Akademia Górniczo-Hutnicza logotyp
pl en
en
Statistical Data Analysis
Course description sheet

Basic information

Field of study
Social Informatics
Major
-
Organisational unit
Faculty of Humanities
Study level
First-cycle studies
Form of study
Full-time studies
Profile
Practical
Didactic cycle
2025/2026
Course code
HIFSS.I8.00861.25
Lecture languages
Polish
Mandatoriness
Obligatory
Block
Core Modules
Course related to scientific research
Yes
Course coordinator
Mirosława Długosz
Lecturer
Mirosława Długosz, Dariusz Szklarczyk, Tomasz Wilczyński
Period
Semester 4
Method of verification of the learning outcomes
Exam
Activities and hours
Laboratory classes: 30
Lectures: 30
Number of ECTS credits
5

Goals

C1 Zapoznanie studentów z podstawowymi pojęciami związanymi ze statystyczną analizą danych i jej zastosowaniami w różnych dziedzinach.
C2 Przekazanie wiedzy na temat przygotowania danych statystycznych do analizy, w tym transformacji zmiennych oraz doboru odpowiednich metod analitycznych.
C3 Zapoznanie studentów z metodami wizualizacji danych

Course's learning outcomes

Code Outcomes in terms of Learning outcomes prescribed to a field of study Methods of verification
Knowledge – Student knows and understands:
W1 Student zna podstawowe metody statystycznego przetwarzania danych, ich zalety i ograniczenia IFS1P_W01 Test, Examination
W2 Student zna obszary praktycznych zastosowań wielowymiarowej analizy danych IFS1P_W09 Test, Examination
W3 Student zna kryteria wyboru metod analizy danych IFS1P_W04 Test, Examination
Skills – Student can:
U1 Student potrafi zaplanować i przeprowadzić eksperyment statystyczny IFS1P_U01 Execution of exercises, Test, Examination
U2 Student potrafi formułować hipotezy dotyczące obserwowanych zjawisk w oparciu o analizowane dane oraz umie wyciągać prawdziwe wnioski. IFS1P_U02 Test, Examination
U3 Student umie korzystać z podstawowych, komputerowych narzędzi do analizy danych IFS1P_U05 Execution of exercises, Test, Examination
Social competences – Student is ready to:
K1 Student potrafi komunikować efekty analizy danych w precyzyjny i przystępny sposób. IFS1P_K02 Test, Examination
K2 Student posiada umiejętność krytycznej obserwacji świata społeczno-gospodarczego. IFS1P_K04 Activity during classes, Participation in a discussion, Test, Examination
K3 Student potrafi argumentować racje wynikające z obserwacji danych IFS1P_K05 Activity during classes, Participation in a discussion, Test, Examination

Student workload

Activity form Average amount of hours* needed to complete each activity form
Laboratory classes 30
Lectures 30
Preparation for classes 31
Realization of independently performed tasks 30
Examination or final test/colloquium 2
Contact hours 5
Student workload
Hours
128
Workload involving teacher
Hours
60

* hour means 45 minutes

Program content

No. Program content Course's learning outcomes Activities
1.

  1. Podstawowe pojęcia statystyki


    1. zmienne losowe

    2. typy rozkładów gęstości prawdopodobieństwa

    3. miary pozycyjne, rozrzutu



  2. Współzależność zjawisk: korelacja i kowariancja, regresja liniowa

  3. Testowanie hipotez statystycznych, analiza wariancji


    1. formułowanie hipotez

    2. rodzaje i dobór testów statystycznych

    3. kryteria wiarygodności testu i przedziały ufności statystycznej



  4. Sposoby reprezentacji danych wielowymiarowych

  5. Redukcja wymiarów i eksploracja struktury ukrytych zmiennych


    1. PCA

    2. EFA



  6. Grupowanie danych


    1. miary odległości

    2. metody aglomeracyjne

    3. metoda k-średnich



  7. Analiza dyskryminacyjna

 W1, W2, W3, K1, K2, K3 Lectures
2.

  1. Podstawowe narzędzia informatyczne stosowane w przetwarzaniu i analizie danych

  2. Metody wizualizacji danych

  3. Rozkłady zmiennych losowych

  4. Statystyka opisowa

  5. Tabele krzyżowe i miary siły związku dla zmiennych jakościowych

  6. Korelacja i kowariancja, prosta regresja liniowa, regresja wieloraka

  7. Testowanie hipotez statystycznych

  8. Analiza wariancji

  9. Analiza składowych głównych

  10. Analiza czynnikowa (EFA)

  11. Analiza skupień (metody aglomeracyjne, k-średnich)

  12. Analiza dyskryminacyjna (LDA)

 U1, U2, U3, K1, K2, K3 Laboratory classes

Extended information/Additional elements

Teaching methods and techniques :

Lecture, Practice method (doing tasks at the blackboard), Lectures, Demonstration, Case study, Problem Based Learning, E-learning, Discussion

Activities Methods of verification Credit conditions
Lab. classes Activity during classes, Participation in a discussion, Execution of exercises, Test uzyskanie pozytywnej oceny z aktywności na zajęciach i kolokwium
Lectures Examination uzyskanie pozytywnej oceny z egzaminu

Rules of participation in given classes, indicating whether student presence at the lecture is obligatory

Laboratory classes: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu.

Literature

Obligatory
  1. James G., Witten D., Hastie T., Tibshirani R., An Introduction to Statistical Learning with Applications in R, Springer 2016
  2. Zumel N., Mount J., Język R i analiza danych w praktyce, Helion, 2021
  3. M. Freeman, J. Ross: Data Science. Programowanie, analiza i wizualizacja danych z wykorzystaniem języka R, Helion, 2020
Optional
  1. Lander J., R dla każdego - Zaawansowane analizy i grafika statystyczna, Warszawa : APN Promise, 2018
  2. mlr3 Book: https://mlr3book.mlr-org.com/
  3. Gutman A. J., Golfmeter J. - Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym, Helion, 2023
  4. Biecek P. - Analiza danych z programowaniem R. Modele liniowe z efektami stałymi, losowymi i mieszanymi, PWN, 2013

Scientific research and publications

Research
  1. "Urządzenie wraz z oprogramowaniem wspierające diagnostykę i terapię postawy ciała przez fizjoterapeutów, osteopatów oraz innych specjalistów zajmujących się ciałem człowieka" współfinansowany ze środków Unii Europejskiej
  2. Analiza danych w ramach projektów badawczych poświęconych m.in. społecznej percepcji eksploracji kosmosu, tożsamości organizacyjnej uczelni czy kompetencji liderów biznesu.
Publications
  1. Cywicka, D., Hędrzak, M., Długosz, M.M., Tymińska-Czabańska, L.: Protection by culling: the crux of red deer management in National Parks, Eco.mont : Journal on Protected Mountain Areas Research, 2019
  2. Długosz, M.M., Kurzydło, W.: Anatomy trains modelling based on photogrammetric data. W: Recent developments and achievements in biocybernetics and biomedical engineering : proceedings of the 20th Polish Conference on Biocybernetics and Biomedical Engineering, Kraków, Poland, September 20-22, 2017 / eds. Piotr Augustyniak, Roman Maniewski, Ryszard Tadeusiewicz. — [Cham] : Springer International Publishing, cop. 2018