Metody komputerowe statystyki
Transkrypt
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.