Undergraduate Elective 1030

• Ελληνικά
• English

Ειδικά Θέματα Στατιστικής

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Προπτυχιακό
Κωδικός Μαθήματος	MAE837
Εξάμηνο	8
Τίτλος Μαθήματος	Ειδικά Θέματα Στατιστικής
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

Ο στόχος του μαθήματος είναι να εισάγει τους φοιτητές σε ένα πλήθος καινούργιων στατιστικών τεχνικών ή επεκτάσεων αυτών που έχουν διδαχθεί μέχρι τώρα. Δίνεται έμφαση στην πρακτική εφαρμογή των τεχνικών και στην ερμηνεία των αποτελεσμάτων ενώ παράλληλα δίνονται και οι απαραίτητες βάσεις για κατανόηση και περαιτέρω εμβάθυνση τους. Το αποτέλεσμα είναι ανάπτυξη της κριτικής ικανότητας και η σωστή εφαρμογή της κατάλληλης τεχνικής ανάλογα με τον διαθέσιμο τύπο δεδομένων, καθώς και η απόκτηση στέρεου εννοιολογικού και τεχνικού υποβάθρου για οποιαδήποτε περαιτέρω μελέτη και εμβάθυνση στις εν λόγω τεχνικές.

Γενικές Ικανότητες

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

Περιεχόμενο Μαθήματος

Εβδομάδα 1: Βασικά χαρακτηριστικά χρονοσειρών: Στασιμότητα, αυτοσυσχέτιση, μερική αυτοσυσχέτιση, απομάκρυνση στοιχείων μη-στασιμότητας, έλεγχος ανεξαρτησίας για χρονικές σειρές. Εβδομάδα 2: Γραμμικές στοχαστικές διαδικασίες: αυτοπαλινδρούμενη (AR), κινούμενου μέσου (ΜΑ), μικτή (ARMA). Μοντέλα χρονοσειρών: AR, MA και ARMA σε στάσιμες χρονοσειρές. Εβδομάδα 3: Μικτό ολοκληρωμένο μοντέλο (ARIMA) και εποχικό ARIMA (SARIMA) σε μη-στάσιμες χρονοσειρές. Πρόβλεψη χρονοσειρών. Εβδομάδα 4: Επεκτάσεις του πολλαπλού γραμμικού μοντέλου σε δεδομένα της μορφής πολυεπίπεδα (Multilevel) και πινακωτά (panel). Εβδομάδα 5: Επεκτάσεις του πολλαπλού γραμμικού μοντέλου σε δεδομένα της μορφής κρυμμένων (Latent) μεταβλητών. Εβδομάδα 6: Ειδικές πολυδιάστατες κατανομές εκτός της κανονικής (Wishart, πολυδιάστατη t κατανομή). Εβδομάδα 7: Ανάλυση κυρίων συνιστωσών, ανάλυση κατά συστάδες (k means, hierarchical). Εβδομάδα 8: Παραγοντική ανάλυση (factoranalysis), διαχωριστική (discriminant) ανάλυση, πολυδιάστατη κανονικοποίηση (multidimensional scaling). Εβδομάδα 9: Πολυδιάστατες μέθοδοι ταξινόμησης (classification) δεδομένων, ταξινόμηση με τη μέθοδο των τυχαίων δασών (Randomforests). Εβδομάδα 10: Ειδικοί τύποι δεδομένων: λογοκριμένα δεδομένα (τύποι λογοκρισίας), περικεκομένα δεδομένα. Ειδικές κατανομές για τέτοιου τύπου δεδομένα (Weibull, κτλ), συνάρτηση επιβίωσης, συνάρτηση κινδύνου, αθροιστική συνάρτηση κινδύνου. Εβδομάδα 11: Εκτίμηση με τη μέθοδο της μέγιστης πιθανοφάνειας για λογοκριμένα δεδομένα. Εβδομάδα 12-13: Εκτιμητής Kaplan - Meier, μοντέλα παλινδρόμησης στην ανάλυση επιβίωσης, μοντέλο αναλογικού κινδύνου του Cox.

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	Eclass (για απόθεση διδακτικού υλικού). Χρήση προβολικού (προτζέκτορας) και διαφανειών. Επικοινωνία με τους/τις φοιτητές/τριες μέσω email αλλά και πλατφορμών όπως το GoogleMeet και το MsTeams.
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:

Special Topics in Statistics

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Undergraduate
Course Code	ΜΑΕ837
Semester	8
Course Title	Special Topics in Statistics
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, reading Course)
Course Website (URL)	See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes	Students will become familiar with the themes in question and develop knowledge of statistical methods, and will also learn how the methodology becomes relevant in certain application areas. Students will learn a specialized field of statistics not covered by any ordinary course.
General Competences	Working independently  Decision-making Production of free, creative and inductive thinking Criticism and self-criticism.

Syllabus

The precise contents of this course may vary from occasion to occasion, but will consist of selected themes of contemporary research interest in statistics methodology, depending on both demands from students and the availability of appropriate course leaders. Examples include parametric lifetime modeling, experimental design, extreme value statistics, advanced stochastic simulation, graphical modeling, statistics quality control etc. The course will be of interest to students who want to develop their basic knowledge of statistics methodology. See the specific semester page for a more detailed description of the course. For the next academic year the syllabus of the course is the following: Multivariate distributions: basic properties. Multivariate normal distribution: properties and estimation. Brief review of multivariate methods of statistical analysis: Principal Components, Factor Analysis, MANOVA, Discriminant Analysis.

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	-
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	class="wikitable"	Activity	Semester Workload
Lectures	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) which concentrates on the solution of problems which are motivated by the main themes of the course. |}

Attached Bibliography

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

• Σημειώσεις διδάσκοντα
• Everitt, B., Hothorn, T. (2011) An introduction to Applied Multivariate Analysis with R. Springer.
• Hastie, Tibshirani and Friedman (2009) Elements of Statistical Learning, 2nd edition, Springer.
• James, Witten, Hastie and Tibshirani (2011) Introduction to Statistical Learning with applications in R. Springer.
• B.S. Everitt, S. Landau, M. Leese and D. Stahl (2011) Cluster Analysis, 5th Edition, Wiley.