Υπολογιστική Στατιστική Ανάλυση (ΣEE12): Διαφορά μεταξύ των αναθεωρήσεων
Από Wiki Τμήματος Μαθηματικών
(→Γενικά) |
|||
Γραμμή 46: | Γραμμή 46: | ||
{| class="wikitable" | {| class="wikitable" | ||
|- | |- | ||
! | ! | ||
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 | ! Γενικές Ικανότητες | ||
| | | | ||
* Αυτόνομη εργασία | * Αυτόνομη εργασία | ||
* Ομαδική εργασία σε κάποιες περιπτώσεις | * Ομαδική εργασία σε κάποιες περιπτώσεις | ||
* Λήψη αποφάσεων | * Λήψη αποφάσεων | ||
* Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης | * Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης | ||
* Σύνθεση δεδομένων και πληροφοριών. | * Σύνθεση δεδομένων και πληροφοριών. |
Αναθεώρηση της 13:50, 27 Οκτωβρίου 2022
Περιγράμματα Μεταπτυχιακών Μαθημάτων - Τμήμα Μαθηματικών
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
Οι φοιτητές μετά την επιτυχή παρακολούθηση αυτού του μαθήματος θα πρέπει να είναι σε θέση να:
| |
---|---|
Γενικές Ικανότητες |
|
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.
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 |
| ||||||||||
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.