Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Analiza danych

Informacje ogólne

Kod przedmiotu: 1000-M1ADA
Kod Erasmus / ISCED: (brak danych) / (0541) Matematyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Analiza danych
Jednostka: Wydział Matematyki i Informatyki
Grupy: Mat+Fiz, I st., stacjonarne, 3 rok, przedmioty obowiązkowe
Mat+Inf, I st., stacjonarne, 3 rok, przedmioty obowiązkowe
Punkty ECTS i inne: 2.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: polski
Wymagania wstępne:

Zaliczenie przedmiotu Rachunek prawdopodobieństwa.

Rodzaj przedmiotu:

przedmiot obowiązkowy

Całkowity nakład pracy studenta:

- godziny realizowane z udziałem nauczycieli: 30 godz. (15 godz. wykład + 15 godz. laboratorium),

- praca własna (bieżące przygotowanie do zajęć, studiowanie literatury): 12 godz.,

- czas poświęcony na przygotowanie do zaliczenia i zaliczenie: 8 godz.

Razem: 50 godzin (2 pkt ECTS).

Efekty uczenia się - wiedza:

W1: zna podstawy rachunku prawdopodobieństwa w stopniu wystarczającym do opisu i analizy eksperymentu losowego i przeprowadzania prostego rozumowania statystycznego (K_W06),

W2: zna podstawowe metody statystyki opisowej i matematycznej, w tym zasady tworzenia wykresów statystycznych, estymacji oraz testowania hipotez parametrycznych (K_W02).

Efekty uczenia się - umiejętności:

U1: potrafi zbudować i przeanalizować model matematyczny eksperymentu losowego (K_U21),

U2: umie posługiwać się statystycznymi charakterystykami populacji i ich odpowiednikami próbkowymi, potrafi przeprowadzić proste rozumowanie statystyczne, także z wykorzystaniem narzędzi komputerowych (K_U22).

U3: pracuje systematycznie i umie samodzielnie realizować uzgodnione cele; dotrzymuje terminów (K_U24, K_U26).

Efekty uczenia się - kompetencje społeczne:

K1: jest gotów do krytycznej oceny swojej wiedzy i dalszego jej doskonalenia z wykorzystaniem różnych źródeł informacji (K_K03),

K2: jest gotów do pokonywania trudności stojących na drodze do realizacji założonego celu i systematycznej pracy nad wszelkimi projektami (K_K04).

Metody dydaktyczne:

Wykład informacyjny (konwencjonalny), pokaz, metoda laboratoryjna.

Metody dydaktyczne eksponujące:

- pokaz

Metody dydaktyczne podające:

- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące:

- laboratoryjna

Skrócony opis:

Przedmiot ten może być zalecony przez komisję kwalifikacyjną jako przedmiot wyrównawczy uczestnikom studiów 2. stopnia, którzy nie osiągnęli efektów kształcenia tego przedmiotu w trakcie studiów 1. stopnia.

Celem wykładu jest elementarne wprowadzenie w problematykę analizy i eksploracji danych.

Ćwiczenia prowadzone będą w laboratorium z używaniem programu R i pakietu SPSS.

Pełny opis:

Typowe problemy analizy danych, przykłady. Etapy badania statystycznego.

Zmienne i typy zmiennych. Rozkład częstości zmiennej. Graficzne przedstawienie danych.

Statystyka opisowa. Miary położenia, rozproszenia, asymetrii, koncentracji.

Wstępna obróbka danych.

Wnioskowanie statystyczne. Estymacja parametrów rozkładów, testowanie hipotez statystycznych.

Literatura:

Literatura podstawowa:

Koronacki J., Mielniczuk J. Statystyka. WNT, Warszawa, 2001.

Larose D. T. Metody i modele eksploracji danych. PWN, Warszawa, 2008.

Literatura uzupełniająca:

Brandt S. Analiza danych. PWN, Warszawa, 1998.

Stanisz A. Przystępny kurs statystyki, tom 1. StatSoft Polska, Kraków, 1998.

Metody i kryteria oceniania:

Zaliczenie wykładu i zaliczenie ćwiczeń.

Zaliczenie wykładu weryfikuje efekty W1, W2, U1, U2, K1.

Zaliczenie ćwiczeń weryfikuje efekty W2, U1, U2, U3, K2.

Praktyki zawodowe:

Nie dotyczy.

Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)

Okres: 2022-02-21 - 2022-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin, 16 miejsc więcej informacji
Wykład, 15 godzin, 30 miejsc więcej informacji
Koordynatorzy: Aleksander Zaigrajew
Prowadzący grup: Wojciech Rejchel, Aleksander Zaigrajew
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie
Laboratorium - Zaliczenie
Wykład - Zaliczenie

Zajęcia w cyklu "Semestr letni 2022/23" (zakończony)

Okres: 2023-02-20 - 2023-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin, 16 miejsc więcej informacji
Wykład, 15 godzin, 30 miejsc więcej informacji
Koordynatorzy: Aleksander Zaigrajew
Prowadzący grup: Wojciech Rejchel, Aleksander Zaigrajew
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie
Laboratorium - Zaliczenie
Wykład - Zaliczenie

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-20 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin, 16 miejsc więcej informacji
Wykład, 15 godzin, 30 miejsc więcej informacji
Koordynatorzy: Aleksander Zaigrajew
Prowadzący grup: Liliia Bozhukha, Aleksander Zaigrajew
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie
Laboratorium - Zaliczenie
Wykład - Zaliczenie
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)