Introductory data analysis

General data

Course ID:	1100-1INZ26
Erasmus code / ISCED:	11.101 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. / (unknown)
Course title:	Introductory data analysis
Name in Polish:	Wstęp do analizy danych
Organizational unit:	Faculty of Physics
Course groups:
ECTS credit allocation (and other scores):	(not available) Basic information on ECTS credits allocation principles: the annual hourly workload of the student’s work required to achieve the expected learning outcomes for a given stage is 1500-1800h, corresponding to 60 ECTS; the student’s weekly hourly workload is 45 h; 1 ECTS point corresponds to 25-30 hours of student work needed to achieve the assumed learning outcomes; weekly student workload necessary to achieve the assumed learning outcomes allows to obtain 1.5 ECTS; work required to pass the course, which has been assigned 3 ECTS, constitutes 10% of the semester student load. view allocation of credits
Language:	Polish
Type of course:	obligatory courses
Prerequisites (description):	For Students: 1. Nuclear chemistry and energetics 2. Engineering of nanostructures Mathematical skills on the upper secondary school level plus some skills in calculation of partial derivatives are prerequisite for the course.
Short description:	This subject introduces students to the problem of experiment planning, analyzing as well as presenting and interpreting its results according to standards accepted in scientific literature. It combines an introductory lecture on data analysis with experimental activities in the Introductory Laboratory.
Full description:	(in Polish) Program wykładu (16 h): 1. Wprowadzenie: pomiar, rodzaje i źródła błędów pomiarowych, niepewność pomiaru. 2. Charakterystyki zbiorów danych liczbowych: mediana, średnia, średnie odchylenie standardowe. 3. Graficzna prezentacja i analiza danych: histogramy, wykresy z użyciem funkcyjnych skal na osiach (liniowo-liniowej, liniowo-logarytmicznej i logarytmiczno-logarytmicznej). 4. Podstawy rachunku prawdopodobieństwa. Rozkłady prawdopodobieństwa: dwumianowy, Poissona, Gaussa. Składowa przypadkowa niepewności pomiaru (błąd przypadkowy). 5. Wpływ efektów systematycznych na dokładność pomiaru: wprowadzanie poprawek i uwzględnianie dokładności przyrządów przy wyznaczaniu niepewności pomiaru. 6. Propagacja małych błędów. 7. Metoda najmniejszych kwadratów i przykłady jej zastosowań: wyznaczanie średniej ważonej i współczynników zależności liniowej (wraz z niepewnościami) na podstawie wyników pomiarów. 8. Wprowadzenie do zagadnień statystycznego testowania hipotez: test 3 σ, test χ2.
Bibliography:	1. J. R. Taylor, An Introduction to Error Analysis, Oxford University Press, Oxford, 1992. 2. G. L. Squires, Practical Physics, McGraw-Hill, London, 1976. Further reading: 1. W. T. Eadie, D. Drijard, F. E. James, M. Roos, and B. Sadoulet, Statistical Methods in Experimental Physics, North-Holland, Amsterdam, 1971 2. S. Brandt, Data Analysis, Springer Verlag, New York, 1999.
Learning outcomes:	After completing the course student: KNOWLEDGE 1. Knows what are the standards for estimating and presenting uncertainties of measurements accepted in natural sciences. 2. Knows the standards for describing experimental set-ups and presenting experimental results accepted in natural sciences. SKILLS 1. Presents experimental results in the form of graphs or histograms. 2. Uses graphs and histograms to detect relations between measured quantities. 3. Estimates uncertainties of measurements. 4. Uses least-squares method to estimate parameters of linear relations between measured quantities. 5. Uses statistical tests: the 3σ test and the χ² test.
Assessment methods and assessment criteria:	Assessment form: Positive note for a test in solving typical, simple problems in data-analysis.
Practical placement:	None

This course is not currently offered.

Course descriptions are protected by copyright.
Copyright by University of Warsaw.