Теория вероятностей и математическая статистика (2 курс): различия между версиями
Перейти к навигации
Перейти к поиску
| (не показано 8 промежуточных версий этого же участника) | |||
| Строка 1: | Строка 1: | ||
| − | Это страница обязательного курса '''«Теория вероятностей и математическая статистика»''',<br> | + | Это страница обязательного курса '''«Теория вероятностей и математическая статистика»''' (только 4 модуль),<br> |
читаемого на программе '''«Вычислительные социальные науки»''' 2 курса бакалавриата в '''2024/2025''' учебном году. | читаемого на программе '''«Вычислительные социальные науки»''' 2 курса бакалавриата в '''2024/2025''' учебном году. | ||
Лекции ведёт Макаров Алексей Алексеевич, семинары ведёт Тамбовцева Алла Андреевна. | Лекции ведёт Макаров Алексей Алексеевич, семинары ведёт Тамбовцева Алла Андреевна. | ||
| + | |||
| + | == Правила игры == | ||
| + | |||
| + | * Итоговая оценка = 0.5 * O1 + 0.5 * O2, где O1 и O2 – неокругленные оценки за первую и вторую половину курса. | ||
| + | * Оценка O1 за первую половину курса уже выставлена, O2 = 0.6 * H2 + 0.4 * Э2. | ||
| + | * Н2 = 0.1 * (M5 + M6 + M7) + 0.35 * КР2 + 0.2 * CA + 0.15 * Питон, где СА – целая оценка в 10-балльной шкале за работу<br> на семинарах и сдачу теоретических бонусных задач, Питон – оценка за домашние задания в Python, M5–M7 – оценки<br>за мини-контрольные работы, КР2 – оценка за контрольную в конце 3 модуля, Э2 - дробная оценка за экзамен в 10-балльной шкале. | ||
| + | * Оценка за домашние задания в Python – неокругленное среднее оценок за задания, оценка за каждое задание – дробная в 10-балльной шкале. | ||
| + | |||
| + | Если O1 или O2 оказываются менее 3.5, то студент получает академическую задолженность по соответствующей части <br>курса и не может быть аттестован по всему курсу, пока не ликвидирует свою задолженность. | ||
== Материалы занятий == | == Материалы занятий == | ||
| Строка 12: | Строка 21: | ||
| Проверка гипотез: сравнение двух групп || [https://disk.yandex.ru/i/vhRQwkAwWBtnMg seminar01] || вычисление и визуализация p-value ([https://github.com/allatambov/StatCS25/blob/main/practice01.ipynb ipynb], [https://disk.yandex.ru/d/D2pRRFbj8pc7Bg видео]) | | Проверка гипотез: сравнение двух групп || [https://disk.yandex.ru/i/vhRQwkAwWBtnMg seminar01] || вычисление и визуализация p-value ([https://github.com/allatambov/StatCS25/blob/main/practice01.ipynb ipynb], [https://disk.yandex.ru/d/D2pRRFbj8pc7Bg видео]) | ||
|- | |- | ||
| + | | F-распределение и F-критерий. Введение в ANOVA || [https://disk.yandex.ru/i/GrzQaiFgfmTwdw seminar02] || | ||
| + | |- | ||
| + | | ANOVA: однофакторный дисперсионный анализ || [https://disk.yandex.ru/i/GrzQaiFgfmTwdw seminar02] || ANOVA ([https://github.com/allatambov/StatCS25/blob/main/practice02.ipynb ipynb]) файл [https://github.com/allatambov/StatCS25/blob/main/cities.csv cities.csv] файл [https://github.com/allatambov/StatCS25/blob/main/Diets.csv Diets.csv] | ||
| + | |- | ||
| + | | Парная линейная регрессия || [https://disk.yandex.ru/i/txVwu3RcP2FCBQ seminar03] [https://disk.yandex.ru/i/zwqSSXEu8Jis2g add03]|| код ([https://github.com/allatambov/StatCS25/blob/main/temp.py py]) файл [https://github.com/allatambov/StatCS25/blob/main/flats_cian.csv flats_cian.csv] | ||
|} | |} | ||
| Строка 17: | Строка 31: | ||
* [https://disk.yandex.ru/i/PLAJ_8W-ZtTygQ Стандартное нормальное распределение] | * [https://disk.yandex.ru/i/PLAJ_8W-ZtTygQ Стандартное нормальное распределение] | ||
| − | * [https://disk.yandex.ru/i/ | + | * [https://disk.yandex.ru/i/4hvnMqGqgps0Aw Распределение Стьюдента] (верхние процентные точки) |
| − | * [F-распределение] (верхние процентные точки) | + | * [https://disk.yandex.ru/i/T-pjDAGGZ_vUmw F-распределение] (верхние процентные точки) |
| + | * [https://www.danielsoper.com/statcalc/calculator.aspx?id=4 Калькулятор] для F-распределения (верхние процентные точки). | ||
| + | |||
| + | == Домашние задания в Python == | ||
| + | |||
| + | ''Выполненное домашнее задание необходимо загрузить в виде ipynb-файла по ссылке ниже на Dropbox.''<br> | ||
| + | ''Если вы категорически не используете формат IPYNB, можно загрузить файл с кодом с расширением .py и PDF с текстом.'' | ||
| + | |||
| + | {| class="wikitable" | ||
| + | |- | ||
| + | ! Домашнее задание !! Дедлайн !! Куда загружать | ||
| + | |- | ||
| + | | [https://github.com/allatambov/StatCS25/blob/main/css-hw01.ipynb Домашнее задание №1] || 29.04 23:59 || [https://www.dropbox.com/request/JLkDARHDpNrCkWo4O1ao ссылка] | ||
| + | |- | ||
| + | | Домашнее задание №2 || || | ||
| + | |- | ||
| + | | Домашнее задание №3 || || | ||
| + | |- | ||
| + | | Домашнее задание №4 || || | ||
| + | |} | ||
Текущая версия на 14:09, 28 апреля 2025
Это страница обязательного курса «Теория вероятностей и математическая статистика» (только 4 модуль),
читаемого на программе «Вычислительные социальные науки» 2 курса бакалавриата в 2024/2025 учебном году.
Лекции ведёт Макаров Алексей Алексеевич, семинары ведёт Тамбовцева Алла Андреевна.
Правила игры
- Итоговая оценка = 0.5 * O1 + 0.5 * O2, где O1 и O2 – неокругленные оценки за первую и вторую половину курса.
- Оценка O1 за первую половину курса уже выставлена, O2 = 0.6 * H2 + 0.4 * Э2.
- Н2 = 0.1 * (M5 + M6 + M7) + 0.35 * КР2 + 0.2 * CA + 0.15 * Питон, где СА – целая оценка в 10-балльной шкале за работу
на семинарах и сдачу теоретических бонусных задач, Питон – оценка за домашние задания в Python, M5–M7 – оценки
за мини-контрольные работы, КР2 – оценка за контрольную в конце 3 модуля, Э2 - дробная оценка за экзамен в 10-балльной шкале. - Оценка за домашние задания в Python – неокругленное среднее оценок за задания, оценка за каждое задание – дробная в 10-балльной шкале.
Если O1 или O2 оказываются менее 3.5, то студент получает академическую задолженность по соответствующей части
курса и не может быть аттестован по всему курсу, пока не ликвидирует свою задолженность.
Материалы занятий
| Тема | Семинар | Python |
|---|---|---|
| Проверка гипотез: сравнение двух групп | seminar01 | вычисление и визуализация p-value (ipynb, видео) |
| F-распределение и F-критерий. Введение в ANOVA | seminar02 | |
| ANOVA: однофакторный дисперсионный анализ | seminar02 | ANOVA (ipynb) файл cities.csv файл Diets.csv |
| Парная линейная регрессия | seminar03 add03 | код (py) файл flats_cian.csv |
Таблицы распределений:
- Стандартное нормальное распределение
- Распределение Стьюдента (верхние процентные точки)
- F-распределение (верхние процентные точки)
- Калькулятор для F-распределения (верхние процентные точки).
Домашние задания в Python
Выполненное домашнее задание необходимо загрузить в виде ipynb-файла по ссылке ниже на Dropbox.
Если вы категорически не используете формат IPYNB, можно загрузить файл с кодом с расширением .py и PDF с текстом.
| Домашнее задание | Дедлайн | Куда загружать |
|---|---|---|
| Домашнее задание №1 | 29.04 23:59 | ссылка |
| Домашнее задание №2 | ||
| Домашнее задание №3 | ||
| Домашнее задание №4 |
