Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Matematyka Stosowana							Poziom i forma studiów	pierwszego stopnia inżynierskie stacjonarne
Specjalność / Ścieżka dyplomowania	Przedmiot wspólny							Profil kształcenia	praktyczny
Nazwa przedmiotu	Statystyka matematyczna							Kod przedmiotu	MAT1SMA
								Rodzaj przedmiotu	obowiązkowy
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	4
	30				30			Punkty ECTS	5
Przedmioty wprowadzające	Analiza matematyczna 1 (MAT1AM1), Analiza matematyczna 3 (MAT1AM3), Rachunek prawdopodobieństwa (MAT1RPR), Technologie informacyjne (MAT1TIN),
Cele przedmiotu	Zapoznanie studentów z podstawowymi metodami statystyki matematycznej. Wykształcenie umiejętności korzystania z odpowiednich twierdzeń i wzorów. Nauczenie weryfikacji swoich obliczeń. Ukierunkowanie na konieczność wyciągania wniosków oraz formułowania i uzasadniania opinii. Wykształcenie umiejętności korzystania z funkcji statystycznych programu Excel, narzędzia analiza danych w Excel, R oraz w bibliotekach Python'a.
Treści programowe	Wykład: Elementy statystyki opisowej, metody wizualizacji danych, rozkłady prawdopodobieństwa występujące w statystyce, estymatory punktowe i przedziałowe, przedziały ufności, weryfikacja hipotez parametrycznych, testy zgodności, testy niezależności, ANOVA, estymatory współczynnika korelacji i współczynnika regresji. Pracownia specjalistyczna: Elementy statystyki opisowej, metody wizualizacji danych, rozkłady prawdopodobieństwa występujące w statystyce, estymatory punktowe i przedziałowe, przedziały ufności, weryfikacja hipotez parametrycznych, testy zgodności, testy niezależności, ANOVA, estymatory współczynnika korelacji i współczynnika regresji.
Metody dydaktyczne	metoda projektów, ćwiczenia laboratoryjne, dyskusja związana z wykładem, wykład problemowy, wykład informacyjny,
Forma zaliczenia	Wykład - egzamin pisemny. Pracownia specjalistyczna - wejściówki w postaci quizów na platformie e-learningowej, sprawozdania z kolejnych tematów, obserwacja pracy na zajęciach.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	dobiera i rozróżnia odpowiednie modele matematyczne oraz uzasadnia wybrane twierdzenia								K_W02 K_W03 K_W07 K_W13
EU2	wymienia i dobiera odpowiedni model weryfikacji korzystając z teorii estymacji i weryfikacji hipotez próby jednowymiarowej								K_W01 K_W07
EU3	umie prowadzić proste wnioskowania statystyczne, także z wykorzystaniem narzędzi komputerowych								K_U09 K_U12 K_U15
EU4	umie posłużyć się charakterystykami populacji i ich estymatorami								K_U08 K_U09 K_U15
EU5	wymienia i przedstawia podstawowe zastosowania statystyki matematycznej w naukach przyrodniczych, społecznych, technicznych oraz jako narzędzie pracy inżyniera								K_U08 K_U09 K_U11 K_U12 K_U15 K_U18 K_U19 K_K01
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	egzamin								W
EU2	egzamin								W
EU3	wejściówki, ocena sprawozdania z wykonania postawionego zadania								Ps
EU4	wejściówki, ocena sprawozdania z wykonania postawionego zadania								Ps
EU5	obserwacja pracy na zajęciach								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach								30
	2 - Udział w pracowni specjalistycznej								30
	3 - Przygotowanie do pracowni specjalistycznej								15
	4 - Opracowanie sprawozdań z pracowni i/lub wykonanie zadań domowych (prac domowych)								31
	5 - Udział w konsultacjach								5
	6 - Obecność na egzaminie								4
	7 - Przygotowanie do egzaminu								10
RAZEM:									125
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									69 (1)+(6)+(5)+(2)	2.8
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									76 (4)+(3)+(2)	3.0
Literatura podstawowa	1. A. Plucińska, E. Pluciński, Probabilistyka, WNT, Warszawa 2000. 2. W. Krysicki, J. Bartos, W. Dyczka, K. Królikowska, M. Wasilewski, Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, Cz.II, PWN, Warszawa 2004. 3. J. Jóźwiak, J. Podgórski, Statystyka od podstaw, PWE, Warszawa 2012. 4. https://docs.python.org/3/library/statistics.html
Literatura uzupełniająca	1. A. Stanisz Przystępny kurs statystyki w oparciu o program Statistica PL na przykładach z medycyny, Statsoft Polska sp. Z o. o., Kraków 1998. 2. R. Zieliński, W. Zieliński, Tablice statystyczne, PWN, Warszawa 1990. 3. A. Luszniewicz, Statystyka nie jest trudna-metody wnioskowania statystycznego, PWE, Warszawa 1998. 4. H. Kassyk-Rokicka, Statystyka nie jest trudna - mierniki statystyczne. PWE, Warszawa 2001. 5. A. Saha, Doing math with Python: use programming to explore algebra, statistics, calculus and more, No Starch Press; 1st edition, 2015.
Jednostka realizująca	Katedra Matematyki								Data opracowania programu
Program opracował(a)	dr hab. Dorota Mozyrska								2021.04.20