Metody komputerowe statystyki

Nazwa przedmiotu:
Metody komputerowe statystyki
Computer Methods in Statistics
Kierunek:
Matematyka
Rodzaj przedmiotu:
przedmiot obowiązkowy dla
specjalności matematyka
przemysłowa
Rodzaj zajęć:
wykład, laboratorium
Poziom kwalifikacji:
II stopnia
Semestr: IV
Liczba godzin/tydzień:
2W, 3L
Liczba punktów:
4 ECTS
PRZEWODNIK PO PRZEDMIOCIE
I KARTA PRZEDMIOTU
CEL PRZEDMIOTU
C1. Zapoznanie studentów z teorią regresji oraz jej zastosowaniami w opisie problemów
pojawiających się w zagadnieniach przemysłowych.
C2. Wskazanie studentom zasad doboru i analizy modeli regresji. Pokazanie znaczenia tych modeli
w procesie analizy danych pochodzących z procesów przemysłowych.
C3. Wskazanie studentom zastosowań testów nieparametrycznych w analizie zjawisk zachodzących
w przemyśle.
WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
1.
Wiedza z zakresu rachunku prawdopodobieństwa podstaw statystyki matematycznej, algebry
liniowej, podstaw teorii miary.
EFEKTY KSZTAŁCENIA
EK1 – Student formułuje definicje oraz twierdzenia leżące u podstaw analizy regresji.
EK2 – Student właściwie dobiera modele analizy regresji do opisu zagadnień przemysłowych. Student
stosuje najważniejsze metody weryfikacji poprawności otrzymanych modeli.
EK3 – Student formułuje i odpowiednio dobiera podstawowe testy nieparametryczne.
EK4 – Student posługuje się pakietem statystycznym w zakresie analizy regresji i weryfikacji hipotez
statystycznych.
TREŚCI PROGRAMOWE
Forma zajęć – WYKŁADY
W 1 – Teoretyczne podstawy analizy regresji.
W 2, 3 – Analiza regresji w modelowaniu zagadnień pochodzących z przemysłu.
W 4 – Istotne aspekty obliczeniowe pojawiające się w analizie regresji: obserwacje
odstające i ważące, współliniowość zmiennych objaśniających.
W 5, 6 – Struktura danych przemysłowych a dobór estymatora: estymator MNK,
estymator najmniejszej sumy odchyleń absolutnych, estymator grzbietowy.
W 7 – Budowa modelu regresji liniowej na podstawie danych pochodzących z przemysłu.
W 8, 9 – Elementy statystycznej kontroli procesu produkcyjnego: karty kontrolne dla
cech ocenianych liczbowo, karty kontrolne dla cech ocenianych alternatywnie.
W 10 – Wybrane metody nieparametryczne: test rangowanych znaków Wilcoxona
W 11 – Test Kruskala-Wallisa – nieparametryczna alternatywa testu jednorodności wielu
średnich.
Liczba
godzin
2
4
2
4
2
4
2
2
W 12 – Test zgodności chi-kwadrat.
W 13 – Test niezależności chi-kwadrat - analiza tablic wielodzielczych.
W 14 – Test jednorodności chi-kwadrat.
W 15 – Test zaliczeniowy.
Forma zajęć – laboratorium
L 1 – Metody obliczeniowe w estymacji parametrów regresji – możliwości współczesnych
pakietów statystycznych.
L 2 –Estymacja parametrów regresji – przykłady zastosowań dla danych uzyskanych w
procesach przemysłowych.
L 3 – Wyodrębnianie obserwacji odstających i ważących.
L 4, 5 – Dobór estymatorów modelu regresji w zależności od charakterystyk danych
przemysłowych.
L 6, 7, 8 – Karty kontrolne, wykresy i analiza.
L 9 – Wybrane metody nieparametryczne: test rangowanych znaków Wilcoxona.
L 10 – Test Kruskala-Wallisa - przykład zastosowania.
L 11 – Praktyczne przykłady zastosowania testu zgodności chi-kwadrat.
L 12 – -Analiza tablic wielodzielczych - test niezależności chi-kwadrat.
L 13 – Test jednorodności chi-kwadrat.
L 14, 15 – Prezentacja prac zaliczeniowych.
2
2
2
2
Liczba
godzin
3
3
3
6
9
3
3
3
3
3
6
NARZĘDZIA DYDAKTYCZNE
1. – wykład z wykorzystaniem prezentacji multimedialnych
2. – materiały wykładowe w wersji elektronicznej
3. – zestawy zadań do samodzielnego rozwiązania w formie elektronicznej
4. – zajęcia w laboratorium komputerowym
SPOSOBY OCENY ( F – FORMUJĄCA, P – PODSUMOWUJĄCA)
F1. – ocena przygotowania do zajęć laboratoryjnych i aktywności podczas zajęć
F2. – ocena umiejętności stosowania zdobytej wiedzy do rozwiązywania problemów praktycznych
F3. – ocena z kontrolowanej pracy własnej
F4. – ocena z umiejętności wykorzystania pakietu komputerowego w zakresie budowania modeli i
weryfikacji hipotez nieparametrycznych
P1. – ocena umiejętności rozwiązywania postawionych problemów oraz sposobu prezentacji
uzyskanych wyników – prezentacja pracy zaliczeniowej
P2. – ocena opanowania materiału nauczania będącego przedmiotem wykładu – test sprawdzający
OBCIĄŻENIE PRACĄ STUDENTA
Forma aktywności
Godziny kontaktowe z prowadzącymi
Zapoznanie się ze wskazaną literaturą
Przygotowanie do zajęć laboratoryjnych
Przygotowanie samodzielnej pracy zaliczeniowej
Przygotowanie do testu zaliczeniowego
Obecność na konsultacjach
Suma
Średnia liczba godzin na
zrealizowanie aktywności
30W 45L → 75 h
5h
5h
5h
5h
5h
100 h
SUMARYCZNA LICZBA PUNKTÓW ECTS DLA PRZEDMIOTU
Liczba punktów ECTS, którą student uzyskuje na zajęciach
wymagających bezpośredniego udziału prowadzącego
4 ECTS
3,2 ECTS
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o
charakterze praktycznym, w tym zajęć laboratoryjnych i
projektowych
2,6 ECTS
LITERATURA PODSTAWOWA I UZUPEŁNIAJĄCA
1. D. Birkes, Y. Dodge, Alternative methods of regression, Wiley & Sons, New York, 1993.
2. L. Gajek, M. Kałuszka, Wnioskowanie statystyczne : modele i metody, WNT, 1999.
3. W. H. Greene, Econometric Analysis, Prentice Hall, 2002.
4. M. Maliński, Wybrane zagadnienia statystyki matematycznej w Excelu i pakiecie Statistica,
Wydawnictwo Politechniki Śląskiej, Gliwice, 2010.
5. J. O. Rawlings, S. G. Pantula, D. A. Dickey, Applied regression analysis, Springer-Verlag, New York,
2001
PROWADZĄCY PRZEDMIOT ( IMIĘ, NAZWISKO, ADRES E-MAIL)
1. dr Jolanta Borowska, [email protected]
MATRYCA REALIZACJI I WERYFIKACJI EFEKTÓW KSZTAŁCENIA
Efekt
kształcenia
Odniesienie
danego efektu do
efektów
zdefiniowanych
dla kierunku
Matematyka
Cele
przedmiotu
Treści
programowe
Narzędzia
dydaktyczne
Sposób
oceny
EK1
K_W02, K_W09,
KMP_W01,
KMP_W02,
K_U11, K_U12,
KMP_U01,
K_K01, K_K02,
K_K06
C1, C2, C3
W1-W10
1-3
F2, P2
EK2
K_W02, K_W09,
KMP_W01,
KMP_W02,
K_U11, K_U12,
KMP_U01,
K_K01, K_K02,
K_K04, K_K06
C1, C2
L1-L5, L11
1-4
F1, F2, F3,
F4, P1
EK3
K_W02, K_W09,
KMP_W01,
KMP_W02,
K_U11, K_U12,
KMP_U01, K_K01,
K_K02, K_K04,
K_K06
C1, C3
L6-L10, L11
1-4
F1, F2, F3,
F4, P1
EK4
K_W08, K_W12,
K_U21, KMP_U01,
K_K01, K_K02,
K_K04, K_K06
C1, C2, C3
L1-L11
3-4
F1, F2, F3,
F4, P1
II. FORMY OCENY - SZCZEGÓŁY
Na ocenę 2
EK 1
EK 2
Na ocenę 3
Na ocenę 4
Na ocenę 5
Student nie
wykazuje efektów
wymaganych na
ocenę dst.
Student formułuje
większość definicji i
twierdzeń podanych
na wykładzie. Student
przeprowadza dowody
najprostszych
twierdzeń.
Student formułuje
większość definicji i
twierdzeń podanych
na wykładzie. Dowodzi
większość twierdzeń.
Student spełnia
wymagania na
ocenę db oraz
dodatkowo wyciąga
prawidłowo wnioski
z twierdzeń.
Student nie
wykazuje efektów
wymaganych na
ocenę dst.
Student właściwie
dobiera modele
analizy regresji do
opisu prostych
problemów
występujących w
problemach
pojawiających się w
przemyśle. Student
weryfikuje większość
założeń występujących
w analizie regresji.
Student właściwie
dobiera modele
analizy regresji dla
bardziej
zaawansowanych
zagadnień. Student
weryfikuje wszystkie
założenia występujące
w analizie regresji.
Student spełnia
wymagania na
ocenę db.
Dodatkowo
formułuje
alternatywne
modele w przypadku
gdy nie wszystkie
założenia są
spełnione.
EK 3
EK 4
Student nie
wykazuje efektów
wymaganych na
ocenę dst.
Student poprawnie
formułuje większość
poznanych testów
nieparametrycznych.
Potrafi dobrać
odpowiedni test dla
większości
rozważanych
problemów
przemysłowych.
Student poprawnie
formułuje wszystkie
poznane testy
nieparametryczne.
Potrafi dobrać
odpowiednią metodę
testowania dla
każdego z
rozważanych
problemów
przemysłowych.
Student spełnia
wymagania na
ocenę db.
Dodatkowo student
wskazuje zakres
stosowalności
poznanych testów
nieparametrycznych
Student nie
wykazuje efektów
wymaganych na
ocenę dst.
Student posługuje się
podstawowymi
funkcjami pakietu
komputerowego w
zakresie budowania i
weryfikacji modeli
analizy regresji oraz
stosowania metod
nieparametrycznych
dla zagadnień
przemysłowych.
Student posługuje się
bardziej
zaawansowanymi
funkcjami pakietu
komputerowego w
zakresie budowania i
weryfikacji modeli
analizy regresji oraz
stosowania metod
nieparametrycznych
dla zagadnień
przemysłowych.
Student spełnia
wymagania na
ocenę db.
Dodatkowo
wykorzystuje
zbudowane modele
analizy regresji w
celu prognozowania
możliwych wartości
zmiennej zależnej.
Dopuszcza się wystawienie oceny połówkowej o ile student spełniający wszystkie efekty kształcenia
wymagane do oceny pełnej spełnia niektóre efekty kształcenia odpowiadające ocenie wyższej
III. INNE PRZYDATNE INFORMACJE O PRZEDMIOCIE
1.
Informacja na temat konsultacji przekazywana jest studentom podczas pierwszych zajęć z
przedmiotu.