Undergraduate Elective 1063

• Ελληνικά
• English

Μη Παραμετρική Στατιστική - Κατηγορικά Δεδομένα

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Προπτυχιακό
Κωδικός Μαθήματος	MAE735
Εξάμηνο	7
Τίτλος Μαθήματος	Μη Παραμετρική Στατιστική - Κατηγορικά Δεδομένα
Αυτοτελείς Διδακτικές Δραστηριότητες	Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 6)
Τύπος Μαθήματος	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

Στόχος του μαθήματος αυτού είναι η εισαγωγή των φοιτητών στις μεθόδους και τις τεχνικές της Mη Παραμετρικής Στατιστικής (προσημικοί έλεγχοι, έλεγχοι καλής προσαρμογής κοκ), καθώς επίσης και η εφαρμογή τους σε πραγματικά πρακτικά προβλήματα. Σκοπός είναι με την παρακολούθηση του μαθήματος ο φοιτητής να έχει κατανοήσει τις βασικές μεθόδους της Μη Παραμετρικής Στατιστικής, να γνωρίζει πότε θα πρέπει να τις υιοθετεί και πως να τις εφαρμόζει.

Γενικές Ικανότητες

Αυτόνομη εργασία  Σύνθεση δεδομένων και πληροφοριών Λήψη αποφάσεων  Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης Σύνθεση δεδομένων και πληροφοριών.

Περιεχόμενο Μαθήματος

Έλεγχος μέσης τιμής ή μέσων τιμών: (απλό προσημικό τεστ, προσημικό τεστ κατά ζεύγη, τεστ Wilcoxon, Wilcoxon - Mann - Whitney, Kruskal - Wallis). Τεστ καλής προσαρμογής (X2 τεστ , Kolmogorov - Smirnov). Μέτρα Συσχέτισης. Τεστ ροών. Κατηγορικές Μεταβλητές. Δειγματικά μοντέλα, Στατιστικοί Έλεγχοι ποσοστών, Πίνακες Συνάφειας (Τεστ Ανεξαρτησίας, Συμμετρίας, Περιθώριας Ομοιογένειας), 2 x 2 Πίνακες Συνάφειας (Ακριβές Τεστ Fisher, Τεστ McNemar), Εφαρμογές, Λογαριθμογραμμικά μοντέλα για πίνακες συνάφειας.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Διδασκαλίας	Στην τάξη.
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
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 (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. Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος:

Non Parametric Statistics- Categorical Data Analysis

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Undergraduate
Course Code	ΜΑΕ735
Semester	7
Course Title	Non Parametric Statistics- Categorical Data Analysis
Independent Teaching Activities	Lectures (Weekly Teaching Hours: 3, Credits: 6)
Course Type	Special Background
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)
Course Website (URL)	See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes	The aim of this course is to introduce students to the methods of Non parametric techniques (goodness-of-fit tests, ranks etc) as well as their application to real practical problems. At the end of the course the student should have understood the basic methods of Non-Parametric Statistics and Categorical Data, knowing when to adopt and how to apply them for analyzing data.
General Competences	Working independently  Decision-making Production of free, creative and inductive thinking Criticism and self-criticism.

Syllabus

Empirical distribution function, Goodness of fit tests: Kolmogorov-Smirnov test, Chi-square, Runs test, Sign tests, Wilcoxon - Mann - Whitney test, Kruskal - Wallis test. Correlation coefficients. Categorical Variables. Statistical inference for binomial and multinomial parameters, Contingency Tables, Comparing two proportions, Testing: independence, Symmetry, Homogeneity. 2 x 2  Tables (Exact Fisher's test, McNemar's test). Applications. Loglinear models.

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.
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.
Use of Information and Communications Technology	-
Teaching Methods	Activity Semester Workload Lectures (13X3) 39 Working independently 78 Exercises-Homeworks 33 Course total  150
Student Performance Evaluation	Final written exam in Greek (in case of Erasmus students in English).

Attached Bibliography

See the official Eudoxus site. Books and other resources, not provided by Eudoxus:

• Agresti, A. (2007). An Introduction to Categorical Data Analysis. 2 ed. ISBN: 978- 0-470-38800-# Wiley 
• Conover, W. J. (1999). Practical Nonparametric Statistics. 3 ed. ISBN: 978-0-471- 16068-# John Wiley & Sons 
• Ζωγράφος, Κ. (2009). Κατηγορικά Δεδομένα. Πανεπιστήμιο Ιωαννίνων.  
• Μπατσίδης, Α. (2010). Εισαγωγή στη Μη Παραμετρική Στατιστική. Πανεπιστήμιο Ιωαννίνων