Multivariata statistiska metoder, 6 hp
Multivariate Statistical Methods, 6 credits
732A97
Huvudområde
StatistikUtbildningsnivå
Avancerad nivåKurstyp
Fristående- och programkursExaminator
Krzysztof BartoszekKursansvarig
Krzysztof BartoszekStudierektor eller motsvarande
Jolanta PielaszkiewiczTillgänglig för utbytesstudenter
JaKontaktinformation
Isak Hietala
Kostas Mitropoulos, international coordinator
Kursen ges för | Termin | Veckor | Block | Språk | Ort/Campus | VOF | |
---|---|---|---|---|---|---|---|
Fristående kurs (Halvfart, Dagtid) | VT 2023 | 202303-202312 | - | Engelska | Linköping, Valla | ||
Fristående kurs (Halvfart, Dagtid) | VT 2023 | 202303-202312 | - | Engelska | Linköping, Valla | ||
F7MSL | Statistics and Machine Learning, Master´s Programme - First and main admission round | 2 (VT 2023) | 202303-202312 | 1 | Engelska | Linköping, Valla | V |
F7MSL | Statistics and Machine Learning, Master´s Programme - Second admission round (open only for Swedish/EU students) | 2 (VT 2023) | 202303-202312 | 1 | Engelska | Linköping, Valla | V |
Huvudområde
StatistikUtbildningsnivå
Avancerad nivåFördjupningsnivå
A1FKursen ges för
- Master's Programme in Statistics and Machine Learning
Förkunskapskrav
- 180 hp avslutade kurser varav 90 hp inom något av följande ämnen:
- statistik
- matematik
- tillämpad matematik
- datavetenskap
- teknik
- Godkända kurser i:
- matematisk analys
- linjär algebra
- statistik
- programmering
- Engelska 6
Undantag ges för svenska - Minst 6 hp godkända från termin 1 på Master's Programme in Statistics and Machine Learning eller motsvarande förvärvade kunskaper
Lärandemål
Efter avslutad kurs ska den studerande kunna:
- analysera ett multivariat datamaterial med hjälp av lämpliga mutivariata modeller
- redogöra för matematiska modeller som relaterar sig till olika multivariata metoder och härleda teoretiska resultat från dessa modeller
- tillämpa statistisk hypotesprövning och teorin för stora stickprov för att utvärdera trovärdighet av multivariata modellers resultat
- använda datorsimuleringar för att lösa multivariata statistiska problem
- redogöra för olika typer av kovariansstruktur och deras inflytande på tolkningar
- tillämpa multivariata metoder för dimensionsreducering
Kursinnehåll
I kursen behandlas den matematiska teorin för multivariat normalfördelning, relaterade fördelningar och en praktisk tillämpning av denna teori till en mängd av multivariata statistiska modeller och inferensproblem i statistik, maskininlärning och ingenjörsvetenskap.
I kursen behandlas följande:
- matrisalgebra, slumpvektorer och slumpmatriser
- multivariat normalfördelning, matematiska egenskaper av stickprovsfördelningar och teorin för stora stickprov
- inferens om medelvektorer, relaterade modeller för hypotesprövning och konfidensregioner
- principalkomponentsanalys och inferens för stora stickprov
- faktoranalys
- kanonisk korrelationsanalys och inferens för stora stickprov
- MANOVA modeller
Undervisnings- och arbetsformer
Undervisningen består av föreläsningar, datorövningar och seminarier. Utöver detta ska den studerande utöva självstudier.
Examinationsspråk: Engelska
Examination
Kursen examineras genom:
- gruppvis skriftlig redovisning av laborationsuppgifter, betygsskala: UG
- aktivt deltagande i seminarier, betygsskala: UG
- individuell skriftlig tentamen, betygsskala: EC
För Godkänt (E) som slutbetyg krävs minst E på den individuella skriftliga tentamen samt Godkänt i gruppvis skriftlig redovisning av laborationsuppgifter samt aktivt deltagande i seminarier. Högre betyg grundas på den individuella skriftliga tentamen.
Detaljerad information återfinns i studieanvisningen.
Om det finns särskilda skäl, och om det med hänsyn till det obligatoriska momentets karaktär är möjligt, får examinator besluta att ersätta det obligatoriska momentet med en annan likvärdig uppgift.
Om LiU: s koordinator för studenter med funktionsnedsättning har beviljat en student rätt till anpassad examination vid salstentamen har studenten rätt till det.
Om koordinatorn har gett studenten en rekommendation om anpassad examination eller alternativ examinationsform, får examinator besluta om detta om examinator bedömer det möjligt utifrån kursens mål.
Examinator får också besluta om anpassad examination eller alternativ examinationsform om examinator bedömer att det finns synnerliga skäl och examinator bedömer det möjligt utifrån kursens mål.
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.
Om det föreligger synnerliga skäl får rektor i särskilt beslut ange förutsättningarna för, och delegera rätten att besluta om, tillfälliga avsteg från denna kursplan.
Institution
Institutionen för datavetenskapKod | Benämning | Omfattning | Betygsskala |
---|---|---|---|
FRI1 | Bonuspoäng | 0 hp | EC |
TEN1 | Tentamen | 5 hp | EC |
LAB2 | Laboration | 1 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.