Statystyka 2700-M-ZBD-D1STAT
Podczas zajęć laboratoryjnych realizowane są następujące zagadnienia:
1. Prezentacja i charakterystyka danych statystycznych – tabelaryczne i graficzne metody prezentacji danych, obliczanie i interpretacja podstawowych statystyk opisowych.
2. Analiza rozkładów zmiennych – miary zróżnicowania, asymetrii i kurtozy oraz ich interpretacja z wykorzystaniem programu Statistica i Python.
3. Analiza współzależności zmiennych – współczynnik korelacji liniowej Pearsona, współczynnik korelacji rang Spearmana oraz współczynnik zbieżności T-Czuprowa.
4. Prosta regresja liniowa – estymacja parametrów modelu, ocena dopasowania oraz interpretacja wyników.
5. Praktyczne zastosowanie analizy korelacji i regresji – wykonywanie analiz statystycznych oraz interpretacja wyników w programie Statistica i Python.
6. Wieloraka regresja liniowa – budowa modelu, estymacja parametrów, ocena dopasowania i interpretacja wyników.
7. Weryfikacja hipotez statystycznych – formułowanie hipotez, dobór testów statystycznych, test t-Studenta oraz interpretacja wyników z wykorzystaniem programu Statistica i Python.
8. Nieparametryczne testy statystyczne – porównywanie dwóch prób niezależnych z wykorzystaniem testu U Manna–Whitneya.
9. Porównywanie wariancji w dwóch populacjach – zastosowanie testu F-Fishera dla dwóch prób niezależnych.
10. Analiza wariancji (ANOVA) – jednoczynnikowa analiza wariancji, porównywanie średnich w wielu grupach oraz interpretacja wyników.
11. Analiza zależności cech jakościowych – test niezależności chi-kwadrat, analiza tablic kontyngencji, w tym tablic czteropolowych.
12. Wielowymiarowe techniki eksploracyjnej analizy danych – podstawowe metody analizy wielowymiarowej oraz interpretacja uzyskanych wyników.
13. Analiza szeregów czasowych i prognozowanie – identyfikacja podstawowych składników szeregu czasowego, analiza zmian zjawisk w czasie oraz zastosowanie wybranych metod prognozowania.
14. Podstawy eksploracji danych tekstowych (text mining) i analizy sentymentu – przygotowanie i analiza danych tekstowych, podstawowa klasyfikacja opinii oraz prezentacja i interpretacja wyników z wykorzystaniem narzędzi Statistica Text Miner i Python.
Koordynatorzy przedmiotu
Efekty uczenia się
W zakresie wiedzy – Student zna i rozumie:
1. Podstawowe i zaawansowane miary statystyki opisowej, metody analizy współzależności zmiennych ilościowych i jakościowych oraz zasady ich interpretacji.
2. Zasady formułowania i weryfikacji hipotez statystycznych, metody wnioskowania statystycznego, analizy regresji, analizy wariancji oraz analizy szeregów czasowych i prognozowania.
3. Podstawowe pojęcia i zasady eksploracji danych tekstowych (text mining), w tym analizy sentymentu i klasyfikacji opinii.
W zakresie umiejętności – Student potrafi:
1. Opracowywać i analizować dane statystyczne, obliczać i interpretować miary statystyki opisowej oraz badać współzależności między zmiennymi.
2. Przeprowadzać analizy statystyczne, dobierać odpowiednie metody i testy statystyczne, wykonywać obliczenia oraz przedstawiać wyniki w formie tabelarycznej i graficznej z wykorzystaniem programów Statistica i Python.
3. Formułować i weryfikować hipotezy statystyczne, stosować metody wnioskowania statystycznego, interpretować uzyskane wyniki oraz formułować na ich podstawie wnioski.
4. Analizować szeregi czasowe, stosować podstawowe metody prognozowania oraz wykorzystywać wybrane metody eksploracji danych tekstowych, w tym przeprowadzać podstawową klasyfikację opinii i analizę sentymentu.
5. Stosować wybrane wielowymiarowe techniki eksploracyjnej analizy danych oraz interpretować wyniki uzyskane z wykorzystaniem odpowiedniego oprogramowania statystycznego.
W zakresie kompetencji społecznych – Student jest gotów do:
1. Świadomego wykorzystywania metod statystycznych i analizy danych, w tym danych tekstowych, w procesie podejmowania decyzji gospodarczych oraz formułowania i przekazywania wniosków w sposób syntetyczny, zrozumiały i oparty na wynikach analiz.
2. Krytycznej oceny wyników analiz statystycznych, w tym uzyskanych z wykorzystaniem narzędzi informatycznych i sztucznej inteligencji, oraz przyjmowania odpowiedzialności za poprawność ich interpretacji i merytoryczne uzasadnienie formułowanych wniosków.
Kryteria oceniania
Główną formą zaliczenia przedmiotu jest egzamin praktyczny w formie zestawu zadań do rozwiązania w programie Statistica lub Python.
Egzamin obejmuje:
• obliczanie i interpretację statystyk opisowych,
• prezentację tabelaryczną i graficzną danych,
• badanie współzależności zmiennych,
• dobór i przeprowadzanie testów statystycznych,
• weryfikację hipotez statystycznych,
• analizę regresji,
• analizę szeregów czasowych i podstawowe metody prognozowania,
• podstawy analizy danych tekstowych i sentymentu.
Kryteria oceny obejmują:
• poprawność wykonania obliczeń i analiz,
• prawidłowe wykorzystanie programu Statistica,
• właściwy dobór metod statystycznych,
• poprawną interpretację i prezentację wyników.
W przypadku wykorzystania podczas egzaminu narzędzi opartych na sztucznej inteligencji student ponosi pełną odpowiedzialność za poprawność przedstawionego rozwiązania oraz
jego merytoryczną weryfikację. Odpowiedzi i wyniki wygenerowane przez narzędzia AI
wymagają samodzielnego sprawdzenia i uzasadnienia. W przypadku stwierdzenia, że student nie potrafi wyjaśnić zastosowanej metody, toku obliczeń lub uzasadnić otrzymanego wyniku, odpowiednia część pracy nie będzie uwzględniana przy ocenie.
Prowadzący może wykorzystać dostępne narzędzia wspomagające analizę autorstwa pracy. Sam wynik takiego narzędzia nie stanowi jednak wyłącznej podstawy oceny pracy; podstawą oceny są przede wszystkim przedstawione obliczenia, sposób rozwiązania, poprawność wyniku oraz możliwość jego merytorycznego uzasadnienia.
Warunkiem zaliczenia jest uzyskanie minimum 60% punktów.
Skala ocen
• 0–59% – niedostateczny
• 60–69% – dostateczny
• 70–79% – plus dostateczny
• 80–89% – dobry
• 90–99% – plus dobry
• 100% – bardzo dobry
Na zajęciach obowiązuje limit 2 nieobecności w trakcie semestru. Po przekroczeniu limitu student jest zobowiązany do uzupełnienia zajęć na zasadach ustalonych przez prowadzącego. Po przekroczeniu limitu 50% nieobecności, zaliczenie nie jest możliwe i skutkuje niezaliczeniem zajęć. Student usprawiedliwia nieobecność niezwłocznie, wysyłając maila do prowadzącego lub na kolejnych zajęciach. Prowadzący ma prawo żądania przedstawienia zaświadczenia lekarskiego.
Literatura
Literatura podstawowa:
1. Materiały zamieszczone w kursie e-learningowym znajdującym się na platformie Kampus UW:
2. M.Rabiej, Analizy statystyczne z programami Statistica i Excel, Wydawnictwo Helion, 2018.
3. J.Jóźwiak, J.Podgórski, Statystyka od podstaw / Janina Jóźwiak, Jarosław Podgórski. - Wyd. 7. - Warszawa : Polskie Wydawnictwo Ekonomiczne, 2012.
Literatura uzupełniająca:
1. J. Koronacki, J. Mielniczuk, Statystyka dla studentów kierunków technicznych i przyrodniczych, WNT, Warszawa 2001.
2. W. Krysicki, J. Bartos, i inni., Rachunek prawdopodobieństwa i statystyka matematyczna. Cz. I i II, PWN, Warszawa 1997.
3. A. Luszniewicz, T. Słaby: Statystyka stosowana, PWE, Warszawa 1996.
4. G. Upton, I. Cook: A Dictionary of Statistics, Oxford University Press, New York 2006.
5. W. Zieliński: Tablice Statystyczne, Wyd. V poprawione i uzupełnione, Fundacja Rozwój SGGW 2001.
6.M. Sobczyk; Statystyka opisowa, Wydawnictwo C.H. Beck, Warszawa 2010.
7. A.D. Aczel, Statystyka w zarządzaniu, Wydawnictwo Naukowe PWN, Warszawa 2000.
8. S.M. Kot, J.Jakubowski, A. Sokołowski, Statystyka : podręcznik dla studiów ekonomicznych - Warszawa : "Difin", 2007.
9. A. Stanisz Przystępny kurs statystyki Tom 1. Wydawca: StatSoft Polska, Kraków 2006, ISBN-10: 83-88724-18-5
10. A. Stanisz Przystępny kurs statystyki Tom 2. Wydawca: StatSoft Polska, Kraków 2007, ISBN: 978-83-88724-30-5
11. A. Stanisz Przystępny kurs statystyki Tom 3. Wydawca: StatSoft Polska, Kraków 2007, ISBN: 978-83-88724-19-0