Opis predmeta
Monte Carlo metode:
- Osnovne značilnosti Monte Carlo metod
- Uporaba statističnih simulacij za:
- ocenjevanje standardnih napak
- testiranje hipotez
- preverjanje lastnosti statističnih metod
- Algoritem Metropolis Hastings in Gibsovo vzorčenje
Zankanje (Bootstrap):
- Osnove
- Uporaba za:
- ocenjevanje standardnih napak in izračun intervalov zaupanja
- testiranje hipotez
- Ocenjevanje pristranskosti in popravki za pristranskost
- Razširitve
Permutacijski testi:
- Osnovne lastnosti
- Predpostavke
- Uporaba za preverjanje hipotez
Metode za preverjanje (napovednih) modelov:
- "Jackknife"
- Navzkrižno preverjanje (Cross-valiadation)
Manjkajoče vrednosti:
- Vrste in mehanizmi manjkajočih vrednosti
- Metode za obravnavo manjkajočih vrednosti s poudarkom, predvsem:
- Multiple imputacije
- EM algoritem
Predmet učimo na programih
Cilji in kompetence
Cilj predmeta je usposobiti študente za spoznavanje in uporabo računsko zahtevnih metod s področja statistike, torej metod, ki se uporabljajo, kadar do rešitve problema ni mogoče priti analitično. Po zaključku predmeta bodo študenti sposobni uporabit te metode za reševanje konkretnih statističnih problemov.
Metode poučevanja in učenja
Predavanja, vaje, seminarske naloge, konzultacije.
Del pedagoškega procesa bo izveden s pomočjo IKT tehnologij in možnosti, ki jih ponujajo.
Predvideni študijski rezultati
Znanje in razumevanje:
Študenti poznajo izbrane računsko zahtevne statistične metode in razumejo osnovne principe, na podlagi katerih delujejo. Znajo jih uporabljati na obravnavanih problemih in jih uporabiti in prilagoditi na sorodnih problemih.
Temeljni viri in literatura
-
Efron B., Tibshirani R. (1993): An Introduction to the Bootstrap. NewYork: Chapman&Hall.
-
Good P.I. (2005): Permutation, Parametric, and Bootstrap Tests of Hypotheses (Springer Series in Statistics). New York: Springer.
-
Good P.I. (2006): Resampling Methods: A Practical Guide to Data Analysis. Boston: Birkhäuser.
-
Morris, T. P., White, I. R., & Crowther, M. J. (2019). Using simulation studies to evaluate statistical methods. Statistics in Medicine, 38(11), 2074–2102. doi: 10.1002/sim.8086
-
Asmussen S., Glynn P.W. (2007). Stochastic Simulation: Algorithms and Analysis. New York; London: Springer.
-
Suess E.A., Bruce E.T. (2010) Introduction to Probability Simulation and Gibbs Sampling with R. Springer Science & Business Media.
-
Braun W.J., Murdoch D.J. (2008) A First Course in Statistical Programming with R. 1 edition. Cheltenham: Cambridge University Press.
-
Graham, J. W. (2012) Missing Data: Analysis and Design. Springer.
-
Izbrani članki
Bodi na tekočem
Univerza v Ljubljani, Fakulteta za elektrotehniko, Tržaška cesta 25, 1000 Ljubljana