Probabilistic Methods and Statistics

Informacje ogólne

Kod przedmiotu:	420-IS1-2PST-ENG
Kod Erasmus / ISCED:	11.102 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0541) Matematyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu:	Probabilistic Methods and Statistics
Jednostka:	Instytut Informatyki
Grupy:
Punkty ECTS i inne:	(brak) 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:	angielski
Rodzaj przedmiotu:	obowiązkowe
Wymagania (lista przedmiotów):	Algebra liniowa z geometrią analityczną 420-IS1-1ALG Analiza matematyczna 2 420-IS1-1AM2 Analiza matematyczna 3 420-IS1-2AM3
Skrócony opis:	Random variable. Discrete probability. Continuous probability. Probability distributions. Expected values, variance, standard deviation. Stochastic processes. Sampling. Estimation. Hypothesis testing. Correlation and regression. Computer methods of statistics.
Pełny opis:	Course profile: General Academic Form of study: Full-time studies Course type: Obligatory Field of science: natural sciences, Discipline of science: computer and information sciences Year/semester of study: year 2/semester 4 Prerequisites (sequential system of courses and exams): Mathematical Analysis 2, Mathematical Analysis 3, Linear Algebra with Analytic Geometry Lecture: 30 hours, Exercises classes: 30 hours, Laboratory classes: 15 hours, Teaching methods: lectures, exercises, laboratory exercises, consultations, literature study, homework, discussions in problem groups. ECTS credits: 5 Balance of student workload: Class attendance: - lecture 30 hours - exercises classes 30 hours - laboratory classes 15 hours Course preparation: - lecture 5 hours - exercises 5 hours - laboratory classes 5 hours Literature study: 5 hours Reports, homeworks: 10 hours Preparation for the test: 15 hours. Preparation for tests, the exams: 8 hours Exam duration: 4 hours Individual consultation with the teacher: 2 hours Student workload: - student workload related to the activities requiring the teacher's direct participation: 81h, 3 ECTS - student workload that does not require the teacher's direct participation: 53h, 2 ECTS
Literatura:	1. Borovkov A.A., Probability Theory, Springer 2013. 2. Klenke A., Probability Theory. A Comprehensive Course, Springer 2020. 3. Shao J., Mathematical Statistics: Exercises and Solutions, Springer 2005. 4. Shao J., Mathematical Statistics, Springer Texts in Statistics, Springer 2003.
Efekty uczenia się:	1. The student knows the basic concepts, definitions and theorems in the theory of probability - KA6_WG2. 2. The student knows the basic concepts of mathematical statistics and methods of statistical inference - KA6_WG2. 3. The student uses the concept of probabilistic space; is able to build and analyze a mathematical model of a random experiment - KA6_UW3. 4. The student can give various examples of discrete and continuous probability distributions and discuss selected random experiments and mathematical models in which these distributions occur. Knows the practical applications of basic distributions - KA6_UW3. 5. The student can use the formula for the total probability and Bayes' formula - KA6_UW3. 6. The student can determine the parameters of the distribution (discrete and continuous); can use limit theorems and laws of large numbers to estimate probabilities - KA6_UW3. 7. The student can use statistical characteristics of the population and their sample equivalents - KA6_UW3. 8. The student can make simple statistical inferences, also with the use of computer tools - KA6_UW3. 9. The student can use computer programs in the field of data analysis - KA6_UW3. 10. The student knows the limitations of his own knowledge and understands the need for further education - KA6_UU1.
Metody i kryteria oceniania:	Final assesment: exam.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet w Białymstoku.