Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Introduction to statistics
Tok studiów:
2019/2020
Kod:
GBUD-2-106-GE-s
Wydział:
Górnictwa i Geoinżynierii
Poziom studiów:
Studia II stopnia
Specjalność:
Geotechnical Engineering and Underground Construction
Kierunek:
Budownictwo
Semestr:
1
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr hab. inż, prof. AGH Niedoba Tomasz (tniedoba@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Basic concepts of statistics, introductory course.

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Has basic knowledge of the probability theory BUD2A_W01 Wykonanie ćwiczeń,
Kolokwium,
Aktywność na zajęciach
M_W002 Has knowledge about the random step and continuous variables and their distributions BUD2A_W01 Wykonanie ćwiczeń,
Kolokwium,
Aktywność na zajęciach
M_W003 Knows how to take a representative sample for different kinds of random variables BUD2A_W01 Wykonanie ćwiczeń,
Kolokwium,
Aktywność na zajęciach
Umiejętności: potrafi
M_U001 Can use formulas in the field of probability theory in issues of environmental engineering BUD2A_U03 Wykonanie ćwiczeń,
Kolokwium,
Aktywność na zajęciach
M_U002 Can formulate and verify statistical hypotheses using appropriate statistical tests BUD2A_U03 Wykonanie ćwiczeń,
Kolokwium,
Aktywność na zajęciach
M_U003 Can interpret statistical data BUD2A_U03 Wykonanie ćwiczeń,
Praca wykonana w ramach praktyki ,
Kolokwium,
Aktywność na zajęciach
Kompetencje społeczne: jest gotów do
M_K001 Is aware of the importance of proper collection of samples for testing as the main carrier of potential errors BUD2A_K01 Udział w dyskusji,
Kolokwium,
Aktywność na zajęciach
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
45 15 30 0 0 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Has basic knowledge of the probability theory + + - - - - - - - - -
M_W002 Has knowledge about the random step and continuous variables and their distributions + + - - - - - - - - -
M_W003 Knows how to take a representative sample for different kinds of random variables + + - - - - - - - - -
Umiejętności
M_U001 Can use formulas in the field of probability theory in issues of environmental engineering + + - - - - - - - - -
M_U002 Can formulate and verify statistical hypotheses using appropriate statistical tests + + - - - - - - - - -
M_U003 Can interpret statistical data + + - - - - - - - - -
Kompetencje społeczne
M_K001 Is aware of the importance of proper collection of samples for testing as the main carrier of potential errors + + - - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 90 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 45 godz
Przygotowanie do zajęć 20 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 5 godz
Samodzielne studiowanie tematyki zajęć 17 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Dodatkowe godziny kontaktowe 1 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (15h):

Elements of probability, definitions of probability, basic theorems, conditional probability, Bayes’ theorem. Distributions of random variables: Bernoulli distribution, Poisson distribution, uniform distribution, normal, Weibull distribution and
others. Definitions of population, samples, drawing rules, basics of analyzing the results: histograms, moments of trials, basic theorems on statistical distributions.
Confidence intervals for the mean, variance and index structure, patterns for the sample size, sampling rules. Tests of significance – parametric tests for means and variances; nonparametric – tests for independence and compliance. Analysis of correlation and regression. Elements of experiment theory. Factor planning, gradient method and simplex method of searching for optimum. Multivariate data analysis. Selected non-classical methods of statistics.

Ćwiczenia audytoryjne (30h):

1. Probability theory, combinatorics, basic theorems, total probability, conditional probability, Bayes’ formula, Bernoulli scheme.
2. Statistical estimators based on examples from the construction industry.
3. The rules for creating histograms.
4. Distributions of random discrete and continuous variables (binomial distribution, Poisson, normal, log-normal, Student t, chi-square, Weibull and others).
5. Statistical tables and their application.
6. Rules for calculating the density function and distribution function for continuous random variables.
7. Confidence intervals.
8. Calculating the size of a representative sample based on examples from the construction industry. Sample and the general population.
9. Testing statistical hypotheses – parametric and nonparametric tests.
10. Analysis of correlation and regression. Linear regression. Multiple regression.
11. Planning experiments based on examples from the construction industry.
12. Factor analysis and its application.
13. Multivariate data analysis.
14. The use of STATISTICA PL software in data analysis.

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: The content presented at the lectures is provided in the form of a multimedia presentation in combination with a classical lecture panel enriched with demonstrations relating to the issues presented.
  • Ćwiczenia audytoryjne: During the auditorium classes students solve the problems they have previously been asked on the board. The lecturer systematically applies the explanations and moderates the discussion with the group of the given problem.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Credit may be improved if the student showed activity in the classroom.
Form of the test – the test involves the tasks related to the topics covered in class. 2 deadlines (1 basic and 1 retake).

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: Students participate in classes learning further content of teaching according to the syllabus of the subject. Students should constantly ask questions and explain doubts. Audiovisual recording of the lectures is not allowed and requires the teacher's consent.
  • Ćwiczenia audytoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Students joining the classes are required to prepare themselves in the scope indicated each time by the teacher (eg in the form of task sets). Student's work assessment can be based on oral or written statements in the form of a colloquium, which, according to the AGH study regulations, translates into a final grade, in this form of classes.
Sposób obliczania oceny końcowej:

The final grade OK is a weighted average of credit for OC classes and the assessment of the student’s independent work on the basis of OW lectures
OK=0.85 OC+0.15 OW

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

One unexcused absence from classes is allowed. Making up for absences is allowed with other groups.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Mathematics 101

Zalecana literatura i pomoce naukowe:

1. E.B. Satake, V. Jagaroo, D.L. Maxwell. Handbook of Statistical Methods Single Subject Design, Plural Publishing, 2008.
2. G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning, Springer, 2013.
3. M.F. Triola. Elementary Statistics, Pearson, 2012.
4. T. Hastie, R. Tibshirani. The Elements of Statistical Learning: Data Mining, Inference and Prediction, Springer, 2011.
5. M. Kuhn, K. Johnson. Applied Predictive Modeling, Springer, 2013.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

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.: 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.

Informacje dodatkowe:

No data