732A89 · 6 hp · Avancerad nivå (A1N) · Statistik
Datorintensiva statistiska metoder
Ges · nästa start VT 2027
78 %
klarade senaste ordinarie tillfället
DAT2 · 23 mar 2026 · 23 studenter
75 %
klarade de ordinarie tillfällena, alla tillfällen de senaste 5 åren
DAT2 · 44 studenter
78 %
Svårare än 78 % av kurserna på avancerad nivå
Jämfört med 285 kurser på samma nivå, ordinarie tentor de senaste tre läsåren. 44 studenter.
Ingår i 1 program
Övrigt moment
DAT2 Tentamen
- A
- B
- C
- D
- E
- F
Ordinarie tillfällen
75 % godkända · 44 studenter
- 78 %23
- 71 %21
Senare tillfällen
68 % godkända · 19 studenter
- 75 %8
- 64 %11
- Klarar ett senare tillfälle: 68 % (19 studenter), jämfört med 75 % (44 studenter) på ordinarie
- Får B eller A: 25 % (63 studenter)
Visa små tillfällen (2)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 67 %3
- 67 %3
Övriga moment
Deltentor, inlämningar och laborationer. De ingår inte i siffrorna överst.
Inlämning eller laboration
LAB2 Laboration
- P
Ordinarie tillfällen
100 % godkända · 45 studenter
- 100 %27
- 100 %18
Senare tillfällen
100 % godkända · 8 studenter
- 100 %8
- Klarar ett senare tillfälle: 100 % (8 studenter), jämfört med 100 % (45 studenter) på ordinarie
Om kursen
Mål
Efter avslutad kurs ska den studerande på en avancerad nivå kunna:
- redogöra för hur datoraritmetik påverkar statistiska beräkningar
- utveckla datorimplementationer av standardmetoder för simulering från komplexa statistiska fördelningar
- utveckla datorimplementationer av vanliga metoder för deterministisk och stokastisk optimering inom statistik och maskininlärning
- använda lämpliga datorintensiva osäkerhetskattningsmetoder för givna problem och implementera motsvarande algoritmer i programmeringsspråk
- tolka resultat av olika simulerings- och skattningsmetoder
- planera och genomföra skriftliga arbeten inom givna tidsramar
Innehåll
I kursen behandlas:
- effekt av datoraritmetik på statistiska beräkningar
- grundläggande metoder för slumptalsgenerering som inkluderar inverse cumulative distribution function (CDF) metod och acceptance/rejection metod
- Monte Carlo metoder för simulering och inferens som inkluderar bootstrap and jackknife
- Markov Chain Monte Carlo (MCMC) simuleringar som inkluderar Metropolis-Hastings och Gibbs algoritmer
- optimering utan bivillkor (deterministiska och stokastiska metoder)
- Examinator
- Frank Miller
- Huvudområde
- Statistik