Undergraduate Elective 1030
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 |
| 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 |
|
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 Παράδοσης | Στην Τάξη | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών |
| ||||||||||
| Οργάνωση Διδασκαλίας |
| ||||||||||
| 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:
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 |
| 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 |
|
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
| Delivery | Classroom (face-to-face) | ||
|---|---|---|---|
| Use of Information and Communications Technology | - | ||
| 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.