Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Statystyka
Tok studiów:
2017/2018
Kod:
JIS-1-202-s
Wydział:
Fizyki i Informatyki Stosowanej
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Informatyka Stosowana
Semestr:
2
Profil kształcenia:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma i tryb studiów:
Stacjonarne
Strona www:
 
Osoba odpowiedzialna:
prof. dr hab. inż. Kulczycki Piotr (kulczycki@agh.edu.pl)
Osoby prowadzące:
prof. dr hab. inż. Kulczycki Piotr (kulczycki@agh.edu.pl)
Krótka charakterystyka modułu

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

Opis efektów kształcenia dla modułu zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Powiązania z EKK Sposób weryfikacji efektów kształcenia (forma zaliczeń)
Wiedza
M_W001 Znajomość metod modelowania nieokreślności, ze szczególnym uwzględnieniem zjawisk przypadkowych. IS1A_W01 Odpowiedź ustna
M_W002 Znajomość podstaw rachunku prawdopodobieństwa. IS1A_W01 Odpowiedź ustna
M_W003 Znajomość metod aplikacyjnych statystyki matematycznej. IS1A_W01 Odpowiedź ustna
Umiejętności
M_U001 Interpretacja wielkości probabilistycznych. IS1A_U04, IS1A_U03, IS1A_U07, IS1A_U01, IS1A_U05 Odpowiedź ustna
M_U002 Praktyczne użycie procedur statystyki matematycznej. IS1A_U04, IS1A_U03, IS1A_U07, IS1A_U01, IS1A_U05 Odpowiedź ustna
M_U003 Pozyskiwanie informacji ze źródeł różnego typu oraz prezentacja zagadnienia badawczego i uzyskanych wyników. IS1A_U04, IS1A_U03, IS1A_U07, IS1A_U01, IS1A_U05 Odpowiedź ustna
Kompetencje społeczne
M_K001 Praca zespołowa. IS1A_K04 Aktywność na zajęciach
M_K002 Profesjonalność i etyka. IS1A_K05, IS1A_K03 Aktywność na zajęciach
M_K003 Konieczność ustawicznego samokształcenia. IS1A_K01, IS1A_K05 Aktywność na zajęciach
Matryca efektów kształcenia w odniesieniu do form zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Forma zajęć
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Inne
E-learning
Wiedza
M_W001 Znajomość metod modelowania nieokreślności, ze szczególnym uwzględnieniem zjawisk przypadkowych. + - - - - - - - - - -
M_W002 Znajomość podstaw rachunku prawdopodobieństwa. + + + - - - - - - - -
M_W003 Znajomość metod aplikacyjnych statystyki matematycznej. + + + - - - - - - - -
Umiejętności
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. - - + - - - - - - - -
Kompetencje społeczne
M_K001 Praca zespołowa. - - + - - - - - - - -
M_K002 Profesjonalność i etyka. + + - - - - - - - - -
M_K003 Konieczność ustawicznego samokształcenia. + - - - - - - - - - -
Treść modułu zajęć (program wykładów i pozostałych zajęć)
Wykład:
  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.

Ćwiczenia laboratoryjne:
Laboratorium

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

Ćwiczenia audytoryjne:
Ćwiczenia audytoryjne

Ćwiczenia ilustracyjne i obliczeniowe zgodne z tematyką wykładu.
Sprawdzian widomości z przedmiotu.

Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 120 godz
Punkty ECTS za moduł 4 ECTS
Udział w wykładach 30 godz
Udział w ćwiczeniach laboratoryjnych 15 godz
Udział w ćwiczeniach audytoryjnych 15 godz
Przygotowanie do zajęć 30 godz
Samodzielne studiowanie tematyki zajęć 30 godz
Pozostałe informacje
Sposób obliczania oceny końcowej:

Zaliczenie przedmiotu następuje na podstawie ocen z laboratorium i ćwiczeń, w tym kolokwium na ostatnich ćwiczeniach, obejmującego cały materiał wykładu. Aktywność na wykładach zwalnia z tego kolokwium.

Wymagania wstępne i dodatkowe:

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

Zalecana literatura i pomoce naukowe:

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.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

- 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.

Informacje dodatkowe:

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