Bayesian statistics 1000-AD-StatBayes

(in Polish) 1. Godziny realizowane z udziałem nauczycieli: a. wykład – 30 godzin, b. ćwiczenia – 30 godzin, c. bieżące przygotowanie do zajęć, w tym rozwiązywanie zadań zleconych przez prowadzących oraz konsultacje z prowadzącymi zajęcia – 40 godzin. 2. Czas poświęcony na pracę indywidualną studenta/słuchacza/uczestnika kursu potrzebny do pomyślnego zaliczenia przedmiotu: a. Studiowanie literatury – 30 godzin. 3. Czas wymagany do przygotowania się do uczestnictwa w procesie oceniania (np. w egzaminach): 20 godzin. Razem: 150 godz. (6 pkt. ECTS)

(in Polish) W1: Rozumie model bayesowski i różnice pomiędzy częstościowym i bayesowskim punktem widzenia. Zna pojęcie rozkładu predykcyjnego (K_W07). W2: Zna definicje i podstawowe własności wykładniczej rodziny rozkładów prawdopodobieństwa (K_W01, K_W07). W3: Zna pojęcia teorii decyzji statystycznych takie jak funkcja straty, funkcja ryzyka i ryzyko bayesowskie (K_W07). W4: Zna podstawowe algorytmy MCMC (markowowskie Monte Carlo) stosowane w statystyce bayesowskiej (K_W07). W5: Rozumie bayesowskie podejście do zagadnienia testowania hipotez statystycznych. Zna definicje czynnika Bayesa (K_W03, K_W05, K_W07) . W6: Zna twierdzenia graniczne dla rozkładów a posteriori: zgodność, asymptotyczna normalność. Rozumie pojęcie wymienialności (exchangeability) i rozumie jego role w statystyce bayesowskiej (K_W07).

(in Polish) U1: Umie stosować metody wnioskowania bayesowskiego w sytuacjach praktycznych (K_U06, K_U07, K_U09). U2: Umie wyprowadzić wzory na rozkład a-posteriori dla modelu dwumianowego, Poissona, normalnego przy sprzężonym rozkładzie a-priori. Potrafi wyznaczyć rozkłady predykcyjne w prostych modelach (KU_01, KU09). U3: Umie wyprowadzić wzory na sprzężone rozkłady a-priori (K_U09). U4: Umie obliczać estymatory bayesowskie dla różnych funkcji straty (K_U09). U5: Umie samodzielnie zaprojektować i zaprogramować próbnik Gibbsa w prostych modelach hierarchicznych (K_U09). U6: Umie wyznaczyć czynnik Bayesa (K_U09).

(in Polish) K1: Rozumie metodologiczną różnicę pomiędzy statystyką bayesowką i częstościową (K_K01). K2: Potrafi formułować w języku bayesowskim wnioski obliczeń statystycznych i komunikować te wyniki użytkownikom (K_K05).

(in Polish) Wykład informacyjny, ćwiczenia

(in Polish) Zaliczony przedmiot Statystyka matematyczna

Additional information (registration calendar, class conductors, localization and schedules of classes), might be available in the USOSweb system:

• Description of 1000-AD-StatBayes in USOSweb