Grundlæggende statistik og sandsynlighedsregning (GSS)
Kursusindhold
Kurset giver en introduktion til sandsynlighedsregning og statistik og omfatter følgende emner:
- Sandsynlighed, betinget sandsynlighed, uafhængighed.
- Stokastiske variable, middelværdi og varians, forventning, transformation.
- Simultane og marginale fordelinger, kovarians og korrelation.
- Diskrete og kontinuerte sandsynlighedsfordelinger.
- Transformationer af normalfordelte variable.
- Maksimum likelihood-(ML-)estimation.
- Konstruktion af konfidensinterval og hypoteseafprøvning i basale normalfordelingsmodeller.
- Introduktion til store tals lov og den centrale grænseværdisætning (der anvendes i økonometrifagene).
- Computersimulation i Python
Kurset bidrager til opfyldelsen af målet om, at de studerende på datalogi-økonomi får
- Teoretisk og praktisk indsigt fra kurser i statistik
- Erfaring i at arbejde med programmering (Python)
Introductory Probability Theory and Statistics (GSS)
Bacheloruddannelsen i datalogi-økonomi
Viden om
- Aksiomer og regneregler for sandsynligheder samt af stokastiske variable.
- Betingede sandsynligheder, uafhængighed og tilhørende regneregler.
- Sandsynlighedsfunktioner og –tætheder i én og to dimensioner, middelværdi og varians, kovarians og korrelation, samt forskellen mellem marginale og simultane fordelinger.
- De statistiske grundbegreber: statistisk model, estimation, princippet om ML-estimation, konfidensinterval og hypoteseafprøvning.
- Store tals lov og den centrale grænseværdisætning.
Færdigheder i at
- Beregne sandsynligheder og betingede sandsynligheder ved brug af deres definitioner og regneregler
- Gennemføre beregninger vedrørende marginale, simultane og betingede sandsynligheder samt momenter for diskrete stokastiske variable.
- Gennemføre beregninger vedrørende marginale tætheder og simple transformationer for kontinuerte stokastiske variable.
- Gennemføre simple computersimulationseksperimenter ved hjælp af Python med henblik på at undersøge egenskaber ved stokastiske variable og deres fordelinger.
- Estimere simple statistiske modeller (både vha. Python og uden hjælpemidler), beregne konfidensintervaller og udføre simple hypoteseafprøvninger i de præsenterede statistiske modeller
Kompetencer til at
- Oversætte oplysninger (givet som tekst) om sandsynligheder, betingede sandsynligheder og eksperimenter til de relevante matematiske formler og udtryk
- Opstille simple statistiske modeller, kunne vurdere deres relevans for at afklare konkrete videnskabelige spørgsmål, og kunne kvantificere usikkerhed vedrørende deres konklusioner
- Udføre estimation af en række statistiske modeller i Python og uden hjælpemidler samt aflæse og fortolke estimationsoutput
- Designe, udføre og fortolke simple computersimulationseksperimenter, der undersøger egenskaber ved stokastiske variable og deres fordelinger
6 timers forelæsning og 6 timers øvelser om ugen i 7 uger.
Øvelser er en kombination af selvstændigt arbejde og gennemgang af
opgaver med hjælp fra øvelseslærere. Forelæsninger vil være en
kombination af slides, der tager udgangspunkt i pensum,
tavlegennemgang, videoer med ekstramateriale, dialog mellem
underviser og studerende, quizzer, og diskussioner i mindre grupper
blandt de studerende.
-
Se Absalon, når kurset er oprettet.
-
- M. Sørensen: En introduktion til sandsynlighedsregning. 9. udgave.
- H. B. Nielsen: Introduction to likelihood based estimation and inference. Third edition.
Introduktion til matematik (MatIntro).
Der gives skriftlig feedback på obligatoriske afleveringsopgaver. Derudover løbende mundtlig feedback i undervisningsforløbet fra øvelseslærere samt feedback fra quizzer i forelæsninger og som del af forberedelsen.
- ECTS
- 7,5 ECTS
- Prøveform
-
Skriftlig prøve, 4 timer med opsyn.
- Krav til indstilling til eksamen
-
Det er et krav for at deltage i eksamen, at minimum tre ud af kursets fire obligatoriske opgaver er godkendte og gyldige.
- Hjælpemidler
- Kun visse hjælpemidler tilladt
Følgende hjælpemidler er tilladt:
Computer, bøger, noter og slides fra undervisningen; Lommeregner; Tekstbehandlingsprogrammer som Word og LyX; Excel og Python (herunder Jupyter Notebook); PDF viewers; Editors som Sublime eller VS Code.
- Bedømmelsesform
- 7-trins skala
- Censurform
- Ekstern censur
- Reeksamen
-
Prøveform: Samme som ved ordinær eksamen.
Indstilling: Det er et krav for at deltage i reeksamen, at minimum tre ud af kursets fire obligatoriske opgaver er godkendte og gyldige. Hvis opgaverne ikke blev godkendt i det ordinære kursusforløb, kan de genafleveres til bedømmelse seneste tre uger før første dag i reeksamensperioden.
Kriterier for bedømmelse
Se målbeskrivelsen.
Enkeltfag dagtimer (tompladsordning)
- Kategori
- Timer
- Forelæsninger
- 42
- Forberedelse (anslået)
- 118
- Teoretiske øvelser
- 42
- Eksamen
- 4
- Total
- 206
Kursusinformation
- Undervisningssprog
- Dansk
- Kursusnummer
- NDAB19003U
- ECTS
- 7,5 ECTS
- Niveau
- Bachelor
- Varighed
-
1 blok
- Placering
- Blok 3
- Skemagruppe
-
B
- Kapacitet
- Ingen begrænsning.
Der kan være færre pladser i eftertilmeldingsperioden - Studienævn
- Studienævn for Matematik og Datalogi
Udbydende institut
- Datalogisk Institut
Udbydende fakultet
- Det Natur- og Biovidenskabelige Fakultet
Kursusansvarlig
- Maria Juul Hansen (17-7064756c64316d78786f316b64717668714368667271316e7831676e)
Are you BA- or KA-student?
Courseinformation of students