GENB002B Статистика

Анотация:

Цел на курса: да даде на студентите концептуално разбиране на основните съвременни статистически понятия и подходи, използвани в поведенческите и социалните науки и да им даде практически умения за научно обоснована организация и обработка на данни.

прочети още
Информатика

Преподавател(и):

проф. Димитър Атанасов  д-р
гл. ас. Слав Ангелов  д-р

Описание на курса:

Компетенции:

Успешно завършилите курса студенти:

1) знаят:

• терминологията, която се използва от статистиката

• основните теоретични положения на статистическия подход при анализа на данни

• основните статистически методи и анализи.

• разликата между правилно и неправилно проведено статистическо изследване.

2) могат:

• да разпознават практическите ситуации, в които статистическите методи биха били полезни и уместни.

• да се ориентират в научната литература, която използва методите на статистиката.

• да прилагат базовите статистически анализи в практически задачи.


Предварителни изисквания:
За успешното усвояване на маретиала от курса са необходими базови знания от училищния курс по математика (общи понятия като функция, променлива, права, уравнение, координатна система, вектори).

Форми на провеждане:
Редовен

Учебни форми:
Лекция

Език, на който се води курса:
Български

Теми, които се разглеждат в курса:

  1. Въведение
  2. Основи на статистиката. Видове данни и модели. Извадки.
  3. Описателни характеристики. Извадкова средна и дисперсия. Вариа- ционен
  4. Събитие и вероятност. Геометрична интерпретация.
  5. Извадково разпределение. Пропорции. Графично представяне на данните.
  6. Текущо оценяване
  7. Условна вероятност. Формула за пълната верятност и формула на Бейс
  8. Бейсов подход при моделирането на данни.
  9. Случайни величини. Разпределение. Експоненциално и нормално разпределение.
  10. Често срещани разпределения. Генериране на случайни числа.
  11. Числови характеристики на случайни величини. Математическо очакване и дисперсия. Корелация.
  12. Текущо оценяване
  13. Корелационни коефициенти. Многомерни характеристики. Корелаци- онна матрица. Мултиколинеарност.
  14. Гранични твърдения. Закон за големите числа. Централна гранична теорема.
  15. Монте Карло методи.
  16. Оценки. Видове оценки на параметри и техните характеристики. Мак- симално правдоподобни оценки.
  17. Оценяване на параметри. Алгоритми.
  18. Бейсово оценяване. ЕМ-Алгоритъм.
  19. Доверителни интервали. Бутстрап методи.
  20. Линейна регресия. Характеристики и употреба
  21. Текущо оценяване
  22. Приложения на линейните модели.
  23. Вериги на Марков.
  24. Монте Карло методи за вериги на Марков.
  25. Факторен модел и латентни характеристики.
  26. Непараметричниметодизакласификация.K-means.NN-класификатор. LVQ-класификатор.
  27. Дисперсионен анализ.
  28. Линейни модели с ковариантни характеристики.
  29. Текущо оценяване
  30. Моделиране на времеви редове.

Литература по темите:

[1] Kevin P. Murphy. Machine Learning: A Probabilistic Perspective. Massachusetts Institute of Technology, 2012.

[2] Жозеф Теллалян Димитър Дамгалиев. Бизнесстатистика. Number 311 / Д 151. София: Нов български университет, 2006.

[3] Ramakant Khazanie. Elementary statistics in a world of applications. Number 51 / K 42. Glenview: Scott, Foresman/Little, Brown Higher Education, 1990.

[4] Р. Брук Лий Бари Коен. Основи на статистиката за социалните и поведенческите науки. Number 311 / К 739. София: Изток-Запад, 2013.

[5] Daniel B. Wright. Understanding statistics : an introduction for the social sciences. Number 311 / W 88. London: Thousand Oaks: Sage Publications, 1997.

[6] James R. Lackritz Debra Olson Oltman. Statistics for business and economics. Number 311 / O-50. Pacific Grove: Brooks, 1990.

[7] Paul Newbold. Statistic for business and economics. Number 311 / N 52. Englewood Cliffs: Prentice Hall, 1984.

[8] Michael Kutner John Neter, William Wasserman. Applied linear statistical models : Regression, analysis of variance and experimental designs. Number 311 / N 46. Homewood: Irwin, 1985.

[9] Harold O. Kiess. Statistical concepts for the behavioral sciences. Number 311 / K 43. Boston: Allyn and Bacon, 1989.

[10] David Freedman. Statistical models : theory and practice. Number 311 / F 88. New York: Cambridge University Press, 2005.

[11] Николай Янев Боян Димитров. Вероятности и статистика. Number 51 / Д 579. София: Софтех, 2007.

[12] Kenneth M. Rosenberg. Statistics for behavioral sciences. Number 311 / R 79. Dubuque: Wm. C. Brown, 1990.

[13] Frank H. Dietrich James T. McClave. Statistics. Number 311 / M 44. San Francisco: Dellen Pub. Co., London : Collier Macmillan, 1988.

[14] Jr. Frank E. Harrell. Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis. Heidelberg et al.: Springer, 2015.

[15] Ronald J. Wonnacott Thomas H. Wonnacott. Introductory statistics for business and economics. Number 311 / 71789. New York: Wiley, 1990.

[16] Barbara M. Beaver William Mendenhall, Robert J. Beaver. Introduction to probability and statistics. Number 51 / M 55. Pacific Grove: Duxbury Press, 1999.

[17] Audrey Haber Richard P. Runyon. Business statistics. Number 311 / 71793. Homewood: R.D. Irwin, 1982.

[18] Robert D. Mason Douglas A. Lind. Basic statistics for business and economics. Number 311 / L 75. Burr Ridge: Irwin, 1994.

[19] Woolcott Smith Larry Gonick. The Cartoon Guide to Statistics. Harper Perennial, 1993.

[20] Paul Watters Sarah Boslaugh. Statistics in a Nutshell. O’Reilly Media, Inc., 2008.

[21] Kathy Chu. Elementary Statistics. Rice University, Houston, Texas, http://cnx.org/content/col10966/1.4/, 2013.

[22] Кр. Калинов. Статистически методи в поведенцеските и социални- те науки. NBU, 2013.

Средства за оценяване:

Оценяването се базира на 4 теста и 4 домашни работи, които се провеждат през двата семестъра.

Тестовете се извършват на обявените дати (шестата и дванадесетата сед- мица на всеки семестър). Не се допуска явяване на други дати. Оценяват се по шестобалната система.

Домашните работи се предават в определения срок. Не се допуска до- пълнително предаване. Оценяват се с ДА/НЕ. Оценка ДА се поставя ако студентът е изпълнил на 50% от заданието.

Оценяването може да се извърши по два начина:

1. Чрез текущ контрол.

2. Чрез финален изпит.

Оценката от текущо оценяване се определя като средна аритметична от

оценките на 3-те теста с най-висок резултат. Ако студентът има пропуснат един тест, за оценка на съответния тест се взима 2. Ако е пропуснат повече от един тест студентът се явява на финален изпит.

Финалният изпит се състои от две части - писмено и устно изложение. Студентите трябва да се подготвят по една от темите разгледани в курса (или една глава, след 5, от учебника на проф. Кр. Калинов, "Статистически методи в поведенцеските и социалните науки"). Да представят в писмен вид, това което са разбрали. По време на изпита ще им бъдат зададени въпроси (4) с цел да се установи степента на разбиране на материала.

Ако студентът има успешно представени поне 3 домашни работи оцне- ката му се завишава с 1.