Module also offered within study programmes:
General information:
Name:
Statystyczna analiza danych
Course of study:
2016/2017
Code:
MEI-1-607-s
Faculty of:
Metals Engineering and Industrial Computer Science
Study level:
First-cycle studies
Specialty:
-
Field of study:
Education in Technology and Computer Science
Semester:
6
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
Matusiewicz Piotr (matus@agh.edu.pl)
Academic teachers:
Matusiewicz Piotr (matus@agh.edu.pl)
dr inż. Goły Marcin (marcing@agh.edu.pl)
mgr inż. Frocisz Łukasz (lfrocisz@agh.edu.pl)
Module summary

Moduł obejmuje zagadnienia związane z analizą zbiorów danych, tj.: metody statystyki opisowej, wnioskowanie statystyczne i weryfikację hipotez statystycznych.

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)
Skills
M_U001 Posiada umiejętność racjonalnego opracowania typowych zbiorów danych statystycznych. EI1A_U03, EI1A_U05, EI1A_U01, EI1A_U02 Examination,
Execution of exercises
M_U002 Zna i potrafi wykorzystać wybrane programy do analizy statystycznej EI1A_U03, EI1A_U07, EI1A_U05, EI1A_U01, EI1A_U02, EI1A_U04 Execution of exercises
Knowledge
M_W001 Znać analityczne metody statystyki opisowej jedno -, dwu – i wielowymiarowych zbiorów danych. EI1A_W01, EI1A_W06 Examination
M_W002 Znać podstawowe metody wnioskowania statystycznego w zakresie estymacji i weryfikacji hipotez statystycznych. EI1A_W01, EI1A_W06 Examination
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
Skills
M_U001 Posiada umiejętność racjonalnego opracowania typowych zbiorów danych statystycznych. + - + - - - - - - - -
M_U002 Zna i potrafi wykorzystać wybrane programy do analizy statystycznej + - + - - - - - - - -
Knowledge
M_W001 Znać analityczne metody statystyki opisowej jedno -, dwu – i wielowymiarowych zbiorów danych. + - + - - - - - - - -
M_W002 Znać podstawowe metody wnioskowania statystycznego w zakresie estymacji i weryfikacji hipotez statystycznych. + - + - - - - - - - -
Module content
Lectures:

1. Istota statystyki. Populacja i próbka. Zbiory danych statystycznych. Zasada wnioskowania statystycznego. Metoda najmniejszych kwadratów (MNK).
2. Jednowymiarowy zbiór danych. Parametry statystyczne i ich interpretacja MNK. Rozkład empiryczny.
3. Dwuwymiarowy zbiór danych (I). Kowariancja i współczynnik korelacji. Regresja liniowa. Układ równań normalnych (MNK).
4. Dwuwymiarowy zbiór danych (II). Pole punktowe na płaszczyźnie. Opis statystyczny. Funkcja korelacji par punktów.
5. Wielowymiarowy zbiór danych. Macierz korelacyjna. Regresja liniowa. Wyznaczenie współczynników regresji.
6. Prawdopodobieństwo. Zmienna losowa. Funkcja prawdopodobieństwa. Gęstość prawdopodobieństwa. Parametry opisowe.
7. Rozkłady: dwumianowy, Poissona, normalny, chi-kwadrat, Studenta. Obliczanie prawdopodobieństwa.
8. Układ zmiennych losowych. Macierz korelacyjna. Wektor losowy o rozkładzie normalnym.
9. Próbka losowa. Twierdzenia dotyczące losowej próbki o rozkładzie normalnym. Wnioskowanie statystyczne.
10. Estymacja statystyczna. Estymator i jego własności. Estymacja wartości oczekiwanej i wariancji.
11. Estymacja współczynników regresji.
12. Weryfikacja hipotez statystycznych. Testy istotności dla parametrów rozkładu normalnego.
13. Analiza wariancji ANOVA (klasyfikacja pojedyncza).

Laboratory classes:

1. Statystyczne programy komputerowe (Arkusz kalkulacyjny Microsoft Excel, STATISTICA).
2. Jednowymiarowy zbiór danych. Parametry opisowe.
3. Dwuwymiarowy zbiór danych. Regresja liniowa.
4. Obliczanie prawdopodobieństwa w rozkładzie normalnym.
5. Estymacja wartości oczekiwanej w rozkładzie normalnym.
6. Weryfikacja hipotez statystycznych o parametrach rozkładu normalnego.
7. Badanie zgodności rozkładu empirycznego z rozkładem normalnym.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 79 h
Module ECTS credits 3 ECTS
Participation in lectures 28 h
Participation in auditorium classes 14 h
Preparation for classes 20 h
Realization of independently performed tasks 15 h
Examination or Final test 2 h
Additional information
Method of calculating the final grade:

średnia arytmetyczna ocen z ćwiczeń i egzaminu

Prerequisites and additional requirements:

Zgodnie z Regulaminem Studiów AGH podstawowym terminem uzyskania zaliczenia jest ostatni dzień zajęć w danym semestrze. Termin zaliczenia poprawkowego (tryb i warunki ustala prowadzący moduł na zajęciach początkowych) nie może być późniejszy niż ostatni termin egzaminu w sesji poprawkowej (dla przedmiotów kończących się egzaminem) lub ostatni dzień trwania semestru (dla przedmiotów niekończących się egzaminem).

Recommended literature and teaching resources:

1. Z. Hellwig: Elementy rachunku prawdopodobieństwa i statystyki matematycznej. PWN, Warszawa 1989.
2. L. Gajek, M. Kałuszka: Wnioskowanie statystyczne. WNT, Warszawa 1994.
3. S. Brandt: Analiza danych. PWN, Warszawa 1999.
4. J. Ryś: Zasady statystycznej kontroli jakości wyrobów metalowych. Skrypt AGH nr.589, Kraków 1977.
5. M. Fisz: Rachunek prawdopodobieństwa i statystyka matematyczna. PWN, Warszawa 1969.
6. D. Bobrowski: Probabilistyka w zastosowaniach technicznych. WNT, Warszawa 1986.
7. W. Kordecki: Rachunek prawdopodobieństwa i statystyka matematyczna (definicje, twierdzenia, wzory). Wyd. IV. Oficyna Wydawnicza GiS, Wrocław 2003

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

1. CZARSKI, P. MATUSIEWICZ, Influence of measurement system quality on the evaluation of process capability indices. Metallurgy and Foundry Engineering, 2012 vol. 38 no. 1, s. 25–32.
2. CZARSKI, P. MATUSIEWICZ, T. SKOWRONEK, Statistical methods in contemporary quality management systems. Problems of modern techniques in engineering and education, eds. Paweł Kurtyka, [et al.], 2007 s. 21–26.
3. CZARSKI, K. SATORA, P. MATUSIEWICZ, Statistical methods in quality management – process capability analysis. Metallurgy and Foundry Engineering, 2007 vol. 33 no. 2 s. 121–128.
4. CZARSKI, P. MATUSIEWICZ, K. SATORA, Statistical techniques in Six Sigma. Problems of modern techniques in engineering and education, eds. Paweł Kurtyka, [et al.]; 2007 s. 183–189.
5. B. MRZYGŁÓD, P. MATUSIEWICZ, A. Tchórz, I. OLEJARCZYK-WOŻEŃSKA, Quantitative analysis of ductile iron microstructure – a comparison of selected methods for assessment. Archives of Foundry Engineering / Polish Academy of Sciences. Commission of Foundry Engineering, 2013 vol. 13 iss. 3, s. 59–63.
6. A. CZARSKI, P. MATUSIEWICZ, Some aspects of estimation accuracy of mean true interllamelar spacing. Metallurgy and Foundry Engineering, 2012 vol. 38 no. 2, s. 133–140
7. P. MATUSIEWICZ, A. CZARSKI, Effect of measurement method on the equivalent diameter of disperse phase particles, Inżynieria Materiałowa, 2012 R. 33 nr 2, s. 101–104
http://www.bpp.agh.edu.pl/

Additional information:

None