Postgraduate Section 3 1020

• Ελληνικά
• English

Χρονοσειρές

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Μεταπτυχιακό
Κωδικός Μαθήματος	ΣEE11
Εξάμηνο	2
Τίτλος Μαθήματος	Χρονοσειρές
Αυτοτελείς Διδακτικές Δραστηριότητες	Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5)
Τύπος Μαθήματος	Ειδικότητας
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

Με την ολοκλήρωση αυτού του μαθήματος, οι φοιτητές αναμένεται να ειναι: εξοικειωμένοι με τις ιδιότητες των βασικών χρονοσειρών σε θέση να προσδιορίσουν τα κατάλληλα μοντέλα για χρονοσειρές. σε θέση να διαγνώσουν την καταλληλότητα του μοντέλου. σε θέση να μοντελοποιούν χρονολογικά δεδομένα και να επιβεβαιώνουν ότι τα μοντέλα ταιριάζουν να χρησιμοποιούν στατιστικά πακέτα για την προσαρμογή κατάλληλων μοντέλων χρονοσειρών και να τα αναλύουν.

Γενικές Ικανότητες

Αυτόνομη εργασία Λήψη αποφάσεων Προσαρμογή σε νέες καταστάσεις Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης Σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

Περιεχόμενο Μαθήματος

Εισαγωγή στις στάσιμες χρονολογικές σειρές. Απλά μοντέλα χρονολογικών σειρών. Γραμμικές διαδικασίες, γενικά μοντέλα αυτοπαλίνδρομα και κινητού μέσου. Οι οικογένειες μοντέλων ΑRΜΑ, ΑRΙΜΑ και State Space. Πρόβλεψη χρονοσειρών. Εποχικότητα στις χρονοσειρές. Μοντελοποίηση στοχαστικής μεταβλητότητας, το φίλτρο Kalman (Kalman Filter). Μη γραμμικές μη κανονικές χρονοσειρές. Πολυμεταβλητές χρονολογικές σειρές. Συνολοκλήρωση και διόρθωση λαθών.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Διδασκαλίας	Πρόσωπο με πρόσωπο.
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 στατιστικών πακέτων Χρήση Τ.Π.Ε. στην Επικοινωνία.
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 39 Αυτοτελής Μελέτη 70 Ασκήσεις Πεδίου - Συγγραφή εργασίας 78.5 Σύνολο Μαθήματος 187.5
Αξιολόγηση Φοιτητών	Γραπτές εργασίες (30%) Γραπτή τελική εξέταση (70%)

Συνιστώμενη Βιβλιογραφία

Δείτε την υπηρεσία Εύδοξος.

Time series

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Graduate
Course Code	ΣΕΕ11
Semester	2
Course Title	Time series
Independent Teaching Activities	Lectures (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)
Course Website (URL)	See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes	Upon completion of this course, a student will: be familiar with properties of the major types of time series be able to identify appropriate models for time series. be able to diagnose model adequacy. construct time series models from data and verify model fits use statistical packages to construct time series models and conduct analysis
General Competences	Working independently Decision-making Adapting to new situations Production of free, creative and inductive thinking Synthesis of data and information, with the use of the necessary technology Working in an interdisciplinary environment

Syllabus

Introduction to stationary time series. Simple models for time series. Linear processes, general autoregressive-moving average models. Prediction of stationary time series. The families of ARMA, ARIMA and State space models. Seasonality in time series. Modelling stochastic volatility. Time series regression. Nonlinear non-Gaussian time series. Multivariate time series. Multivariate autoregressive model.

Teaching and Learning Methods - Evaluation

Delivery	Face-to-face
Use of Information and Communications Technology	Statistical Software Use of ICT in communication with students
Teaching Methods	Activity Semester Workload Lectures 39 Working independently 70 Study and analysis of bibliography, Fieldwork 78.5 Course total 187.5
Student Performance Evaluation	Language of Evaluation: Greek Methods of Evaluation: written work (20%), Final exam (80%)

Attached Bibliography

See the official Eudoxus site.