NDAB16007U Matematisk analyse og statistik i datalogi (MASD)
Årgang 2016/2017
Engelsk titel
Mathematical Analysis and Statistics for Computer Scientists (MASD)
Uddannelse
Bacheloruddannelsen i datalogi
Kursusindhold
Kurset giver en introduktion til analyse, sandsynlighedsregning og statistik med datalogiske anvendelser. Kurset omfatter:
- Kontinuitet, differentiation, integration og optimering i en variabel.
- Sandsynlighed, betinget sandsynlighed og uafhængighed.
- Stokastiske variable, middelværdi og varians.
- Diskrete og kontinuerte fordelinger.
- Binomialfordelingen og normalfordelingen.
- Den centrale grænseværdisætning.
- Deskriptive statistiske metoder.
- Estimation af parametre og konfidensintervaller.
- Test af hypoteser.
- Likelihoodfunktion og maksimum-likelihood estimation.
Målbeskrivelser
Viden:
- Almindelige matematiske funktioner af en reel variabel.
- Almindelige sandsynlighedsfordelinger og deres anvendelser.
- De sandsynlighedsteoretiske aksiomer samt de elementære principper for sandsynlighedsberegninger.
- Relationen mellem stokastiske variable og sandsynlighedsfordelinger.
- Statistiske modeller og grundlæggende principper for statistisk dataanalyse.
Færdigheder:
- Kunne differentiere og integrere almindelige funktioner af en variabel.
- Kunne udføre elementære sandsynlighedsberegninger samt foretage almindelige approksimationer eller vurderinger af sandsynligheder.
- Kunne udføre estimation i simple normalfordelingsmodeller, herunder ét- og to-stikprøveproblemer, både formelmæssigt og vha et computerprogram.
- Kunne udføre grundlæggende statistiske test, både formelmæssigt og vha et computerprogram.
Kompetencer:
- Kunne oversætte datalogiske og andre videnskabelige problemstillinger, der involverer usikkerhed eller tilfældighed, til sandsynlighedsteoretiske problemstillinger, som derefter kan analyseres matematisk.
- Kunne opbygge og bruge simple statistiske modeller, kunne vurdere deres relevans for at afklare konkrete videnskabelige spørgsmål, og kunne kvantificere usikkerheder om de konklusioner, der drages.
Anbefalede faglige forudsætninger
LinAlgDat, Datastrukturer
og diskret matematik.
Undervisningsform
Forelæsninger, øvelser og
obligatoriske hjemmeopgaver.
Arbejdsbelastning
- Kategori
- Timer
- Forberedelse
- 30
- Forelæsninger
- 32
- Holdundervisning
- 28
- Projektarbejde
- 116
- I alt
- 206
Tilmelding
Selvbetjeningen på KUnet
As
an exchange, guest and credit student - click here!
Continuing Education - click here!
Eksamen
- Point
- 7,5 ECTS
- Prøveform
- Løbende bedømmelseEksamen består af en løbende bedømmelse af 5-7 opgaver
- Hjælpemidler
- Skriftlige hjælpemidler tilladt
- Bedømmelsesform
- 7-trins skala
- Censurform
- Ingen ekstern censur
- Reeksamen
4 timers skriftlig eksamen.
Kriterier for bedømmelse
Den studerende skal på tilfredsstillende måde godtgøre at han/hun lever op til fagets målbeskrivelse.
Kursusinformation
- Sprog
- Dansk
- Kursuskode
- NDAB16007U
- Point
- 7,5 ECTS
- Niveau
- Bachelor
- Varighed
- 1 blok
- Placering
- Blok 1
- Skemagruppe
- A (tirs 8-12 + tors 8-17)
- Efter- og videreuddannelse
- Studienævn
- Studienævn for Matematik og Datalogi
Udbydende institut
- Datalogisk Institut
Kursusansvarlige
- Aasa Feragen (4-6464766443676c316e7831676e)
Gemt den
09-03-2016