Module also offered within study programmes:
General information:
Annual:
2017/2018
Code:
GIP-1-301-s
Name:
Statystyka
Faculty of:
Mining and Geoengineering
Study level:
First-cycle studies
Specialty:
-
Field of study:
Mining and Geology
Semester:
3
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr hab. inż. Niedoba Tomasz (tniedoba@agh.edu.pl)
Academic teachers:
dr hab. inż. Niedoba Tomasz (tniedoba@agh.edu.pl)
prof. nadzw. dr hab. inż. Saramak Daniel (dsaramak@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 Rozumie istotę prawidłowego doboru próby reprezentatywnej do badań statystycznych IP1A_K01, IP1A_K04 Activity during classes,
Examination,
Test,
Execution of exercises
M_K002 Ma świadomość istoty prawidłowego przepływu danych i ich prawidłowego przechowywania IP1A_K01, IP1A_K04 Activity during classes,
Examination,
Test,
Execution of exercises
M_K003 Jest świadomy, że statystyka jest bardzo użyteczną dziedziną nauki w wielu aspektach działalności badawczej IP1A_K01, IP1A_K04 Activity during classes,
Examination,
Test,
Execution of exercises
Skills
M_U001 Umie planować i wykonywać podstawowe analizy statystyczne zmiennych losowych IP1A_U01, IP1A_U08, IP1A_U15, IP1A_U14, IP1A_U02, IP1A_U09 Activity during classes,
Examination,
Test,
Execution of exercises
M_U002 Potrafi badać zależności pomiędzy zmiennymi losowymi oraz interpretować ich wyniki IP1A_U01, IP1A_U08, IP1A_U15, IP1A_U02, IP1A_U09 Activity during classes,
Examination,
Test,
Execution of exercises
M_U003 Potrafi opracowywać równania regresji dla dwóch i większej ilości zmiennych IP1A_U01, IP1A_U08, IP1A_U15, IP1A_U02, IP1A_U09 Activity during classes,
Examination,
Test,
Execution of exercises
M_U004 Wie jak przeprowadzać badania statystyczne różnymi metodami IP1A_U01, IP1A_U08, IP1A_U15, IP1A_U02, IP1A_U09 Activity during classes,
Examination,
Test,
Execution of exercises
M_U005 Potrafi stawiać hipotezy statystyczne i je weryfikować IP1A_U01, IP1A_U08, IP1A_U15, IP1A_U02, IP1A_U09 Activity during classes,
Examination,
Test,
Execution of exercises
M_U006 Potrafi pobrać próbę reprezentatywną dla wybranej populacji generalnej IP1A_U01, IP1A_U08, IP1A_U15, IP1A_U14, IP1A_U02, IP1A_U09 Activity during classes,
Examination,
Test,
Execution of exercises
Knowledge
M_W001 Ma wiedzę na temat zmiennych losowych i ich rozkładów Activity during classes,
Examination,
Test,
Execution of exercises
M_W002 Posiada bazową wiedzę z zakresu rachunku prawdopodobieństwa IP1A_W11, IP1A_W01 Activity during classes,
Examination,
Test,
Execution of exercises
M_W003 Posiada wiedzę na temat weryfikacji hipotez statystycznych IP1A_W11, IP1A_W01 Activity during classes,
Examination,
Test,
Execution of exercises
M_W004 Ma wiedzę na temat analizy korelacji dla dwóch i większej ilości zmiennych losowych IP1A_W11, IP1A_W01 Activity during classes,
Examination,
Test,
Execution of exercises
M_W005 Posiada wiedzę na temat planowania badania statystycznego IP1A_W11, IP1A_W01 Activity during classes,
Examination,
Test,
Execution of exercises
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 Rozumie istotę prawidłowego doboru próby reprezentatywnej do badań statystycznych + + - - - - - - - - -
M_K002 Ma świadomość istoty prawidłowego przepływu danych i ich prawidłowego przechowywania + + - - - - - - - - -
M_K003 Jest świadomy, że statystyka jest bardzo użyteczną dziedziną nauki w wielu aspektach działalności badawczej + + - - - - - - - - -
Skills
M_U001 Umie planować i wykonywać podstawowe analizy statystyczne zmiennych losowych + + - - - - - - - - -
M_U002 Potrafi badać zależności pomiędzy zmiennymi losowymi oraz interpretować ich wyniki + + - - - - - - - - -
M_U003 Potrafi opracowywać równania regresji dla dwóch i większej ilości zmiennych + + - - - - - - - - -
M_U004 Wie jak przeprowadzać badania statystyczne różnymi metodami + + - - - - - - - - -
M_U005 Potrafi stawiać hipotezy statystyczne i je weryfikować + + - - - - - - - - -
M_U006 Potrafi pobrać próbę reprezentatywną dla wybranej populacji generalnej + + - - - - - - - - -
Knowledge
M_W001 Ma wiedzę na temat zmiennych losowych i ich rozkładów + + - - - - - - - - -
M_W002 Posiada bazową wiedzę z zakresu rachunku prawdopodobieństwa + + - - - - - - - - -
M_W003 Posiada wiedzę na temat weryfikacji hipotez statystycznych + + - - - - - - - - -
M_W004 Ma wiedzę na temat analizy korelacji dla dwóch i większej ilości zmiennych losowych + + - - - - - - - - -
M_W005 Posiada wiedzę na temat planowania badania statystycznego + + - - - - - - - - -
Module content
Lectures:

1. Elementy rachunku prawdopodobieństwa i definicje prawdopodobieństwa – podstawowe twierdzenia.
2. Prawdopodobieństwo warunkowe, tw. Bayesa.
3. Rozkłady zmiennych losowych: rozkład Bernoulliego, Poissona, rozkład równomierny, normalny, Weibulla i inne.
4. Definicje populacji, próby, zasady losowania, podstawy opracowywania wyników: histogramy, momenty z próby, podstawowe twierdzenia o rozkładach statystyk.
5. Przedziały ufności dla średniej, wariancji i wskaźnika struktury.
6. Wzory na wielkość próby, zasady pobierania prób.
7. Testy istotności – parametryczne dla średnich, wariancji i wskaźnika struktury; nieparametryczne – testy niezależności i zgodności, testy serii.
8. Analiza korelacji i regresji.
9. Elementy teorii eksperymentów, planowanie czynnikowe.

Auditorium classes:

1. Zastosowanie rachunku prawdopodobieństwa i definicje prawdopodobieństwa – podstawowe twierdzenia.
2. Prawdopodobieństwo warunkowe, tw. Bayesa w zastosowaniu w ekonomii.
3. Rozkłady zmiennych losowych: rozkład Bernoulliego, Poissona, rozkład równomierny, normalny, Weibulla i inne. Ich zastosowanie w analizach ekonomicznych.
4. Definicje populacji, próby, zasady losowania, podstawy opracowywania wyników: histogramy, momenty z próby, podstawowe twierdzenia o rozkładach statystyk.
5. Przedziały ufności dla średniej, wariancji i wskaźnika struktury.
6. Wzory na wielkość próby, zasady pobierania prób.
7. Testy istotności – parametryczne dla średnich, wariancji i wskaźnika struktury; nieparametryczne – testy niezależności i zgodności, testy serii. Ich interptretacja w zagadnieniach związanych z ekonomią.
8. Analiza korelacji i regresji. Modelowanie na przykładzie danych ekonomicznych.
9. Elementy teorii eksperymentów, planowanie czynnikowe.
10. Zastosowanie programu STATISTICA PL w analizie danych.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 161 h
Module ECTS credits 6 ECTS
Examination or Final test 4 h
Realization of independently performed tasks 71 h
Preparation for classes 25 h
Participation in lectures 30 h
Participation in auditorium classes 30 h
Contact hours 1 h
Additional information
Method of calculating the final grade:

0,7 x ocena z egzaminu + 0,3 X ocena z zaliczenia. Aktywność na zajęciach może spowodować podniesienie oceny końcowej.

Prerequisites and additional requirements:

Matematyka (I stopień studiów)

Recommended literature and teaching resources:

1. A. Aczel: Statystyka w zarządzaniu, PWN, Warszawa, 2005.
1. J. Greń: Statystyka matematyczna. Modele i zadania, PWN, Warszawa, 1984.
2. W. Krysicki: Rachunek prawdopodobieństwa i statystyka matematyczna, t. I i II, PWN, Warszawa, 2007.
3. W. Klonecki: Statystyka dla inżynierów, PWN, Warszawa, 1999.
4. J. Koronacki: Statystyka dla kierunków technicznych i przyrodniczych, WN-T, Warszawa, 2006.
5. M. Sobczyk: Statystyka opisowa, Wydawnictwo CH Beck, Warszawa, 2010.
6. A. Plucińska, E. Pluciński: Probabilistyka, WN-T, Warszawa, 2000.

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

1. Jamróz D., Niedoba T.: Application of multidimensional data visualization by means of self-organizing Kohonen maps to evaluate classification possibilities of various coal types, Archives of Mining Sciences, vol. 60(1), pp. 39-50, 2015.
2. Niedoba T.: Application of relevance maps in multidimensional classification of coal types, Archives of Mining Sciences, vol. 60(1), pp. 93-106, 2015.
3. Jamróz D., Niedoba T.: Comparison of selected methods of multi-parameter data visualization used for classification of coals, Physicochemical Problems of Mineral Processing, vol. 51(2), pp. 769-784, 2015.
4. Niedoba T.: Elementy metodologii stosowania dwu- i wielowymiarowych rozkładów właściwości materiałów uziarnionych do opisu wzbogacania węgli, Gospodarka Surowcami Mineralnymi, vol. 29(2), pp. 155-172, 2013.
5. Niedoba T.: Statistical analysis of the relationship between particle size and particle density of raw coal, Physicochemical Problems of Mineral Processing, vol. 49(1), pp. 175-188, 2013.
6. Niedoba T.: Wielowymiarowe charakterystyki zmiennych losowych w opisie materiałów uziarnionych i procesów ich rozdziału, Wydawnictwo Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN, seria: Studia, Rozprawy, Monografie, 2013.
7. Tumidajski T., Saramak D.: Metody i modele statystyki matematycznej w przeróbce surowców mineralnych, Wydawnictwa AGH, 2009.

Additional information:

Zaliczenie na podstawie średniej oceny z 2 kolokwiów.
Kolokwia z zadań z zakresu realizowanego na ćwiczeniach audytoryjnych.
2 terminy każdego kolokwium (1 podstawowy i 1 poprawkowy).
Dopuszczalna jedna nieobecność nieusprawiedliwiona na ćwiczeniach audytoryjnych.
Aktywność na zajęciach może spowodować podniesienie oceny końcowej.
Nie przewiduje się możliwości poprawy oceny pozytywnej.