The topic of the course is parametric statistical inference, in particular statistical theory for exponential families. The course covers statistical philosophies and principles, likelihood methods, exponential families (substantial part) and related models, including generalized linear models (substantial part), and large sample approximations. The course is theoretical. It aims not only at a widening of the statistical toolbox but also at a deeper understanding of statistical methods and models, whereas concrete applications are more in the background.

Course literature: Sundberg, Rolf: Statistical Modelling by Exponential Families. Lecture Notes.

Main teacher: Taras Bodnar.

Preliminary schedule

This course is taught in Swedish.

Studiet av rättsordningens uppbyggnad skall ge inblick i rättsreglernas natur, rättens indelning samt rättskällorna: lagstiftningen, rättspraxis och den juridiska litteraturen (doktrinen). Vidare skall kursen ge kunskaper om den svenska rättens internationella beroende, inte minst vad medlemskapet i EU innebär, samt om den allmänna rättsutvecklingen. I den allmänna civilrätten studeras allmänna förmögenhetsrättsliga frågor samt kontraktsrättsliga spörsmål, särskilt köp- och avtalsrätt. Vidare studeras särskilt associationsrätt och skadeståndsrätt. I försäkringsavtalsrätten skall särskilt försäkringsbolagets och försäkringstagarens förpliktelser studeras.

Kurslitteratur: 

Ramberg, Malmströms Civilrätt, 25 upplagan. Liber AB 2018. ISBN 978-91-47-09742-5. Avsnitt 1-5, 6.1-6.2, 7, 12,14-15.
Bengtsson, Försäkringsrätt - några huvudlinjer, åttonde upplagan. Norstedts Juridik 2012. ISBN 978-91-39-20579-1 eller nionde upplagan (Norstedts juridik 2015. ISBN 9789139207283).

Preliminärt schema

This course is taught in Swedish.

Kursen behandlar modeller för antalet skador och ersättningsbeloppens storlek; den kollektiva och den individuella modellen, sammansatta fördelningar; matematiska modeller för återförsäkring, speciellt Excess-of-loss; anpassning av modellerna till försäkringsdata; numeriska metoder för beräkning av fördelningen för det totala ersättningsbeloppet för en portfölj; analys av praktiska försäkringsfall; orientering i Dynamic Financial Analysis (DFA).

Kurslitteratur: Björn Johansson, Matematiska modeller inom sakförsäkring samt material tillgängligt från kurshemsida.

Kursansvarig: Filip Lindskog.

Preliminärt schema

This course is taught in Swedish.

Kursen behandlar allmänna redovisningsprinciper och relevant lagstiftning. Mer speciellt studeras regler för redovisning i liv- och sakförsäkringsbolag, årsredovisningar och deras analys.

Litteratur:

Leonardz, Björn & Blomquist, Anders: Årsredovisningen - en introduktion, 11. uppl, Liber 2008 (rödlila): Kap 1, 2, 3, 5.

Björn Palmgren: Försäkringsekonomi. Sjunde upplagan. Studentlitteratur.

Esbjörn Ohlsson: Skadeförsäkringsredovisning för aktuarier (kompendium tillgängligt på kurshemsidan).

Samt utdelat material.

Kursansvarig: Kristoffer Lindensjö.

Preliminärt schema

This course is taught in English.

The course aims at introducing the fundamental concepts in information theory, their relationship and their contemporary applications in statistics, machine learning, time series analysis, dynamical system, physics, etc. Topics that will be covered in the course include basic concepts of information theory, entropy rates of stochastic process, differential entropy, information flow & causal detection, statistical learning, rate distortion theory, information bottleneck, multivariate dependence and multi-information, etc.

Main course literature:  
[1] “Elements of Information Theory”, 2nd Ed. by Cover & Thomas, Wiley 2006
[2] “Neural Networks and Learning Machines”, 3rd Ed. by Haykin, Pearson Education Inc. 2009

Teachers: Joanna Tyrcha and Chun-Biu Li

This course is taught in English.

The course introduces basic principles and methods in statistical learning, classification and prediction. Topics that will be covered include regression, classification analysis, model assessment and selection, regularization methods, tree-based methods, vector machines, basics of neural networks, etc.

Main course literature:  "The Elements of Statistical Learning: Data Mining, Inference, and Prediction" 2nd Ed. by Hastie, Tibshirani & Friedman, Springer 2009

Main teachers: Chun-Biu Li, Sebastian Rosengren

Preliminary schedule