Statistics I
General data
Course ID: | 1000-115ST1a |
Erasmus code / ISCED: |
11.203
|
Course title: | Statistics I |
Name in Polish: | Statystyka I (potok I) |
Organizational unit: | Faculty of Mathematics, Informatics, and Mechanics |
Course groups: |
Obligatory courses for 3rd grade JSIM (3M+4I) Obligatory courses for 3rd grade Mathematics |
ECTS credit allocation (and other scores): |
(not available)
|
Language: | Polish |
Type of course: | obligatory courses |
Short description: |
The aim of the course is to present fundamental concepts and methods of statistics. The course covers: population characteristics and their sample counterparts, stucture of statistical models from frequentist and Bayesian perspectives, problems of parametric and nonparametric estimation, testing statistical hypotheses, regression, classification/discriminant analysis. |
Full description: |
The aim of the course is to present in a concise manner fundamental concepts and methods of statistics, regarded as a science of inference from data. The emphasis is on applications and methodology of statistical inference rather than on technicalities. Some results are presented without proofs or only sketched. The course is illustrated with examples of statistical analyses. The course covers: empirical distributions, population characteristics and their sample counterparts, stucture of statistical models from frequentist and Bayesian perspectives, problems of parametric and nonparametric estimation, testing statistical hypotheses, regression, classification/discriminant analysis. |
Bibliography: |
Literature: M. Lavine, "Introduction to Statistical Thought", www.stat.duke.edu/~michael/book.pdf S.D. Silvey, "Statistical Inference", Wiley, 1970. |
Learning outcomes: |
(in Polish) Wiedza i umiejętności: 1. Zna podstawowe parametry charakteryzujące populację i ich odpowiedniki próbkowe: średnią, wariancję, momenty, odchylenie standardowe, kwantyle. Umie rozróżnić wielkości populacyjne od ich oszacowań na podstawie próbki losowej. 2. Umie budować proste modele statystyczne opisujące zjawiska rzeczywiste. Zna podstawowe parametryczne modele statystyczne, oparte na wykładniczych rodzinach rozkładów prawdopodobieństwa. 3. Umie obliczać estymatory metodą momentów i metodą największej wiarogodności. Wie, co to jest błąd średniokwadratowy estymatora i umie go obliczać. Umie wybierać estymatory o lepszych własnościach. Zna Twierdzenie Cramera-Rao. Wie, co to znaczy że estymator jest zgodny. Umie obliczać asymptotyczny rozkład estymatora, jeśli jest to rozkład normalny. 4. Zna pojęcie przedziału ufności i umie obliczać przedziały ufności w standardowych przykładach: w modelu normalnym, dla schematu Bernoulliego, nieparametryczne przedziały ufności oparte na statystykach pozycyjnych. 5. Zna pojęcia związane z zagadnieniem testowania hipotez statystycznych: wie, co to jest hipoteza zerowa, hipoteza alternatywna, test, błąd I rodzaju i II rodzaju, poziom istotności, p-wartość. Umie formułować zagadnienia badawcze w terminach weryfikacji hipotez statystycznych. 6. Zna Lemat Neymana-Pearsona. Umie konstruować testy najmocniejsze dla prostych hipotez i testy jednostajnie najmocniejsze dla rodzin z monotonicznym ilorazem wiarogodności. 7. Zna i umie stosować w prostych sytuacjach praktycznych standardowe testy zgodności, test chi-kwadrat, testy dwupróbkowe. 8. Zna podstawowe pojęcia statystyki bayesowskiej: rozkład a priori, a posteriori, twierdzenie Bayesa. Umie rozróżnić bayesowską interpretację wnioskowania statystycznego od interpretacji częstościowej. 9. Zna zasadniczą strukturę modeli regresji i klasyfikacji statystycznej. Umie wykorzystać próbkę testującą do weryfikacji wniosków otrzymanych na podstawie próbki uczącej. Kompetencje społeczne: 1. Rozumie znaczenie statystyki matematycznej jako narzędzia służącego do wnioskowania indukcyjnego. 2. Umie wyjaśnić w zrozumiałym języku sens wnioskowania statystycznego i rolę modeli probabilistycznych w statystyce. |
Copyright by University of Warsaw.