Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Probability and Statistics
Tok studiów:
2017/2018
Kod:
IES-1-202-s
Wydział:
Informatyki, Elektroniki i Telekomunikacji
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Electronics and Telecommunications
Semestr:
2
Profil kształcenia:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma i tryb studiów:
Stacjonarne
Strona www:
 
Osoba odpowiedzialna:
prof. dr hab. inż. Zakrzewska Katarzyna (zak@agh.edu.pl)
Osoby prowadzące:
dr inż. Swatowska Barbara (swatow@agh.edu.pl)
prof. dr hab. inż. Zakrzewska Katarzyna (zak@agh.edu.pl)
Krótka charakterystyka modułu

Opis efektów kształcenia dla modułu zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Powiązania z EKK Sposób weryfikacji efektów kształcenia (forma zaliczeń)
Wiedza
M_W001 Has knowledge of the terms of combinatorics ES1A_W01 Egzamin
M_W002 Has knowledge of the probabilistic description. ES1A_W01, ES1A_W14 Egzamin
M_W003 He has ordered and well-established knowledge of statistical analysis of experimental data. ES1A_W01, ES1A_W06 Egzamin
Umiejętności
M_U001 He can solve tasks using terms of combinatorics. ES1A_U02, ES1A_U01 Egzamin
M_U002 Can calculate the total, conditional and independent probability in relation to specific examples. ES1A_U07 Egzamin
M_U003 He can use the known methods and mathematical models and computer simulations to analyze the experimental data, indicating the confidence intervals and the accuracy of the result. ES1A_U02, ES1A_U01 Egzamin
Kompetencje społeczne
M_K001 He knows that an appropriate probabilistic and statistical analysis can help to understand the importance of the accuracy of the device and its measurement possibilities. ES1A_K01, ES1A_K02 Kolokwium
Matryca efektów kształcenia w odniesieniu do form zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Forma zajęć
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Inne
E-learning
Wiedza
M_W001 Has knowledge of the terms of combinatorics + + - - - - - - - - -
M_W002 Has knowledge of the probabilistic description. + + - - - - - - - - -
M_W003 He has ordered and well-established knowledge of statistical analysis of experimental data. + + - - - - - - - - -
Umiejętności
M_U001 He can solve tasks using terms of combinatorics. + + - - - - - - - - -
M_U002 Can calculate the total, conditional and independent probability in relation to specific examples. + + - - - - - - - - -
M_U003 He can use the known methods and mathematical models and computer simulations to analyze the experimental data, indicating the confidence intervals and the accuracy of the result. + + - - - - - - - - -
Kompetencje społeczne
M_K001 He knows that an appropriate probabilistic and statistical analysis can help to understand the importance of the accuracy of the device and its measurement possibilities. + + - - - - - - - - -
Treść modułu zajęć (program wykładów i pozostałych zajęć)
Wykład:

Classes within the module are carried out in the form of lectures (28 hours) and
computational exercises (14 hours)

WYKŁADY

1. Introduction (2h)
Historical background; the concept of probability; the paradox of the Chevalier de Méré; the role of probability and statistics in science and engineering; type of statistical data and their graphical representation.
2. Probability (4h)
Sample spaces and events; definitions and interpretation of probability, elements of combinatorics (permutations, combinations), conditional probability; independence; Bayes’ theorem; random variables; advanced problems concerning probability.
3. Discrete random variables and probability distributions (4h)
Probability mass function; cumulative distribution function; mean and variance of a discrete random variable; quantiles, median, mode, range, discrete uniform distribution; binomial distribution; hypergeometric distribution; Poisson distribution.
4. Continuous random variables and probability distributions (4h)
Probability density function; normal distribution; exponential distribution; Erlang and Gamma distribution; Weibull distribution; Lognormal distribution; calculations of mean and variance of distributions of continuous random variables; examples of integration.
5. Joint probability distribution (4h)
Two independent variables, linear combinations of random variables, covariance and correlation, simple linear regression, non-linear regression.
6. Estimation of parameters (2h)
General concept of point estimation, population and sampling, losowanie, estimators: consistent, unbiased, efficient, point estimation, statistical intervals for a single sample, confidence intervals, level of confidence.
7. Statistical inference (4h)
Types and verification of hypotheses, parametric tests of significance; errors of type I and II.
8. Application of statistical methods (4h)
Uncertainty in the experimental measurements; statistical physics, quantum mechanical statistics (Fermi-Dirac, Bose-Einsteina).

Ćwiczenia audytoryjne:

Tutorials

1. Combinatorics, the Newton’s symbol (2h).
2. Probability: total, conditional and independent; Bayes Theorem (2h).
3. Random variable and cumulative distribution (2h).
4. Calculating the probability by using density (2h).
5. Introduction to Statistics: average, standard deviation, variance (2h).
6. Regression analysis of the sample data (2h).
7. Calculation of confidence intervals for the different data (1h).
8. Verification what has been learned – final test (1h).

Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 77 godz
Punkty ECTS za moduł 3 ECTS
Udział w wykładach 28 godz
Udział w ćwiczeniach audytoryjnych 14 godz
Samodzielne studiowanie tematyki zajęć 15 godz
Przygotowanie sprawozdania, pracy pisemnej, prezentacji, itp. 20 godz
Pozostałe informacje
Sposób obliczania oceny końcowej:

1. Warunkiem koniecznym uzyskania pozytywnej oceny końcowej OK jest otrzymanie pozytywnej oceny
z ćwiczeń i z egzaminu. Przy czym warunkiem dopuszczenia do egzaminu jest posiadanie oceny pozytywnej z ćwiczeń audytoryjnych/obliczeniowych.
2. Obliczamy średnią ważoną z ocen z ćwiczeń (50%) i egzaminu (50%), a ocena końcowa OK jest obliczana według zależności:

if SW >4.75 then OK:=5.0 (bdb)
if SW >4.25 then OK:=4.5 (db)
if SW >3.75 then OK:=4.0 (db)
if SW >3.25 then OK:=3.5 (dst)
else OK:=3 (dst)

Wymagania wstępne i dodatkowe:

Knowledge of mathematical algebra and analysis and computer skills.

Zalecana literatura i pomoce naukowe:

1. Douglas C. Montgomery, George C. Runger, “Applied Statistics and Probability for Engineers”, Third Edition, John Wiley & Sons, 2003
2. Sobczyk M., “Statystyka”, Wydawnictwo Naukowe PWN, Warszawa, 1996

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

Nie podano dodatkowych publikacji

Informacje dodatkowe:

Brak