Υπολογιστική Στατιστική (ΜΑΕ836): Διαφορά μεταξύ των αναθεωρήσεων

Από Wiki Τμήματος Μαθηματικών
Χωρίς σύνοψη επεξεργασίας
 
Γραμμή 1: Γραμμή 1:
* [[Computational Statistics (MAE836)|English version]]
* [[Computational Statistics (MAE836)|English version]]
{{Course-UnderGraduate-Top-GR}}
{{Course-UnderGraduate-Top-GR}}
{{Menu-OnAllPages-GR}}


=== Γενικά ===
=== Γενικά ===

Τελευταία αναθεώρηση της 10:33, 15 Ιουνίου 2023

Γενικά

Σχολή Σχολή Θετικών Επιστημών
Τμήμα Τμήμα Μαθηματικών
Επίπεδο Σπουδών Προπτυχιακό
Κωδικός Μαθήματος MAE836
Εξάμηνο 8
Τίτλος Μαθήματος ΥΠΟΛΟΓΙΣΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
Αυτοτελείς Διδακτικές Δραστηριότητες Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 6)
Τύπος Μαθήματος 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:
  • εφαρμόζουν τις συνηθέστερες μεθόδους υπολογιστικής στατιστικής
  • χρησιμοποιούν την R άλλα και άλλα στατιστικά προγράμματα για τον παραπάνω σκοπό
  • παράγουν τυχαίους αριθμούς από διακριτές και συνεχείς κατανομές
  • χρησιμοποιούν διαφορετικές μεθόδους επίλυσης ενός προβλήματος βελτιστοποίησης.
Γενικές Ικανότητες
  • Αυτόνομη εργασία
  • Σύνθεση δεδομένων και πληροφοριών
  • Λήψη αποφάσεων
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
  • Σύνθεση δεδομένων και πληροφοριών.

Περιεχόμενο Μαθήματος

Παραγωγή τυχαίων αριθμών από διακριτές και συνεχείς κατανομές. Ολοκλήρωση Monte Carlo. Οπτικοποίηση κλασικών αποτελεσμάτων της στατιστικής συμπερασματολογίας μέσω προσομοιωμένων δειγμάτων (πχ. ασυμπτωτική κανονικότητα δειγματικού μέσου, (1-α)| 100% ΔΕ, εκτίμηση ισχύος και p-value ενός στατιστικού τεστ). Μέθοδοι επαναδειγματοληψίας (Jackknife και Bootstrap). Εκτίμηση πυκνότητας πιθανότητας και εφαρμογές (Kernel density estimation). Τεχνικές αριθμητικής βελτιστοποίησης (όπως Newton-Raphson, Fisher scoring, αλγόριθμος expectation-maximization [EM]). Το μάθημα είναι εργαστηριακό. Η γλώσσα προγραμματισμού που θα χρησιμοποιηθεί είναι η R.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Παράδοσης Στην Τάξη
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Οργάνωση Διδασκαλίας
Δραστηριότητα Φόρτος Εργασίας Εξαμήνου
Διαλέξεις (13Χ3) 39
Αυτοτελής Μελέτη 78
Επίλυση Ασκήσεων - εργασίες 33
Σύνολο Μαθήματος 150
Αξιολόγηση Φοιτητών Γραπτή τελική εξέταση στα Ελληνικά (σε περίπτωση φοιτητών Erasmus στην Αγγλική γλώσσα) η οποία περιλαμβάνει επίλυση προβλημάτων εφαρμογής των γνώσεων που αποκτήθηκαν και συγκριτική αξιολόγηση στοιχείων θεωρίας.

Συνιστώμενη Βιβλιογραφία

Δείτε την υπηρεσία Εύδοξος ή το τοπικό αποθετήριο του Τμήματος Μαθηματικών για τα παρεχόμενα συγγράμματα ανά ακαδημαϊκό έτος. Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος:

  • Davison, A. C., Hinkley, D. V., Bootstrap methods and their application. Cambridge University Press 1997.
  • Rizzo, M. L., Statistical computing with R. Chapman & Hall/CRC 2007.
  • Robert, C. P., Casella, G., Introducing Monte Carlo methods with R. Springer Verlag 2009