0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

Emnene ISTx100y (x = A, G, T og y = 1,2,3) ble høsten 2023 undervist for fjerde gang. Denne gangen uten tiende emnekode (krigsskolen). Fellesmodulen av emnet (9 uker) ble undervist med samme format som tidligere. Dette innebærer en hybrid modell med temavideoer, digital plenumstime (mandag 15:15 - 16:00) og dobbel campusforelesning (tirsdag 14:15 - 16:00). Dette året ble det kun gitt en undervisningsparallell i Trondheim (likt som Gjøvik, Ålesund), i motsetning til to paralleller i Trondheim tidligere år. I Trondheim ble F1 brukt og dette auditoriet rommet alle som ønsket å delta på campusforelesninger. STACK-øvingene i fellesmodulen ble videreført fra tidligere (inkludert hjelpesett). Vi videreførte også den forkortede fristen med én uke per øving slik at det aktuelle stoffet for oppgaver alltid samsvarte med temavideoer og forelesninger. Plenumstimen mandag (over zoom) ble i år fra start holdt med krav om autentisering (NTNU-pålogging) noe som skapte trøbbel for et fåtall studenter den første dagen, men ikke deretter. Informasjon om autentisering ble sendt ut og delt på Blackboard på forhånd. Vi har innført krav om autentisering etter trolling i chat i 2022. Vi så (som tidligere) et tydelig fall i oppmøte i campusforelesninger utover semesteret, samt deltakelse i zoom-timen. Mandagstimen fulgte samme struktur som 2022. De første ukene brukes timen til informasjon om emnet, samt motivasjon. Deretter hovedsakelig plenumsregning av forrige ukes vanskeligste oppgaver (jamfør ønske fra referansegruppe 2022), og med fokus på teknikker som også blir viktige fremover. Plenumstimen ble også brukt underveis i fellesmodulen til å gi informasjon om forberedende prosjekt (se under) og prosjektmodulene. Jamfør emnerapport fra 2022 ble alle de tre prosjektmodulene i statistikk oppdatert i 2023. I ISTx1001 ble det laget Python-ressurser for regresjonsanalyse og visualisering av resultater for 2-nivå faktorielle forsøk. Vi tok også i bruk stokastisk simulering (fra normalfordeling) for visualisering og tolkning av x̄-s-diagrammer i prosesskontroll. I ISTx1002 ble prosjektoppgaven endret og et større element av numeriske beregninger med Python ble tatt inn, spesielt med tanke på metoder for å håndtere målefeil i kovariater i lineær regresjon. I ISTx1003 ble prosjektoppgaven for første gang endret fra rent svar-ark til en mer selvstendig rapport basert på en valgt problemstilling (innenfor multippel lineær regresjon med LEGO-data). Dette falt noe vanskelig for studentene, og ble av noen oppfattet som forvirrende heller enn lærerikt (se vedlagt referansegrupperapport med kommentarer fra BIDATA). Neste semester anbefales en tydeliggjøring og oppfølging av dette, men vi ser det også som viktig at prosjektet ikke kun består av spørsmål og svar, men en mer selvstendig "data science"-erfaring. For å lette det administrative arbeidet i startfasen av prosjektarbeidet, og for å gi prosjektgruppene en sjanse til å bli kjent, ble det høsten 2023 innført et obligatorisk forberedende prosjekt. Dette ble startet opp i fjerde undervisningsuke, og i god tid før prosjektmodulen. Gruppene måtte lage et datasett (skostr, høyde), diskutere egenskaper til stokastiske variabler (X: høyde, Y: skostr), samt tilpasse en enkel lineær regresjonsmodell til dataene og visualisere resultatet. I hovedsak var formålet med det forberedende prosjektet å få etablert grupper, gi gruppene en anledning til å bli kjent før de tellende prosjektmodulene, samt levere gruppekontrakt. Vi ansatte en studentassistent i en større stilling for å gå gjennom og godkjenne leveransene i Blackboard (noen grupper måtte i denne sammenheng levere arbeidet om igjen). Det anbefales å fortsette med forberedende prosjekt, eventuelt å utvide oppgavene fra dette, f.eks. med enda en leveransen i inferens-delen av fellesmodulen. STACK-oppgaver og temavideoer ble ikke oppdatert i 2023, dette bør vurderes å gjøres ila få år men vil kreve ressurser utover normal undervisningsbelastning.

Vi vurderer at emnet i hovedsak gjennomføres på en god måte. Vi har gode ressurser og et hybrid undervisningsopplegg som virker å bli godt mottatt blant studentene. Se to vedlagte spørreskjema. Spørreskjemaene har lav svarprosent men resultatene er like det vi har sett tidligere år. Nytt av 2023 er at studentene virker bedre og mer trygge med bruk av Python. Vedlagt er også referansegrupperapport skrevet av to av deltakerne i referansegruppa (nettstudent og en student fra Trondheim), andre studenter fra ulike studieprogram og campuser deltok i møtene men ikke i rapportskriving. Mange av læringsmålene i emnet kan etterprøves i skole-eksamenen i emnet og prosjektinnleveringen (dette er emnets to delvurderinger). I prosjektet skrives en rapport som vurderes av sensor i henhold til et sensurdokument. Karakteren på dette arbeidet teller 30% av sluttkarakter. Ved eksamen (digital skoleeksamen) ble det gitt 22 flervalgsoppgaver der alle ble vektet likt. Pensum for eksamen er fellesmodulen. Disse oppgavene skal ligne på STACK-oppgavene som var obligatoriske i fellesmodulen. Vi valgte å ikke ha noen andre typer automatisk rettede oppgaver for å unngå avrundingsproblemer og andre Inspera-utfordringer. Prosjektkarakterene er jevnt over høyere enn eksamenskarakterene. Når det gjelder eksamen ser vi ulike resultater mellom emnekoder, men totalt sett mange gode resultater. Les sensurdokumentet for eksamen her: https://www.math.ntnu.no/emner/IST100x/eksamen/ISTx100ySensurdokH23.pdf

NTNU:TIA:REST

Institutt for matematiske fag

Department of Mathematical Sciences

Spesifiserte trykte og håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt.

Norsk

Mer om vurdering

Emnet har to delvurderinger med bokstavkarakter; prosjektarbeid (i grupper) og individuell eksamen. Begge delvurderingene må bestås for å bestå emnet. Det arrangeres kontinuasjonseksamen i august for delvurderingen som er skriftlig eksamen (under tilsyn), og denne kan endres til muntlig eksamen dersom det er få studenter. Det arrangeres ikke kontinuasjonseksamen for prosjektoppgaven. Prosjektoppgaven må derfor gjennomføres på nytt når emnet går ordinært.Kontinuasjon og frivillig gjentak/forbedring kan gjennomføres for enkelte delvurderinger uten at alle delvurderinger må tas opp igjen.Dersom emnet endrer vurdering må hele emnet tas på nytt (både ved ikke-bestått delvurdering og ved forbedring av karakter).

Anbefalte forkunnskaper

Matematiske metoder 1Ingeniørfaglig innføringsemne

Forkunnskapskrav

Kunnskap i matematikk tilsvarende R1 og R2 i videregående skole, fra R2 spesielt forståelse og kompetanse kom kreves for å regne på enkle integraler.

Link til informasjon om emnet

Faglig innhold

Generell del (5 studiepoeng): Beskrivende statistikk. Sannsynlighet for hendelser, kombinatorikk og betinget sannsynlighet. Stokastiske variabler, forventing og varians. Kovarians, korrelasjon og uavhengighet. Sentrale sannsynlighetsfordelinger (bl.a. binomisk, poisson-, eksponential- og normalfordeling). Sentralgrenseteoremet. Parameterestimering og konfidensintervaller. Ett-utvalgs hypotesetester. Enkel lineær regresjon.Studieretningsdel (2,5 studiepoeng): Generelt om målinger, måleteknikk og målesystem. Begreper rundt usikkerhet i målinger. Repeterbarhet og reproduserbarhet. Relativ usikkerhet. Presentasjon av måleresultat. Forplanting av feil, følsomhetsfaktor, kalibrering og sensitivitet i målesystem.

Kursmateriell

Kursmateriell: Gunnar Løvås: Statistikk for universiteter og høgskoler. Helga Jonsdottir: Usikkerhet og støy i målinger. Temavideoer.

Læringsutbytte

KunnskapKandidaten kjenner til de grunnleggende ideene i sannsynlighetsregning og statistikk. Kandidaten har kunnskap om enkle statistiske modeller og prosesser ofte brukt innen eget fagfelt og forstår forutsetningene for disse. Kandidaten er kjent med hvordan statistikk kan anvendes på en helhetlig måte, dvs. hvordan statistikk er et nødvendig verktøy for innsamling av data, og for å beskrive og evaluere resultater. Videre har kandidaten kunnskap om de vanligste metodene som brukes for å trekke slutninger om en prosess eller populasjon basert på uavhengige forsøk og tilfeldige utvalg. Kandidaten har kunnskap om modeller og metoder for håndtering av usikkerhet i målinger, og kjenner til innholdet i begreper som repeterbarhet og reproduserbarhet i målinger. FerdigheterKandidaten kan<ul><li>presentere og forklare viktige egenskaper til et datamateriale ved bruk av oppsummerende størrelser, tabeller og figurer</li><li>regne på sannsynlighet for hendelser og betinget sannsynlighet, blant annet ved å ta i bruk kombinatorikk, stokastiske variabler, de mest sentrale sannsynlighetsmodellene (f.eks. binomisk, poisson-, eksponential- og normalfordeling) og sentralgrenseteoremet</li><li>gjennomføre enkle statistiske analyser slik som å estimere parametere, beregne konfidensintervall, foreta ett-utvalgs hypotesetester og utføre beregninger knyttet til korrelasjon og enkel lineær regresjon</li><li>anvende statistiske prinsipper og begreper innen eget fagfelt</li><li>benytte Python eller lignende beregningsverktøy til å utføre nødvendige statistiske beregninger</li><li>håndtere målinger fra målesystemer med flere inngangsvariabler, kalibrere et enkelt instrument og lese kalibreringskurver, presentere et usikkerhetsbudsjett for målesystemet, regne på feilforplantning og formidle måleresultatene</li></ul> Generell kompetanseKandidaten ser viktigheten av statistisk kunnskap og kompetanse i ingeniørrollen og kan kommunisere med fagpersoner om ingeniørfaglige problemstillinger ved å benytte seg av statistiske begreper og størrelser. Kandidaten har gjennom studentaktiviteter som øvinger og tellende prosjektarbeid opparbeidet seg trygghet knyttet til enkel statistisk analyse, usikkerhet i målinger og sensitivitet i målesystemer. Denne kompetansen danner en plattform for videre ingeniørstudier, og for ulike typer anvendelser innen industri, konsulentvirksomhet og offentlig sektor.

Læringsformer og aktiviteter

Forelesninger, prosjektarbeid i gruppe og øvinger

Øvinger

Statistikk

Bachelor i ingeniørfag - kjemi

Bachelor i ingeniørfag - materialteknologi

Bachelor i ingeniørfag - fornybar energi

Bachelor i ingeniørfag - maskin

Bachelor i ingeniørfag - elektro

Elektronisk systemingeniør 

Elektrifisering og digitalisering

Bachelor i ingeniørfag - automatisering og intelligente systemer

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(25151)/FieldValuesAsText

Emnene ISTx100y (x = A, G, T og y = 1,2,3) samt VB6200 (tilsvarer ISTx1001) ble høsten 2022 undervist for tredje gang. Dette var første gjennomkjøring uten kovid-restriksjoner (høst 2020 heldigitalt, høst 2021 flytting av eksamen grunnet vaksinasjon). Fellesmodulen i emnet ble gjennomført etter samme modell som i 2021: En digital 45 min plenumstime på mandager, 3-4 korte temavideoer ukentlig, en campus-forelesning, en øvingstime på campus og en ukentlig innlevering i STACK. I tillegg forum bemannet av studentassistenter. Temavideoene ble ikke oppdatert dette semesteret. Noen av temavideoene begynner å bli utdatert (f.eks kovid-eksempler), og bruk av disse utover 4-5 år bør diskuteres. Det vil være behov for å frigjøre undervisningsressurser for å lage nye videoer. Studentene virker å være fornøyde med dette formatet. Øvingsoppgavene i STACK ble heller ikke oppdatert i stor grad. En del øvingsoppgaver bør nok erstattes slik at man bygger opp en katalog av gode oppgaver som det kan plukkes fra i hvert semester. Studentene virker å være godt fornøyde med STACK-opplegget. Dette semesteret ga vi studentene kun én uke på å fullføre øvingen, slik at fristen ikke var forskjøvet en uke i forhold til undervisningen. Dette fungerte svært godt. Etter tilbakemelding fra referansegruppa flyttet vi fristen fra fredag ettermiddag til søndag kveld. Oppmøte på campus i campusforelesninger er varierende og tidvis lavt. Det samme gjelder øvingstimene på campus. Noe av dette kan skyldes ugunstige tidspunkt og rom, men vi har også inntrykk av at studentene opplever at de klarer seg greit med kun temavideoer og digitale oppgaver. Vi mener likevel det er viktig å ha et hybrid opplegg med samme videoer på tvers av campusene (og heldigitale studieprogrammer) for å sikre mest mulig likhet. Den digitale plenumstimen som ble holdt på mandager ble de første ukene av fellesmodulen brukt til informasjon /motivasjon, samt introduksjon til faglig innhold. Mentimeter ble brukt for å engasjere studentene og samle inn informasjon om kunnskap og holdninger. I den første forelesningen opplevde vi et stort problem med "trolling" i chat. Derfor gikk vi over til å kreve autentisering i zoom (NTNU-login). Deltagelse i plenumstimen gikk ned til omtrent 300 personer utover semesteret (alltid opptak av timen). Etter tilbakemelding fra referansegruppa endret vi formatet på forelesningen fra repetisjon/motivasjon med mentimeter til gjennomgang av forrige ukes vanskeligste STACK-oppgaver. Prosjektdelene (1001, 1002, 1003) har potensiale for å forbedres, med tanke på innhold, metoder og studieprogramrelevans. Dette semesteret ble det gjort en vesentlig endring i 1001 der man gikk fra å bruke programvaren minitab til beregninger til nå å bruke Python. Digitale ressurser for Python-koding i 1001-prosjektet bør videreutvikles, samt oppdatering av kompendiet. Prosjektmodulen 1002 (usikkerhet og støy i målinger) har en variert sammensetning av studieprogrammer, og det bør diskuteres videre med studieprogrammene hva de egentlig forventer av en slik modul. Prosjektmodulen i 1003 erfarer vi at fungerer godt til tross for at Python ikke nødvendigvis er dataingeniørenes foretrukne språk. Den største utfordringen med prosjektmodulene er gjennomføring av prosjektarbeidet i grupper. Prosjektet leveres som en gruppeinnlevering i Inspera slik at studentene i utgangspunktet må jobbe med andre studenter fra samme emnekode (ellers må det gjøres en avtale og to like oppgaver leveres). Vi satt gruppestørrelsene til 4 - 6 personer og alle i gruppen får samme bokstavkarakter. Det er en viss andel (ca 10-15%) av studentene som ikke selv kan finner en gruppe å jobbe med (noen er to-og-og, noen tre-og-tre). For å hjelpe med å sette sammen grupper lagde vi et nettskjema der studentene kunne rapportere navn, emnekode, studieprogram og bli satt sammen av koordinator. Når en gruppe på 4-6 personer var dannet sendte vi en felles e-post til gruppa og la dem inn i en BB-gruppe. Dette ble mye manuelt arbeid, og det var mange etternølere som trengte plassering i gruppe etter frist (etter oppstart av prosjektperioden). Det er behov for en bedre løsning for å opprette grupper. Et fåtall grupper opplever uenigheter/samarbeidsproblemer og er motvillige til å motta samme karakter (hovedsakelig grupper som vi har opprettet). I hovedsak jobber de fleste gruppene godt, selvstendig og leverer gode rapporter. Anbefalinger til neste år: Starte med å opprette grupper tidlig i semesteret (i fellesmodulen), gruppestørrelser 3-6 personer, gruppene leverer gruppekontrakt tidlig (f.eks uke 3). Gruppene leverer også en skriftlig innlevering i fellesmodulen (inferens).

Vi vurderer at emnet i hovedsak gjennomføres på en god måte. Vi har gode ressurser og et hybrid undervisningsopplegg som virker å bli godt mottatt blant studentene. Se tre vedlagte spørreskjema, samt et standard-skjema for IE-fakultetet. Noen tilbakemeldinger fra studenterVi har som målsetning at emnet vårt skal motivere aktiv læring, oppleves relevant, og fungere godt på tvers av tre campuser - et likhetsprinsipp. I en spørreundersøkelse mot slutten av semesteret (svarprosent 22%) sier 45% seg enig i at «emnet føles viktig og relevant for utdanning min» (34% nøytral, 21% uenig), mens 60% sier seg enig i at «alt i alt er jeg fornøyd med dette emnet» (27% nøytral, 13% uenig). Videre sier også 60% seg enig i at «det var mange gode læringsaktiviteter som krevde at jeg jobbet aktivt» (25% nøytral, 15% uenig) og 74% er enig i at «obligatoriske oppgaver/innleveringer har hatt klare vurderingskriterier» (20% nøytral, 6% uenig). Studentene har jobbet med analyser i Python stort sett hele semesteret og 66% svarer at «jeg synes det er fint å ha fått litt erfaring statistiske beregninger i Python», mens 35% «skulle helst hatt bedre opplæring i Python». Vi får mange gode tilbakemeldinger på digitale ressurser (temavideoer og øvingsoppgaver) men vi håper å se flere studenter i forelesninger og veiledningstimer på campus neste høst. VurderingMange av læringsmålene i emnet kan etterprøves i den skriftlige eksamenen i emnet og prosjektinnleveringen (dette er emnets to delvurderinger). I prosjektet skrives en rapport som vurderes av sensor i henhold til et sensurdokument. Karakteren på dette arbeidet teller 30% av sluttkarakter. Ved eksamen (digital skoleeksamen) ble det gitt 20 flervalgsoppgaver der alle ble vektet likt. Pensum for eksamen er fellesmodulen. Disse oppgavene skal ligne på STACK-oppgavene som var obligatoriske i fellesmodulen. Vi valgte å ikke ha noen andre typer automatisk rettede oppgaver for å unngå avrundingsproblemer og andre Inspera-utfordringer. Eksamenskarakterer og prosjektkarakterer er vurdert til å være gode. Se sensurdokumentet for eksamen her: https://www.math.ntnu.no/emner/IST100x/eksamen/ISTx100ySensurdokH22.pdf

Emnet er en pilot under Fremtidens teknologistudier og et prosjekt under NTNU Toppundervisning. Mer informasjon finnes her: <a href="https://wiki.math.ntnu.no/stating/undervisningsressurser" target="_blank">https://wiki.math.ntnu.no/stating/</a> Vår erfaring er at NTNU stadig har fremdeles en vei å gå for å legge godt til rette for gjennomføring av flercampus-emner. Vi bruker mye tid på timeplanlegging, sensur, etc, og mye dobbeltarbeid (ni-dobbeltarbeid) pga ni (ti) emnekoder.

Emnet har to delvurderinger. Det arrangeres kontinuasjonseksamen for delvurderingen som er skriftlig eksamen (under tilsyn), og denne kan endres til muntlig eksamen dersom det er få studenter. Det arrangeres ikke kontinuasjonseksamen for delvurderingen som ikke er skriftlig eksamen.Hvis en delvurdering er bestått, og en ikke er bestått, kan delvurderingen som ikke er bestått ved behov gjennomføres på nytt når emnet går ordinært.Studenter som ønsker å forbedre karakteren i emnet, kan velge å bare ta en av delvurderingene på nytt. Dersom emnet endrer vurdering må hele emnet tas på nytt (både ved ikke-bestått delvurdering og ved forbedring av karakter).Utsatt eksamen i august.

Forelesninger, prosjektarbeid og øvinger

Bachelor i ingeniørfag, olje- og gassteknologi

Bachelor i ingeniørfag, elektro

Bachelor i ingeniørfag, maskin

Bachelor i ingeniørfag, materialteknologi

Bachelor i ingeniørfag, kjemi

Bachelor i ingeniørfag, fornybar energi

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(19662)/FieldValuesAsText

Statistikkemnet ble undervist for første gang høsten 2020, og da ble emnet i hovedsak undervist digitalt (koronasituasjonen). For høsten 2021 innførte vi flere fysiske elementer (med hybrid back-up og digitale løsninger for nettstudentene), men disse hadde relativt lavt oppmøte. Se studentevaluering under Vedlegg for grunner til det lave oppmøtet. Emnet består av to deler - en fellesdel (i år var den 10 uker, 9 uker med nytt stoff og så skriftlig skoleeksamen i uke 10), og en prosjektdel (i år var det totalt 4 uker, uke 11-14). Eksamen midt i semestret (grunnet plassproblemer på campus Trondheims eksamenshus i desember) var svært utfordrende fra et adminsitrativt ståsted (kontakte studieprogrammer og emneansvarlig for å informere om dette og be om mindre belastning for studentene, håndtere godkjenning av obligatoriske øvinger rett opp mot eksamen) og ikke minst for studentene som hadde andre innlevering nært opp til eksamen. Det er klart at eksamen i fremtiden må gjennomføres i eksamensperioden. Men, vi observerte økt kvalitet i prosjektoppgavene i 2021 sammenlignet med 2020, og det kan i en viss grad ha vært grunnet at studentene var oppdatert på pensum i fellesdelen (som prosjektdelen bygget å). Hver av de to delene har hver sin delvurdering, og i 2020 var veiingen av disse 80/20 for skriflig eksamen i fellesdel og prosjektoppgave i prosjektdel. Denne er fra 2021 endret til 70/30 for å reflektere den virkelige vekt på hver del i undervisningen. (Dette skapte utfordringer for studenter som ikke hadde bestått en av delvurderingene i 2020, og for studenter som ønsket å forbedre karakter i en delvurdering, da reglene tilsier at begge delvurderinger skal tas opp ved endring i vurdering.) Høsten 2021 innførte vi to nye elementer i fellesdelen: digital plenumsforelesning, og hybrid campusforelesning på alle tre campusene. Disse ble godt mottatt av studentene, men det er muligheter for forbedringer. Videre har vi dette semestret spesielt jobbet med å lage oppgavene i de ukentlige STACK-øvingene i fellesdelen mer relevant for ingeniører ved å endre oppgaveteksten til å omhandle ingeniørsituasjoner istedenfor mer generiske hverdagssituasjoner. Etter ønske fra referansegruppa i emnet har vi også utviklet konkrete læringsmål for hver uke i fellesdelen. Etter ønske fra studieprogrammene ble det gjort endringer i pensum, ved at temaet pålitelighetsanalyse ble innført. Det ble da laget nye temavideoer om pålitelighetsanalyse og nye jupyternotatbøker og nye oppgaver i STACK-øving. Det ble innført to oppgaver ved bruk av python og jupyternotatbøker på alle de 9 STACK-øvingene (i 2020 startet ikke dette før i øving 4), med mål om å motiverer studentene i større grad enn i fjor, til å jobbe med beregninger i emnet og til å forstå viktigheten av å kunne utføre beregninger (et læringsmål). I prosjektdelen har vi i år i veldig stor grad fått hjelp av alle studieprogrammer til å danne grupper for prosjektarbeid. Vi innførte også at gruppene måtte levere inn en gruppekontrakt, men det var stor forskjell på hva man la vekt på i denne kontrakten (den ble dessverre ikke fulgt opp annet enn ved samarbeidsproblemer). Det var veldig utfordrende å bruke Blackboard til å danne grupper, og gi hjelp med å danne grupper og ikke minst var det umulig å få en oversikt over gruppesett i Blackboard og eksport av lister over gruppemedlemmer for oppfølging - var ikke mulig (tekniske problemer i Blackboard). Prosjektoppgaven ble innlevert i Inspera (i 2020 var Blackboard brukt til innleveringen). Det er fremdeles mye arbeid med den praktiske tilretteleggingen av gruppearbeidet fra fagteamet (dvs. før man starter med det faglige arbeidet med prosjektet). I 2020 ønsket vi: Vi anbefaler at settes i gang et arbeid med bedre integrasjon av statistikkemnene mot andre emner i de ulike ingeniørretningene. Dette er et tiltak vi ikke selv kan gjennomføre, men vi har gjennom et studentpanel (finansiert via NTNU toppundevisningsprosjekt og FTS-pllotstatus) fått en bedre innsikt i andre emner i ingeniørprogrammene der statistikk er spesielt relevante.

Vi vurdere at gjennomføringen av emnet ble gjort på en god måte, se over for informasjon rundt utviklingen i emnet, se også referansegrupperapporten og rapporten fra studentevalueringen i emnet (vedlegg). Mange av læringssmålene i emnet kan etterprøves i den skriftlige eksamenen i emnet og prosjektinnleveringen (dette er emnets to delvurderinger). Eksamenskarakterer og prosjektkarakterer er vurdert til å være gode, det var kun 6.2% stryk (og levert blank) for den skriftlige eksamenen og det var ingen som fikk F for prosjektarbeidet. Se sensurdokumentet for eksamen for mer deltajer rundt karakterer: <a href="https://www.math.ntnu.no/emner/IST100x/eksamen/ISTx100yEksamen20211029GradingDocTOstudents.pdf" target="_blank">https://www.math.ntnu.no/emner/IST100x/eksamen/ISTx100yEksamen20211029GradingDocTOstudents.pdf</a> For de andre læringsmålene i emnet spurte vi de var oppfylt i en spørreundersøkelse (studentevaluering) i emnet.Det var her et flertall som rapporterte at 4 konkrete læringsmål var oppnådd - se vedlagte pdf-fil med svar fra spørreundersøkelsen. Det var kun 251 av 1104 studentene i emnet svarte på undersøkelsen, selv etter gjentatte påminnelser. Tallet 1104 er de som enten har levert eksamen eller prosjektoppgave eller begge.

Emnet er en pilot under Fremtidens teknologistudier og et prosjekt under NTNU Toppundervisning. Mer informasjon finnes her: <a href="https://wiki.math.ntnu.no/stating/undervisningsressurser" target="_blank">https://wiki.math.ntnu.no/stating/undervisningsressurser</a> NTNU har fremdeles en vei å gå for å legge godt til rette for gjennomføring av flercampus-emner. Vi vil rette en stor takk til studieprogrammene til studentene som tar emnet, eksamenskontoret og timeplanleggerne, for veldig god kommunikasjon og for stor hjelp med mange deler av den praktiske gjennomføringen av dette emner. Vi vil også takke FUI for god kommunikasjon og gode diskusjoner.

Utsatt eksamen i august. Kontinuasjon og frivillig gjentak kan gjennomføres for enkelte delvurderinger uten at alle delvurderinger i emnet må tas opp igjen.

Generell del (5 studiepoeng): Beskrivende statistikk. Sannsynlighet for hendelser, kombinatorikk og betinget sannsynlighet. Stokastiske variabler, forventing og varians. Kovarians, korrelasjon og uavhengighet. Sentrale sannsynlighetsfordelinger (bl.a. binomisk, poisson-, eksponential- og normalfordeling). Sentralgrenseteoremet. Parameterestimering og konfidensintervaller. Ett-utvalgs hypotesetester. Enkel lineær regresjon.Studieretningsdel (2,5 studiepoeng): Generelt om målinger, måleteknikk og målesystem. Begreper rundt usikkerhet i målinger. Repeterbarhet og reproduserbarhet. Relativ usikkerhet. Presentasjon av måleresultat. Forplanting av feil, følsomhetsfaktor, kalibrering og sensitivitet i målesystem.

Kursmateriell: Gunnar Løvås: Statistikk for universiteter og høgskoler. Helga Jonsdottir: Usikkerhet og støy i målinger. Nettressurser og videoforelesninger.

KunnskapKandidaten kjenner til de grunnleggende ideene i sannsynlighetsregning og statistikk.  Kandidaten har kunnskap om enkle statistiske modeller og prosesser ofte brukt innen eget fagfelt og forstår forutsetningene for disse. Kandidaten er kjent med hvordan statistikk kan anvendes på en helhetlig måte, dvs. hvordan statistikk er et nødvendig verktøy for innsamling av data, og for å beskrive og evaluere resultater. Videre har kandidaten kunnskap om de vanligste metodene som brukes for å trekke slutninger om en prosess eller populasjon basert på uavhengige forsøk og tilfeldige utvalg. Kandidaten har kunnskap om modeller og metoder for håndtering av usikkerhet i målinger, og kjenner til innholdet i begreper som repeterbarhet og reproduserbarhet i målinger. FerdigheterKandidaten kan<ul><li>presentere og forklare viktige egenskaper til et datamateriale ved bruk av oppsummerende størrelser, tabeller og figurer</li><li>regne på sannsynlighet for hendelser og betinget sannsynlighet, blant annet ved å ta i bruk kombinatorikk, stokastiske variabler, de mest sentrale sannsynlighetsmodellene (f.eks. binomisk, poisson-, eksponential- og normalfordeling) og sentralgrenseteoremet</li><li>gjennomføre enkle statistiske analyser slik som å estimere parametere, beregne konfidensintervall, foreta ett-utvalgs hypotesetester og utføre beregninger knyttet til korrelasjon og enkel lineær regresjon</li><li>anvende statistiske prinsipper og begreper innen eget fagfelt</li><li>benytte Python eller lignende beregningsverktøy til å utføre nødvendige statistiske beregninger</li><li>håndtere målinger fra målesystemer med flere inngangsvariabler, kalibrere et enkelt instrument og lese kalibreringskurver, presentere et usikkerhetsbudsjett for målesystemet, regne på feilforplantning og formidle måleresultatene</li></ul> Generell kompetanseKandidaten ser viktigheten av statistisk kunnskap og kompetanse i ingeniørrollen og kan kommunisere med fagpersoner om ingeniørfaglige problemstillinger ved å benytte seg av statistiske begreper og størrelser. Kandidaten har gjennom studentaktiviteter som øvinger og tellende prosjektarbeid opparbeidet seg trygghet knyttet til enkel statistisk analyse, usikkerhet i målinger og sensitivitet i målesystemer. Denne kompetansen danner en plattform for videre ingeniørstudier, og for ulike typer anvendelser innen industri, konsulentvirksomhet og offentlig sektor.

Bachelor i ingeniørfag - maskin-nettbasert

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(14133)/FieldValuesAsText

Statistikkemnene ISTT/G/A1001/2/3 ble undervist for første gang høsten 2020. Pga koronasituasjonen ble emnet i hovedsak undervist digitalt. Emnene ble strukturert i to moduler. Undervisningsuke 1-9 kalte vi «fellesmodul» og bestod av en generell innføring i sannsynlighetsregning og statistikk. Uke 10-13 kalte vi «programmoduler» og i disse ukene deltes studentene inn i tre paralleller (avhengig av studieprogram) for å jobbe med programrelevante tema (industriell statistikk for ISTx1001, målesystemer og måleusikkerhet for ISTx1002, og statistisk læring og data science for ISTx1003). En stor innsats ble lagt ned for å utvikle digitale ressurser (temavideoer, 3-4 per uke), STACK-øvinger med STACK «hjelpesett», (etter noen uker) jupyter notatbøker og prosjektoppgaver. Vi vurderer, basert på tilbakemeldinger fra referansegruppa og andre studenter, at kvaliteten i emnet er god.

Emnebeskrivelsen på nett ble oppdatert i januar 2021 og skal nå være oppdatert og relevant. Utover emnebeskrivelsen ble læringsutbyttet kommunisert til studentene ved ukentlig oversikt over «ukas tema», videoer, øvingsoppgaver og prosjekt. Vi anbefaler at settes i gang et arbeid med bedre integrasjon av statistikkemnene mot andre emner i de ulike ingeniørretningene.

Undervisningen bestod høsten 2020 av temavideoer og «live» zoom-forelesninger. I fellesmodulen erfarte vi at 500-600 studenter (av 900 oppmeldte) fulgte temavideoene på en ukentlig basis mens oppmøte til zoom-forelesninger var noe lavere. Zoom-forelesningene ble tatt opp og kunne sees i etterkant. Så godt som alle studentene gjennomførte STACK-øvinger ukentlig selv om en del «gir seg» når de har nok godkjente øvinger (6 av 9). Studentene gjorde en god innsats med prosjektarbeidet i «programmodulene». På grunn av koronasituasjonen måtte studentene i stor grad styre sin egen progresjon. Tilbakemeldinger tyder på at studentene følte at de mestret arbeidskravene på egenhånd og at undervisningen var godt tilrettelagt for den spesielle situasjonen.

Vurderingsformene bestod av to tellende del-vurderinger: prosjektarbeid (20%) og digital slutteksamen (80%). Tatt i betraktning at programmodulen tilsvarer omtrent 2.5 stp og fellesdelen 5 stp vil vi se på muligheten for å endre denne vektingen til f.eks 35% og 65%.

Generell del (5 studiepoeng) 
Beskrivende statistikk, Sannsynlighetsregning, Sannsynlighetsfordelinger, Estimering, Hypotesetesting, Korrelasjon og regresjon&nbsp;
Studieretningsdel - Usikkerhet og støy i målinger (2,5 studiepoeng)&nbsp;
Generelt om målinger, måleteknikk og målesystem. Begreper rundt usikkerhet i målinger. Repeterbarhet og reproduserbarhet. Relativ usikkerhet. Presentasjon av måleresultat. Forplanting av feil, følsomhetsfaktor, kalibrering og sensitivitet i målesystem.


Kursmateriell: Gunnar Løvås: Statistikk for universiteter og høgskoler. Helga Jonsdottir: Usikkerhet og støy i målinger. Temasider på nett og videoforelesninger. 

Studenten har grunnleggende forståelse om sannsynlighetsregning og statistikk, og har gjennom studentaktiviteter som øvinger og tellende prosjektarbeid opparbeidet seg trygghet knyttet til håndtering, analyse og tolkning av datamateriale. Denne kompetansen danner en plattform for videre ingeniørstudier, og for ulike typer anvendelser innen industri, konsulentvirksomhet og offentlig sektor. Kunnskaper, ferdigheter og generell kompetanse er utdypet nedenfor.
Kunnskaper
Kandidaten
  har kunnskap om hvordan statistikk kan anvendes på en helhetlig måte, dvs. hvordan statistikk er et nødvendig verktøy for å kunne måle, beskrive og evaluere resultater
  har grunnleggende kunnskap om beskrivende statistikk
  har grunnleggende kunnskap om sannsynlighetsteori og sentrale sannsynlighetsfordelinger
  har grunnleggende kunnskap om estimering, konfidensintervall og ett-utvalgs hypotesetesting
  har grunnleggende kunnskap om korrelasjon og enkel lineær regresjon
  kjenner til hvordan simulering kan brukes som et statistisk verktøy i ingeniørfaglig analyse
  kjenner til de viktigste statistiske begreper og symboler
  har kunnskap om forsøksplanlegging og statistisk prosesskontroll
  har grunnleggende kunnskap om bruk av statistiske beregnings- og visualiseringsverktøy på datamaskinen
Ferdigheter
Kandidaten kan
  anvende beskrivende statistikk, inkludert histogram og boksplott, innen eget fagfelt&nbsp;
  utføre (enkle) sannsynlighetsberegninger, inkludert bruk av venndiagram, betingede sannsynligheter og stokastiske variabler
  identifisere og regne med stokastiske variabler og bruke statistiske modeller i relevante problemstillinger
  identifisere og regne med sentrale sannsynlighetsfordelinger, slik som binomisk, poisson-, eksponential- og normalfordeling
  beregne konfidensintervall og foreta ett-utvalgs hypotesetesting ved normalfordelte variabler med kjent og ukjent varians og anvende sentralgrenseteoremet
  utføre beregninger knyttet til korrelasjon og enkel lineær regresjon
  anvende statistiske prinsipper og begreper innen eget fagfelt
  benytte beregningsvektøy til å utføre nødvendige statistiske beregninger
  tolke datamateriale og resultat fra statistiske analyser knyttet til forsøksplanlegging og statistisk prosesskontroll
Generell kompetanse
Kandidaten
  ser viktigheten av statistisk kunnskap og kompetanse i ingeniørrollen
  kan kommunisere med fagpersoner om ingeniørfaglige og forretningsmessige problemstillinger ved å benytte seg av statistiske begreper og størrelser
  har trygghet i gjennomføringen av metodisk arbeid på et datamateriale og kan forklare resultater fra en type statistisk forsøksopplegg


Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(8197)/FieldValuesAsText

Statistikk - ISTT1002