Data Analysis in R WM-MA-S2-E1-ADwR

The course will present basic data analysis techniques, including statistical methods.

The aim of the course is to present basic techniques of data analysis including statistical methods. During the course, the student obtains theoretical and practical knowledge regarding the construction, selection and application of an appropriate model in relation to the analysed empirical phenomenon.

(in Polish) Dyscyplina naukowa, do której odnoszą się efekty uczenia się

mathematics

(in Polish) E-Learning

(in Polish) E-Learning (pełny kurs) z podziałem na grupy

(in Polish) Grupa przedmiotów ogólnouczenianych

(in Polish) nie dotyczy

Course coordinators

Term 2026/27_Z:

Dorota Dąbrowska
Piotr Śliwka

Term 2025/26_Z:

Piotr Śliwka

(in Polish) Opis nakładu pracy studenta w ECTS

Term 2025/26_Z:

Lecture - estimated student workload: - class participation: 30h - preparation for classes: 5h - consultations with the instructor: 3h - exam preparation: 15h - independent reading: 20h - exam: 2h i.e. 75h equivalent to 3 ECTS. Laboratory - estimated student workload: - class participation: 30h - preparation for classes: 20h - consultations with the instructor: 4h - independent reading: 15h - preparation for credit: 5h - completion of classes: 1h i.e. 75h equivalent to 3 ECTS.

Term 2026/27_Z:

LECTURE Class attendance: 30 hours Exam attendance: 3 hours Consultation attendance: 4 hours Class preparation: 3 hours Exam preparation: 35 hours Total: 75 hours 1.5 ECTS - direct contact with the instructor 1.5 ECTS - individual work LABORATORY Class attendance: 30 hours Consultation attendance: 4 hours Class preparation: 11 hours Assessment preparation: 30 hours Total: 75 hours 1.4 ECTS - direct contact with the instructor 1.6 ECTS - individual work

Subject level

intermediate

Learning outcome code/codes

(in Polish) wykład: MA2_W04, MA2_W05, MA2_W06, MA2_W07, MA2_W16 laboratorium: MA2_U13, MA2_U14, MA2_U15, MA2_U21, MA2_U24, MA2_K02, MA2_K08 OPIS SYMBOLI - Absolwent: wykład MA2_W04 - ma pogłębioną wiedzę w wybranej dziedzinie matematyki teoretycznej lub stosowanej, MA2_W05 - ma pogłębioną wiedzę w wybranej dziedzinie matematyki:, MA2_W06 - 2) rozumie sformułowania zagadnień pozostających na etapie badań, MA2_W07 - 3) zna powiązania zagadnień wybranej dziedziny z innymi działami matematyki teoretycznej i stosowanej, MA2_W16 - ma wiedzą adekwatną do obranej specjalności. laboratorium MA2_U13 - umie, na poziomie zaawansowanym i obejmującym matematykę współczesną, stosować oraz przedstawiać w mowie i na piśmie, metody co najmniej jednej wybranej gałęzi matematyki: analizy matematycznej i analizy funkcjonalnej, teorii równań różniczkowych i układów dynamicznych, algebry i teorii liczb, geometrii i topologii, rachunku prawdopodobieństwa i statystyki, matematyki dyskretnej i teorii grafów, logiki i teorii mnogości, MA2_U14 - w wybranej dziedzinie potrafi przeprowadzać dowody, w których stosuje w razie potrzeby również narzędzia z innych działów matematyki, MA2_U15 - potrafi określić swoje zainteresowania i je rozwijać, w szczególności jest w stanie nawiązać kontakt ze specjalistami w swojej dziedzinie, np., MA2_U21 - umie stosować metody komputerowo wspomaganego dowodzenia twierdzeń oraz logicznego wspomagania weryfikacji i specyfikacji programów, MA2_U24 - potrafi w teorii i praktyce stosować metody i techniki przynależne do wybranej specjalności, MA2_K02 - jest gotów formułować pytania, służące pogłębieniu własnego zrozumienia danego tematu lub odnalezieniu brakujących elementów rozumowania, MA2_K08 - jest gotów sprostać zadaniom społecznym związanym z wybraną specjalnością.

Type of subject

Term 2025/26_Z:

obligatory

Term 2026/27_Z:

optional with unlimited choices

Preliminary Requirements

1. Fundamentals of mathematical and descriptive statistics. 2. Basics of linear algebra. 3. Knowledge of R package or C++ language.

Learning outcomes

LECTURE:

W1 - Discusses theoretical and practical aspects of data analysis, considering their applications and limitations (MA2_W04),
U1 - Selects and justifies appropriate mathematical models and modeling methods based on analysis of theoretical assumptions (MA2_U16).

LABORATORY:

W2 - Evaluates and classifies data analysis methods in terms of their effectiveness and applications using advanced computational techniques (MA2_W08),
W3 - Demonstrates a thorough knowledge of at least one software package for statistical data processing (MA2_W12),
U2 - Constructs and applies models that solve selected problems in specific advanced mathematical applications (MA2_U16).

Assessment criteria

For all learning outcomes, the following assessment criteria are adopted for all forms of verification:
grade 5: fully achieved (no obvious shortcomings),
grade 4.5: achieved almost fully and criteria for awarding a higher grade are not met,
grade 4: largely achieved and the criteria for a higher grade are not met,
grade 3.5: largely achieved - with a clear majority of positives - and the criteria for granting a higher grade are not met,
grade 3: achieved for most of the cases covered by the verification and criteria for a higher grade are not met,
grade 2: not achieved for most of the cases covered by the verification.

Additional information

Additional information (registration calendar, class conductors, localization and schedules of classes), might be available in the USOSweb system:

Description of WM-MA-S2-E1-ADwR in USOSweb