Postgraduate Section 3 1016
Μη Παραμετρική Στατιστική
Γενικά
| Σχολή | Σχολή Θετικών Επιστημών |
|---|---|
| Τμήμα | Τμήμα Μαθηματικών |
| Επίπεδο Σπουδών | Μεταπτυχιακό |
| Κωδικός Μαθήματος | ΣEE14 |
| Εξάμηνο | 2 |
| Τίτλος Μαθήματος | Μη Παραμετρική Στατιστική |
| Αυτοτελείς Διδακτικές Δραστηριότητες | Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5) |
| Τύπος Μαθήματος | Μάθημα 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 |
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 Διδασκαλίας | Πρόσωπο με πρόσωπο στο εργαστήριο του Τμήματος. | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Τρόπος και Συχνότητα Επικοινωνίας με Φοιτητές | Η επικοινωνία με τους φοιτητές γίνεται:
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 |
| ||||||||||
| 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.
Non Parametric Statistics
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 |
| 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 |
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
| Mode of Instruction | Classroom (face-to-face). | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Mode and Frequency of Communication with Students | Communication with students takes place through:
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 |
| ||||||||||
| Student Performance Evaluation | Final written exam in Greek (in case of Erasmus students in English). |
Attached Bibliography
See the official Eudoxus site.