Module also offered within study programmes:
General information:
Annual:
2017/2018
Code:
RIA-2-101-ID-s
Name:
Statystyka inżynierska
Faculty of:
Mechanical Engineering and Robotics
Study level:
Second-cycle studies
Specialty:
Inżynieria Dźwięku w Mediach i Kulturze
Field of study:
Acoustic Engineering
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Responsible teacher:
dr inż. Ozga Agnieszka (aozga@agh.edu.pl)
Academic teachers:
dr inż. Ozga Agnieszka (aozga@agh.edu.pl)
Module summary

W trakcie zajęć zostaną poruszone teoretyczne i praktyczne podstawy niezbędne do opracowania wyników. Zadania będą rozwiązywane klasycznie oraz za pomocą programu Statistica.

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 Zna role probabilistyki we współczesnym świecie. IA2A_K07, IA2A_K05 Examination
Skills
M_U001 Umie stosować metody probabilistyczne do analizy danych. IA2A_U18 Execution of exercises
M_U002 Umie opisać, sformułować i rozwiązać praktyczne problemy z zakresu wnioskowania i analizy statystycznej. IA2A_U18 Execution of a project,
Execution of exercises
M_U003 Potrafi posługiwać się pakietem do statystycznej analizy danych i wykonywać analizy statystyczne z wykorzystaniem Statistica. IA2A_U18 Execution of exercises,
Test,
Project,
Test results
M_U004 Ma uporządkowaną wiedzę w zakresie probabilistyki, w szczególności - statystyki matematycznej. Examination
M_U005 Potrafi formułować hipotezy statystyczne i w ten sposób weryfikować wyniki eksperymentów IA2A_U08 Test
M_U006 Potrafi twórczo wykorzystywać istniejące oprogramowanie specjalistyczne, korzystać z bibliotek istniejących programów i dostosowywać je do potrzeb uzyskania rozwiązania. IA2A_U09 Project,
Completion of laboratory classes
Knowledge
M_W001 Zna podstawowe pojęcia związane z rachunkiem prawdopodobieństwa. IA2A_W03 Examination
M_W002 Zna podstawowe techniki wnioskowania statystycznego. IA2A_W03 Test,
Examination,
Project,
Execution of laboratory classes,
Completion of laboratory classes
M_W003 Dysponuje wiedzą z zakresu modeli probabilistycznych i zakresu ich stosowalności IA2A_W03 Examination
M_W004 Dysponuje wiedzą z zakresu wielowymiarowych metod statystycznych IA2A_W03 Examination
M_W005 Zna podstawy wykorzystania pakietu do statystycznej analizy danych Statistica. IA2A_W03 Examination
M_W006 Zna podstawowe zagadnienia statystyki opisowej. IA2A_W03 Examination
M_W010 Zna i rozumie podstawowe pojęcia i modele z zakresu statystyki inżynierskiej, jak: statystyka jednowymiarowa, testowanie hipotez i estymacja oraz rozkłady: normalny, chi-kwadrat i dwumianowy. IA2A_W03 Activity during classes,
Examination,
Test,
Project
M_W011 Ma uporządkowaną wiedzę w zakresie probabilistyki, w szczególności - rachunku prawdopodobieństwa - statystyki matematycznej . Examination,
Test,
Project
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 Zna role probabilistyki we współczesnym świecie. + - - - - - - - - - -
Skills
M_U001 Umie stosować metody probabilistyczne do analizy danych. + - - - - - - - - - -
M_U002 Umie opisać, sformułować i rozwiązać praktyczne problemy z zakresu wnioskowania i analizy statystycznej. + - - - - - - - - - -
M_U003 Potrafi posługiwać się pakietem do statystycznej analizy danych i wykonywać analizy statystyczne z wykorzystaniem Statistica. + - - - - - - - - - -
M_U004 Ma uporządkowaną wiedzę w zakresie probabilistyki, w szczególności - statystyki matematycznej. - - - - - - - - - - -
M_U005 Potrafi formułować hipotezy statystyczne i w ten sposób weryfikować wyniki eksperymentów - - - - - - - - - - -
M_U006 Potrafi twórczo wykorzystywać istniejące oprogramowanie specjalistyczne, korzystać z bibliotek istniejących programów i dostosowywać je do potrzeb uzyskania rozwiązania. - - - - - - - - - - -
Knowledge
M_W001 Zna podstawowe pojęcia związane z rachunkiem prawdopodobieństwa. + - - - - - - - - - -
M_W002 Zna podstawowe techniki wnioskowania statystycznego. + - - + - - - - - - -
M_W003 Dysponuje wiedzą z zakresu modeli probabilistycznych i zakresu ich stosowalności + - - + - - - - - - -
M_W004 Dysponuje wiedzą z zakresu wielowymiarowych metod statystycznych + - - + - - - - - - -
M_W005 Zna podstawy wykorzystania pakietu do statystycznej analizy danych Statistica. + - - - - - - - - - -
M_W006 Zna podstawowe zagadnienia statystyki opisowej. + - - + - - - - - - -
M_W010 Zna i rozumie podstawowe pojęcia i modele z zakresu statystyki inżynierskiej, jak: statystyka jednowymiarowa, testowanie hipotez i estymacja oraz rozkłady: normalny, chi-kwadrat i dwumianowy. - - - - - - - - - - -
M_W011 Ma uporządkowaną wiedzę w zakresie probabilistyki, w szczególności - rachunku prawdopodobieństwa - statystyki matematycznej . - - - - - - - - - - -
Module content
Lectures:
  1. Statystyka opisowa.

    Statystyka opisowa: cechy i ich skale, dane surowe i skumulowane, miary tendencji centralnej i rozrzutu, dystrybuanta empiryczna, parametry cechy w przypadku szeregu rozdzielczego i czasowego. Graficzna prezentacja wyników, kowariancja, korelacja, regresja liniowa.

  2. Zmienne losowe, rozkłady i ich parametry.

    Zmienne losowe, rozkłady i ich parametry: rozkłady dyskretne i ciągłe oraz ich interpretacja, dystrybuanta, nadzieja matematyczna, wariacja, momenty, prawa wielkich liczb, centralne twierdzenie graniczne, podstawowe rozkłady prawdopodobieństwa: rozkład dwumianowy, wielomianowy, hipergeometryczny, wykładniczy, Poissona, jednostajny, normalny.

  3. Estymatory, estymacja przedziałowa.

    Estymatory, metody szukania i własności estymatorów, estymacja przedziałowa.

  4. Weryfikacja hipotez statystycznych .

    Weryfikacja hipotez statystycznych. Pojęcia ogólne (hipoteza zeorwa, hipoteza alternatywna, budowa testu statystycznego, obszar krytyczny). Szczególne przypadki testów statystycznych dotyczących hipotez parametrycznych (wartość oczekiwana i
    wariancja) i hipotez nieparametrycznych (test chi-kwadrat, test Kołmogorowa-
    Smirnowa, test znaków.

  5. Korelacja i regresja liniowa.Analiza wariancji.

    Korelogram, współczynnik korelacji liniowej, regresja liniowa, ocena stopnia dostosowania linii regresji. Współczynnik korelacji rang Spearmana. Analiza wariancji z klasyfikacją pojedynczą. Weryfikacja założeń modelu.

  6. Analiza dynamiki zjawisk

    Definicja i składniki szeregów czasowych. Miary dynamiki, indeksy agregatowe dla wielkości absolutnych.Analiza trendu i wahań okresowych.

  7. Metody statystyczne wykorzystywane w analizie procesów wibroakustycznych.
Project classes:
  1. Wstęp do programu Statistica. Statystyka opisowa

    Statystyka opisowa: cechy i ich skale, dane surowe i skumulowane, miary tendencji centralnej i rozrzutu, dystrybuanta empiryczna, parametry cechy w przypadku szeregu rozdzielczego. Graficzna prezentacja wyników.

  2. Zmienna losowa.

    Zmienna losowa, dystrybuanta, rozkład prawdopodobieństwa zmiennej
    losowej ciągłej i skokowe,funkcje zmiennej losowej, wielkości charakteryzujące zmienna losową: wartość oczekiwana, wariancja,odchylenie standardowe, współczynnik asymetrii, wartości modalne,kwantyle.

  3. Podstawowe rozkłady prawdopodobieństwa: rozkład dwumianowy, hipergeometryczny, Poissona, jednostajny, normalny.
  4. Estymatory, metody szukania i własności estymatorów, estymacja przedziałowa.
  5. Weryfikacja hipotez statystycznych.

    Weryfikacja hipotez statystycznych- pojęcia ogólne (hipoteza zerowa, hipoteza alternatywna, budowa testu statystycznego, obszar krytyczny).
    Szczególne przypadki testów statystycznych dotyczących hipotez parametrycznych (wartość oczekiwana i wariancja) i hipotez nieparametrycznych (test chi-kwadrat, test Kołmogorowa-Smirnowa, test znaków.

  6. Korelacja i regresja liniowa.Analiza wariancji.
  7. Analiza zależności zmiennych ilościowych. Analiza danych jakościowych. Analiza wariancji.
  8. Analiza dynamiki zjawisk.

    Definicja i składniki szeregów czasowych. Miary dynamiki, indeksy agregatowe dla wielkości absolutnych.Analiza trendu i wahań okresowych.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 112 h
Module ECTS credits 4 ECTS
Participation in lectures 28 h
Participation in auditorium classes 14 h
Realization of independently performed tasks 40 h
Completion of a project 30 h
Additional information
Method of calculating the final grade:

Statystyka Inżynierska – sposób prowadzenia zajęć oraz warunki zaliczenia:
Warunki zaliczenia:
1. Możliwa jest jedna nieobecność, która nie zwalnia z nadrobienia materiału omawianego na zajęciach, na których nieobecność wystąpiła. W przypadku nieobecności należy odrobić zajęcia na innej grupie lub na kolejnych zajęciach przedstawić swoje rozwiązania. Zostaną one ocenione wg. skali podanej w punkcie 2. Jeśli zadania nie zostaną wykonane student otrzymuje 0% za pracę podczas zajęć.
2. Oceniana jest praca podczas zajęć. Ukończone zadania na zajęciach, opatrzone odpowiednim komentarzem, należy pokazać prowadzącemu. Ilość ukończonych zadań związana jest z procentową oceną danej instrukcji. Średnia arytmetyczna procentowej oceny każdej z instrukcji będzie decydowała o cząstkowej ocenie pracy studenta podczas zajęć według skali:

2,0: < 50%
3,0: 51-60%
3,5: 61-70%
4,0: 71-80%
4,5: 81-90%
5,0: 91-100%
Zadań nie można rozwiązywać w domu.

3. W czasie semestru będą 2 kolokwia trwające ok. 30 min, sprawdzające nabytą wiedzą. Pozytywne oceny z wszystkich kolokwiów są warunkiem pozytywnej oceny końcowej. Kolokwia można poprawiać tylko w terminie poprawkowym.

Ocena końcowa wystawiona zostanie według skali:

3,0: 3,00-3,25
3,5: 3,26-3,75
4,0: 3,76-4,25
4,5: 4,26-4,75
5,0: > 4,75

Osoby, które nie otrzymały zaliczenia w terminie będą mogły uzupełnić zaległości oraz poprawić kolokwia w terminach poprawkowych po zakończeniu zajęć. Dokładna data zostanie ustalona i podana do wiadomości na zajęciach.

Wykłady zamieniają się czasem w ćwiczenia tablicowe. Na każdym wykładzie będzie sprawdzana obecność. W związku z tym, że na AGH wykłady nie są obowiązkowe brak obecności nie będzie miał negatywnego wpływu na ocenę końcową, Na ćwiczeniach tablicowych będą rozwiązywane zadania, niekiedy w formie arkuszy, które w razie nieobecności należy samodzielnie nadrobić.

Egzamin składa się z testu( 50% oceny) i z projektu (50% oceny). I test i projekt muszą być zaliczone na ocenę co najmniej 3.

Ocena końcowa to średnia arytmetyczna z ćwiczeń, z projektu i z testu. Ocenę mogą podnieść obecności na 90% wykładów.

Prerequisites and additional requirements:

Podstawowa znajomość analizy matematycznej i elementów rachunku prawdopodobieństwa.

Recommended literature and teaching resources:

1. Statystyka dla studentów kierunków inżynierskich, A. Koziarska, A. Metelski, Politechnika Opolska 2016
2. Statystyka z programem Statistica, M. Rabiej, Helion 2012

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

Analysis of vibrations of an oscillator using statistical series / Agnieszka OZGA // W: DSTA 2017 : 14th conference on Dynamical Systems Theory and Applications : Łódź, Poland, December 11–14, 2015 : abstracts / eds. Jan Awrejcewicz,

Ekologia akustyczna na obszarach leśnych — [Acoustic ecology in forest areas] / Janusz PIECHOWICZ, Agnieszka OZGA, Dominik MLECZKO, Cezary KASPRZAK, Lesław STRYCZNIEWICZ. — Kraków : Akademia Górniczo-Hutnicza. Wydział Inżynierii Mechanicznej i Robotyki. Katedra Mechaniki i Wibroakustyki, 2015. — 101 s.. — (Monografie Katedry Mechaniki i Wibroakustyki). — Bibliogr. przy rozdz.. — ISBN: 978-83-61402-32-9

Quietness in the soundscape of the Białowieża National Park / J. WICIAK, D. MLECZKO, A. OZGA, G. WSZOŁEK, J. WIERZBICKI, J. PIECHOWICZ, P. MAŁECKI // Acta Physica Polonica. A ; ISSN 0587-4246. — 2015 vol. 128 no. 1-A: Acoustical Engineering 2015, s. A-79–A-84. — Bibliogr. s. A-83–A-84. — tekst: http://przyrbwn.icm.edu.pl/APP/PDF/128/a128z1ap14.pdf

Additional information:

None