STK4170 – Bootstrapping og resampling
Kort om emnet
En temmelig ambisiøs statistisk målsetning er å erstatte formler med regnekraft. Hvis man skal estimere standardavviket til gjennomsnittet Xn kan man selvfølgelig bruke den eksplisitte formelen s/sqrt(n). Alternativt kan man tenke seg å simulere 1000 pseudo-realisasjoner av Xn fra pseudo-datasett med egenskaper som ligner originaldatasettet, for eksempel ved resampling, og så beregne det empiriske standardavviket for de 1000 pseudo-gjennomsnittene. Dette viser seg å være en meget fruktbar idé, med vidtrekkende konsekvenser. Den skisserte og lignende metoder kalles bootstrapping, og involverer generelt simuleringer av pseudo-datasett fra en estimert modell. Metodenes styrke er at de kan anvendes med omtrent samme letthet i meget mer kompliserte statistiske modeller (enn den ikkeparametriske u.i.f.-modellen over), med vilkårlig kompliserte observatorer (istedetfor Xn over), og med vilkårlig kompliserte spredningsmål (istedetfor sd{Xn}). Spesielt kan de benyttes i situasjoner der det er umulig å beregne eksplisitte formler. Emnet tar for seg den generelle teorien for bootstrapping og jackknifing, i parametriske og ikke-parametriske modeller, for estimering og for konstruksjon av simuleringsbaserte konfidensintervall. Studentene må arbeide med begge hjernehalvdeler ettersom teorien skal kombineres med praktisk bootsrapping med datamaskin. Emnet pretenderer å være praktisk nyttig og tør også være et godt etterutdanningstilbud.
Hva lærer du?
Studenten blir i stand til å løse klasser av inferensproblemer via
bootstrapping eller andre resampingsmetoder. Verktøyet er stokastisk simulering, koplet med innsikt i statistisk modellering.
Opptak og adgangsregulering
Studenter må hvert semester søke og få plass på undervisningen og melde seg til eksamen i Studentweb.
Dersom du ikke allerede har studieplass ved UiO, kan du søke opptak til våre studieprogrammer, eller søke om å bli enkeltemnestudent.
Forkunnskaper
Anbefalte forkunnskaper
STK1100 – Sannsynlighetsregning og statistisk modellering, STK1110 – Statistiske metoder og dataanalyse og ett av følgende emner: STK2100 – Maskinlæring og statistiske metoder for prediksjon og klassifikasjon, STK2120 – Statistiske metoder og dataanalyse 2 (nedlagt) eller STK3100 – Innføring i generaliserte lineære modeller.
Overlappende emner
10 studiepoeng overlapp mot STK9170 – Bootstrapping and resampling (nedlagt)
Vi gjør oppmerksom på at informasjon om overlapp mot gamle og nye emner ikke er fullstendig. Ta eventuelt kontakt med matematisk institutt.
Undervisning
3 timer forelesning/regneøvelse hver uke hele semesteret.
Eksamen
Avhengig av antall studenter kan eksamen være på en av de
følgende fire formene:
1.Bare skriftlig eksamen
2.Bare muntlig eksamen
3.Prosjektoppgave etterfulgt av skriftlig eksamen
4.Prosjektoppgave etterfulgt av muntlig høring.
For de to siste gjelder det at prosjektoppgaven og avsluttende eksamen vektlegges likt, og endelig karakter baseres på en helthetsvurdering. (Det gis ikke karakter på de individuelle eksamensdelene.)
Hvilken eksamensform som blir benyttet skal kunngjøres av
faglærere senest 15. oktober/15. mars for hhv. høstsemesteret og vårsemesteret.
Hjelpemidler
Ingen hjelpemidler er tillatt.
Eksamensspråk
Dersom emnet undervises på engelsk vil det bare tilbys eksamensoppgavetekst på engelsk.
Du kan besvare eksamen på norsk, svensk, dansk eller engelsk.
Karakterskala
Emnet bruker karakterskala fra A til F, der A er beste karakter og F er stryk. Les mer om karakterskalaen.
Begrunnelse og klage
Adgang til ny eller utsatt eksamen
Dette emnet tilbyr både utsatt og ny eksamen. Les mer:
Trekk fra eksamen
Det er mulig å ta eksamen i emnet inntil tre ganger. Dersom du trekker deg fra eksamen etter fristen eller under eksamen, bruker du et eksamensforsøk.
Tilrettelagt eksamen
Søknadskjema, krav og frist for tilrettelagt eksamen.
Evaluering av emnet
Vi gjennomfører fortløpende evaluering av emnet, og med jevne mellomrom ber vi studentene delta i en mer omfattende evaluering.