Gäller för: Läsåret 2020/21
Beslutad av: Programledning I
Beslutsdatum: 2020-04-03
Huvudområde: Maskininlärning, system och reglerteknik.
Alternativobligatorisk för: MMSR1
Valfri för: BME4, D4, F4, F4-bm, F4-fm, I4-fir, Pi4-bs, Pi4-fm, Pi4-bam
Undervisningsspråk: Kursen ges på engelska
Kursens syfte är att ge studenten verktyg och kunskap för att hantera komplicerade statistiska problem och modeller. Kursens mål är att studenten skall tillgodogöra sig moderna datorintensiva statistiska metoder och använda dessa för att skatta storheter och parametrar i de komplicerade modeller som uppträder inom olika tillämpningsområden (t.ex. ekonomi, signalbehandling, biologi, klimat och miljöstatistik). Vidare skall studenten kunna bedöma osäkerheten hos dessa skattningar. Kursen syftar främst till att utöka den mängd statistiska problem som kan lösas av studenten.
Kunskap och förståelse
För godkänd kurs skall studenten
Färdighet och förmåga
För godkänd kurs skall studenten
Värderingsförmåga och förhållningssätt
För godkänd kurs skall studenten
Simuleringsbaserade metoder för integration och statistisk analys. Monte Carlo-metoder för sekventiella problem. Markovkedjemetoder, t.ex. Gibbsampling och Metropolis-Hastings-algoritmen, för simulering och inferens. Bayesiansk modellering och inferens. Återsamplingsprincipen, både ickeparametrisk och parametrisk. Metoder för konstruktion av konfidensintervall med hjälp av återsampling. Simuleringsbaserade test som alternativ till asymptotiska parametriska tester.
Betygsskala: TH - (U,3,4,5) - (Underkänd, Tre, Fyra, Fem)
Prestationsbedömning: Skriftlig och muntlig redovisning av projekt. Slutbetyget avgörs genom en sammanvägning av resultaten på de två projektdelarna.
Om så krävs för att en student med varaktig funktionsnedsättning ska ges ett likvärdigt examinationsalternativ jämfört med en student utan funktionsnedsättning, så kan examinator efter samråd med universitetets avdelning för pedagogiskt stöd fatta beslut om alternativ examinationsform för berörd student.
Delmoment
Kod: 0117. Benämning: Projektdel 1.
Antal högskolepoäng: 2,5. Betygsskala: UG. Prestationsbedömning: Skriftlig redovisning av första projektet
Kod: 0217. Benämning: Projektdel 2.
Antal högskolepoäng: 5. Betygsskala: UG. Prestationsbedömning: Skriftlig och muntlig redovisning av övriga projekt
Förutsatta förkunskaper: Programmeringsvana. Kunskaper motsvarande FMSF05 Sannolikhetsteori underlättar.
Begränsat antal platser: Nej
Kursen överlappar följande kurser: FMS091, MASM11
Studierektor: Johan Lindström, studierektor@matstat.lu.se
Hemsida: http://www.maths.lth.se/matstat/kurser/fmsn50/
Övrig information: Bytt kurskod från FMS091. Kursen ges även vid naturvetenskaplig fakultet med koden MASM11.