Παραμετρική Στατιστική

Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών, Πανεπιστήμιο Κρήτης.

Η διδασκαλία του μαθήματος θα γίνεται εξ αποστάσεως με χρήση του Microsoft Teams. Οι live διαλέξεις θα γίνονται διαθέσιμες στο youtube.

Έναρξη διαλέξεων την Παρασκευή 02-10-2020

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

Προαπαιτούμενες γνώσεις

Το μάθημα προορίζεται για φοιτητές/τριες που έχουν συμπληρώσει τουλάχιστον το 2ο έτος σπουδών. 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
  • Απειροστικός Λογισμός ΙΙ
  • Προγραμματισμός 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 : ehv2f6g

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.

Εάν εξακολουθείτε να αντιμετωπίζετε πρόβλημα με την διαδικασία εγγραφής μπορείτε να μου στείλετε μήνυμα από το ιδρυματικό σας e-mail και θα προσπαθήσω να σας βοηθήσω.

Το meeting θα το ξεκινώ 30 λεπτά πριν τη διάλεξη ή εργαστήριο και θα μπορείτε να κάνετε join. Δείτε τη παρακάτω εικόνα.

Πρόγραμμα διδασκαλίας

ΗμέραΏρα
Τρίτη13:00-15:00Διάλεξη
Πέμπτη13:00-15:00Εργαστήριο-Ασκήσεις
Παρασκευή13:00-15:00Διάλεξη

Ωρές γραφείου θα ανακοινωθούν τις επόμενες ημέρες.

Περιγραφή μαθήματος

Το μάθημα περιλαμβάνει στοιχεία της θεωρίας πιθανοτήτων, της θεωρίας αποφάσεων ένω έχει σαν κύριο αντικείμενο την παρουσίαση των μεθόδων της παραμετρικής στατιστικής συμπερασματολογίας υπό το πρίσμα των τριών βασικών προσεγγίσεων (Bayesian, Fisherian, frequentist).

Μαθησιακά αποτελέσματα

Σκοπός του μαθήματος είναι η παρουσίαση των βασικών μεθόδων της παραμετρικής στατιστικής συμπερασματολογίας. Μετά την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές/φοιτήτριες θα γνωρίζουν τις μεθόδους επίλυσης προβλημάτων αξιοποιώντας παραμετρικά στατιστικά μοντέλα και θα είναι εξοικειωμένοι με τη χρήση υπολογιστικών μεθόδων υλοποίησης τους χρησιμοποιώντας κατάλληλες βιβλιοθήκες της Python.

Μέθοδος διδασκαλίας και εποπτικά μέσα

Η διδασκαλία του μαθήματος θα πραγματοποιείται αξιοποιώντας ηλεκτρονικά μέσα και τη πλατφόρμα Microsoft Teams. Συγκεκριμένα θα παρουσιάζονται διαφάνειες οι οποίες θα εμπλουτίζονται με χρήση γραφίδας. Οι εμπλουτισμένες διαφάνειες θα αναρτώνται αμέσως μετά τις διαδικτιακές διαλέξεις στην ιστοσελίδα του μαθήματος. Επιπλέον στα διαδικτιακά εργαστήρια του μαθήματος θα γίνεται επίδειξη σε πραγματικό χρόνο της χρήσης στατιστικών μοντέλων υλοποιημένων στη γλώσσα προγραμματισμού Python (μέσω της πλατφόρμας jupyter) για την επίλυση επιλεγμένων προβλημάτων από διάφορες επιστήμες. Επιπλέον, στη διάρκεια των εργαστηρίων θα υπάρχει αλληλεπίδραση των φοιτητών/φοιτητριών με το κώδικα που θα παρουσιάζεται από τον διδάσκοντα με χρήση της ίδιας πλατφόρμας. Η προαναφερθείσα πλατφόρμα θα εγκατασταθεί από τον διδάσκοντα και θα είναι προσβάσιμη στους φοιτητές μέσω διαδικτύου για την πρακτική εφαρμογή των μεθόδων που παρουσιάζονται στις διαλέξεις και στα εργαστήρια και την υλοποίηση των προς παράδοση ασκήσεων.

Τρόπος αξιολόγηση

  • 3 φυλλάδια ασκήσεων που θα περιλαμβάνουν θεωρητικές και υπολογιστικές (χρήση Python) ασκήσεις [30 %]. Δίνεται η δυνατότητα σχηματισμού ομάδων συνεργασίας εώς και τριών ατόμων.
  • Στην περίπτωση σχηματισμού ομάδας οι ασκήσεις θα συνοδεύονται από αναφορά της συνεισφοράς των μελών της ομάδας ανά άσκηση. Εφόσον δεν υπάρξει μεγάλη διαφορά συνεισφοράς θα αποδοθεί ο ίδιος βαθμός στα μέλη της ομάδας.
  • Τελική εξέταση [70 %]. Για την επιτυχή ολοκλήρωση του μαθήματος απαιτείται ο βαθμός της τελικής εξέτασης να είναι τουλάχιστον 3.5.
  • Στόχος μου είναι οι φοιτητές/φοιτήτριες που θα προσπαθήσουν το μάθημα να το ολοκληρώσουν επιτυχώς.
  • Το μάθημα ενδέχεται να περιλαμβάνει μόνο εξ αποστάσεως αξιολόγηση.

Βιβλιογραφία

  1. Β. Κλωνιάς, Παραμετρική Στατιστική, διδακτικές σημειώσεις, Πανεπιστήμιο Κρήτης, 2010.
  2. G. Young and R. Smith, Essentials of Statistical Inference, Cambridge University Press, 2010.
  3. H. Liero and S. Zwanzig, Introduction to the Theory of Statistical Inference, CRC Press, 2012.
  4. Γ. Ρούσσας και Γ. Σταματέλος. Στατιστική Συμπερασματολογία, τόμος Ι (2η έκδοση), Εκδόσεις Ζήτη, 1994.
  5. Γ. Ρούσσας και Γ. Σταματέλος. Στατιστική Συμπερασματολογία, τόμος ΙI, Εκδόσεις Ζήτη, 1992.