Programplaner og emneplaner - Student
MAMO3100 Statistical analysis Course description
- Course name in Norwegian
- Statistisk analyse
- Weight
- 10.0 ECTS
- Year of study
- 2024/2025
- Course history
-
- Curriculum
-
SPRING 2025
- Schedule
- Programme description
-
Introduction
Emnet vil gjøre studentene i stand til å benytte sentrale statistiske metoder innen moderne kvantitativ analyse, blant annet hvordan ulike regresjonsmodeller brukes for å forstå sammenhenger i data og forutsi fremtidige utfall. I tillegg vil studentene lære hvordan innsamling av data 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:
- gjøre rede for grunnleggende begreper innen regresjonsanalyser som paring, balanserte data, forklaringsvariabler, sannsynlighetsmaksimering, minste kvadraters metode, prediksjonsintervall, tilfeldige effekter, bootstrapping og generaliserte lineære modeller
Ferdigheter
Studenten kan:
- planlegge og designe datainnsamling for en gitt problemstilling
- 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 parametre i en regresjonsmodell
- identifisere de viktigste prediktorene i en modell ved bruk av forklarbar kunstig intelligens
- skrive kildekode (i R, Python, Matlab el.) for å gjennomføre utregningene i 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 vurdere likheter og forskjeller med metoder fra matematisk modellering, numerikk og maskinlæring
-
Teaching and learning methods
Forelesninger og individuelle øvinger. Øvingstimene vil bestå av både oppgaveregning og programmering.
-
Course requirements
Følgende arbeidskrav er obligatorisk og må være godkjent for å fremstille seg til eksamen:
To til tre obligatoriske gruppearbeid/innlevering med 2-4 medlemmer hvor minst en må være godkjent.
-
Assessment
Individuell eksamen under tilsyn på 3 timer.
Eksamensresultat kan påklages.
Ved ny eller utsatt eksamen kan en annen eksamensform bli benyttet. Hvis muntlig eksamen benyttes kan denne ikke 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.