Υπολογιστική Στατιστική Ανάλυση (ΣEE12): Διαφορά μεταξύ των αναθεωρήσεων

Τελευταία αναθεώρηση της 12:06, 15 Ιουνίου 2023

English version
Περιγράμματα Μεταπτυχιακών Μαθημάτων
Τροποποίηση Περιγράμματος (η δυνατότητα αυτή απευθύνεται αποκλειστικά στα μέλη ΔΕΠ του Τμήματος)
Τμήμα Μαθηματικών
Αποθήκευση ως PDF ή Εκτύπωση (για αποθήκευση ως PDF, κάντε την σχετική επιλογή στη λίστα εκτυπωτών που θα εμφανιστεί)

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Μεταπτυχιακό
Κωδικός Μαθήματος	ΣEE12
Εξάμηνο	2
Τίτλος Μαθήματος	ΥΠΟΛΟΓΙΣΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
Αυτοτελείς Διδακτικές Δραστηριότητες	Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5)
Τύπος Μαθήματος	Μάθημα Ειδίκευσης
Προαπαιτούμενα Μαθήματα
Γλώσσα Διδασκαλίας και Εξετάσεων	Ελληνική
Το Μάθημα Προσφέρεται σε Φοιτητές Erasmus	Ναι (στην Αγγλική γλώσσα)
Ηλεκτρονική Σελίδα Μαθήματος (URL)	Δείτε το eCourse, την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.

Μαθησιακά Αποτελέσματα

Μαθησιακά Αποτελέσματα	Οι φοιτητές μετά την επιτυχή παρακολούθηση αυτού του μαθήματος θα πρέπει να είναι σε θέση να: Χρησιμοποιούν την R άλλα και άλλα στατιστικά προγράμματα για την υλοποίηση των συνηθέστερων τεχνικών υπολογιστικής στατιστικής Παράγουν τυχαίους αριθμούς από πλειάδα κατανομών με διάφορες τεχνικές και να αξιολογούν το αποτέλεσμα. Εφαρμόζουν σωστά και υπό τι κατάλληλες συνθήκες τις Bootstrap και Jacknife τεχνικές. Χρησιμοποιούν μεθόδους Monte Carlo στην επίλυση στατιστικών προβλημάτων Σχεδιάζουν και να υλοποιούν μια μελέτη προσομοίωσης και να ερμηνεύουν ορθά τα εξαγόμενα συμπεράσματα.
Γενικές Ικανότητες	Αυτόνομη εργασία Ομαδική εργασία σε κάποιες περιπτώσεις Λήψη αποφάσεων Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης Σύνθεση δεδομένων και πληροφοριών.

Περιεχόμενο Μαθήματος

Το μάθημα καλύπτει τις ακόλουθες ενότητες, βασιζόμενο πάρα πολύ στην R: τεχνικές παραγωγής τυχαίων αριθμών. Οι μέθοδοι jackknife, bootstrap και οι θεωρητικές τους ιδιότητες. Cross validation, kernel density estimation, local regression. Μέθοδοι προσομοίωσης Monte Carlo και εφαρμογές.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Παράδοσης

Πρόσωπο με πρόσωπο στο εργαστήριο του Τμήματος

Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών

Χρήση Τ.Π.Ε. στην επικοινωνία με τους φοιτητές καθώς και στην παράδοση εργασιών

Οργάνωση Διδασκαλίας

Δραστηριότητα	Φόρτος Εργασίας Εξαμήνου
Διαλέξεις -Εργαστήριο	39
Αυτοτελής Μελέτη	78
Επίλυση ασκήσεων-εργασίες	70.5
Σύνολο Μαθήματος	187.5

Αξιολόγηση Φοιτητών

Γραπτή τελική εξέταση στα Ελληνικά (σε περίπτωση φοιτητών Erasmus στην Αγγλική γλώσσα) η οποία περιλαμβάνει την ανάλυση τόσο πραγματικών όσο και εκπαιδευτικών συνόλων δεδομένων. Κατά τη διάρκεια του εξαμήνου δίνονται υποχρεωτικές, συνήθως ατομικές, εργασίες, οι οποίες συνυπολογίζονται στον τελικό βαθμό.

Συνιστώμενη Βιβλιογραφία

Davison, A. C., Hinkley, D. V., (1997). Bootstrap methods and their application. Cambridge University Press.
Rizzo, M. L., (2007). Statistical computing with R. Chapman & Hall/CRC.
Robert, C. P., Casella, G., (2009). Introducing Monte Carlo methods with R. Springer Verlag.
Gentle, J. E., (2009). Computational Statistics, Springer.
Givens, G.H. and Hoeting, J.A., (2012). Computational Statistics, Wiley.
[Περιοδικό / Journal] Statistics and Computing
[Περιοδικό / Journal] Computational Statistics.
[Περιοδικό / Journal] Computational Statistics & Data Analysis.

@@ Γραμμή 1: / Γραμμή 1: @@
-[[Περιγράμματα Μεταπτυχιακών Μαθημάτων]] - [https://math.uoi.gr Τμήμα Μαθηματικών]
+* [[Computational Statistics Analysis (ΣΕΕ12)|English version]]
+{{Course-Graduate-Top-GR}}
+{{Menu-OnAllPages-GR}}
 === Γενικά ===
@@ Γραμμή 46: / Γραμμή 48: @@
 {| class="wikitable"
 |-
-!
+! Μαθησιακά Αποτελέσματα
+|
 Οι φοιτητές μετά την επιτυχή παρακολούθηση αυτού του μαθήματος θα πρέπει να είναι σε θέση να:
 * Χρησιμοποιούν την R άλλα και άλλα στατιστικά προγράμματα για την υλοποίηση των συνηθέστερων τεχνικών υπολογιστικής στατιστικής
@@ Γραμμή 65: / Γραμμή 68: @@
 === Περιεχόμενο Μαθήματος ===
-Το μάθημα καλύπτει τις ακόλουθες ενότητες, με χρήση κυρίως του SPSS και της R: δημιουργία τυχαίων μεταβλητών, permutation tests, bootstrap και jackknife, cross validation, kernel density estimation, local regression, Gibbs sampling, Metropolis-Hastings αλγόριθμος, importance sampling, slice sampling. Χειρισμός ελλιπών τιμών.
+Το μάθημα καλύπτει τις ακόλουθες ενότητες, βασιζόμενο πάρα πολύ στην R: τεχνικές παραγωγής τυχαίων αριθμών. Οι μέθοδοι jackknife, bootstrap και οι θεωρητικές τους ιδιότητες.  Cross validation, kernel density estimation, local regression. Μέθοδοι προσομοίωσης Monte Carlo και εφαρμογές.
 === Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση ===
@@ Γραμμή 97: / Γραμμή 100: @@
 |-
 ! Αξιολόγηση Φοιτητών
-| Γραπτή τελική εξέταση στα Ελληνικά (σε περίπτωση φοιτητών Erasmus στην Αγγλική γλώσσα) η οποία περιλαμβάνει την ανάλυση τόσο πραγματικών όσο και εκπαιδευτικών συνόλων δεδομένων. Κατά τη διάρκεια του εξαμήνου δίνονται υποχρεωτικές, συνήθως ατομικές, εργασίες, οι οποίες συνυπολογίζονται στον τελικό βαθμό.
+|
+Γραπτή τελική εξέταση στα Ελληνικά (σε περίπτωση φοιτητών Erasmus στην Αγγλική γλώσσα) η οποία περιλαμβάνει την ανάλυση τόσο πραγματικών όσο και εκπαιδευτικών συνόλων δεδομένων. Κατά τη διάρκεια του εξαμήνου δίνονται υποχρεωτικές, συνήθως ατομικές, εργασίες, οι οποίες συνυπολογίζονται στον τελικό βαθμό.
 |}