Multivariata statistiska metoder, 6 hp

Multivariate Statistical Methods, 6 credits

732A97

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Kurstyp

Fristående- och programkurs

Examinator

Krzysztof Bartoszek

Kursansvarig

Krzysztof Bartoszek

Studierektor eller motsvarande

Jolanta Pielaszkiewicz

Tillgänglig för utbytesstudenter

Ja

Kontaktinformation

VOF = Valbar / Obligatorisk / Frivillig
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

Statistik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1F

Kursen 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, EC

Övrig 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 datavetenskap
Kod Benämning Omfattning Betygsskala
FRI1 Bonuspoäng 0 hp EC
TEN1 Tentamen 5 hp EC
LAB2 Laboration 1 hp EC
Det finns ingen kurslitteratur tillgänglig på studieinfo för den här kursen.

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.