Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Statystyka i przetwarzanie danych
Tok studiów:
2018/2019
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
Osoba odpowiedzialna:
prof. dr hab. inż. Kulczycki Piotr (kulczycki@agh.edu.pl)
Osoby prowadzące:
prof. dr hab. inż. Kulczycki Piotr (kulczycki@agh.edu.pl)
mgr inż. Gołaszewski Grzegorz (ggolasz@agh.edu.pl)
Krótka charakterystyka modułu

Tematyka obejmuje podstawy rachunku prawdopodobieństwa oraz statystyki matematycznej (estymacja, testowanie hipotez, wspomaganie decyzji), a także wstęp do statystycznego przetwarzania danych.

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_W002 Znajomość podstaw rachunku prawdopodobieństwa. IS1A_W01, IS1A_W04, IS1A_W02 Kolokwium
M_W003 Znajomość metod aplikacyjnych statystyki matematycznej. IS1A_W01, IS1A_W04, IS1A_W02 Kolokwium
M_W004 Znajomość podstawowych zagadnień statystycznego przetwarzania danych. IS1A_W04, IS1A_W02 Kolokwium
Umiejętności
M_U001 Interpretacja wielkości probabilistycznych. IS1A_U03, IS1A_U05, IS1A_U01, IS1A_U04, IS1A_U02, IS1A_U07 Kolokwium
M_U002 Praktyczne użycie procedur statystyki matematycznej. IS1A_U03, IS1A_U05, IS1A_U01, IS1A_U04, IS1A_U02, IS1A_U07 Kolokwium
M_U003 Stosowanie podstawowych algorytmów przetwarzania danych. IS1A_U03, IS1A_U05, IS1A_U01, IS1A_U04, IS1A_U02, IS1A_U07 Kolokwium
Kompetencje społeczne
M_K001 Praca zespołowa. IS1A_K01 Aktywność na zajęciach
M_K002 Profesjonalność i etyka. IS1A_K01 Aktywność na zajęciach
M_K003 Konieczność ustawicznego samokształcenia. IS1A_K01 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_W002 Znajomość podstaw rachunku prawdopodobieństwa. + + + - - - - - - - -
M_W003 Znajomość metod aplikacyjnych statystyki matematycznej. + + + - - - - - - - -
M_W004 Znajomość podstawowych zagadnień statystycznego przetwarzania danych. + - + - - - - - - - -
Umiejętności
M_U001 Interpretacja wielkości probabilistycznych. + + + - - - - - - - -
M_U002 Praktyczne użycie procedur statystyki matematycznej. + + + - - - - - - - -
M_U003 Stosowanie podstawowych algorytmów przetwarzania danych. + - + - - - - - - - -
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. Zagadnienia dodatkowe

    Przykłady zastosowań do zagadnień współczesnej inżynierii, ekonometrii i socjologii.
    Wykorzystanie współczesnych technik informacyjnych.

  2. Wprowadzenie

    Przedmiot probabilistyki; rachunek prawdopodobieństwa, procesy stochastyczne,
    statystyka matematyczna.
    Inne rodzaje opisu nieokreśloności; nieprecyzyjność – logika rozmyta, arytmetyka przedziałowa.
    Analiza i eksploracja danych; metody statystyczne, inteligencja obliczeniowa.

  3. 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.

  4. 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.

  5. Przetwarzanie danych

    Wstęp do zagadnień przetwarzania danych.
    Specyfika danych masowych i strumieniowych.
    Wstępna obróbka danych, elementy nietypowe (odosobnione).
    Czasowa złożoność obliczeniowa.

Ćwiczenia laboratoryjne:
Laboratorium

Zajęcia wprowadzające.
Generatory liczb pseudolosowych; typowe rozkłady prawdopodobieństwa.
Estymacja parametryczna.
Estymacja nieparametryczna.
Testowanie hipotez statystycznych.
Przetwarzanie danych.
Temat opcjonalny: wspomaganie decyzji.
Zajęcia zaliczeniowe.

Ćwiczenia audytoryjne:
Ćwiczenia audytoryjne

Ćwiczenia ilustracyjne i obliczeniowe zgodne z tematyką wykładu.
Sprawdziany wiadomości z przedmiotu (końcowy obejmuje całość materiału wykładu i ćwiczeń).

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:

Ocena końcowa jest średnią arytmetyczną ocen laboratorium komputerowego i ćwiczeń audytoryjnych (ćwiartki zaokrąglane są “w dół”: n,25 → n,0; n,75 → n,5).

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.
- Rozdziały w pracach zbiorowych:
1. G. Gołaszewski, „Similarity-based outlier detection in multiple time series”, w: Information Technology, Systems Research, and Computational Physics, P. Kulczycki, J. Kacprzyk, L.T. Kóczy, R. Mesiar, R. Wisniewski, Springer, Cham, w druku.

Informacje dodatkowe:

Dopuszczalna jest jedna nieobecność nieusprawiedliwiona, zarówno na laboratorium jak i ćwiczeniach. Nieobecności (także usprawiedliwione) na zajęciach z laboratorium wymagają odrobienia w formie i terminie uzgodnionych z prowadzącym. Połowa nieobecności na laboratorium lub ćwiczeniach skutkuje brakiem zaliczenia z tej formy zajęć.