521 и 522 гр., все. Вероятностные и статистические модели

Место и время проведения: ?

Преподаватели: Голяндина Нина Эдуардовна

Курс для магистров 1 года обучения, Прикладная математика и информатика (Математическое моделирование, программирование и искусственный интеллект).

Посещаемость и выбранные рефераты.

Реферат 1 - первый вариант работы 15 октября, зачтенный вариант работы - 2 ноября.

Примеры на R и Python базовых действий, которые могут быть полезны для реферата 1.

Пример реферата 1 на R и аналог на Python. Если теор.часть больше, то лучше ее делать в TEX (а практическую часть можно делать в Rmarkdown/Jupyter).

Реферат 2 - первый вариант работы 14 ноября, зачтенный вариант работы - 30 ноября.

Доклад позапрошлого года про распределение p-values, который может быть полезен для реферата 2.

24.11 - Множественное тестирование

17.11 - Оценки максимального правдоподобия. Робастность в статистике.

10.11 - Оценки, метод подстановки, метод моментов. Оценки максимального правдоподобия.

03.11 - Доверительные интервалы, в частности, для вероятности успеха.

27.10 - ошибка 2 рода и мощность. Распределение p-value, когда H1 верна.

20.10 - p-value. Распределение p-value, когда H0 верна.

13.10 - про корреляцию и регрессию на выборочном языке. Переход к проверке гипотез. Файл с занятия.

06.10 - немного про корел./ковар. матрицы. Перешли к статистике. Два определения выборки, построение оценов методом подстановки, свойства оценок.

29.09 - двумерные распределения, независимость/зависимость, условные распределения, меры зависимости …

22.09 - о случайных величинах, распределения, характеристики, сходимость последовательности случайных величин.

15.09 - о вероятностных моделях, независимость событий, условные вероятности, формула Байеса.

08.09 - тест

Информацию по TEX, включая установку и рекомендации по набору текста, можете найти здесь и здесь.

Материал по теории вероятностей, который нужно знать для понимания лекций, можно найти в лекциях Н.И.Черновой. У нее есть лекции для математиков и для не математиков. Ссылки для последних (знание математики там, конечно, тоже требуется):
Теория вероятностей

Литература по математической статистике: мой черновой электронный конспект, возможны ошибки, просьба сразу сообщать о найденных.

Вот еще источник по прикладной статистике (там поменьше формул и побольше слов; части про пакеты стат.программ читать не надо). Главы 1-5, 9, 10, 8, 6, 7.

(Может быть подкорректирована.)

Зачет ставится по бальной системе, включая устный зачет по материалам лекций и докладов. Для получения зачета нужно набрать 50 баллов. Однако, теперь кроме зачета ставится еще и градация, которая, по сути, является оценкой.

Соответствие оценок и баллов:
90 и больше зачтено А (отлично)
80-89 зачтено В (очень хорошо)
70-79 зачтено С (хорошо)
61-69 зачтено D (удовлетворительно)
50-60 зачтено Е (посредственно)
менее 50 не зачтено F

Примерное распределение баллов следующее.

• Посещение занятия, на котором студент отвечает на вопросы на понимание, участвует в обсуждениях – 3 балла, максимум 30 баллов за 10 занятий.
• Возможно, будут выступления с докладом на 30 минут команды из 1-2 человек со слайдами и с показом примеров на R или Python – 40 баллов каждому при хорошем уровне доклада; число докладов будет ограничено и они будут выдаваться только тем, кто хорошо знаком с материалом.
• Написание реферата на один из вопросов (теория в TEX, которая записана своими словами без переписанных один в один абзацев текста, и примеры применения на R или Python, выполненные самостоятельно) – 30 баллов при условии правильного выполнения вовремя, каждая неделя опоздания с предоставлением правильного варианта реферата уменьшает число баллов на 5 (минимум 10 баллов за зачтенный реферат); максимум три реферата.
• Устный теоретический зачет (два вопроса) – 20 баллов за правильный и полный ответ на один вопрос. Исправленные ошибки снижают число баллов на 10 по каждому вопросу.