Tidsserieanalys, 6 hp

Time Series Analysis, 6 credits

732A62

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Kurstyp

Fristående- och programkurs

Examinator

Fredrik Lindsten

Kursansvarig

Fredrik Lindsten

Studierektor eller motsvarande

Ann-Charlotte Hallberg

Tillgänglig för utbytesstudenter

Ja

Kontaktinformation

VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Veckor Block Språk Ort/Campus VOF
Fristående kurs (Halvfart, Dagtid) HT 2019 201936-201944 2 Engelska Linköping, Valla
Fristående kurs (Halvfart, Dagtid) HT 2019 201936-201944 2 Engelska Linköping, Valla
F7MSL Statistics and Machine Learning, Master´s Programme 1 (HT 2019) 201936-201944 2 Engelska Linköping, Valla V
F7MSL Statistics and Machine Learning, Master´s Programme 3 (HT 2019) 201936-201944 2 Engelska Linköping, Valla V

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1X

Kursen ges för

  • Masters Programme in Statistics and Machine Learning

Förkunskapskrav

Kandidatexamen i något av följande ämnen: statistik, matematik, tillämpad matematik, datavetenskap, teknik eller motsvarande examen. Utöver detta, erfordras godkända/avklarade kurser i kalkyl, linjär algebra, statistik och programmering. 

Dokumenterade kunskaper i engelska motsvarande Engelska B/Engelska 6.
Undantag för Svenska 3/B

Lärandemål

Efter avslutad kurs skall den studerande på en avancerad nivå kunna:
- tillämpa kunskap om de mest kända metoderna för analys av tidsserier,
- redogöra för de viktigaste principerna av urval, skattning och validering av tidsserier,
- använda en statistisk mjukvara för att anpassa lämpliga tidsseriemodeller till en given datamängd, göra inferens om tidsseriekomponenter och göra prognoser och beräkna deras statistiska osäkerhet,
- utvärdera generaliseringsförmåga av statistiska samband som används för att göra prognoser. 

Kursinnehåll

Kursen lägger grund för ett professionellt arbete och forskning där tidsserier undersöks, modifieras, modelleras och utvärderas för att upptäcka trender och göra prognoser. 
Kursen innehåller:
- tidsseriedekomposition,
- autokorrelation och partiell autokorrelation,
- prognoser med hjälp av tidsserieregression, ARIMA modeller och transferfunktioner,
- interventionsanalys,
- trenddetektion. 

Undervisnings- och arbetsformer

Kursen består av föreläsningar, datorövningar och seminarier. Föreläsningarna ägnas åt genomgång av teori, koncept och metodik. Datorövningarna ägnas åt praktisk dataanalys. Seminarier ägnas åt studentpresentationer och diskussioner av uppgifter.
Utöver detta ska den studerande utöva självstudier.
Undervisningsspråk: Engelska 

Examination

Skriftlig redovisning av labbuppgifter. En skriftlig tentamen. Detaljerad information återfinns i studiehandledningen.

Studerande, vars examination underkänts två gånger på kursen eller del av kursen, har rätt att begära en annan examinator vid förnyat examinationstillfälle.

Den som godkänts i prov får ej delta i förnyat prov för högre betyg.

Betygsskala

ECTS, EC

Övrig information

Planering och genomförande av kurs ska utgå från kursplanens formuleringar. Den kursvärdering som ska ingå i varje kurs ska därför behandla frågan om hur kursen överensstämmer med kursplanen.

Kursen bedrivs på ett sådant sätt att både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.

Institution

Institutionen för datavetenskap
Kod Benämning Omfattning Betygsskala
TENT Tentamen 4 hp EC
LAB1 Laboration 2 hp EC
Det finns ingen kurslitteratur tillgänglig på studieinfo för den här kursen.

Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida.

Det finns inga filer att visa.