Module also offered within study programmes:
General information:
Name:
Introduction to probability and statistics
Course of study:
2019/2020
Code:
IETP-1-305-n
Faculty of:
Computer Science, Electronics and Telecommunications
Study level:
First-cycle studies
Specialty:
-
Field of study:
Electronics and Telecommunications
Semester:
3
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Part-time studies
Course homepage:
 
Responsible teacher:
dr inż. Swatowska Barbara (swatow@agh.edu.pl)
Module summary

Moduł zapoznaje Studenta z modelami matematycznymi probabilistyki i statystyki oraz z metodami ich wykorzystania:
- podczas projektowania urządzeń,
- przy ocenie dokładności danych pomiarowych.

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: is able to
M_K001 Rozumie konsekwencję projektowania układów o danym czasie życia i wie, że odpowiednia analiza probabilistyczna może pomóc zrozumieć wpływ danej dokładności wykonania urządzenia ETP1A_K02 Examination,
Test
Skills: he can
M_U001 Potrafi wykorzystać poznane metody i modele matematyczne, a także symulacje komputerowe do analizy i oceny działania sieci komputerowych i telekomunikacyjnych ETP1A_U06 Test,
Oral answer
M_U002 Potrafi przygotować i przedstawić krótką prezentację poświęconą wynikom realizacji zadania inżynierskiego z opracowaniem przedziałów ufności i dokładności wyniku ETP1A_U04 Oral answer,
Examination,
Project
Knowledge: he knows and understands
M_W001 Ma wiedzę w zakresie opisu probabilistycznego problemów technicznych ETP1A_W01 Test,
Examination
M_W002 Ma uporządkowaną i podbudowaną wiedzę w zakresie analizy danych otrzymanych w eksperymentach ETP1A_W07 Test,
Examination
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
20 10 10 0 0 0 0 0 0 0 0 0
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
Prace kontr. przejść.
Lektorat
Social competence
M_K001 Rozumie konsekwencję projektowania układów o danym czasie życia i wie, że odpowiednia analiza probabilistyczna może pomóc zrozumieć wpływ danej dokładności wykonania urządzenia + + - - - - - - - - -
Skills
M_U001 Potrafi wykorzystać poznane metody i modele matematyczne, a także symulacje komputerowe do analizy i oceny działania sieci komputerowych i telekomunikacyjnych + + - - - - - - - - -
M_U002 Potrafi przygotować i przedstawić krótką prezentację poświęconą wynikom realizacji zadania inżynierskiego z opracowaniem przedziałów ufności i dokładności wyniku + + - - - - - - - - -
Knowledge
M_W001 Ma wiedzę w zakresie opisu probabilistycznego problemów technicznych + + - - - - - - - - -
M_W002 Ma uporządkowaną i podbudowaną wiedzę w zakresie analizy danych otrzymanych w eksperymentach + + - - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 100 h
Module ECTS credits 4 ECTS
Udział w zajęciach dydaktycznych/praktyka 20 h
Preparation for classes 30 h
Realization of independently performed tasks 50 h
Module content
Lectures (10h):

Zajęcia w ramach modułu prowadzone są w postaci wykładu (10 godzin) oraz ćwiczeń audytoryjnych (10 godzin)

WYKŁADY

1. Wprowadzenie
Rys historyczny, zależność pomiędzy prawdopodobieństwem a statystyką, literatura oraz omówienie zasad zaliczenia. Podanie definicji prawdopodobieństwa.
2. Prawdopodobieństwo – sposoby obliczania
Wzór Bayesa, niezależność zdarzeń, zapis systemów w języku prawdopodobieństwa.
3. Zmienna losowa
4. Gęstość i średnia
Definicja gęstości, gęstość a prawdopodobieństwo, całkowanie pewnych zbiorów, definicja średniej. Wprowadzenie najważniejszych rozkładów.
5. Korelacja i Estymatory
Wprowadzenie pojęcia korelacji. Estymatory średniej i wariancji, pojęcie obciążenia, efektywności i zgodności.
6. Przedział ufności
Pojęcie przedziału ufności, obliczenia dla wartości średniej, przykład innego przedziału ufności

Auditorium classes (10h):

ĆWICZENIA

1. Konstrukcja przestrzeni probabilistycznej, rozumienie losowości – zadania z prawdopodobieństwa
2. Działania na zmiennych losowych
3. Obliczanie prawdopodobieństwa z wykorzystaniem gęstości
4. Analiza regresji przykładowych danych i estymacja parametrów dla danych inżynierskich
5. Obliczanie przedziału ufności dla różnych danych

Additional information
Teaching methods and techniques:
  • Lectures: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Auditorium classes: Podczas zajęć audytoryjnych studenci na tablicy rozwiązują zadane wcześniej problemy. Prowadzący na bieżąco dokonuje stosowanych wyjaśnień i moderuje dyskusję z grupą nad danym problemem.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: No
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Auditorium classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci przystępując do ćwiczeń są zobowiązani do przygotowania się w zakresie wskazanym każdorazowo przez prowadzącego (np. w formie zestawów zadań). Ocena pracy studenta może bazować na wypowiedziach ustnych lub pisemnych w formie kolokwium, co zgodnie z regulaminem studiów AGH przekłada się na ocenę końcową z tej formy zajęć.
Method of calculating the final grade:

1.Warunkiem koniecznym uzyskania pozytywnej oceny końcowej OK jest otrzymanie pozytywnej oceny
z ćwiczeń audytoryjnych i z egzaminu, przy czym warunkiem dopuszczenia do egzaminu jest posiadanie
oceny pozytywnej z ćwiczeń audytoryjnych.
2.Po obliczeniu oceny średniej ważonej według wzoru SW = 0,4• SOC+0,6• SOE, gdzie SOC jest średnią
arytmetyczną ocen uzyskanych we wszystkich terminach z ćwiczeń audytoryjnych, a SOE jest średnią
arytmetyczną ocen uzyskanych we wszystkich terminach z egzaminu, ocena końcowa OK jest obliczana
według zależności:
SW >4.75 to OK=5.0 (bdb)
4.75>SW>4.25 to OK=4.5 (pdb)
4.25>SW>3.75 to OK=4.0 (db)
3.75>SW>3.25 to OK=3.5 (pdst)
3.25>SW>3.0 to OK=3.0 (dst)

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Prerequisites and additional requirements:

Znajomość algebry i analizy wektorów.

Recommended literature and teaching resources:

1. Plucińska A., Pluciński E., “Probabilistyka Rachunek prawdopodobieństwa, statystyka matematyczna,
procesy stochastyczne”, Wydawnictwa Naukowo-Techniczne, 2000
2. Jakubowski J., Sztencel R., “Wstęp do teorii prawdopodobieństwa”, SCRIPT, 2000
3. Sobczyk M., “Statystyka”, Wydawnictwo Naukowe PWN, Warszawa, 1996
4. Douglas C. Montgomery, George C. Runger, “Applied Statistics and Probability for Engineers”, Third
Edition, John Wiley & Sons, 2003

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

1. B. Swatowska, W. Maziarz, Ł. Więckowski, „Parametry i zastosowanie modułu słonecznego na bazie krzemowych ogniw multikrystalicznych” (Parameters and application of PV module on base multicrystalline silicon solar cells), Elektronika, Nr 5 (2010) 29-31
2. B. Swatowska, T. Stapiński, „Amorphous hydrogenated silicon-nitride films for applications in solar cells”, Vacuum, 82 (2008) 942-946

Additional information:

W ramach przedmiotu studenci zapoznają się także z programem Statistica, stosowanym do
profesjonalnych analiz statystycznych.