Περιεχόμενο μαθήματος

Το περιεχόμενο του μαθήματος εστιάζεται στους εξής άξονες:

• Κατανόηση της σημασίας της στατιστικής ανάλυσης στην διαδικασία λήψης αποφάσεων.
• Κατανόηση του είδους, των ομοιοτήτων και διαφορών, των στατιστικών δεδομένων, την υποδειγματική μορφή προέλευσής τους και την ανάγκη διαφορετικής μορφής ανάλυσης για κάθε διαφορετικό είδος δεδομένων.
• Αναγνώριση και κατανόηση της διαφοράς μεταξύ περιγραφικής και επαγωγικής ανάλυσης.
• Κατανοητή απεικόνιση δεδομένων σε πίνακες και διαγράμματα.
• Αναγνώριση και κατανόηση των βασικών μέτρων περιγραφικής στατιστικής.
• Εισαγωγή στην αβεβαιότητα και την θεωρία πιθανοτήτων για την μετατροπή των περιγραφικών μέτρων στατιστικής σε επαγωγικά.
• Εισαγωγή στις βασικές κατανομές πιθανότητας.
• Στοιχεία κατανομών δειγματοληψίας, κατασκευή διαστημάτων εμπιστοσύνης και το κεντρικό οριακό θεώρημα.
• Εισαγωγή στην θεωρία ελέγχου υποθέσεων, κατασκευή μηδενικών υποθέσεων, χρήση του επιπέδου σημαντικότητας.
• Στατιστική και θεωρία υποδειγματοποίησης, εισαγωγή και παραδείγματα.

Όλα τα ανωτέρω θέματα θα παρουσιάζονται μαζί με τις αντίστοιχες πρακτικές εφαρμογές τους.

Λογισμικό ανοικτού κώδικα για χρήση στις διαλέξεις

Θα χρησιμοποιήσουμε διαφορετικά είδη λογισμικού, όλα ανοικτού κώδικα, ανάλογα με τις ανάγκες του μαθήματος και την πρόοδο και αυτενέργεια που θα δείξετε. Σας προτείνω να δείτε τα εξής προγράμματα και θα τα συζητήσουμε στην τάξη.

-- Jamovi, κατεβάστε το εδώ https://www.jamovi.org/

-- Jasp, κατεβάστε το εδώ https://jasp-stats.org/

Τα δύο ανωτέρω προγράμματα έχουν δημιουργηθεί με βάση την γλώσσα στατιστικού προγραμματισμού R, κατεβάστε την εδώ https://ftp.cc.uoc.gr/mirrors/CRAN/.

-- Gretl, κατεβάστε το εδώ http://gretl.sourceforge.net/

-- Γλώσσα προγραμματισμού Python, κατεβάστε την εδώ http://www.python.org/

Περισσότερες λεπτομέρειες θα πούμε στην τάξη.

Μαθησιακοί στόχοι

Οι γνωσιακοί μας στόχοι είναι οι εξής:

• Κατανόηση της σημασίας της αβεβαιότητας στην ανάλυση δεδομένων και την λήψη αποφάσεων.
• Κατανόηση της σημασίας της διαδικασίας της επαγωγής για την εξαγωγή συμπερασμάτων υπό το πρίσμα της αβεβαιότητας.
• Κατανόηση της διαφοράς μεταξύ επαγωγής και παραγωγικής ή απαγωγικής απόδειξης και των επιπτώσεων που η διαφορά αυτή έχει τόσο στον τρόπο σκέψης μας όσο και στην διαδικασία λήψης αποφάσεων.
• Κατανόηση του περιορισμένου της μεθοδολογίας που καλύπτεται στο μάθημα αυτό και των περιορισμών της στην ανάλυση πραγματικών προβλημάτων.

Προτεινόμενo σύγγραμμα

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ με χρήση των IBM SPSS Statistics, R, Python

ISBN: 978-960-418-877-2

ΚΩΔΙΚΟΣ ΕΥΔΟΞΟΥ: 94689188

ΕΚΔΟΣΗ: 1η Έκδοση

ΕΤΟΣ ΕΚΔΟΣΗΣ: 2021

ΣΕΛΙΔΕΣ: 672

Μέθοδοι διδασκαλίας

Η διδακτέα ύλη καλύπτεται στις αντίστοιχες διαλέξεις που παρουσιάζονται στο διαδικτυακό ημερολόγιο. Οι διαλέξεις περιλαμβάνουν παρουσιάσεις θεωρίας και παραδείγματα καθώς και εφαρμογές με την χρήση λογισμικού στατιστικής ανάλυσης.

Μέθοδοι αξιολόγησης

Παρακαλώ θερμά για την προσοχή σας στο εξής: σύμφωνα με τον οδηγό σπουδών του τμήματος η εξέταση προόδου είναι υποχρεωτική και μέρος της τελικής σας βαθμολογίας.

Πέραν της (α) προόδου, η αξιολόγησή σας θα βασιστεί (β) στην εκπόνηση μίας εμπειρικής στατιστικής ανάλυσης με την μορφή ολιγοσέλιδης εργασίας και (γ) στην τελική σας εξέταση.

Η στάθμιση των (α), (β) και (γ) ανωτέρω θα είναι 30%, 20% και 50% αντίστοιχα.

Λογότυπο μαθήματος

Το λογότυπο της σελίδας του μαθήματος είναι με δωρεάν άδεια χρήσης από τον ιστοχώρο https://www.vecteezy.com/ και είναι ελεύθερο πνευματικών δικαιωμάτων.