Studyinfo subject MAMO3100 2023 HØST
MAMO3100 Statistical analysis Course description
- Course name in Norwegian
- Statistisk analyse
- Study programme
-
Bachelorstudium i ingeniørfag – matematisk modellering og datavitenskap
- Weight
- 10.0 ECTS
- Year of study
- 2023/2024
- Schedule
- Programme description
- Course history
-
Introduction
Emnet vil gjøre studentene i stand til å benytte de mest sentrale statistiske metodene innen moderne kvantitativ analyse. Studentene vil også lære hvordan datainnsamling bør gjøres for å kunne gjennomføre pålitelig kvantitativ analyse.
Recommended preliminary courses
Emnet bygger på DAPE2000 Matematikk 2000 med statistikk.
Required preliminary courses
Ingen
Learning outcomes
Etter å ha gjennomført dette emnet har studenten følgende læringsutbytte, definert i kunnskap, ferdigheter og generell kompetanse.
Kunnskap
Studenten kan:
- forklare grunnleggende prinsipper innen forsøksplanlegging
- gjøre rede for grunnleggende begreper innen forsøksplanlegging og regresjonsanalyser som paring, balanserte data, variansanalyse, kvadratavvik, forklaringsvariabler, «maksimum likelihood», minste kvadraters metode og prediksjonsintervall.
Ferdigheter
Studenten kan:
- planlegge og designe datainnsamling for en gitt problemstilling
- gjennomføre en, to og tre-faktor variansanalyser for å teste forskjell mellom grupper
- tilpasse en egnet regresjonsmodell ved å studere modellens residualer, og om nødvendig forsøke ulike variabeltransformasjoner og variabelseleksjon
- sette opp hypoteser og regne ut konfidensintervaller for parametere i en regresjonsmodell
- skrive kildekode (i R, Python, Matlab el.) for å gjennomføre utregningene i varians og regresjonsanalyser
Generell kompetanse
Studenten kan:
- benytte statistiske tenkemåter på reelle problemstillinger og formidle disse skriftlig og muntlig
- løse reelle problemstillinger ved bruk av forsøksplanlegging og regresjonsanalyse
- identifisere metodenes begrensninger og likheter og forskjeller i forhold til nærliggende fagområder som matematisk modellering, numeriske metoder og maskinlæring.
Teaching and learning methods
Forelesninger og individuelle øvinger. Forelesninger vil være fordelt mellom tre type sesjoner:
- gjennomgang av nytt stoff,
- diskusjoner og refleksjoner og
- oppgaveregning i grupper.
Øvingene er basert på eget arbeid individuelt og i grupper med veiledning fra faglærer og/eller studentassistenter. Øvingstimene vil bestå av både oppgaveregning og programmering.
Course requirements
Følgende arbeidskrav er obligatorisk og må være godkjent for å fremstille seg til eksamen:
En individuell innlevering med omfang på omtrent 3 timer. Studentene skal besvare regneoppgaver, arbeide med reelle data og implementere maskinlæringsmetoder. Oppgavene er utarbeidet slik at studentene må kombinere flere læringsmål for å kunne løse dem.
Oppgaven kan leveres på nytt en gang dersom den ikke blir godkjent
Assessment
Individuell eksamen under tilsyn på 3 timer.
Eksamensresultat kan påklages.
Permitted exam materials and equipment
Alle trykte og skrevne hjelpemidler tillatt.
Håndholdt kalkulator som ikke kommuniserer trådløst og som ikke kan regne symbolsk. Dersom kalkulatoren har mulighet for lagring i internminnet skal minnet være slettet før eksamen. Stikkprøver kan foretas.
Grading scale
Gradert skala A-F.
Examiners
En intern sensor. Ekstern sensor brukes jevnlig.
Overlapping courses
Ingen overlapp med andre emner.