Undergraduate Elective 1092

• Ελληνικά
• English

Υπολογιστική Στατιστική

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Προπτυχιακό
Κωδικός Μαθήματος	MAE836
Εξάμηνο	8
Τίτλος Μαθήματος	Υπολογιστική Στατιστική
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	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 προγράματα 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 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:

Computational Statistics

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Undergraduate
Course Code	ΜΑΕ836
Semester	8
Course Title	Computational Statistics
Independent Teaching Activities	Lectures-Laboratory (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 completing this course should be able to: Apply the most common methods of computational statistics generate random numbers from discrete and continuous distributions use R and other statistical software to perform statistical analysis use different methods to solve an optimization problem.
General Competences	Working independently Decision-making Production of free, creative and inductive thinking Criticism and self-criticism.

Syllabus

Using R the following topics will be discussed: Generation of random numbers from discrete and continuous distributions. Monte Carlo integration. Using simulation techniques to visualize classical results of statistical inference via simulated data (asymptotic normality of mean, power of a test etc). Density Estimation and Applications (Kernel density estimation). Methods of Resampling ς (Jackknife και Bootstrap). Numerical maximization techniques (Newton-Raphson, Fisher scoring, expectation-maximization [EM]).

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	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:

• 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