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)
Engelsk titel

Introductory Probability Theory and Statistics (GSS)

Uddannelse

Bacheloruddannelsen i datalogi-økonomi

Målbeskrivelse

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 
  • Begrunde valg af Python-kommandoer.
  • Udføre simple ændringer af Python-kode.

 

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.

  1. Se Absalon, når kurset er oprettet.

  2.  

    Eksempelvis kunne følgende indgå i pensum:
  3. M. Sørensen: En introduktion til sandsynlighedsregning. 9. udgave. 
  4.  
  5. H. B. Nielsen: Introduction to likelihood based estimation and inference. Third edition.

Introduktion til matematik (MatIntro).

Skriftlig
Mundtlig
Individuel
Løbende feedback i undervisningsforløbet
Peerfeedback (studerende giver hinanden feedback)

Der gives skriftlig feedback på obligatoriske afleveringsopgaver. Derudover løbende mundtlig kollektiv feedback i undervisningsforløbet fra øvelseslærere samt feedback fra quizzer i forelæsninger og som del af forberedelsen.  

 

 

ECTS
7,5 ECTS
Prøveform
Skriftlig stedprøve, 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. De første tre afleveringer kan genafleveres én gang, mens den fjerde opgave ikke kan genafleveres. 

Hjælpemidler
Kun visse hjælpemidler tilladt

Følgende hjælpemidler er tilladt:

Computer, bøger, noter og slides fra undervisningen; Lommeregner (ikke CAS-værktøjer); Tekstbehandlingsprogrammer som Word og LyX; Excel; 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 enten (1) minimum tre ud af kursets fire obligatoriske opgaver er gyldige og blevet godkendt i løbet af det ordinære kursusforløb, eller (2) man får godkendt en længere eksamenslignende opgave, såfremt (1) ikke er opfyldt. Opgaven tilsendes på mail efter henvendelse til den kursusansvarlige, og besvarelsen sendes til den kursusansvarlige på mail senest 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 – medmindre du tilmelder dig i eftertilmeldingsperioden (BA og KA) eller som merit- eller enkeltfagsstuderende.
Studienævn
Studienævn for Matematik og Datalogi
Udbydende institut
  • Datalogisk Institut
Udbydende fakultet
  • Det Natur- og Biovidenskabelige Fakultet
Kursusansvarlig
  • Maria Juul Hansen   (17-7266776e66336f7a7a71336d6673786a73456a68747333707a336970)
Gemt den 15-02-2024

Are you BA- or KA-student?

Are you bachelor- or kandidat-student, then find the course in the course catalog for students:

Courseinformation of students