Undergraduate Elective 1067

• Ελληνικά
• English

Παλινδρόμηση και Ανάλυση Διακύμανσης

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Προπτυχιακό
Κωδικός Μαθήματος	MAE733
Εξάμηνο	7
Τίτλος Μαθήματος	Παλινδρόμηση και Ανάλυση Διακύμανσης
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 είναι η παρουσίαση, η μελέτη και οι εφαρμογές μοντέλων απλής και πολλαπλής γραμμικής παλινδρόμησης και ανάλυσης διακύμανσης κατά ένα και περισσότερους παράγοντες. Το γενικό γραμμικό μοντέλο παρουσιάζεται για να ενοποιήσει τα ανωτέρω μοντέλα παλινδρόμησης και ανάλυσης διακύμανσης. Το μάθημα αυτό έχει ως στόχο την κατανόηση της θεωρίας των γραμμικών μοντέλων και τις εφαρμογές τους στη μοντελοποίηση στατιστικών δεδομένων. Επικεντρώνεται σε μοντέλα παλινδρόμησης και μοντέλα ανάλυσης διακύμανσης και τα μοντέλα αυτά ενοποιούνται στο πλαίσιο του γενικού γραμμικού μοντέλου. Παρουσιάζεται η σχετική θεωρία και εφαρμόζεται σε σύνολα δεδομένων για τη δημιουργία του κατάλληλου γραμμικού μοντέλου, το έλεγχο της καταλληλότητάς του, τον έλεγχο ικανοποίησης των συνθηκών υπό τις οποίες ορίζεται. Με την ολοκλήρωση του μαθήματος οι φοιτητές θα έχουν κατανοήσει τα προαναφερθέντα θέματα της θεωρίας γραμμικών μοντέλων και θα μπορούν να τα εφαρμόζουν για την ανάλυση στατιστικών δεδομένων.

Γενικές Ικανότητες

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

Περιεχόμενο Μαθήματος

Θεωρία γραμμικών μοντέλων. Απλή γραμμική παλινδρόμηση. Πολλαπλή γραμμική παλινδρόμηση. Ανάλυση διακύμανσης κατά ένα και περισσότερους παράγοντες. Εφαρμογές.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Διδασκαλίας	Στην τάξη (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 Τ.Π.Ε. στην επικοινωνία με τους φοιτητές.
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.

Regression and Analysis of Variance

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Undergraduate
Course Code	MAE733
Semester	7
Course Title	Regression and Analysis of Variance
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

The aim of the course is the presentation, study and application of linear models and more precisely the simple and multiple linear regression models and analysis of variance of one or more factors, as well. The general linear model is presented to unify the above mentioned regression and analysis of variance models. This course is focused on the theory of linear models and their applications in modelling statistical data. At the end of the course, students understand the aforementioned issues of the theory of linear models and it is, moreover, expected that they will be able to apply the theory of linear models for the analysis of real statistical data.

General Competences

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

Syllabus

Theory of linear models. Simple linear regression. Multiple linear regression. One-and multi-way analysis of variance. Multiple comparisons. 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-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.