Akademia Górniczo-Hutnicza logotyp
pl en
pl
Statystyczna analiza danych
Karta opisu przedmiotu

Informacje podstawowe

Kierunek studiów
Informatyka Społeczna
Specjalność
-
Jednostka organizacyjna
Wydział Humanistyczny
Poziom kształcenia
Studia licencjackie I stopnia
Forma studiów
Stacjonarne
Profil studiów
Praktyczny
Cykl dydaktyczny
2025/2026
Kod przedmiotu
HIFSS.I8.00861.25
Języki wykładowe
polski
Obligatoryjność
Obowiązkowy
Blok zajęciowy
Przedmioty kierunkowe
Przedmiot powiązany z badaniami naukowymi
Tak
Koordynator przedmiotu
Mirosława Długosz
Prowadzący zajęcia
Mirosława Długosz, Dariusz Szklarczyk, Tomasz Wilczyński
Okres
Semestr 4
Forma zaliczenia
Egzamin
Forma prowadzenia i godziny zajęć
Ćwiczenia laboratoryjne: 30
Wykład: 30
Liczba punktów ECTS
5

Cele kształcenia dla przedmiotu

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

Efekty uczenia się dla przedmiotu

Kod Efekty w zakresie Kierunkowe efekty uczenia się Metody weryfikacji
Wiedzy – Student zna i rozumie:
W1 Student zna podstawowe metody statystycznego przetwarzania danych, ich zalety i ograniczenia IFS1P_W01 Kolokwium, Egzamin
W2 Student zna obszary praktycznych zastosowań wielowymiarowej analizy danych IFS1P_W09 Kolokwium, Egzamin
W3 Student zna kryteria wyboru metod analizy danych IFS1P_W04 Kolokwium, Egzamin
Umiejętności – Student potrafi:
U1 Student potrafi zaplanować i przeprowadzić eksperyment statystyczny IFS1P_U01 Wykonanie ćwiczeń, Kolokwium, Egzamin
U2 Student potrafi formułować hipotezy dotyczące obserwowanych zjawisk w oparciu o analizowane dane oraz umie wyciągać prawdziwe wnioski. IFS1P_U02 Kolokwium, Egzamin
U3 Student umie korzystać z podstawowych, komputerowych narzędzi do analizy danych IFS1P_U05 Wykonanie ćwiczeń, Kolokwium, Egzamin
Kompetencji społecznych – Student jest gotów do:
K1 Student potrafi komunikować efekty analizy danych w precyzyjny i przystępny sposób. IFS1P_K02 Kolokwium, Egzamin
K2 Student posiada umiejętność krytycznej obserwacji świata społeczno-gospodarczego. IFS1P_K04 Aktywność na zajęciach, Udział w dyskusji, Kolokwium, Egzamin
K3 Student potrafi argumentować racje wynikające z obserwacji danych IFS1P_K05 Aktywność na zajęciach, Udział w dyskusji, Kolokwium, Egzamin

Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Kurs dotyczy zagadnień związanych ze statystyczną analizą danych.

Nakład pracy studenta

Rodzaje zajęć studenta Średnia liczba godzin* przeznaczonych na zrealizowane aktywności
Ćwiczenia laboratoryjne 30
Wykład 30
Przygotowanie do zajęć 31
Samodzielne studiowanie tematyki zajęć 30
Egzamin lub kolokwium zaliczeniowe 2
Dodatkowe godziny kontaktowe 5
Łączny nakład pracy studenta
Liczba godzin
128
Liczba godzin kontaktowych
Liczba godzin
60

* godzina (lekcyjna) oznacza 45 minut

Treści programowe

Lp. Treści programowe Efekty uczenia się dla przedmiotu Formy prowadzenia zajęć
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 Wykład
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 Ćwiczenia laboratoryjne

Informacje rozszerzone

Metody i techniki kształcenia :

Wykład, Metoda ćwiczebna (np. wykonywanie zadań przy tablicy), Mini wykład, Demonstracja, instruktaż, Studium przypadku (ang. case study), Metoda problemowa (ang. Problem Based Learning), Kształcenie zdalne, Dyskusja

Rodzaj zajęć Metody zaliczenia Warunki zaliczenia przedmiotu
Ćwiczenia laboratoryjne Aktywność na zajęciach, Udział w dyskusji, Wykonanie ćwiczeń, Kolokwium uzyskanie pozytywnej oceny z aktywności na zajęciach i kolokwium
Wykład Egzamin uzyskanie pozytywnej oceny z egzaminu

Dodatkowy opis

Część zajęć (w tym również zaliczenia) może się odbyć w formie zdalnej, z wykorzystaniem narzędzi elearningowych. Studenci otrzymają dostęp do kursu podczas pierwszego spotkania.

Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu

Ćwiczenia laboratoryjne: kolokwium (w formie ustnej lub pisemnej), wykonanie zadań w trakcie ćwiczeń, aktywność w trakcie zajęć, udział w dyskusji

Sposób obliczania oceny końcowej

Ocena z egzaminu końcowego

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach

Student ma obowiązek nadrobić zaległości powstałe wskutek nieobecności na zajęciach poprzez samodzielne wykonanie ćwiczeń laboratoryjnych i oddanie sprawozdania do 2 tygodni po terminie zajęć.

Wymagania wstępne i dodatkowe

Podstawy algebry liniowej

Znajomość podstaw probabilistyki i statystyki matematycznej

Zasady udziału w poszczególnych zajęciach, ze wskazaniem, czy obecność studenta na zajęciach jest obowiązkowa

Ćwiczenia laboratoryjne: 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. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.

Literatura

Obowiązkowa
  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
Dodatkowa
  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

Badania i publikacje

Badania
  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.
Publikacje
  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