برنامه درسی
لیست برنامه های درسی
| پیش نیاز درس | آمار ریاضی ۲ و رگرسیون ۱ |
|---|---|
| منابع | Agresti, A. An Introduction to Categorical Data Analysis, 2nd edn. Wiley, New York (2007) |
| هدف از طرح درس | روش‌های تحلیل داده‌های رسته‌ای، استنباط پارامتری و ناپارامتری برای جدولهای توافقی و مدل بندی داده‌های رسته‌ای از جمله مهمترین اهداف این درس است. با گذراندن این درس، انتظار می‌رود دانشجویان بتوانند روش‌های مختلف تحلیل داده‌های رسته‌ای را به کار ببرند؛ از روش‌های پارامتری و ناپارامتری برای تحلیل داده‌های رسته‌ای استفاده کنند؛ مدل‌های مناسب برای داده‌های رسته‌ای را انتخاب و اجرا کنند؛ نتایج حاصل از تحلیل داده‌های رسته‌ای را تفسیر کنند. |
| تعداد واحد | ۴ |
|---|---|
| نحوه ارزیابی | ارزشیابی مستمر: حداکثر ۲۰ درصد |
| زمان بندی و نحوه ارائه درس |
هفته دوم:
هفته پنجم: هفته ششم : هفته هفتم: هفته هشتم: هفته نهم: هفته دهم: هفته یازدهم: هفته دوازدهم: هفته سیزدهم: هفته چهاردهم: هفته پانزدهم هفته شانزدهم: |
اطلاعات کلاس
| زمان برگزاری | مکان برگزاری | توضیحات | فایل پیوست اول | فایل پیوست دوم | فایل پیوست سوم |
|---|---|---|---|---|---|
| دانشکده ریاضی، آمار و علوم کامپیوتر | - | - | - |
| پیش نیاز درس | احتمال ۲ و روش‌های آماری |
|---|---|
| منابع | پارسیان، احمد، مبانی آمار ریاضی، ویرایش سوم، مرکز نشر دانشگاه صنعتی اصفهان، 1389. |
| هدف از طرح درس | مهمترین هدف این درس آشنایی با روش‌های برآوردیابی برای پارامتر مجهول یک توزیع است. این درس برای دانشجویان رشته‌های آمار و احتمالات بسیار مهم است زیرا این مبحث برای انجام تحقیقات آماری و تحلیل داده‌ها یک موضوع اساسی است. افرادی که این درس را می‌آموزند، قادر خواهند بود تا با استفاده از روش‌های مختلف برآورد، به بهینه‌ترین تخمین برای پارامتر مجهول یک توزیع برسند. این نوع تخمین‌ها به تصمیم‌گیری‌های صحیح و دقیق کمک زیادی می‌کند. از این رو اهمیت آشنایی با این روش‌ها و انجام تمرین‌های مرتبط دارای اهمیت ویژه‌ای است. |
| تعداد واحد | ۳ |
|---|---|
| نحوه ارزیابی | ارزشیابی مستمر: حداکثر ۲۰ درصد امتحان میان‌ترم: حداکثر ۳۰ درصد امتحان پایان‌ترم: حداقل ۵۰ درصد پروژه: درصورت نیاز حداکثر ۲۰ درصد |
| زمان بندی و نحوه ارائه درس | هفته اول: هفته دوم: هفته سوم: هفته چهارم: هفته پنجم: هفته ششم : هفته هفتم: هفته هشتم: هفته نهم: هفته دهم: هفته یازدهم: هفته دوازدهم: هفته سیزدهم: هفته چهاردهم: هفته پانزدهم هفته شانزدهم: |
اطلاعات کلاس
| زمان برگزاری | مکان برگزاری | توضیحات | فایل پیوست اول | فایل پیوست دوم | فایل پیوست سوم |
|---|---|---|---|---|---|
| دانشکده ریاضی، آمار و علوم کامپیوتر | - | - | - |
| پیش نیاز درس | استنباط آماری 1 |
|---|---|
| منابع | Casella, G. and Berger, R. L. (2002), Statistical Inference, Duxbury Press, California. \item Lehman E. L. and Romano, J. P. (2008), Testing Statistical Hypothesis, Springer, USA
نعمت‌الهی، نادر، استنباط آماری پیشرفته ۲، دانشگاه علامه طباطبایی
|
| هدف از طرح درس | هدف کلی درس تکمیل مطالب استنباط آماری یک در زمینه آزمون فرض‌ها و فواصل اطمینان بهینه است. در این درس دانشجو با مفاهیم فواصل اطمینان، آزمون های فرض آماری، پرتوانترین آزمونهای یکنواخت، آزمون های فرض آماری به وسیله نظریه تصمیم، آزمون های دو طرفه، پرتوان ترین آزمون های یکنواخت نا اریب، رابطه آزمون فرض و فاصله اطمینان |
| تعداد واحد | ۴ |
|---|---|
| نحوه ارزیابی | ارزشیابی مستمر: حداکثر ۲۰ درصد امتحان میان‌ترم: حداکثر ۳۰ درصد امتحان پایان‌ترم: حداقل ۵۰ درصد پروژه: درصورت نیاز حداکثر ۲۰ درصد |
| زمان بندی و نحوه ارائه درس |
هفته دوم: هفته سوم:
هفته پنجم: هفته ششم : هفته هفتم: هفته هشتم: هفته نهم: هفته دهم: هفته یازدهم: هفته دوازدهم: هفته سیزدهم: هفته چهاردهم: هفته پانزدهم هفته شانزدهم: |
اطلاعات کلاس
| زمان برگزاری | مکان برگزاری | توضیحات | فایل پیوست اول | فایل پیوست دوم | فایل پیوست سوم |
|---|---|---|---|---|---|
| دانشکده ریاضی، آمار و علوم کامپیوتر | - | - | - |
| پیش نیاز درس | استنباط آماری ۱ |
|---|---|
| منابع | Rizzo, M. L. (2019). Statistical computing with R. Chapman and Hall/CRC. Robert, C. P., Casella, G., & Casella, G. (1999). Monte Carlo statistical methods (Vol. 2). New York: Springer.
|
| طرح درس | به فایل پیوست مراجعه گردد |
| تعداد واحد | ۴ |
|---|---|
| نحوه ارزیابی | ارزشیابی مستمر: حداکثر ۲۰ درصد |
| زمان بندی و نحوه ارائه درس |
هفته دوم: روش‌های شبیه‌سازی از متغیرهای پیوسته هفته سوم: روش‌های شبیه‌سازی از متغیرهای گسسته هفته چهارم : روش‌های بازنمونه‌گیری بوت‌استرپ هفته پنجم: روش‌های بازنمونه‌گیری جک‌نایف هفته ششم: روش‌های بازنمونه‌گیری در محاسبه خطاها هفته هفتم: روش‌های بازنمونه‌گیری در محاسبه بازه‌های اطمینان هفته هشتم: روش‌های مونت کارلو در محاسبه انتگرال‌ها هفته نهم: روش‌های روش‌های مونت کارلو و کاهش واریانس هفته دهم: روش‌های روش‌های مونت کارلو در استنباط آماری هفته یازدهم: روش‌های زنجیره مارکوف مونت‌کارلو (MCMC) هفته دوازدهم : روش‌های زنجیره مارکوف مونت‌کارلو (MCMC) هفته سیزدهم: الگوریتم متروپلیس-هیستینگز هفته چهاردهم: آزمونهای چایگشتی هفته پانزدهم: الگوریتم EM هفته شانزدهم:الگوریتم‌های بهینه سازی |
اطلاعات کلاس
| زمان برگزاری | مکان برگزاری | توضیحات | فایل پیوست اول | فایل پیوست دوم | فایل پیوست سوم |
|---|---|---|---|---|---|
| دانشکده ریاضی، آمار و علوم کامپیوتر | - | - | - |