Orientacyjny sylabus (Statystyka — Python)

Dokładny układ materiału może nieznacznie zmienić się w toku semestru (np. w zależności od tempa pracy grupy).

Bloki tematyczne (kolejność)

1) Statystyka opisowa i praca z danymi (Python)

• podstawowe pojęcia: populacja, próba, losowość;
• typy danych i skale pomiarowe;
• miary tendencji centralnej i rozproszenia, rozkład empiryczny;
• wizualizacja rozkładów i zależności (wykresy, interpretacja);
• wczytywanie prostych danych z plików tekstowych (CSV/TSV) i praca z danymi tabelarycznymi (Pandas).

2) Rachunek prawdopodobieństwa i zmienne losowe

• intuicja częstotliwościowa prawdopodobieństwa, reguły działań na zdarzeniach;
• zmienne losowe dyskretne i ciągłe, funkcje: pmf/pdf/cdf/ppf;
• podstawowe własności rozkładów i praca z rozkładami w scipy.stats.

3) Rozkłady, symulacje i Centralne Twierdzenie Graniczne

• rozkłady wykorzystywane w statystyce (m.in. dwumianowy, normalny, t-Studenta, chi-kwadrat);
• symulacje jako narzędzie rozumienia (Monte Carlo);
• Centralne Twierdzenie Graniczne i błąd standardowy (intuicja i konsekwencje).

4) Wnioskowanie statystyczne (estymacja i testowanie hipotez)

• estymacja punktowa i przedziałowa; interpretacja przedziałów ufności;
• logika NHST: $H_0/H_A$, poziom istotności, p-wartość, błędy I/II rodzaju, moc;
• testy dla średniej i proporcji (w tym testy t), test chi-kwadrat;
• zarys testów nieparametrycznych (kiedy i dlaczego);
• raportowanie: efekt + przedział ufności (gdy to ma sens) oraz p-wartość jako jedna informacja.

5) Modele liniowe: korelacja, regresja, ANOVA

• korelacja i regresja liniowa (model, założenia, interpretacja współczynników, dopasowanie);
• analiza wariancji jako szczególny przypadek modelu liniowego (ANOVA, post-hoc);
• wielokrotna regresja liniowa i interakcje (w tym zmienne nominalne).

Mapa materiałów (zgodna z folderami w repo)

1. Statystyka opisowa i wizualizacja rozkładów
2. Rachunek prawdopodobieństwa i zmienne losowe
3. Rozkłady i symulacje
4. Testowanie hipotez: p-wartość, błędy I/II rodzaju, moc
5. Test chi-kwadrat: zgodność i niezależność
6. Przedziały ufności: konstrukcja i interpretacja
7. Testy t: jedna próba, próby zależne, próby niezależne
8. Wielkość efektu i moc testów
9. Testy nieparametryczne
10. Korelacja i regresja liniowa
11. Analiza wariancji
12. Wielokrotna regresja liniowa (w tym interakcje)

Literatura (propozycja)

Podstawowa

1. Downey, A. Think Stats: Exploratory Data Analysis in Python. O’Reilly.
2. VanderPlas, J. Python Data Science Handbook (rozdziały dot. statystyki i wizualizacji). O’Reilly.
3. James, G., Witten, D., Hastie, T., Tibshirani, R. An Introduction to Statistical Learning (wybrane rozdziały: regresja + podstawy wnioskowania). Springer.

Uzupełniająca

1. Wasserman, L. All of Statistics. A Concise Course in Statistical Inference. Springer.
2. Dowolny aktualny podręcznik statystyki opisowej i wnioskowania statystycznego (PL/EN) — ważne, by omawiał założenia metod i interpretację wyników.