Module also offered within study programmes:
General information:
Name:
Statistics for Engineers
Course of study:
2017/2018
Code:
JFM-1-210-s
Faculty of:
Physics and Applied Computer Science
Study level:
First-cycle studies
Specialty:
-
Field of study:
Medical Physics
Semester:
2
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr hab. inż. Tarasiuk Jacek (tarasiuk@agh.edu.pl)
Academic teachers:
dr inż. Nęcki Jarosław (necki@agh.edu.pl)
Module summary

Tematyka obejmuje metodykę statystyki matematycznej. Przedłożone są podstawy rachunku prawdopodobieństwa i procesów stochastycznych, a następnie estymacja, testowanie hipotez i wspomaganie decyzji.

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 Praca zbiorowa. FM1A_K07, FM1A_K06 Activity during classes
M_K002 Profesjonalność i etyka. FM1A_K05, FM1A_K02, FM1A_K08 Activity during classes
M_K003 Konieczność ustawicznego samokształcenia. FM1A_K01 Activity during classes
Skills
M_U001 Interpretacja wielkości probabilistycznych. FM1A_U21, FM1A_U01, FM1A_U08, FM1A_U03 Oral answer
M_U002 Praktyczne użycie procedur statystyki matematycznej. FM1A_U21, FM1A_U01, FM1A_U08, FM1A_U03 Oral answer
M_U003 Pozyskiwanie informacji ze źródeł różnego typu oraz prezentacja zagadnienia badawczego i uzyskanych wyników. FM1A_U21, FM1A_U01, FM1A_U08, FM1A_U03 Oral answer
Knowledge
M_W001 Znajomość metod modelowania nieokreślności, ze szczególnym uwzględnieniem zjawisk przypadkowych. FM1A_W01, FM1A_W06, FM1A_W02 Oral answer
M_W002 Znajomość podstaw rachunku prawdopodobieństwa. FM1A_W01, FM1A_W06, FM1A_W02 Oral answer
M_W003 Znajomość metod aplikacyjnych statystyki matematycznej. FM1A_W01, FM1A_W06, FM1A_W02 Oral answer
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 Praca zbiorowa. - + + - - - - - - - -
M_K002 Profesjonalność i etyka. + - - - - - - - - - -
M_K003 Konieczność ustawicznego samokształcenia. + + - - - - - - - - -
Skills
M_U001 Interpretacja wielkości probabilistycznych. + + + - - - - - - - -
M_U002 Praktyczne użycie procedur statystyki matematycznej. - + + - - - - - - - -
M_U003 Pozyskiwanie informacji ze źródeł różnego typu oraz prezentacja zagadnienia badawczego i uzyskanych wyników. - + + - - - - - - - -
Knowledge
M_W001 Znajomość metod modelowania nieokreślności, ze szczególnym uwzględnieniem zjawisk przypadkowych. + - - - - - - - - - -
M_W002 Znajomość podstaw rachunku prawdopodobieństwa. + - + - - - - - - - -
M_W003 Znajomość metod aplikacyjnych statystyki matematycznej. + + + - - - - - - - -
Module content
Lectures:
  1. Wprowadzenie

    Przedmiot probabilistyki; rachunek prawdopodobieństwa, procesy stochastyczne, statystyka matematyczna.
    Inne rodzaje opisu nieokreśloności; nieprecyzyjność – logika rozmyta.

  2. Rachunek prawdopodobieństwa

    Przestrzeń probabilistyczna, zmienna losowa, rozkład zmiennej losowej prawdopodobieństwo.
    Związek z prawdopodobieństwem klasycznym (kombinatorycznym).
    Charakteryzacja rozkładów: funkcyjna (gęstość, dystrybuanta) oraz liczbowa (momenty, kwantyle).
    Typowe rozkłady; rozkład jednostajny, rozkład normalny. Centralne twierdzenie graniczne.
    Procesy stochastyczne; biały szum.

  3. Statystyka matematyczna

    Estymacja punktowa; klasyczne przykłady estymatorów.
    Nieparametryczne metody estymacji; estymatory jądrowe.
    Testowanie hipotez statystycznych; test zgodności Kołmogorowa.
    Statystyczne wspomaganie decyzji; reguły minimaksu i Bayesa, wielokryterialność.

  4. Tematy opcjonalne

    Wstęp do analizy i eksploracji danych.
    Przykłady zastosowań do zagadnień współczesnej inżynierii, ekonometrii i socjologii.
    Wykorzystanie współczesnych technik informacyjnych.

Laboratory classes:
Laboratorium

Zajęcia wprowadzające.
Generatory liczb pseudolosowych; typowe rozkłady prawdopodobieństwa.
Estymacja parametryczna.
Estymacja nieparametryczna.
Testowanie hipotez statystycznych.
Temat opcjonalny: statystyczne reguły decyzyjne.
Zajęcia zaliczeniowe.

Auditorium classes:
Projekt

Opracowanie zagadnienia, zgodnego z tematyką wykładu, według indywidualnych ustaleń.
Przy zaliczeniu projektu obowiązuje całość materiału przedmiotu.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 77 h
Module ECTS credits 3 ECTS
Participation in lectures 15 h
Participation in laboratory classes 15 h
Participation in auditorium classes 15 h
Preparation for classes 14 h
Realization of independently performed tasks 11 h
Preparation of a report, presentation, written work, etc. 7 h
Additional information
Method of calculating the final grade:

Ocena ustalana jest na podstawie ocen z laboratorium i projektu (ze szczególnym uwzględnieniem znajomości całości materiału przedmiotu).

Prerequisites and additional requirements:

Podstawowa wiedza z zakresu matematyki.
Podstawowa umiejętność użytkowania sprzętu komputerowego.

Recommended literature and teaching resources:

Gajek L., Kałuszka M., Wnioskowanie statystyczne, WNT, 2000.
Plucińska A., Pluciński E., Probabilistyka, WNT, 2000.
Kulczycki P., Estymatory jądrowe w analizie systemowej, WNT, 2005.
Literatura uzupełniająca:
Kulczycki P., Hryniewicz O., Kacprzyk J. (red.), Techniki informacyjne w badaniach systemowych, WNT, 2007.
Bobrowski D., Probabilistyka w zastosowaniach technicznych, WNT, 1980.
Greń J., Statystyka matematyczna, PWN, 1987.

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

- Książki:
1. P. Kulczycki, „Wykrywanie uszkodzeń w systemach zautomatyzowanych metodami statystycznymi”, Alfa, Warszawa, 1998.
2. P. Kulczycki, „Estymatory jądrowe w analizie systemowej”, WNT, Warszawa, 2005.
- Wybrane publikacje w czasopismach z listy JCR:
1. H. Schiøler, P. Kulczycki, „Neural Network for Estimating Conditional Distributions”, IEEE Transactions on Neural Networks, vol. 8, nr 5, ss. 1015-1025, 1997.
2. P. Kulczycki, „An Algorithm for Bayes Parameter Identification”, Journal of Dynamic Systems, Measurement, and Control, (Special Issue on the Identification of Mechanical Systems), vol. 123, nr 4, ss. 611-614, 2001.
3. P. Kulczycki, „Statistical Inference for Fault Detection: A Complete Algorithm Based on Kernel Estimators”, Kybernetika, vol. 38, nr 2, ss. 141-168, 2002.
4. P. Kulczycki, M. Charytanowicz, „Conditional Parameter Identification with Different Losses of Under- and Overestimation”, Applied Mathematical Modelling, vol. 37, nr 4, ss. 2166-2177, 2013.
5. P. Kulczycki, M. Charytanowicz, „An algorithm for conditional multidimensional parameter identification with asymmetric and correlated losses of under- and overestimations”, Journal of Statistical Computation and Simulation, vol. 86, nr 5, ss. 1032-1055, 2016.

Additional information:

Nieobecności (także usprawiedliwione) na zajęciach z laboratorium wymagają odrobienia w formie i terminie uzgodnionych z prowadzącym. Połowa zajęć nieusprawiedliwionych skutkuje brakiem zaliczenia.