Module also offered within study programmes:
General information:
Name:
Elementy statystyki dla przyrodników
Course of study:
2015/2016
Code:
BTR-1-511-s
Faculty of:
Geology, Geophysics and Environmental Protection
Study level:
First-cycle studies
Specialty:
-
Field of study:
Tourism and Recreation
Semester:
5
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr inż. Mastej Wojciech (wmastej@agh.edu.pl)
Academic teachers:
dr inż. Mastej Wojciech (wmastej@agh.edu.pl)
Module summary

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence
M_K001 W związku z ciągłym dynamicznym rozwojem metod, technologii informatycznych i narzędzi analiz środowiskowych, student rozumie konieczność ciągłego dokształcania się z zakresu nauk o Ziemi, nauk matematyczno-przyrodniczych. Poprzez realizowane projekty i udział w procesie decyzyjnym nabiera samodzielności i odpowiedzialności. Potrafi określić hierarchię powierzonych zadań i przeprowadzić analizę godnie z kanonami metodycznymi TR1A_K06 Test
Skills
M_U001 Potrafi wyznaczyć parametry funkcji regresji liniowej i nieliniowej TR1A_U15 Report,
Execution of a project
M_U002 Potrafi konstruować przedziały ufności dla wartości oczekiwanej i wyznaczać minimalną liczebność próbki statystycznej TR1A_U15 Report,
Execution of a project
M_U003 Potrafi przeprowadzić analizę danych kierunkowych TR1A_U15 Report,
Execution of a project
M_U004 Potrafi przetestować hipotezy dotyczące rozkładów prawdopodobieństwa, równości średnich i wariancji TR1A_U15 Report,
Execution of a project
M_U005 Umie dokonać statystycznego opisu rozkładu empirycznego cechy i wyznaczać wartości anomalne TR1A_U15 Report,
Execution of a project
M_U006 Potrafi dokonać interpolacji prostymi metodami TR1A_U15 Report,
Execution of a project
M_U007 Umie wykorzystać oprogramowanie: Excel, Statistica i Surfer do obliczeń statystycznych TR1A_U15 Report,
Execution of a project
M_U008 Potrafi testować istotność współczynnika korelacji liniowej i współczynnika determinacji TR1A_U15 Report,
Execution of a project
Knowledge
M_W001 Ma elementarną wiedzę w zakresie rachunku prawdopodobieństwa TR1A_W12 Test
M_W002 Zna podstawowe rozkłady prawdopodobieństwa zmiennej losowej dyskretnej i ciągłej TR1A_W12 Test
M_W003 Zna proste metody interpolacji TR1A_W12 Test
M_W004 Zna wybrane, zaawansowane metody statystyczne: analizę wariancji i metodę łańcuchów Markowa TR1A_W12 Test
M_W005 Zna metody analizy danych kierunkowych TR1A_W12 Test
M_W006 Rozumie ideę estymacji i zna zasady testowania hipotez statystycznych TR1A_W12 Test
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Others
E-learning
Social competence
M_K001 W związku z ciągłym dynamicznym rozwojem metod, technologii informatycznych i narzędzi analiz środowiskowych, student rozumie konieczność ciągłego dokształcania się z zakresu nauk o Ziemi, nauk matematyczno-przyrodniczych. Poprzez realizowane projekty i udział w procesie decyzyjnym nabiera samodzielności i odpowiedzialności. Potrafi określić hierarchię powierzonych zadań i przeprowadzić analizę godnie z kanonami metodycznymi + - - - - - + - - - -
Skills
M_U001 Potrafi wyznaczyć parametry funkcji regresji liniowej i nieliniowej - - - - - - + - - - -
M_U002 Potrafi konstruować przedziały ufności dla wartości oczekiwanej i wyznaczać minimalną liczebność próbki statystycznej - - - - - - + - - - -
M_U003 Potrafi przeprowadzić analizę danych kierunkowych - - - - - - + - - - -
M_U004 Potrafi przetestować hipotezy dotyczące rozkładów prawdopodobieństwa, równości średnich i wariancji - - - - - - + - - - -
M_U005 Umie dokonać statystycznego opisu rozkładu empirycznego cechy i wyznaczać wartości anomalne - - - - - - + - - - -
M_U006 Potrafi dokonać interpolacji prostymi metodami - - - - - - + - - - -
M_U007 Umie wykorzystać oprogramowanie: Excel, Statistica i Surfer do obliczeń statystycznych - - - - - - + - - - -
M_U008 Potrafi testować istotność współczynnika korelacji liniowej i współczynnika determinacji - - - - - - + - - - -
Knowledge
M_W001 Ma elementarną wiedzę w zakresie rachunku prawdopodobieństwa + - - - - - - - - - -
M_W002 Zna podstawowe rozkłady prawdopodobieństwa zmiennej losowej dyskretnej i ciągłej + - - - - - - - - - -
M_W003 Zna proste metody interpolacji + - - - - - - - - - -
M_W004 Zna wybrane, zaawansowane metody statystyczne: analizę wariancji i metodę łańcuchów Markowa + - - - - - - - - - -
M_W005 Zna metody analizy danych kierunkowych + - - - - - - - - - -
M_W006 Rozumie ideę estymacji i zna zasady testowania hipotez statystycznych + - - - - - - - - - -
Module content
Lectures:

Przedmiot i zakres statystyki. Populacja generalna i próba statystyczna. Elementy rachunku prawdopodobieństwa: zdarzenia losowe, definicje prawdopodobieństwa, prawdopodobieństwo sumy, różnicy i iloczynu zdarzeń, zależność zdarzeń i prawdopodobieństwo warunkowe. Zmienna losowa: dyskretna i ciągła. Skale pomiarowe cech statystycznych. Podstawowe rozkłady zmiennej losowej: zerojedynkowy, dwumianowy, normalny, t-Studenta. Twierdzenie Moivre’a – Laplace’a. Estymatory i ich właściwości. Rozkład wartości średniej w populacji normalnej. Centralne twierdzenie graniczne Lindenberga-Levy’ego. Twierdzenie Czebyszewa i jego zastosowanie. Statystyczne opracowanie danych liczbowych. Estymacja punktowa i przedziałowa wartości oczekiwanej. Hipotezy statystyczne, algorytm ich testowania, błędy decyzji I i II rodzaju, poziom krytyczny testu, interpretacja wyników testowania. Testy zgodności. Testowanie hipotez o wartości oczekiwanej, równości wartości średnich i wariancji w dwóch próbach. Dwuwymiarowa zmienna losowa. Analiza korelacji i regresji liniowej. Współczynnik korelacji liniowej Pearsona. Współczynnik determinacji. Elementy korelacji i regresji nieliniowej. Analiza wariancji. Metody łańcuchów Markowa w sedymentologii. Analiza danych kierunkowych. Proste metody interpolacji.

Practical classes:

Obliczanie parametrów rozkładów empirycznych: (średniej
arytmetycznej, mediany, wariancji, odchylenia standardowego, współczynnika
zmienności, współczynników asymetrii i ekscesu, kwartyli dolnego i górnego, rozstępu międzykwartylowego, odchylenia ćwiartkowego). Wyznaczanie wartości anomalnych metodą: „ramka – wąsy”).Ocena przedziałowa dla wartości oczekiwanej w populacji generalnej. Minimalna liczebność próbki. Testowanie zgodności rozkładu empirycznego z rozkładem normalnym oraz identyczności dwóch rozkładów (testy Kolmogorowa – Smirnowa). Testowanie równości średnich dla próbek niezależnych i zależnych i rowności wariancji (testy t-Studenta i F-Snedecora). Wyznaczanie parametrów regresji liniowej. Testowanie współczynnika korelacji linowej Pearsona i współczynnika determinacji. Analiza wariancji z klasyfikacją pojedynczą. Metody łańcuchów Markowa w sedymentologii. Analiza danych kierunkowych: wyznaczanie kierunku średniego, współczynnika koncentracji, istotność kierunku średniego, wykresy typu róża. Interpolacja z użyciem podstawowych metod, kreślenie map izoliniowych.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 78 h
Module ECTS credits 3 ECTS
Participation in lectures 14 h
Participation in practical classes 28 h
Realization of independently performed tasks 20 h
Examination or Final test 1 h
Completion of a project 15 h
Additional information
Method of calculating the final grade:

Średnia arytmetyczna ocen z testu wykładowego i zaliczenia ćwiczeń.

Prerequisites and additional requirements:

Student posiada podstawową wiedzę z zakresu systemów operacyjnych Windows

Recommended literature and teaching resources:

1. Krawczyk A., Słomka T., 1982: Podstawowe metody modelowania w geologii. Materiały pomocnicze do ćwiczeń. AGH Kraków, s. 186.
2.Greń J., 1974: Statystyka matematyczna; modele i zadania. PWN, Warszawa.
3. Luszniewicz A., Słaby T., 2001: Statystyka. Andrzej, Academia Oeconomica. Wyd. C H Beck.
4. Davis J. C. (1973 i nowsze): Statistics and Data Analysis in Geology. John Wiley & Sons, NY, 550 str.
5. Swan A.R.H., Sandilands M., 1995: Introduction to Geological Data Analysis, Blackwell Science Ltd., s. 447.
6. Bobrowski D., 1980: Probabilistyka w zastosowaniach technicznych. WNT, Warszawa.
7. Joźwiak J., Podgorski J., 2009: Statystyka od podstaw. PWE, Warszawa, wyd. VI zmienione
8. Podgórski J., 2010: Statystyka dla studiów licencjackich. PWE, Warszawa.
9. Smirnow N.W, Dunin-Borkowski J.W., 1969: Kurs rachunku prawdopodobieństwa i statystyki matematycznej dla zastosowań technicznych. PWN, Warszawa.
10. Sobczyk M., 2008: Statystyka. PWN, Warszawa.
11. Volk W., 1973: Statystyka stosowana dla inżynierów. WN-T, Warszawa.

Scientific publications of module course instructors related to the topic of the module:

Additional scientific publications not specified

Additional information:

None