Nazwa przedmiotu:
Rachunek prawdopodobieństwa i elementy statystyki matematycznej
Koordynator przedmiotu:
Dr Andrzej Sierociński
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia I stopnia
Program:
Informatyka
Grupa przedmiotów:
Wspólne
Kod przedmiotu:
1120-IN000-ISP-0029
Semestr nominalny:
5 / rok ak. 2015/2016
Liczba punktów ECTS:
4
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia30h
  • Laboratorium0h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Analiza matematyczna 1 Analiza matematyczna 2
Limit liczby studentów:
Ćwiczenia – 30 os./grupa
Cel przedmiotu:
Celem przedmiotu jest zapoznanie studentów z podstawowymi pojęciami z rachunku prawdopodobieństwa oraz statystyki matematycznej oraz nabycie przez nich umiejętności teoretycznych i praktycznych z zakresu obliczania prawdopodobieństwa zdarzeń losowych w podstawowych modelach dyskretnych i ciągłych, jedno i dwuwymiarowych, przybliżania prawdopodobieństwa z wykorzystaniem centralnego twierdzenia granicznego, posługiwania się tablicami statystycznymi w zakresie wyznaczania kwantyli oraz wartości krytycznych testów, weryfikacja hipotez dla parametrycznych testów istotności dla wartości oczekiwanej i wariancji w modelu jednopróbkowym, wyznaczanie krańców przedziałów ufności dla wartości oczekiwanej, wariancji i wskaźnika struktury oraz weryfikacja hipotez nieparametrycznych w oparciu o technikę statystyki chi-kwadrat. Po ukończeniu kursu studenci powinni znać podstawowe pojęcia z probabilistyki (prawdopodobieństwo, prawdopodobieństwo warunkowe, niezależność, zmienne losowe jedno i wielowymiarowe, prawa wielkich liczb, centralne twierdzenie graniczne, elementy estymacji punktowej i przedziałowej oraz weryfikację hipotez parametrycznych i nieparametrycznych) oraz posiadać umiejętność: - rozpoznawania modelu i definiowania prawdopodobieństwa w podstawowych modelach dyskretnych związanych ze skończonym lub nieskończonym ciągiem niezależnych doświadczeń Bernoulliego (model dwumianowy, Poissona, geometryczny), - rozpoznawania modelu i definiowania prawdopodobieństwa w podstawowych modelach ciągłych: jednostajnym, wykładniczym oraz normalnym, - przybliżania prawdopodobieństw w modelu dwumianowym (normalne i Poissona), - badania niezależności zdarzeń i zmiennych losowych, - posługiwania się tablicami statystycznymi, - wyznaczania liczbowych krańców przedziałów ufności dla wartości oczekiwanej, wariancji i wskaźnika struktury, - weryfikacji hipotez dla parametrycznych testów istotności oraz hipotez nieparametrycznych: zgodności, niezależności oraz jednorodności.
Treści kształcenia:
Program wykładu: Przestrzeń probabilistyczna: zdarzenia elementarne, zdarzenia losowe, prawdopodobieństwo. Aksjomatyczna definicja i własności prawdopodobieństwa. Prawdopodobieństwo warunkowe, niezależność zdarzeń. Prawdopodobieństwo zupełne i wzór Bayesa. Ciągi doświadczeń niezależnych – schemat dwumianowy. Zmienne losowe jednowymiarowe. Dystrybuanta i jej własności. Przykłady najważniejszych zmiennych losowych typu dyskretnego i typu ciągłego. Wartość oczekiwana i momenty wyższych rzędów. Kwantyle: mediana, kwartyle i percentyle. Zmienne losowe wielowymiarowe. Własności dystrybuanty wielowymiarowej. Rozkłady brzegowe. Niezależność zmiennych losowych. Funkcje zmiennych losowych wielowymiarowych. Wyznaczanie rozkładów sum zmiennych losowych niezależnych. Parametry zmiennych losowych wielowymiarowych. Pojęcia kowariancji i korelacji. Wyznaczanie wartości oczekiwanej i wariancji kombinacji liniowych zmiennych losowych. Nierówność Czebyszewa. Pojęcia zbieżności z prawdopodobieństwem 1 i według prawdopodobieństwa dla ciągów zmiennych losowych. Słabe Prawo Wielkich Liczb Czebyszewa, Mocne PWL dla ciągów niezależnych zmiennych losowych o tym samym rozkładzie. Centralne twierdzenie graniczne. Rozkłady prawdopodobieństwa używane w jednopróbkowym modelu normalnym: rozkład Chi-kwadrat i rozkład t-Studenta. Elementarne pojęcia statystyki matematycznej: populacja, prosta próba losowa, model statystyczny. Pojęcia statystyki i estymatora. Metody wyznaczania estymatorów: metoda największej wiarygodności, metoda momentów i metoda kwantyli. Własności estymatorów: nieobciążoność, zgodność i błąd średniokwadratowy estymacji. Przedziału ufności dla modeli jednopróbkowych. Weryfikacja hipotez parametrycznych dla wartości oczekiwanej, wariancji i wskaźnika struktury. Testy oparte na statystyce chi-kwadrat: zgodności Pearsona i jednorodności. Program ćwiczeń: Obliczanie prawdopodobieństw zdarzeń losowych z wykorzystaniem klasycznej definicji prawdopodobieństw, prawdopodobieństwa geometrycznego, prawdopodobieństwa warunkowego. Schematy doświadczeń niezależnych. Pojęcie niezawodności i wyznaczanie niezawodności systemów równoległo-szeregowych. Wyznaczanie rozkładów zmiennych losowych dyskretnych i ciągłych. Wyznaczanie dystrybuanty oraz funkcji gęstości prawdopodobieństwa zmiennych losowych jedno- i dwuwymiarowych. Wyznaczanie wartości oczekiwanej, wariancji, kowariancji i korelacji zmiennych losowych. Wyznaczanie kwantyli zmiennych losowych. Posługiwanie się tablicami dystrybuanty rozkładu Poissona i normalnego do wyznaczania kwantyli i obliczania prawdopodobieństw. Wykorzystanie przybliżenia Poissona i centralnego tw. granicznego do szacowania prawdopodobieństw w schemacie dwumianowym. Statystyka opisowa: histogram, łamana częstości, dystrybuanta empiryczna, statystyki służące do szacowania środka rozkładu i miary rozproszenia. Konstrukcja estymatorów metodą NW i momentów. Posługiwanie się tablicami statystycznymi. Wyznaczanie krańców przedziałów ufności dla średniej i wariancji w modelu normalnym i ogólnym oraz dla wskaźnika struktury. Parametryczne testy istotności dla wartości oczekiwanej, wariancji i wskaźnika struktury. Test Chi-kwadrat Pearsona.
Metody oceny:
Dwa kolokwia po 20 pkt. i egzamin pisemny 60 pkt. Osoby, które uzyskały >36 pkt. na zaliczenie są zwolnione z egzaminu pisemnego. Zaliczenie ćwiczeń: ocena powyżej 20 pkt. Zaliczenie egzaminu: ocena łączna powyżej 50 pkt. Możliwość zaliczenia ćwiczeń podczas egzaminu pod warunkiem uzyskania co najmniej 50% punktów podczas egzaminu. Przy zaliczonych ćwiczeniach do zaliczenia egzaminu trzeba mieć co najmniej 40% punktów z egzaminu. Egzamin ustny: w przypadkach wątpliwych oraz dla osób chcących poprawić ocenę (możliwość poprawy o 10 pkt.). Ocena końcowa: max (egz.+ćw.; 10/6 egz.): 51-60 pkt. – 3,0, 61-70 pkt. – 3,5, 71-80 pkt. – 4,0, 81-90 pkt. – 4,5, 91-100 pkt. – 5,0.
Egzamin:
tak
Literatura:
1. A. E. Plucińscy, Elementy probabilistyki, PWN, 1983. 2. A. E. Plucińscy, Zadania z probabilistyki, PWN, 1983. 3. W. Krysicki i in., Rachunek prawdopodobieństwa i statystyka mate-matyczna w zadaniach cz. I i cz. II, PWN, 1995. 4. J. Jakubowski, R. Sztencel, Rachunek prawdopodobieństwa dla (prawie) każdego, Script, 2002
Witryna www przedmiotu:
e.mini.pw.edu.pl
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt W01
Ma podstawową wiedzę z rachunku prawdopodobieństwa i statystyki matematycznej, przydatną do formułowania i rozwiązywania prostych zadań związanych z informatyką
Weryfikacja: egzamin pisemny
Powiązane efekty kierunkowe: K_W01
Powiązane efekty obszarowe: T1A_W01

Profil ogólnoakademicki - umiejętności

Efekt U01
Potrafi wykorzystać nabytą wiedzę z metod probabilistycznych do zapisu algorytmów numerycznych i ich programowania z użyciem wybranego pakietu obliczeniowego
Weryfikacja: ocena punktowa
Powiązane efekty kierunkowe: K_U01, K_U09, K_U11
Powiązane efekty obszarowe: T1A_U09, T1A_U09, T1A_U09, T1A_U14, T1A_U15

Profil ogólnoakademicki - kompetencje społeczne

Efekt K01
Potrafi pracować indywidualnie, w tym także potrafi zarządzać swoim czasem oraz podejmować zobowiązania i dotrzymywać terminów
Weryfikacja: ocena punktowa
Powiązane efekty kierunkowe: K_K05
Powiązane efekty obszarowe: T1A_K03, T1A_K04