektor eller motsvarande
Ann-Charlotte HallbergTillgänglig för utbytesstudenter
JaKontaktinformation
Isak Hietala
Kostas Mitropoulos
Lotta Hallberg
Kursen ges för | Termin | Veckor | Block | Språk | Ort/Campus | VOF | |
---|---|---|---|---|---|---|---|
Fristående kurs (Halvfart, Dagtid) | HT 2019 | 201936-201944 | 2 | Engelska | Linköping, Valla | ||
Fristående kurs (Halvfart, Dagtid) | HT 2019 | 201936-201944 | 2 | Engelska | Linköping, Valla | ||
F7MSL | Statistics and Machine Learning, Master´s Programme | 1 (HT 2019) | 201936-201944 | 2 | Engelska | Linköping, Valla | V |
F7MSL | Statistics and Machine Learning, Master´s Programme | 3 (HT 2019) | 201936-201944 | 2 | Engelska | Linköping, Valla | V |
Huvudområde
StatistikUtbildningsnivå
Avancerad nivåFördjupningsnivå
A1XKursen ges för
- Masters Programme in Statistics and Machine Learning
Förkunskapskrav
Kandidatexamen i något av följande ämnen: statistik, matematik, tillämpad matematik, datavetenskap, teknik eller motsvarande examen. Utöver detta, erfordras godkända/avklarade kurser i kalkyl, linjär algebra, statistik och programmering.
Dokumenterade kunskaper i engelska motsvarande Engelska B/Engelska 6.
Undantag för Svenska 3/B
Lärandemål
Efter avslutad kurs skall den studerande på en avancerad nivå kunna:
- tillämpa kunskap om de mest kända metoderna för analys av tidsserier,
- redogöra för de viktigaste principerna av urval, skattning och validering av tidsserier,
- använda en statistisk mjukvara för att anpassa lämpliga tidsseriemodeller till en given datamängd, göra inferens om tidsseriekomponenter och göra prognoser och beräkna deras statistiska osäkerhet,
- utvärdera generaliseringsförmåga av statistiska samband som används för att göra prognoser.
Kursinnehåll
Kursen lägger grund för ett professionellt arbete och forskning där tidsserier undersöks, modifieras, modelleras och utvärderas för att upptäcka trender och göra prognoser.
Kursen innehåller:
- tidsseriedekomposition,
- autokorrelation och partiell autokorrelation,
- prognoser med hjälp av tidsserieregression, ARIMA modeller och transferfunktioner,
- interventionsanalys,
- trenddetektion.
Undervisnings- och arbetsformer
Kursen består av föreläsningar, datorövningar och seminarier. Föreläsningarna ägnas åt genomgång av teori, koncept och metodik. Datorövningarna ägnas åt praktisk dataanalys. Seminarier ägnas åt studentpresentationer och diskussioner av uppgifter.
Utöver detta ska den studerande utöva självstudier.
Undervisningsspråk: Engelska
Examination
Skriftlig redovisning av labbuppgifter. En skriftlig tentamen. Detaljerad information återfinns i studiehandledningen.
Studerande, vars examination underkänts två gånger på kursen eller del av kursen, har rätt att begära en annan examinator vid förnyat examinationstillfälle.
Den som godkänts i prov får ej delta i förnyat prov för högre betyg.
Betygsskala
ECTS, ECÖvrig information
Planering och genomförande av kurs ska utgå från kursplanens formuleringar. Den kursvärdering som ska ingå i varje kurs ska därför behandla frågan om hur kursen överensstämmer med kursplanen.
Kursen bedrivs på ett sådant sätt att både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.
Institution
Institutionen för datavetenskapKod | Benämning | Omfattning | Betygsskala |
---|---|---|---|
TENT | Tentamen | 4 hp | EC |
LAB1 | Laboration | 2 hp | EC |
Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida.
Det finns inga filer att visa.