formulera relevanta slumpmodeller för statistisk analys av osäkerhet. utföra sannolikhetsberäkningar för stokastiska variabler och deras fördelningar. härleda punktskattningar med maximum likelihood-metoden samt beräkna konfidensintervall. härleda en bayesiansk aposteriorifördelning för ett antal vanligt förekommande sannolikhetsmodeller. utföra prediktioner och fatta optimala beslut med hjälp av sannolikhetsmodeller. implementera statistiska beräkningar och simulering med sannolikhetsmodeller i ett modernt programspråk.
Kursinnehåll
Händelser och sannolikheter. Axiom för sannolikheter. Sannolikhetstolkningar. Kombinatorik. Stokastiska variabler. Diskreta och kontinuerliga univariata fördelningar, bl a Bernoulli, likformig, Poisson, normal, t, gamma, chi-två och beta. Simultana sannolikhetsfördelningar, bl a multivariat normal, multinomial och Dirichletfördelningen. Marginalfördelningar och betingade fördelningar. Väntevärde och varians. Kovarians och korrelation. Statistiskt beroende. Chebyshevs olikhet. Stora talens lag. Centrala gränsvärdessatsen. Simulering. Introduktion till stokastiska processer. Markovprocesser. Deskriptiv och grafisk statistik. Punktskattningar. Samplingfördelningen. Likelihoodfunktionen och maximum likelihood-metoden. Bayesiansk inferens. Konfidensintervall och bayesianska sannolikhetsintervall för populationsväntevärden och proportioner. Introduktion till hypotestest. Linjär regression. Prediktion. Korsvalidering. Beslutsteori. Problemlösning inom datavetenskap och mjukvaruteknik.
Förutsättningar
Matematisk analys, speciellt derivator, integraler. Linjär algebra, speciellt beräkningar med vektorer och matriser. Diskret matematik, speciellt mängdlära och kombinatorik. Grundläggande programmering.