Komputerowe symulacje statystyczne (ćwiczenia) - 2019/2020

Opis zajęć
Informacje ogólne
Prowadzący:dr Kamil Powroźnik
Organizator:Wydział Matematyki, Informatyki i Architektury Krajobrazu - Instytut Matematyki i Informatyki
Liczba godzin tydzień/semestr: 2/30
Język wykładowy:Język polski
Cele przedmiotu
C1. Zapoznanie studentów z teoretyczną podstawą współczesnych metod komputerowych symulacji probabilistycznych i statystycznych.
C2. Zapoznanie studentów z przykładami metod i algorytmów dla generatorów liczb pseudolosowych, symulacyjnych metod Monte Carlo i Markov Chain Monte Carlo.
Wymagania wstępne
1. Wstęp do rachunku różniczkowego i całkowego
2. Podstawy metod probabilistycznych
3. Podstawy programowania
Efekty kształcenia dla przedmiotu
WIEDZA
W1. Student potrafi identyfikować podstawowe klasy generatorów (pseudo)losowych. (K_W03)
W2. Student potrafi identyfikować podstawowe problemy związane z generowaniem liczb (pseudo)losowych. (K_W03, K_W06)
W3. Student zna podstawowe algorytmy metod Monte Carlo i Markov Chain Monte Carlo. (K_W03, K_W06)

UMIEJĘTNOŚCI
U1. Student potrafi posłużyć się algorytmami generowania liczb (pseudo)losowych i metodami symulacji komputerowych. (K_U02)
U2. Student potrafi wykorzystać generatory liczb (pseudo)losowych w tworzonych aplikacjach. (K_U02)
U3. Student potrafi wykorzystać podstawowe algorytmy metod Monte Carlo i Markov Chain Monte Carlo w tworzonych aplikacjach. (K_U02, K_U03)

KOMPETENCJE SPOŁECZNE
K1. Student jest świadomy rozwoju technik informatycznych i ich zastosowań praktycznych oraz rozumie potrzebę uaktualniania swojej wiedzy. (K_K01)
Metody dydaktyczne
Wykład: wykład konwencjonalny z prezentacją multimedialną
Ćwiczenia: ćwiczenia tradycyjne i z wykorzystaniem technik informatycznych
Treści programowe przedmiotu
Przypomnienie podstawowych pojęć i faktów z teorii prawdopodobieństwa, statystyki matematycznej i wnioskowania statystycznego.
Generatory zmiennych losowych (przykładowe metody i algorytmy).
Generowanie wektorów losowych (przykładowe metody i algorytmy).
Metody Monte Carlo i ich zastosowania.
Metody Markov Chain Monte Carlo i ich zastosowania.
Kryteria oceny i sposoby weryfikacji zakładanych efektów kształcenia
WYKŁAD
Egzamin (dla osób, które zaliczyły ćwiczenia): pisemny, sprawdzający wiedzę z wykładu i ćwiczeń.
Kryteria oceny
(90% – 100%] - bardzo dobry (5.0)
(80% – 90%] - dobry plus (4.5)
(70% – 80%] - dobry (4.0)
(60% – 70%] - dostateczny plus (3.5)
[50% – 60%] - dostateczny (3.0)
poniżej 50% niedostateczny (2.0)
Szczegółowe zasady oceniania są podawane studentom z każdą edycją przedmiotu.

ĆWICZENIA
Zaliczenie: 1 kolokwium (100% oceny końcowej); możliwość podniesienia oceny końcowej o 0,5 za czynny udział w zajęciach.
Kryteria oceny
(90% - 100%] – bardzo dobry (5.0)
(80% - 90%] – dobry plus (4.5)
(70% - 80%] – dobry (4.0)
(60% - 70%] – dostateczny plus (3.5)
[50% - 60%] – dostateczny (3.0)
poniżej 50% niedostateczny (2.0)
Szczegółowe zasady oceniania są podawane studentom z każdą edycją przedmiotu.

W1 - W3 – egzamin, kolokwium, przygotowanie do zajęć
U1 - U3 – kolokwium, przygotowanie do zajęć, praca i aktywność na zajęciach
K1 – przygotowanie do zajęć, praca i aktywność na zajęciach

GODZINOWE EKWIWALENTY PUNKTÓW ECTS
Wykład 30
Ćwiczenia 30
Konsultacje 30
Przygotowanie do zajęć 20
Studiowanie literatury 20
Przygotowanie do kolokwiów i egzaminu 30
Łączna liczba godzin 160
Liczba punktów ECTS 6
Literatura podstawowa i uzupełniająca
Literatura podstawowa:
1. R. Wieczorkowski, R. Zieliński, Komputerowe generatory liczb losowych, WNT, 1997
2. Ch. Geyer, Markow Chain Monte Carlo Lecture Notes, Copyright 2005 by Geyer.

Literatura uzupełniająca:
1. J. Jakubowski, R. Sztencel, Rachunek prawdopodobieństwa, Script 2001.
2. A. Patrykiejev, Wprowadzenie do metody Monte Carlo, UMCS 1998.
Kierunek studiów: Informatyka (stacjonarne II stopnia)
Lokalizacja w planach rocznych:
Etap:Rok II - Semestr 3
Punkty ECTS: 0
Forma zaliczenia: Zal. na ocenę
Terminarz:
DataDzieńSalaGodz.od-do
2020-01-22środaWMP-206B 11:40 - 13:20