LS 2021-2022

NMSA332: Matematická statistika II
Utorok 12:20 K1 (prednáška)
Utorok 15:40 K2 (cvičenie)

Súbor doplňujúcich materiálov, vrátane kompletných informácii o kurze a videí z minulých ak. rokov je k dispozícii na Moodle UK.

Vznikajúce poznámky k prednáške.

Podmienky pre získanie zápočtu: 2 písomné práce (detaily v SIS)
Vzorové zadania zápočtových písomných prác:

Opravná zápočtová písomka sa koná 12.5.2022 od 12:20 v K8.

Zbierka úloh so stručnými riešeniami.

Súbor otázok a odpovedí k riešeniam zo zbierky. V tomto dokumente sa budeme snažiť zhromažďovať otázky k riešeniu úloh zo zbierky a stručné odpovede na ne. Rovnako tu nájdete opravy chybných častí riešení. Budeme vďační za všetky ďalšie pripomienky.

NMST434: Modern Statistical Methods
Monday 10:40 K9; Wednesday 10:40 K6; Thursday 10:40 K8

R codes:

NMAT362: Referativní seminář k bakalářské práci
Piatok 09:00 K2

Súbor doplňujúcich materiálov a modul pre odovzdávanie pdf prezentácií je k dispozícii na Moodle UK.

Podmienky pre získanie zápočtu: 2 prezentácie a aktívna účasť.

Úvodné prezentácie:

ZS 2021-2022

NMST611: Advanced Statistical Seminar
                  Pokročilý statistický seminář

Wednesday, 3:40 PM CET (odd weeks of semester)
Streda 15:40 Praktikum KPMS (liché týdny semestru)

  • 13.10.2021:

    Sergio Brenner Miguel

    (Universität Heidelberg, via Zoom)

    Nonparametric deconvolution as an example for statistical inverse problems


    Abstract: In this talk, we study the problems of additive and multiplicative deconvolution in the context of statistical inverse problems. We will begin with an introduction to statistical inverse problems and consider then the two deconvolution problems. Using a spectral cut-off regularisation of the inverse of the Fourier transform, respectively the Mellin transform, we deduce estimators for both models and analyse their statistical properties. More precisely, we will show that both estimators are minimax-optimal for a suitable choice of the cut-off parameter. We finish the talk by illustrating the behaviour of the proposed estimators using a Monte-Carlo simulation.
  • 27.10.2021:

    CANCELLED

    George Wynne

    (Imperical College London)

    Kernel-based statistical methods for functional data


    Abstract: Kernel-based statistical methods have become a mainstay of statistical machine learning in the past two decades and have also seen application in other statistical areas, such as computational statistics. The idea is to use kernels to formulate discrepancies between probability measures in a way which is easy to estimate. Specific applications include two-sample testing, independence testing, goodness-of-fit testing, parameter inference, measure transport and MCMC output quality assessment. So far, most investigation of these methods has focused on Euclidean data. In this talk I will outline our work generalising these methods to the generality of samples lying in a separable Hilbert space. This opens the door to apply these methods to functional data. Along the way I will draw connections between innovations in functional data analysis and kernel-based methods and provide numerical examples of kernel-based methods on functional data.
  • 10.11.2021:

    Ivan Mizera

    (University of Alberta and Charles University)

    Functional profile methods for claims reserving
    Predikcia poistných rezerv: metódy založené na funkcionálnych profiloch


    Abstract: One of the most fundamental tasks in non-life insurance, done on regular basis, is risk reserving assessment analysis, which amounts to predict stochastically the overall loss reserves to cover possible claims. The most common reserving methods are based on different parametric approaches using aggregated data structured in the run-off triangles. In this paper, we propose rather a non-parametric approach, where the underlying loss development triangles and the subsequent reserves predictions are handled as functional data. A suitable bootstrap add-on is developed to obtain the whole reserves distribution in accordance with the standard regulatory guidelines used in the industry. Three competitive functional- based reserving techniques, each with slightly different scope, are introduced; their theoret- ical and practical advantages—in particular, effortless implementation, robustness against outliers, and wide-range applicability—are discussed. The real run-off triangles are used to evaluate the empirical performance of the designed methods and a full scale comparison with standard (parametric) reserving techniques is carried on. The overall claims reserving performance is evaluated with respect to the known real loss outcomes. The important objective of the paper is also to promote the idea of natural usefulness of the functional reserving methods among the reserving practitioners.
  • 24.11.2021:

    Johanna G. Nešlehová

    (McGill University, Montréal)

    Modeling extremes in the medium regime

    Abstract: In this talk, I will present a model that can account for any type of asymptotic dependence between extremes while capturing joint risks at medium levels. It is characterized by a multivariate stable tail dependence function and a univariate parametric distortion function, which is the Archimedean generator of the underlying Archimax copula. The model can be fitted using a semi-parametric procedure in which the distortion function is first fitted using a rank-based moment technique, and the stable tail dependence function is subsequently estimated nonparametrically. The estimators are asymptotically Gaussian under broad regularity conditions. The model will be employed to analyze monthly rainfall maxima in French Brittany. Its application reveals an asymmetry of the underlying stable tail dependence function, which can be explained by causal relationships between precipitation in different areas. As we will see, the model can also be extended in a hierarchical fashion to capture more complex dependence patters between a larger number of stations.
    This talk is based on joint work with Simon Chatelain and Anne-Laure Fougères.
  • 08.12.2021:

    George Wynne

    (Imperical College London)

    Kernel-based statistical methods for functional data

    Slides
    Abstract: Kernel-based statistical methods have become a mainstay of statistical machine learning in the past two decades and have also seen application in other statistical areas, such as computational statistics. The idea is to use kernels to formulate discrepancies between probability measures in a way which is easy to estimate. Specific applications include two-sample testing, independence testing, goodness-of-fit testing, parameter inference, measure transport and MCMC output quality assessment. So far, most investigation of these methods has focused on Euclidean data. In this talk I will outline our work generalising these methods to the generality of samples lying in a separable Hilbert space. This opens the door to apply these methods to functional data. Along the way I will draw connections between innovations in functional data analysis and kernel-based methods and provide numerical examples of kernel-based methods on functional data.
  • 22.12.2021: no seminar talk
  • 05.01.2022: TBA

NMSA331: Matematická statistika I (cvičenie)
Pondelok 15:40 K11

Podmienky pre získanie zápočtu

Všetky výukové materiály budú prístupné na Moodle UK;
detaily nájdete na hlavnej stránke cvičení.

Zápočtová písomka: Výsledky v SISe

R skripty:

Dáta:

NMSA407: Linear Regression (exercise session)
Tuesday 17:20 K4

For general information about the exercise sessions and the credit requirements see the main website of the exercise sessions.

The final test takes place on Thursday, December 16, from 17:20 in K4.
Details can be found here.

Homework assignments: R scripts used at the lab sessions Datasets: Some useful documents:

ZS 2020-2021

NMSA331: Matematická statistika I (cvičenie)
Utorok 14:00 K4

Až do odvolania prebieha výuka on-line cez Moodle UK; detaily nájdete na hlavnej stránke cvičení.

NMSA407: Linear Regression (exercise session)
Tuesday 12:20 K11

For general information about the exercise sessions and the credit requirements see the main website of the exercise sessions.

The initial e-mail regarding the organisation of the lab sessions

Some useful documents:

LS 2019-2020

NMSA202: Pravděpodobnost a matematická statistika (cvičenie)
Pondelok 17:20 K11

Podmienky pre získanie zápočtu.

Príklady na precvičenie a prípravu na zápočtové písomky s výsledkami.
Výsledky príkladov riešených na cvičeniach.
Ďalšie riešené príklady z kombinatoriky.

Samoštúdium: prosíme o zapojenie do e-výuky dostupnej cez portál Moodle. Tu nájdete kompletne vyriešené príklady a množstvo ďalších zdrojov.

Príklady riešené na cvičeniach:

NMSA332: Matematická statistika II (cvičenie)
Pondelok 14:00 K3

Podmienky pre získanie zápočtu: 2 písomné práce (detaily v SIS)
Vzorové zadanie početnej časti skúškovej písomky.

Zbierka úloh so stručnými riešeniami.

Súbor otázok a odpovedí k riešeniam zo zbierky. V tomto dokumente sa budeme snažiť zhromažďovať otázky k riešeniu úloh zo zbierky a stručné odpovede na ne. Rovnako tu nájdete opravy chybných častí riešení. Budeme vďační za všetky ďalšie pripomienky.

Príklady riešené na cvičeniach:

  • 17.02.2020: Podmienené rozdelenie, podmienené momenty
     Príklady 1, 2, 4, 5, 6, 7, 8
  • 24.02.2020: Rao-Cramérova medza
     Príklady 10, 11, 12, 13, 14, 15
  • 02.03.2020: Viacroznerná Rao-Cramérova medza
     Príklady 18, 20, 21, 23
  • 09.03.2020: Postačujúce štatistiky
     Príklady 25, 27, 29, 30, 32, 34
  • 16.03.2020: Využitie postačujúcich štatistík
     Riešenia
  • 23.03.2020: Maximálna vierohodnosť
     Riešenia
  • 30.03.2020: Maximálna vierohodnosť: vektorový parameter
     Riešenia
  • 06.04.2020: Test pomerom vierohodnosti
     Riešenia
  • 20.04.2020: Testy bez rušivých parametrov
     Riešenia
  • 27.04.2020: Testy s rušivými parametrami
     Riešenia
  • 04.05.2020: Ďalšie príklady
     Riešenia

NMST434: Modern Statistical Methods (exercise session)
Thursday 14:00 Praktikum KPMS

Course completion requirements
Course notes (with exercises)

Homework assignments - Results

A document with some questions and answers regarding the exercise sessions and homeworks.

Complementary Documents:

Datasets:

ZS 2019-2020

NMSA331: Matematická statistika I (cvičenie)
Pondelok 15:40 K11

Podmienky pre získanie zápočtu

Zápočtová písomka: Výsledky

Opravná zápočtová písomka: Pondelok, 2.12.2019, od 12:20 v K6 - Výsledky

Domáca úloha: Zadanie a dáta spoločne s pokynmi pre vypracovanie.
                        Výsledky domácich úloh

V druhej časti semestra budeme pracovať v programe R a editore Rstudio. Krátky manuál k programu R nájdete tu.

Príklady riešené na cvičeniach:

R skripty:

Dáta:

NMSA407: Linear Regression (exercise session)
Tuesday 14:00 K11

For general information about the exercise sessions and the credit requirements see the main website of the exercise sessions.

The retake of the final test takes place on Monday January 13, from 14:00 in K4.

The retake of the final test: Results

Homework assignments: R scripts used at the lab sessions Datasets: Some useful documents:

NMAI059: Pravděpodobnost a statistika (cvičenie)
Štvrtok 17:20 S7

Príklady riešené na cvičeniach:

LS 2018-2019

NMSA202: Pravděpodobnost a matematická statistika (cvičenie)
Piatok 12:20 K7

Podmienky pre získanie zápočtu

Príklady na precvičenie a prípravu na zápočtové písomky s výsledkami
Výsledky príkladov riešených na cvičeniach
Ďalšie príklady a dokumenty na centrálnej stránke cvičení

Písomné práce

  1. 05.04.2019: výsledky
  2. 03.05.2019: výsledky
  3. 24.05.2019: výsledky

Príklady riešené na cvičeniach:

NMSA332: Matematická statistika II (cvičenie)
Utorok 12:20 K8

Podmienky pre získanie zápočtu: 2 písomné práce (detaily v SIS)
Vzorové zadania:

Zbierka úloh

Príklady riešené na cvičeniach:

  • 19.02.2019: Podmienené rozdelenie, podmienené momenty
     Príklady 1, 2, 4, 5, 7, 8
  • 26.02.2019: Rao-Cramérova medza
     Príklady 10, 11, 12, 13, 16
  • 05.03.2019: Mnohoroznerná Rao-Cramérova medza
     Príklady 18, 20, 21, 22
  • 12.03.2019: Postačujúce štatistiky
     Príklady 25, 26, 28 - 32
  • 19.03.2019: Využitie postačujúcich štatistík
     Príklady 40, 41, 42, 46
  • 26.03.2019: 1. písomná práca: výsledky
  • 02.04.2019: Maximálna vierohodnosť
     Príklady 50 - 52, 54, 56, 63
  • 09.04.2019: Maximálna vierohodnosť: vektorový parameter
     Príklady 64, 66, 68, 69
  • 16.04.2019: Test pomerom vierohodnosti
     Príklady 74, 77, 79
  • 23.04.2019: Testy bez rušivých parametrov
     Príklady 83, 85, 88, 91
  • 30.04.2019: Testy s rušivými parametrami
     Príklady 96, 98, 99, 102
  • 07.05.2019: 2. písomná práca: výsledky

NMST434: Modern Statistical Methods (exercise session)
Monday 14:00 K2

Course completion requirements
Course notes (with exercises)

Homework assignments - Results

Complementary Documents:

Datasets:

ZS 2018-2019

NMSA331: Matematická statistika I (cvičenie)
Utorok 12:20 K4

Podmienky pre získanie zápočtu

Zápočtová písomka: Výsledky

Opravná zápočtová písomka: Výsledky

Domáca úloha: Zadanie a dáta

Krátky manuál k programu R nájdete tu.

Príklady riešené na cvičeniach:

R skripty:

Dáta:

NMAI059: Pravděpodobnost a statistika (cvičenie)
Streda 12:20 S1

Domáca úloha: zadanie

Príklady riešené na cvičeniach:

NMSA407: Linear Regression (exercise session)
Thursday 10:40 K4

For general information about the exercise sessions and the credit requirements see the main website of the exercise sessions.

The retake of the final test: Results

Homework assignments: R scripts used at the lab sessions Datasets: Some useful documents:

LS 2017-2018

NMSA202: Pravděpodobnost a matematická statistika (cvičenie)
Pondelok 14:00 K5

Podmienky pre získanie zápočtu

Príklady na precvičenie a prípravu na zápočtové písomky s výsledkami
Ďalšie príklady a dokumenty na centrálnej stránke cvičení

Písomné práce

  1. 09.04.2018: výsledky
  2. 30.04.2018: výsledky
  3. 21.05.2018: výsledky

Príklady riešené na cvičeniach:

NMSA332: Matematická statistika II (cvičenie)
Utorok 10:40 K11

Podmienky pre získanie zápočtu: 2 písomné práce (detaily v SIS)
Vzorové zadania:

Zbierka úloh

Príklady riešené na cvičeniach:

  • 20.02.2018: Podmienené rozdelenie, podmienené momenty
     Príklady 1, 3, 4, 5, 7
  • 27.02.2018: Rao-Cramérova medza
     Príklady 9, 10, 11, 12, 15
  • 06.03.2018: Mnohoroznerná Rao-Cramérova medza
     Príklady 17, 19, 20, 22
  • 13.03.2018: Postačujúce štatistiky
     Príklady 24, 27 - 29, 31 - 34
  • 20.03.2018: Využitie postačujúcich štatistík
     Príklady 39, 41, 42, 43, 45
  • 27.03.2018: 1. písomná práca: výsledky
  • 03.04.2018: Maximálna vierohodnosť
     Príklady 52, 53, 55, 58, 61
  • 10.04.2018: Mnohorozmerná maximálna vierohodnosť
     Príklady 63, 65, 67, 70
  • 17.04.2018: Test pomerom vierohodnosti
     Príklady 73, 76, 77, 78
  • 24.04.2018: Testy bez rušivých parametrov
     Príklady 82, 84, 87, 90
  • 10.04.2018: Testy s rušivými parametrami
     Príklady 94, 97, 98, 101, 102
  • 15.04.2018: 2. písomná práca: výsledky

NMST434: Modern Statistical Methods (excercise session)
Tuesday 17:20 K3

Course completion requirements
Course notes (with exercises)

Homework assignments - Results

Complementary Documents:

Datasets:

ZS 2017-2018

NMSA331: Matematická statistika I (cvičenie)
Pondelok 15:40 K11

Podmienky pre získanie zápočtu

Zápočtová písomka: Výsledky

Domáca úloha: Zadanie a výsledky

Príklady riešené na cvičeniach:

R skripty:

Dáta:

NMAI059: Pravděpodobnost a statistika (cvičenie)
Utorok 17:20 S6

Domáca úloha 1: zadanie, výsledky opravy
Domáca úloha 2: zadanie, výsledky opravy

Príklady riešené na cvičeniach:

NMSA407: Linear Regression (exercise session)
Friday 9:00 K11

For general information about the exercise sessions and the credit requirements see the main website of the exercise sessions.

Results of both retakes of the final test.

Homework assignments: R scripts used at the lab sessions Datasets: Some useful documents: