NTNU:TIA:REST

Institutt for matematiske fag

Department of Mathematical Sciences

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

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): Multippel lineær regresjon, klassifikasjon og klyngeanalyse.

Kursmateriell

Gunnar Løvås: Statistikk for universiteter og høgskoler. Kompendium i grunnleggende statistisk læring og data science. 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 metoder innen statistisk læring og data science 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>gjennomføre regresjon-, klassifikasjon- og klyngeanalyser på ulike datasett, og forklare forutsetninger og resultater fra metoder innen statistisk læring og data science</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 og noen metoder for statistisk læring og data science. 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 digital infrastruktur og cybersikkerhet

Bachelor i Elektrifisering og digitalisering

Bachelor i ingeniørfag - data

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(25152)/FieldValuesAsText

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, data

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(19663)/FieldValuesAsText

Emnerapport for emnekodene ISTT1001, ISTT1002, ISTT1003, ISTG1001, ISTG1002, ISTG1003, ISTA1001, ISTA1002, ISTA1003 og VB6200 er levert under emnekode ISTT1002.

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): Multippel lineær regresjon, klassifikasjon og klyngeanalyse.

Gunnar Løvås: Statistikk for universiteter og høgskoler. Nettressurser, videoforelesninger og kompendium i grunnleggende statistisk læring og data science.

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 metoder innen statistisk læring og data science 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>gjennomføre regresjon-, klassifikasjon- og klyngeanalyser på ulike datasett, og forklare forutsetninger og resultater fra metoder innen statistisk læring og data science</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 og noen metoder for statistisk læring og data science. Denne kompetansen danner en plattform for videre ingeniørstudier, og for ulike typer anvendelser innen industri, konsulentvirksomhet og offentlig sektor.

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(14134)/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)&nbsp;
Beskrivende statistikk, Sannsynlighetsregning, Sannsynlighetsfordelinger, Estimering, Hypotesetesting, Korrelasjon og regresjon&nbsp;
Studieretningsdel - Statistisk læring&#8239;og data science&#8239;(2,5 studiepoeng)&nbsp;
Multippel lineær regresjon med tolkning og testing av hypoteser,&#8239;klassifikasjon og clustering. &nbsp;

Gunnar Løvås: Statistikk for universiteter og høgskoler. Temasider på nett, videoforelesninger, og kompendium i grunnleggende statistisk læring og data science. 

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&amp;nbsp;ett-utvalgs&amp;nbsp;hypotesetesting
  har grunnleggende kunnskap om korrelasjon&amp;nbsp;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
Ferdigheter
Kandidaten kan
  anvende beskrivende statistikk, inkludert histogram og boxplot, innen eget fagfelt
  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-,&amp;nbsp;eksponensial- og normalfordeling
  beregne konfidensintervall og foreta&amp;nbsp;ett-utvalgs&amp;nbsp;hypotesetesting ved normalfordelte variabler med kjent og ukjent varians og anvende sentralgrenseteoremet
  utføre beregninger knyttet til korrelasjon og enkel lineær regresjon&amp;nbsp;
  anvende statistiske prinsipper og begreper innen eget fagfelt
  benytte Matlab eller tilsvarende til å utføre nødvendige statistiske beregninger
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 noen metoder for statistisk læring og data science


Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(8198)/FieldValuesAsText

Statistikk - ISTT1003