Kursplan för Bayesiansk statistik och dataanalys

Bayesian Statistics and Data Analysis

  • 7,5 högskolepoäng
  • Kurskod: 2ST128
  • Utbildningsnivå: Avancerad nivå
  • Huvudområde(n) och successiv fördjupning: Statistik A1N

    Förklaring av koder

    Koden visar kursens utbildningsnivå och fördjupning i förhållande till andra kurser inom huvudområdet och examensfordringarna för generella examina:

    Grundnivå

    • G1N: har endast gymnasiala förkunskapskrav
    • G1F: har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav
    • G1E: innehåller särskilt utformat examensarbete för högskoleexamen
    • G2F: har minst 60 hp kurs/er på grundnivå som förkunskapskrav
    • G2E: har minst 60 hp kurs/er på grundnivå som förkunskapskrav, innehåller examensarbete för kandidatexamen
    • GXX: kursens fördjupning kan inte klassificeras

    Avancerad nivå

    • A1N: har endast kurs/er på grundnivå som förkunskapskrav
    • A1F: har kurs/er på avancerad nivå som förkunskapskrav
    • A1E: innehåller examensarbete för magisterexamen
    • A2E: innehåller examensarbete för masterexamen
    • AXX: kursens fördjupning kan inte klassificeras

  • Betygsskala: Underkänd (U), godkänd (G), väl godkänd (VG)
  • Inrättad: 2022-03-03
  • Inrättad av: Institutionsstyrelsen
  • Reviderad: 2022-10-14
  • Reviderad av: Institutionsstyrelsen
  • Gäller från: HT 2023
  • Behörighet:

    120 hp inklusive 90 hp statistik, alternativt 120 hp inklusive 60 hp statistik samt 30 hp matematik och/eller datavetenskap.

  • Ansvarig institution: Statistiska institutionen

Mål

En student som gått kursen skall

  • ha kunskaper om grundläggande begrepp, filosofi och synsätt i Bayesiansk statistik
  • kunna härleda posteriorfördelningar i enkla fall
  • kunna härleda och använda prediktiva fördelningar
  • kunna identifiera och fomulera Bayesianska statistiska modeller för analys och prediktion
  • kunna formulera och skatta modeller med moderna datorbaserade metoder för approximation av posteriorfördelningar
  • förstå och kunna använda grundläggande principer för beslut under osäkerhet
  • ha kunskaper för att använda Bayesianska metoder för modelljämförelse
  • kunna självständigt och kritiskt granska användning av Bayesianska metoder
  • skriftligt och muntligt kunna redovisa en genomförd statistisk analys med Bayesianska metoder

Innehåll

Bayes teorem, apriorifördelning, aposteriorifördelning, prediktiva fördelningar, konjugata apriorifördelningar, grundläggande beslutsteori, Bayesiansk modelljämförelse, pasteriorapproximationer, MCMC, Probabilistisk programmering

Undervisning

Undervisning ges i form av föreläsningar, räkneövningar och datorlaborationer.

Examination

Examinationen sker dels genom ett mindre datanalysprojekt i slutet av kursen och dels genom obligatoriska inlämningsuppgifter/duggor.

Versioner av kursplanen

Litteratur

Uppgift om kurslitteratur saknas. Ta kontakt med ansvarig institution för mer information.

Skriv ut