Postgraduate Section 3 1019

• Ελληνικά
• English

Υπολογιστική Στατιστική Ανάλυση

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Μεταπτυχιακό
Κωδικός Μαθήματος	ΣEE12
Εξάμηνο	2
Τίτλος Μαθήματος	Υπολογιστική Στατιστική Ανάλυση
Αυτοτελείς Διδακτικές Δραστηριότητες	Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5)
Τύπος Μαθήματος	Μάθημα Ειδίκευσης
Προαπαιτούμενα Μαθήματα
Γλώσσα Διδασκαλίας και Εξετάσεων	Ελληνική
Τρόπος Διεξαγωγής Μαθήματος	Δια ζώσης (100%)
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 Διδασκαλίας	Πρόσωπο με πρόσωπο στο εργαστήριο του Τμήματος.
Τρόπος και Συχνότητα Επικοινωνίας με Φοιτητές	Η επικοινωνία με τους φοιτητές γίνεται: Μέσω email. Δια ζώσης στο γραφείο. Κατά τη διάρκεια των διαλέξεων. Η συχνότητα επικοινωνίας με τους φοιτητές καθορίζεται από τις ανάγκες των φοιτητών.
Διασφάλιση Τρόπου Επικοινωνίας Μεταξύ Φοιτητών	Συνέργεια στα πλαίσια της παράδοσης του μαθήματος.
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών	Χρήση Τ.Π.Ε. στην επικοινωνία με τους φοιτητές καθώς και στην παράδοση εργασιών.
Απαιτούμενος Τεχνολογικός Εξοπλισμός και Γνώσεις Τεχνολογίας	Δεν απαιτείται τεχνολογικός εξοπλισμός, καθώς παρέχεται. Δεν απαιτούνται εξειδικευμένες γνώσεις τεχνολογίας.
Πολιτική Μαθήματος για τη Λογοκλοπή και Εργαλεία Ελέγχου Λογοκλοπής	Η λογοκλοπή απαγορεύεται ρητά και τιμωρείται κλιμακούμενα, ανάλογα με την επανάληψη της χρήσης της. Ελέγχεται, δε, με σχετικά εργαλεία όπως το "Turnitin", που παρέχει η Βιβλιοθήκη του Πανεπιστημίου.
Πολιτική Μαθήματος για τη Χρήση Τεχνητής Νοημοσύνης	Επιτρέπεται η χρήση Τεχνητής Νοημοσύνης κατόπιν άδειας από τον διδάσκοντα/τη διδάσκουσα.
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

Δείτε την υπηρεσία Εύδοξος.

Computational Statistics Analysis

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Graduate
Course Code	ΣΕΕ12
Semester	2
Course Title	Computational Statistics Analysis
Independent Teaching Activities	Lectures-Laboratory (Weekly Teaching Hours: 3, Credits: 7.5)
Course Type	Specialized general knowledge
Prerequisite Courses	-
Language of Instruction and Examinations	Greek
Mode of Course Delivery	Face-to-face (100%)
Is the Course Offered to Erasmus Students	Yes (in English, reading Course)
Course Website (URL)	See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes

Students completing this course should be able to: Use R and other statistical software to implement computational statistics techniques. Be able to generate random numbers from a variety of distributions and asses their quality. Be able to apply the Jacknife, the Bootstrap and other computational statistics techniques under the appropriate settings and assumptions. Plan and implement a statistical simulation study in an efficient way. Interpret the results from a simulation study.

General Competences

Working independently Decision-making Production of free, creative and inductive thinking Criticism and self-criticism

Syllabus

This course covers the following topics and relies on heavy use of R: random number generation techniques. The jacknife, bootstrap and their theoretical properties. Cross validation, kernel density estimation, local regression. Monte Carlo simulation and its applications.

Teaching and Learning Methods - Evaluation

Mode of Instruction	Classroom (face-to-face).
Mode and Frequency of Communication with Students	Communication with students takes place through: Email. In-person meetings during office hours. During lectures. The frequency of communication with students is determined by their needs.
Ensuring Communication Among Students	Collaboration and interaction are encouraged within the context of course delivery.
Use of Information and Communications Technology	Use of ICT in communication with students.
Required Technological Equipment and Technology Skills	No technological equipment is required from students, as all necessary equipment is provided. No specialized technology skills are required.
Course Policy on Plagiarism and Plagiarism Detection Tools	Plagiarism is strictly prohibited and is subject to progressively stricter penalties in the event of repeated offenses. It is monitored using plagiarism detection tools such as Turnitin, which is provided by the University Library.
Course Policy on the Use of Artificial Intelligence	The use of Artificial Intelligence is permitted only with the prior approval of the instructor.
Teaching Methods	Activity Semester Workload Lectures 39 Working independently 78 Exercises-Homework 70.5 Course total 187.5
Student Performance Evaluation	Final written exam in Greek (in case of Erasmus students in English).

Attached Bibliography

See the official Eudoxus site.