ST811: Multivariat Statistisk Analyse

Kommentar

Kurset samlæses med ST514 Multivariat statistisk analyse

Indgangskrav

Bestået bachelorgrad i Naturvidenskab eller tilsvarende studieprogram.
Kurset kan ikke følges af studerende, der har bestået ST514.

Faglige forudsætninger

Studerende, der følger kurset, forventes at:

have kendskab til statistik svarende til ST520 Anvendt statistik eller ST521 Matematisk statistik, og calculus svarende til et af calculuskurserne på førsteåret på studier ved det Naturvidenskabelige fakultet, SDU
kunne anvende statistikprogrammet R

Formål

Kurset har til formål at sætte den studerende i stand til at arbejde systematisk med datasæt med flere variable, hvilket er vigtigt i forhold til at kunne gennemføre statistiske analyser indenfor en lang række forskningsområder, f.eks. biologi og epidemiologi.

Kurset bygger oven på den viden, der er erhvervet i kurserne i basal statistisk, f.eks. ST520 Anvendt statistik eller ST521 Matematisk, og det til de respektive studieretninger hørende calculuskursus, og giver et fagligt grundlag for at studere emner såsom biometri, der er placeret som valgfrit kursus senere i uddannelsen, såvel som specialemener med anvendelse af multivariate metoder.

I forhold til uddannelsens kompetenceprofil har kurset eksplicit fokus på at:

Give kompetence til at vurdere og vælge mellem forskellige metoder til analyse af multivariate datasæt
Give færdigheder i at gennemføre analyser at multivariate datasæt ved hjælp af statistikprogrammet R
Give viden om de grundlæggende problemstillinger og metoder til at analysere målinger på flere variable

Målbeskrivelse

For at opnå kursets formål er det læringsmålet for kurset, at den studerende demonstrerer evnen til at kunne:

reproducere de vigtigste teoretiske resultater vedrørende basale operationer på stokastiske variable og vektorer og anvende dem i enkle teoretiske opgaver
arbejde med kursets koncepter og modeller, både i skalar- og matrix-/vektor-repræsentation
forstå og identificere hvilke problemstillinger, der kan løses ved hjælp af multivariate teknikker
udføre praktisk dataanalyse ved hjælp af kursets modeller
programmere kursets modeller og teknikker i den statistiske software brugt ved kurset
identificere og forstå relevante oplysninger i softwarens output
resumere resultaterne af en analyse i en statistisk rapport

Indhold

Kurset indeholder følgende faglige hovedområder:

stokastiske vektorer
den multivariate normalfordeling
inferens for en middelværdivektor
sammenligning af flere middelværdivektorer
principalkomponentanalyse
diskriminantanalyse og klassifikation

Litteratur

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Eksamensbestemmelser

Eksamenselement a)

Tidsmæssig placering

Juni

Udprøvninger

Projekt og skriftlig eksamen

EKA

N370003102

Censur

Intern prøve, to eller flere bedømmere

Bedømmelse

7-trinsskala

Identifikation

Studiekort

Sprog

Følger, som udgangspunkt, undervisningssprog

Varighed

Skriftlig eksamen - 2½ time

Hjælpemidler

Alle almindelige hjælpemidler er tilladte fx lærebøger, egne noter, computerprogrammer som ikke benytter internettet m.v.

Internet er ikke tilladt. Du må dog gå ind på system DE-Digital Eksamen i forbindelse med udfyldelse af multiple choice testen. Noter fra kurset i itslearning, som du ønsker at anvende som hjælpemidler, skal downloades til din computer senest dagen før eksamenen. Under eksamenen må itslearning ikke anvendes.

ECTS-point

Uddybende information

Eksamen består af et projekt, der afleveres i løbet af kurset samt en skriftlig eksamen.

Vejledende antal undervisningstimer

48 timer per semester

Undervisningsform

Undervisningsaktiviteter udmønter sig i en anslået vejledende fordeling af arbejdsindsatsen hos en gennemsnitsstuderende på følgende måde:

Introfase (forelæsning) - 24 timer
Træningsfase: 24 timer

I introfasen benyttes en modificeret udgave af klassisk forelæsning, hvor fagets grundbegreber og metoder præsenteres, med såvel teori som eksempler baseret på konkrete data. I disse timer er der mulighed for spørgsmål og diskussion. I træningsfasen arbejdes der med regneopgaver og diskussionsemner, som relaterer sig til indholdet i de forudgående introfasetimer. I disse timer er der mulighed for at arbejde specifikt med særligt vanskelige emner. I studiefasen arbejder de studerende selvstændigt med opgaver og forståelsen af fagets termer og begreber diskuteres. Der er efterfølgende mulighed for at bringe spørgsmål op i enten introfasetimerne eller træningsfasetimerne.

Aktiviteter i studiefasen:

Gennemgang af opgaver ud over de opgaver, der indgår i træningsfase.
Diskussion af fagets begreber og termer

Ansvarlig underviser

Navn	E-mail	Institut
Jing Qin	qin@imada.sdu.dk	Data Science

Skemaoplysninger

Odense

Vis fuldt skema

Administrationsenhed

Institut for Matematik og Datalogi (matematik)

Team hos Uddannelsesjura & Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Profil	Uddannelse	Semester	Udbuds periode

Overgangsordninger

Overgangsordninger beskriver, hvordan et kursus erstatter et andet kursus, når der ændres i et studieforløb.

Hvis der er lavet en overgangsordning for et kursus vil den fremgå af oversigten.
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.