ISB008 Monte Carlo Statistical Methods

6 ECTS - 3-0 Duration (T+A)- . Semester- 3 National Credit

Information

Code ISB008
Name Monte Carlo Statistical Methods
Term 2024-2025 Academic Year
Term Spring
Duration (T+A) 3-0 (T-A) (17 Week)
ECTS 6 ECTS
National Credit 3 National Credit
Teaching Language Türkçe
Level Doktora Dersi
Type Normal
Mode of study Yüz Yüze Öğretim
Catalog Information Coordinator
Course Instructor
1


Course Goal / Objective

The aim of this course is to give students how to do the statistical computing based on the approximating tools of Monte Carlo.

Course Content

Random number generation Monte Carlo İntegral, Bootstrap, Monte Carlo optimization, EM algorithm, Metropolis-Hastings algorithm, Gibbs sampler, Density estimation, Nonparametric regression

Course Precondition

None

Resources

Introducing Monte Carlo Methods with R, Christian Robert, George Casella, Springer, 2010.

Notes

Statistical Computing with R, Maria L. Rizzo, First Edition (Chapman and Hall/CRC The R Series), 2007.


Course Learning Outcomes

Order Course Learning Outcomes
LO01 Generates random numbers from a given distribution.
LO02 Computes integrals approximately by using Monte Carlo methods.
LO03 Controls and accelerates the convergence of the algorithms.
LO04 Uses Monte Carlo methods in optimization.
LO05 Uses Monte Carlo methods in Bayesian statistical analysis.


Relation with Program Learning Outcome

Order Type Program Learning Outcomes Level
PLO01 Bilgi - Kuramsal, Olgusal Develops new methods and strategies in modeling statistical problems and generating problem-specific solutions. 5
PLO02 Bilgi - Kuramsal, Olgusal Can do detailed research on a specific subject in the field of statistics. 3
PLO03 Bilgi - Kuramsal, Olgusal Have a good command of statistical theory to contribute to the statistical literature. 4
PLO04 Bilgi - Kuramsal, Olgusal Can use the knowledge gained in the field of statistics in interdisciplinary studies. 4
PLO05 Yetkinlikler - Öğrenme Yetkinliği Can organize projects and events in the field of statistics.
PLO06 Yetkinlikler - Öğrenme Yetkinliği Can perform the stages of creating a project, executing it and reporting the results. 3
PLO07 Beceriler - Bilişsel, Uygulamalı Have the ability of scientific analysis. 2
PLO08 Bilgi - Kuramsal, Olgusal Can produce scientific publications in the field of statistics. 2
PLO09 Bilgi - Kuramsal, Olgusal Have analytical thinking skills.
PLO10 Yetkinlikler - Öğrenme Yetkinliği Can follow professional innovations and developments both at national and international level.
PLO11 Yetkinlikler - Öğrenme Yetkinliği Can follow statistical literature.
PLO12 Beceriler - Bilişsel, Uygulamalı Can improve his/her foreign language knowledge at the level of making publications and presentations in a foreign language.
PLO13 Bilgi - Kuramsal, Olgusal Can use information technologies at an advanced level.
PLO14 Bilgi - Kuramsal, Olgusal Have the ability to work individually and make independent decisions.
PLO15 Yetkinlikler - Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği Have the qualities necessary for teamwork.
PLO16 Bilgi - Kuramsal, Olgusal Have a sense of professional and ethical responsibility. 4
PLO17 Bilgi - Kuramsal, Olgusal Acts in accordance with scientific ethical rules. 5


Week Plan

Week Topic Preparation Methods
1 Introduction to R program Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
2 Random number generation Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
3 Controlling the acceleration of the algorithms Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
4 Controlling the acceleration of the algorithms II Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
5 Monte Carlo integration Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
6 Maximum likelihood method Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
7 Maximizing the likelihood and Monte Carlo approach for other optimization problems Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
8 Mid-term exam Reviewing the topics Ölçme Yöntemleri:
Ödev
9 EM algorithm for mixture models Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
10 Gibbs sampler Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
11 Bayesian estimators Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
12 Metropolis Hastings algorithm Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
13 Density estimation Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
14 Nonparametric regression Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
15 Nonparametric regression II Source reading Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
16 Final exam Reviewing the topics Ölçme Yöntemleri:
Ödev
17 Final exam Reviewing the topics Ölçme Yöntemleri:
Ödev


Student Workload - ECTS

Works Number Time (Hour) Workload (Hour)
Course Related Works
Class Time (Exam weeks are excluded) 14 3 42
Out of Class Study (Preliminary Work, Practice) 14 5 70
Assesment Related Works
Homeworks, Projects, Others 0 0 0
Mid-term Exams (Written, Oral, etc.) 1 15 15
Final Exam 1 30 30
Total Workload (Hour) 157
Total Workload / 25 (h) 6,28
ECTS 6 ECTS

Update Time: 09.05.2024 02:16