Pārlekt uz galveno saturu

Īsumā par studiju kursu

Kredītpunkti / ECTS:2 / 3
Kursa vadītājs:Ziad Taib
Studiju tips:Pilna laika
Līmenis:2. cikla (Maģistra)
Mērķauditorija:Dzīvās dabas zinātnes
Valoda:Angļu, Latviešu
Zinātnes nozare:Matemātika; Varbūtību teorija un matemātiskā statistika

Mērķis

Kursa mērķis ir sniegt studentiem pārskatu par galvenajām Beijesa secinājumu jomām. Aprēķiniem un gadījumu izpētei tiks izmantota „R” programmatūras pakotne.

Priekšzināšanas

• Labi pārzina izplatītākos diskrētos un nepārtrauktos sadalījumus, kā arī varbūtības pamatjēdzienus.
• Labi pārzina statistisko izvedumu un maksimālās ticamības novērtējuma (MLE) pamatus.
• Lineārie modeļi ar dažāda veida atkarīgajiem mainīgajiem.
• Laboratorijas nodarbībās iemācīsimies lietot „R”, tāpēc ir nepieciešamas arī pamatzināšanas par „R”.

Rezultāti

Zināšanas

• Izprast atšķirību starp dažādām varbūtības interpretācijām.
• Klasificēt un formulēt Beijesa secinājumu pamatelementus.
• Atšķirt sākotnējo varbūtības sadalījumu un ar tiem saistīto apsvērumu galvenos aspektus un lietojumus.
• Aprakstīt aposteriorā sadalījuma lomu, iespējamības funkciju un aposteriorā sadalījuma nozīmi Beijesa secinājumā par parametru.
• Interpretēt uz modelēšanu balstītas statistiskās skaitļošanas metodes.

Prasmes

• Formulēt Beijesa risinājumus reālo datu problēmām, ieskaitot hipotēžu izvirzīšanu, datu apkopošanu un analīzi un atbilstošu secinājumu izdarīšanu.
• Aprēķināt aposteriorās varbūtības, izmantojot Beijesa teorēmu.
• Iegūt aposterioros sadalījumus konkrētam datu modelim un izmantot skaitļošanas metodes, lai iegūtu attiecīgus aprēķinus.
• Izmantot Beijesa modeļus un nodrošināt šādu modeļu tehniskās specifikācijas.
• Pielietot Beijesa aprēķinus, izmantojot Montekarlo Markova ķēdes metodes ar „R”.

Kompetences

• Izvērtēt Beijesa datu analīzes sistēmu un to, kad tā var būt noderīga, ieskaitot tās elastību pretstatā biežuma pieejai.
• Veikt patstāvīgi statistiskās analīzes praksē, izmantojot uz modelēšanu balstītas skaitļošanas metodes, prezentēt rezultātus un konstatējumus mutiski un rakstiski.
• Noteikt sākotnējo varbūtības sadalījumu lomu Beijesa secinājumos, kā arī neinformatīvo un aprioro sadalījumu izmantošanu.
• Interpretēt Beijesa analīzes rezultātus un veikt Beijesa modeļa novērtējumu un vērtēšanu.

Plānojums

Plānošanas periods:2024. gada pavasara semestris
Studiju programmaStudiju semestrisProgrammas līmenisStudiju kursa kategorijaDocētājiGrafiks
Biostatistika, MFBS2MaģistrsIerobežota izvēle
Biostatistika, MFBSeng2MaģistrsIerobežota izvēle