Περιγραφική Στατιστική

Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών, Πανεπιστήμιο Κρήτης.

Η διδασκαλία του μαθήματος γίνεται εξ αποστάσεως με βιντεοδιαλέξεις. Οι διαλέξεις γίνονται διαθέσιμες στο youtube.

  • Διδάσκων : Κώστας Σμαραγδάκης (kesmarag@uoc.gr)
  • Γραφείο : Δ326, Τηλ: 2810393716

Ανώνυμα Σχόλια και Παρατηρήσεις

Φόρμα υποβολής

Μπορείτε να γράψετε τι σας αρέσει και κυρίως τι δεν σας αρέσει στο μάθημα. Παρακαλώ όχι μαθηματικές απορίες εδώ. Όποτε βρίσκω χρόνο θα τα απαντάω στο forum.

Προαπαιτούμενες γνώσεις

Αν και δεν υπάρχουν προαπαιτούμενα για το μάθημα πιθανόν να σας φανεί δύσκολο εάν δεν έχετε βασικές γνώσεις από τα παρακάτω μαθήματα:

  • Απειροστικός Λογισμός Ι
  • Γλώσσα Προγραμματισμού Ι

Εγγραφή στην ομάδα του μαθήματος στο Teams

Όσοι/Όσες ενδιαφέρονται να παρακολουθήσουν το μάθημα παρακαλούνται να εγγράφουν στην ομάδα του μαθήματος στο Microsoft Teams.

Ο κωδικός της ομάδας (team code) είναι : lwrymxd

Για βοήθεια πατήστε εδώ.

Προσοχή: Εάν δεν μπορείτε να συνδεθείτε στο teams βεβαιωθείτε ότι έχετε κάνει εγγραφή στο ΔΗΛΟΣ-365. Διαβάστε οδηγίες εγγραφής στο ΔΗΛΟΣ-365 εδώ.

Από αυτή την ομάδα θα γίνεται ζωντανή συνάντηση για απόριες μια φορά την εβδομάδα.

Εγγραφή στο Polygon

Όσοι/Όσες ενδιαφέρονται να παρακολουθήσουν το μάθημα παρακαλούνται να εγγράφουν επίσης στην ομάδα του μαθήματος στο Polygon. Σε αυτή την ομάδα θα λειτουργήσει Forum και θα γίνεται η υποβολή ασκήσεων.

Περιγραφή μαθήματος

Το μάθημα περιλαμβάνει μεθόδους για τη συλλογή, την οργάνωση, την παρουσίαση και περιγραφή δεδομένων χρησιμοποιώντας πίνακες, διαγράμματα και περιγραφικά χαρακτηριστικά μέτρα.

Μαθησιακά αποτελέσματα

Σκοπός του μαθήματος είναι η παρουσίαση των βασικών μεθόδων της περιγραφικής στατιστικής. Μετά την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές/φοιτήτριες θα είναι σε θέση να γνωρίζουν βασικές έννοιες της επιστήμης της στατιστικής, να παρουσιάζουν συνοπτικά και ποιοτικά δεδομένα, να εκτιμούν άγνωστες παραμέτρους πληθυσμών, να προσαρμόζουν απλά γραμμικά μοντέλα και να αναλύουν χρονολογικές σειρές μέσω κατάλληλων μοντέλων. Επιπλέον θα είναι εξοικειωμένοι με την εφαρμογή των παραπάνω σε πραγματικά προβλήματα με χρήση υπολογιστικών μεθόδων και χρησιμοποιώντας κατάλληλες βιβλιοθήκες (ενδεικτικά numpy, pandas, matplotlib, seaborn, sklearn).

Μέθοδος διδασκαλίας και εποπτικά μέσα

θα παρουσιάζονται διαφάνειες οι οποίες θα εμπλουτίζονται με χρήση γραφίδας. Οι εμπλουτισμένες διαφάνειες θα αναρτώνται αμέσως μετά τις διαδικτυακές διαλέξεις στην ιστοσελίδα του μαθήματος. Επιπλέον στα διαδικτιακά εργαστήρια του μαθήματος θα γίνεται επίδειξη χρήσης στατιστικών μοντέλων υλοποιημένων στη γλώσσα προγραμματισμού Python για την επίλυση επιλεγμένων προβλημάτων.

Τρόπος αξιολόγηση

  • 3 φυλλάδια ασκήσεων που θα περιλαμβάνουν θεωρητικές και υπολογιστικές (χρήση Python) ασκήσεις [30 %]. Δίνεται η δυνατότητα σχηματισμού ομάδων συνεργασίας εώς και τεσσάρων ατόμων.
  • ΠΡΟΣΟΧΗ : Δεν θα είναι δυνατή η εξαίρεση από τις ασκήσεις για οποιοδήποτε λόγο.
  • Τελική εξέταση [70 %]. Για την επιτυχή ολοκλήρωση του μαθήματος απαιτείται ο βαθμός της τελικής εξέτασης να είναι τουλάχιστον 4.
  • Το παραπάνω σχήμα θα ισχύσει μόνο στη περίπτωση που οι συμμετέχοντες είναι λιγότεροι από 100. Σε διαφορετική περίπτωση τα φυλλάδια δεν θα βαθμολογηθούν και ο βαθμός θα είναι 100% του τελικού διαγωνίσματος.

Βιβλιογραφία

  • P. Mann. Introductory Statistics, Wiley, 2010.
  • Τ. Παπαιωάννου και Σ. Λουκάς. Εισαγωγή στη Στατιστική. Εκδόσεις Σταμούλη, 2002.
  • Κ. Τραχανάς, Α. Τσεβάς. Περιγραφική Στατιστική, θεωρία, παραδείγματα, ασκήσεις. Εκδόσεις Σταμούλη, 1998.3.
  • Β. Μπένος. Στατιστική α ̓ τόμος - Περιγραφική Στατιστική, Εκδόσεις Σταμούλη, 1997