Postgraduate Section 3 1020

Από Περιγράμματα - Τμήμα Μαθηματικών
Αναθεώρηση ως προς 18:20, 9 Μαρτίου 2026 από τον G.R.Chrysostomidis (συζήτηση | συνεισφορές) (Νέα σελίδα με '{{DISPLAYTITLE:<span style="position: absolute; clip: rect(1px 1px 1px 1px); clip: rect(1px, 1px, 1px, 1px);">{{FULLPAGENAME}}</span>}} <ul class="nav nav-pills mb-2 justify-content-end" id="pills-tab-lang" role="tablist"> <li class="nav-item"><btn id="pills-gr-tab" data-toggle="pill" class="nav-link active" role="tab" aria-controls="pills-gr" aria-selected="true">#pills-gr|Ελληνικά</btn></li> <li class="nav-item"><btn id="pills-en-tab" data-toggle="pill"...')
(διαφορά) ← Παλαιότερη αναθεώρηση | Τελευταία αναθεώρηση (διαφορά) | Νεότερη αναθεώρηση → (διαφορά)
Μετάβαση σε: πλοήγηση, αναζήτηση



Γενικά

Σχολή Σχολή Θετικών Επιστημών
Τμήμα Τμήμα Μαθηματικών
Επίπεδο Σπουδών Μεταπτυχιακό
Κωδικός Μαθήματος ΣEE11
Εξάμηνο 2
Τίτλος Μαθήματος ΧΡΟΝΟΣΕΙΡΕΣ
Αυτοτελείς Διδακτικές Δραστηριότητες Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5)
Τύπος Μαθήματος Ειδικότητας
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 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 Παράδοσης Πρόσωπο με πρόσωπο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
  • Χρήση στατιστικών πακέτων
  • Χρήση Τ.Π.Ε. στην Επικοινωνία
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. Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος:


General

School School of Science
Academic Unit Department of Mathematics
Level of Studies Graduate
Course Code ΣΣΕ11
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
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. Books and other resources, not provided by Eudoxus:

  • ---