Uniwersytet Warszawski, Wydział Nauk Ekonomicznych - Centralny System Uwierzytelniania
Strona główna

Statystyka wielowymiarowa

Informacje ogólne

Kod przedmiotu: 1000-135SW
Kod Erasmus / ISCED: 11.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0541) Matematyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Statystyka wielowymiarowa
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Przedmioty fakultatywne dla studiów 2 stopnia na matematyce
Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka
Strona przedmiotu: https://www.mimuw.edu.pl/~noble/courses/MultivariateStatistics/
Punkty ECTS i inne: 6.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

fakultatywne

Skrócony opis:

This course presents multivariate statistical theory and techniques. The topics covered are:

1) Asymptotic log likelihood ratio tests; Wald, Rao, Pearson; logistic regression.

2) Generalised Linear Models.

3) Model selection criteria (for example: AIC, BIC)

4) Shrinkage methods for linear regression (e.g. PCR, PSLR, Ridge and LASSO).

5) The multivariate Gaussian distribution, parameter estimation, the Wishart distribution.

6) Statistical tests for multivariate Gaussian data. (e.g. Hotelling)

7) The data matrix, geometrical representations and distances.

8) Principal Component Analysis and Canonical Correlation Analysis.

9) Non-parametric Density Estimation: histograms, kernel density estimation methods, optimal bin width, projection pursuit methods for multivariate densities.

10) Discriminant Function Analysis.

11) Clustering techniques, including logistic regression, self organising maps (SOM) and the EM algorithm as a tool for clustering and semi-supervised learning.

Pełny opis:

This course presents multivariate statistical theory and techniques. The topics covered are:

1) Asymptotic log likelihood ratio tests; Wald, Rao, Pearson; logistic regression.

2) Generalised Linear Models.

3) Model selection criteria (for example: AIC, BIC)

4) Shrinkage methods for linear regression (e.g. PCR, PSLR, Ridge and LASSO).

5) The multivariate Gaussian distribution, parameter estimation, the Wishart distribution.

6) Statistical tests for multivariate Gaussian data. (e.g. Hotelling)

7) The data matrix, geometrical representations and distances.

8) Principal Component Analysis and Canonical Correlation Analysis.

9) Non-parametric Density Estimation: histograms, kernel density estimation methods, optimal bin width, projection pursuit methods for multivariate densities.

10) Discriminant Function Analysis.

11) Clustering techniques, including logistic regression, self organising maps (SOM) and the EM algorithm as a tool for clustering and semi-supervised learning.

Literatura:

1. Izenman, A.J. Modern Multivariate Statistical Techniques, Springer 2008

2. T. J. Hastie, R. J. Tibshirani i J. Friedman, The Elements of Statistical Learning, Springer 2001.

3 The R Development Core Team, An Introduction to R, www.r-project.org.

4. E. Paradis, R for Beginners, www.r-project.org.

5. J.M. Noble Course notes on the course page

https://www.mimuw.edu.pl/~noble/courses/MultivariateStatistics/

Efekty uczenia się:

1) Can build and evaluate linear and generalised linear statistical models, using modern techniques.

2) Understands the multivariate statistical theory that lies behind the techniques.

3) Can carry out canonical correlation analysis and principal component analysis.

4) Has a facility with classification techniques, discriminant function analysis, and other supervised learning techniques.

5) Has a facility with clustering techniques, including (for example) SOM (self organised maps)

6) Can implement all these techniques in R and has an understanding of the theoretical background.

Social competence

Understands the main methods of multivariate statistical data analysis and the theory behind these methods. Is able to perform a routine analysis in R.

Can analyse data and build simple models in collaboration with a naturalist, engineer or economist.

Metody i kryteria oceniania:

The assessment is in two parts:

1) Applications: assignments throughout the semester and a larger project at the end, requiring data analysis using R; assessment criteria will be a) correctness of the data analysis and b) clarity of the presentation of conclusions.

2) Examination consisting of theoretical questions.

Both these components are given equal weight.

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-01-28
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: John Noble
Prowadzący grup: John Noble
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin

Zajęcia w cyklu "Semestr zimowy 2024/25" (jeszcze nie rozpoczęty)

Okres: 2024-10-01 - 2025-01-26
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: John Noble
Prowadzący grup: John Noble
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.
ul. Długa 44/50
00-241 Warszawa
tel: +48 22 55 49 126 https://www.wne.uw.edu.pl/
kontakt deklaracja dostępności mapa serwisu USOSweb 7.0.4.0-3 (2024-06-10)