Om dette emnet

Praktisk analyse av data i R ved hjelp av ulike statistiske metoder med påfølgende teoretisk og praktisk resultattolkning. Metodene som gjennomgås vil bli hentet fra følgende liste:

  • Multippel regresjon og regularisering
  • ANOVA,
  • generaliserte lineære modeller (logistisk, poisson),
  • klassifikasjon (lda, qda),
  • clustring,
  • prinsipal komponent analyse(PCA),
  • blandede modeller, varianskomponenter

Dette lærer du

Kunnskap

Studentene skal kjenne forutsetninger, anvendelser og teoretisk grunnlag for de metodene som blir gjennomgått.

Ferdighet

Studentene skal beherske R/ R Studio som analyseverktøy for praktisk dataanalyse. Det legges vekt på at studentene, til en gitt problemstilling, er i stand til å formulere problemet slik at det kan analyseres ved hjelp av egnede metoder.

Generell kompetanse

Studentene skal kunne bestemme hvilke(n) metode(r) som kan brukes til å modellere og analysere problemet, samt å gjennomføre selve analysen. Studentene skal beherske praktisk tolkning og gyldighetsvurdering av modeller, metoder og resultater.

  • Læringsaktiviteter

    1. Forelesninger.
    2. Gruppearbeid.
    3. Individuell løsing av oppgaver.
    4. Minst en obligatorisk oppgave.
    5. Selvstudium.

  • Læringsstøtte

    Foruten forelesninger, kollokviegrupper og øvinger kan faglig veiledning skje med faglærer i vanlig kontortid.

    Canvas og digitale møter (zoom)

  • Pensum

    Vil bli annonsert på kurssidene i Canvas.

  • Forutsatte forkunnskaper

    Studentene forutsettes å:

    • Kunne utføre deskriptiv statistikk og trekke slutninger fra denne.
    • Kjenne grunnleggende begreper og prinsipper innen sannsynlighetsteori med vekt på stokastiske variabler og deres egenskaper.
    • Være kjent med noen vanlige sannsynlighetsfordelinger, herunder normalfordelingen, binomisk fordeling, Student’s t-fordeling, f-fordeling og kji-kvadratfordelingen.
    • Forstå grunnleggende estimeringsteori, herunder hva som forståes med konfidensintervall, punktestimat, forventningsretthet og standardfeil for en estimator.
    • Omformulere enkle situasjonsbeskrivelser og problemstilling(er) til en relevant statistisk modell, og fortolke parameterne i denne.
    • Dette gjelder situasjoner som kan dekkes av enkle lineære regresjonsmodeller, enveis variansanalyse eller bivariate analyser.
    • Teste de aktuelle problemstillingene ved hjelp av formelle hypoteser, herunder sette opp aktuelle hypoteser, teste disse og gi en fortolkning av resultatet.
    • Grunnleggende ferdigheter i R / RStudio.

    Dette dekkes av STAT100 eller tilsvarende kurs.

  • Anbefalte forkunnskaper

    STAT200, STAT210, STIN300 eller tilsvarende.

  • Vurderingsordning, hjelpemiddel og eksamen

    Skriftlig eksamen, 3,5 t, teller 100 %.

    Skriftlig eksamen Karakterregel: Bokstavkarakterer Hjelpemiddel: C1 Alle typer kalkulatorer, spesifiserte andre hjelpemidler

  • Om bruk av KI

    Skriftlig skoleeksamen: K1- Ingen bruk av KI

    Obligatorisk aktivitet: K3 - Full bruk av KI. Bruk av KI er tillatt, men må være i tråd med retningslinjene for bruk av kunstig intelligens (KI) ved NMBU.

    Her finner du KI-kategoriene beskrevet.

  • Sensorordning

    To interne sensorer, hvorav én er emneansvarlig, vil kvalitetssikre eksamensoppgavene. Eksamensbesvarelsene vil bli sensurert av emneansvarlig som intern sensor.

    Ekstern sensor godkjenner opplegg for vurdering.

  • Obligatorisk aktivitet

    Minst én obligatorisk oppgave.

  • Merknader

    Studenter må ha egen laptop.

  • Undervisningstider

    Én dobbeltime forelesning/diskusjoner rundt forelesnings-videoer per uke. Seks timer øvinger/kollokvie diskusjoner (3 dobbel-timer) per uke.

  • Fortrinnsrett

    M-BIAS

  • Opptakskrav

    Realfag