Module also offered within study programmes:
General information:
Name:
Statistics in Management
Course of study:
2019/2020
Code:
AMAT-2-026-MU-s
Faculty of:
Applied Mathematics
Study level:
Second-cycle studies
Specialty:
Insurance Mathematics
Field of study:
Mathematics
Semester:
0
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr hab. Malczak Jan (malczak@agh.edu.pl)
Module summary

Wiedza w zakresie statystyki matematycznej. Główne pojęcia, koncepcje i twierdzenia. Podstawowe pakiety statystyczne. Zastosowania statystyki w zarządzaniu.

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 potrzebę popularnego przedstawiania laikom efektów badań statystycznych MAT2A_K05 Activity during classes
Skills: he can
M_U001 Potrafi stosować metody statystyczne do kontroli jakości MAT2A_U12, MAT2A_U11, MAT2A_U04, MAT2A_U18, MAT2A_U16 Oral answer,
Test,
Examination,
Activity during classes
M_U002 Umie zaprojektować i przeprowadzić badania sondażowe i inne analizy przydatne w praktyce zarządzania MAT2A_U11, MAT2A_U16 Oral answer,
Test,
Examination,
Activity during classes
M_U003 Umie budować modele prognozy w oparciu o analizę szeregów czasowych MAT2A_U16 Oral answer,
Test,
Examination,
Activity during classes
Knowledge: he knows and understands
M_W001 Zna podstawowe zagadnienia wnioskowania statystycznego i umie interpretować rezultaty w wyniku ich użycia MAT2A_U12, MAT2A_W04 Oral answer,
Test,
Examination,
Activity during classes
M_W002 Zna metody nieparametryczne i potrafi je wykorzystać w praktyce biznesowej MAT2A_W12, MAT2A_W04 Oral answer,
Test,
Examination,
Activity during classes
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
60 30 30 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 potrzebę popularnego przedstawiania laikom efektów badań statystycznych + + - - - - - - - - -
Skills
M_U001 Potrafi stosować metody statystyczne do kontroli jakości + + - - - - - - - - -
M_U002 Umie zaprojektować i przeprowadzić badania sondażowe i inne analizy przydatne w praktyce zarządzania + + - - - - - - - - -
M_U003 Umie budować modele prognozy w oparciu o analizę szeregów czasowych + + - - - - - - - - -
Knowledge
M_W001 Zna podstawowe zagadnienia wnioskowania statystycznego i umie interpretować rezultaty w wyniku ich użycia + + - - - - - - - - -
M_W002 Zna metody nieparametryczne i potrafi je wykorzystać w praktyce biznesowej + + - - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 152 h
Module ECTS credits 6 ECTS
Udział w zajęciach dydaktycznych/praktyka 60 h
Preparation for classes 50 h
Realization of independently performed tasks 40 h
Examination or Final test 2 h
Module content
Lectures (30h):

1.Wybrane zagadnienia statystyki opisowej:
skale pomiarowe, wstępna analiza i metody prezentacji danych, dobór próby losowej (reprezentatywność, losowość próby, sposób losowania, dobór liczebności), podstawy projektowania ankiet.
2. Metody nieparametryczne – testy znaków (klasyczny, McNemara, Coxa-Stuarta)
Testy serii: losowość, Walda-Wolfowitza.
Testy rangowe: U Manna-Whitneya, Wilcoxona
Testy rangowe: H Kruskala-Wallisa, współczynnik korelacji rang Spermana
Testy Chi-kwadrat: zgodności, niezależności.
3.Wprowadzenie do szeregów czasowych.
Podstawowe typy jednowymiarowych szeregów czasowych: biały szum, AR, AR, MA, ARMA
Stacjonarność szeregów czasowych: kryteria stacjonarności, integracja, modele ARIMA
4.Modelowanie przy pomocy szeregów typu ARIMA: określenie rzędów szeregów czasowych
Funkcje ACF i PACF, schemat Boxa-Jenkinsa
5.Dekompozycja i wygładzenie szeregów czasowych: dekompozycja addytywna
i multiplikatywna
6.Wygładzanie metodą średnich ruchomych
7.Przykłady filtrów liniowych i nieliniowych.
8.Statystyczna kontrola jakości: statystyka i jakość, karty kontrolne.
9.Statystyki bayesowskie i analiza decyzji: drzewa decyzyjne, użyteczność, wartość informacji. 10.Zastosowania w zarządzaniu.

Auditorium classes (30h):
Program ćwiczeń pokrywa się z programem wykładów

Rozwiązywanie problemów (głównie związanych z zagadnieniami praktycznymi) ilustrujących treści przekazywanych na kolejnych wykładach

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:

Dwa terminy zaliczeń poprawkowych są skorelowane czasowo z egzaminami poprawkowymi.

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: Yes
    – 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:

Max liczba punktów: 100
Egzamin końcowy : 50 pkt.
Ćwiczenia (kolokwia): 50 pkt.

  1. Ocena końcowa stanowi sumę punktów zebranych z egzaminu oraz ćwiczeń pod warunkiem uzyskania na egzaminie min. 50% pkt.
  2. Te same zasady punktowania (wliczanie pkt. z ćwiczeń) dotyczą terminu poprawkowego.
  3. Skala ocen:
    90 – 100 bardzo dobry(5,0)
    80 – 89 plus dobry (4,5)
    70 – 79 dobry (4,5)
    60 – 69 plus dostateczny(3,5)
    50 – 59 plus dostateczny (3,5)
    Poniżej 50: niedostateczny (2,0)
Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Student powinien zgłosić się do prowadzącego w celu ustalenia indywidualnego sposobu nadrobienia zaległości.

Prerequisites and additional requirements:

Znajomość statystyki na poziomie licencjackim

Recommended literature and teaching resources:
  1. T. F. Jabłoński, Statystyka w biznesie, WSB-NLU, 2001
  2. A. D. Aczel; Statystyka w zarządzaniu, PWN 2000
  3. R. Carter Hill, W. Griffiths, G. Judge, Undergraduate Econometrics, John Wiley & Sons 1997
Scientific publications of module course instructors related to the topic of the module:

1. Kopp, Ekkehard; Malczak, Jan; Zastawniak, Tomasz
Probability for finance; Mastering Mathematical Finance. Cambridge: Cambridge University Press (2014).

2. Kostrzewski, Maciej; Bayesian inference for the jump-diffusion model with M jumps; Commun. Stat., Theory Methods 43, No. 18, 3955-3985 (2014).

Additional information:

None