Postgraduate Section 3 1016
Γενικά
| Σχολή | Σχολή Θετικών Επιστημών |
|---|---|
| Τμήμα | Τμήμα Μαθηματικών |
| Επίπεδο Σπουδών | Μεταπτυχιακό |
| Κωδικός Μαθήματος | ΣEE14 |
| Εξάμηνο | 2 |
| Τίτλος Μαθήματος | ΜΗ ΠΑΡΑΜΕΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ |
| Αυτοτελείς Διδακτικές Δραστηριότητες | Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5) |
| Τύπος Μαθήματος | Μάθημα Ειδίκευσης |
| Προαπαιτούμενα Μαθήματα | |
| Γλώσσα Διδασκαλίας και Εξετάσεων | Ελληνική |
| 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 επιτυχή παρακολούθηση του μαθήματος ο φοιτητής θα είναι σε θέση να
|
|---|---|
| Γενικές Ικανότητες |
|
Περιεχόμενο Μαθήματος
Παρουσίαση και εισαγωγή στις μη παραμετρικές μεθόδους. Μη παραμετρική εκτίμηση της σ.π.π. με ιστόγραμμα και με την μέθοδο των πυρήνων (kernel density estimation). Ασυμπτωτικές ιδιότητες του ιστογράμματος και της εκτιμήτριας πυρήνα. Μη παραμετρική εκτίμηση της α.σ.κ με την εμπειρική α.σ.κ. και με τη μέθοδο των πυρήνων και ιδιότητες αυτών. Μέθοδοι και τεχνικές επιλογής εύρους ζώνης (bandwidth) για εκτιμήτριες πυρήνα. Βελτίωση εκτιμητών που προκύπτουν με τη μέθοδο των πυρήνων: βελτίωση μεροληψίας στα άκρα του διαστήματος εκτίμησης (boundary bias), βελτίωση του μέσου τετραγωνικού σφάλματος του εκτιμητή με χρήση μεταβλητού εύρους ζώνης ή μετασχηματισμών. Μη παραμετρική παλινδρόμηση με τη μέθοδο Nadaraya-Watson και με τη μέθοδο της τοπικής πολυωνυμικής προσαρμογής. Εκτίμηση πολυδιάστατων σ.π.π. και συναρτήσεων παλινδρόμησης, ειδικά θέματα.
Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση
| Τρόπος Παράδοσης | Πρόσωπο με πρόσωπο στο εργαστήριο του Τμήματος | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών |
| ||||||||||
| Οργάνωση Διδασκαλίας |
| ||||||||||
| Αξιολόγηση Φοιτητών |
Γραπτή τελική εξέταση στα Ελληνικά (σε περίπτωση φοιτητών Erasmus στην Αγγλική γλώσσα) η οποία περιλαμβάνει την ανάλυση τόσο πραγματικών όσο και εκπαιδευτικών συνόλων δεδομένων. Κατά τη διάρκεια του εξαμήνου δίνονται υποχρεωτικές, συνήθως ατομικές, εργασίες, οι οποίες συνυπολογίζονται στον τελικό βαθμό. |
Συνιστώμενη Βιβλιογραφία
Δείτε την υπηρεσία Εύδοξος. Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος:
General
| School | School of Science |
|---|---|
| Academic Unit | Department of Mathematics |
| Level of Studies | Graduate |
| Course Code | ΣΕΕ14 |
| Semester | 2 |
| Course Title |
Non Parametric Statistics |
| Independent Teaching Activities | Lectures-Laboratory (Weekly Teaching Hours: 3, Credits: 7.5) |
| Course Type |
Specialized general knowledge |
| Prerequisite Courses | - |
| Language of Instruction and Examinations | Greek |
| 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 |
This course aims at introducing nonparametric techniques in statistical analysis and the use of these techniques in a variety of disciplines. The course will focus on the so-called smoothing procedures for curve estimation. Students taking this course will develop an appreciation of nonparametric statistics and will be able to:
|
|---|---|
| General Competences |
|
Syllabus
Presentation and Introduction to nonparametric methods. Nonparametric estimation of the probability density function (p.d.f.) by histogram and by kernel density estimation. Asymptotic properties of the derived estimates. Non parametric estimation of the cumulative distribution function (e.c.d.f.) with the empirical c.d.f., kernel smoothing and properties of the derived estimatres. Methods and techniques for bandwidth selection. Improvements of kernel estimates: elimination of boundary bias, variable bandwidth kernel estimates and transformation-based estimates. Nonparametric regression: the Nadaraya-Watson estimate and the local polynomial estimate. Multivariate kernel estimation and special topics.
Teaching and Learning Methods - Evaluation
| Delivery | Classroom (face-to-face) | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Use of Information and Communications Technology |
| ||||||||||
| Teaching Methods |
| ||||||||||
| 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:
- ---