Dlaczego matematyka? Bo jest piękna i ekscytująca, jest logiczna i uczy myśleć, jest uniwersalnym językiem wszechświata, ułatwia jego poznanie i zrozumienie, jest przydatna do rozwiązywania zarówno skomplikowanych problemów nauki i techniki jak i w życiu codziennym…

A dlaczego statystyka? Bo starając się poskromić niepewność jest usytuowana na styku teorii i praktyki. To nie tylko nauka, mocno osadzona w teorii prawdopodobieństwa i czerpiąca obficie z innych działów matematyki. Statystyka, to również zbiór technik, w szczególności informatycznych, a nawet sztuka, bo w zderzeniu z problemami stawianymi przez praktyków, same twierdzenia – choćby najpiękniejsze i najmocniejsze – nie zawsze są wystarczające. Wreszcie, „statystyka jest bardziej sposobem myślenia lub wnioskowania niż pęczkiem recept na młócenie danych w celu odsłonięcia odpowiedzi”(C.R. Rao). To wszystko sprawia, że uprawianie statystyki wymaga pewnej wszechstronności, ale jest niezmiernie pasjonujące.

Sylwetka absolwenta

Absolwent studiów II stopnia w zakresie specjalności Statystyka matematyczna i analiza danych posiada wszechstronną ogólną wiedzę matematyczną i ma wykształconą umiejętność samodzielnego jej pogłębiania. Cechuje go umiejętność abstrakcyjnego myślenia, precyzyjnego formułowania problemów i ich rozwiązań. Ma on pogłębioną wiedzę szczegółową z zakresu statystyki matematycznej i analizy danych oraz umiejętności pozwalające na stosowanie metod statystycznych do opisu, modelowania i prognozowania rozmaitych zjawisk i procesów. Absolwenci tej specjalności posiadają teoretyczne podstawy i praktyczne umiejętności niezbędne do analizowania złożonych zjawisk ekonomicznych, fizycznych, biologicznych, demograficznych, społecznych itp. Znajomość różnorodnych narzędzi informatycznych pozwala absolwentom podejmować najtrudniejsze zadania przetwarzania danych i wnioskowania statystycznego oraz modelowania zjawisk losowych i chaotycznych. Absolwent tej specjalności jest przygotowany do samodzielnego podejmowania rozmaitych zadań oraz do pracy w zespołach badawczych i charakteryzuje się dużymi możliwościami adaptacyjnymi do wykonywania różnorodnych prac i zawodów.

Predyspozycje kandydata

Specjalność Statystyka matematyczna i analiza danych jest otwarta dla absolwentów studiów matematycznych I-go stopnia, jak i absolwentów wszystkich innych kierunków, którzy posiadają odpowiednie przygotowanie matematyczne oraz interesują się metodami wydobywania wiedzy z danych i budowaniem modeli uwzględniających losowość.

Program studiów na specjalności Statystyka matematyczna i analiza danych został przygotowany w ten sposób, że odnajdą się na niej zarówno osoby zainteresowane praktycznymi aspektami analizy danych, jak i Ci, którzy pragną pogłębiać wiedzę teoretyczną w zakresie wnioskowania statystycznego.

Program realizowanych kursów daje podstawy do zrozumienia potrzeb tych dziedzin nauki i gospodarki, które stosują statystykę w codziennej praktyce. Zakres przekazywanej wiedzy jest w pełni porównywalny ze standardami europejskimi i światowymi.

Możliwości zatrudnienia

Absolwenci specjalności Statystyka matematyczna i analiza danych mogą znaleźć zatrudnienie m.in. jako wyspecjalizowani analitycy w bankach, instytucjach ubezpieczeniowych, firmach konsultingowych, ośrodkach przetwarzania informacji oraz ośrodkach badania opinii społecznej, w firmach prowadzących badania kliniczne, w przemysłowych centrach badawczych, a także w zarządach przedsiębiorstw oraz na wszystkich szczeblach administracji państwowej i samorządowej. Ukończenie specjalności Statystyka matematyczna i analiza danych daje również dobre przygotowanie do podjęcia studiów III-go stopnia (doktoranckich) i dalszego rozwoju kariery na uczelni oraz innych placówkach naukowo-badawczych.

Szczegółowe efekty kształcenia

Absolwent specjalności Statystyka matematyczna i analiza danych posiada wiedzę i praktyczne umiejętności w zakresie:

• prowadzenia wstępnej eksploracyjnej analizy danych: określenie typu danych i skal pomiarowych zmiennych, identyfikacja braków danych i obserwacji odstających dla poszczególnych zmiennych, określenie istotnych cech danych wynikających z sytuacji esksperymentalnej i/lub sposobu zbierania danych, identyfikacja zgrubnych zależności w danych, wykonanie podstawowych wizualizacji, obliczenie podstawowych statystyk opisowych dla poszczególnych zmiennych;
• wykonania wstępnej analizy bazy danych z wykorzystaniem SQL i transferu danych z plików o różnych formatach do/z różnych pakietów (w szczególności statystycznych) np. Mathlab, Octave, SAS, R.
• dopasowania modelu do danych i diagnostyki modeli, w szczególności:
  1. modeli regresyjnych, w tym: model liniowej regresji wielokrotnej (jednowymiarowy i wielowymiarowy), model ANOVA, MANOVA, ANCOVA, parametryczny model regresji nieliniowej, uogólniony model liniowy (w tym model regresji logistycznej i Poissonowskiej), uogólniony model addytywny;
  2. modeli zależności zmiennych nominalnych i tablic wielowymiarowych (modele logliniowe);
  3. modeli danych temporalnych (modele ARMA, ARIMA, SARIMA, FARIMA, ARCH, GARCH itp.);
  4. modeli procesów stochastycznych (łańcuchy i procesy Markowa, procesy odnowy, procesy punktowe, proce dyfuzji);
  5. modeli analizy przeżyć;
• wykrywania podstawowych źródeł braku dopasowania badanych modeli i znajomości podstawowych technik modyfikacji i uogólniania modeli;
• wykorzystania analizowanych modeli do estymacji parametrów modelu, wyboru zmiennych istotnych i przeprowadzenia testów istotności zmiennych, oceny zmienności oszacowań, przeprowadzenia prognozy i analizy jej wiarogodności;
• konstrukcji estymatorów, statystyk testowych i statystycznych technik data-miningowych (analizy składowych głównych i analizy czynnikowej, skalowania wielowymiarowego, metod klasyfikacji i analizy skupień);
• konstrukcji prostych autorskich modeli statystycznych adekwatnych do badanej sytuacji eksperymentalnej oraz narzędzi analizy takich modeli, znajomości podstawowych analitycznych i wspomaganych komputerowo metod służących do badania własności tych narzędzi;
• analizy danych o dużej wymiarowości, znajomości technik wizualizacji, metod redukcji wymiaru i konstrukcji zmiennych przekształconych;
• zbierania danych (w tym testów klinicznych) i konstrukcji schematu próbkowania odpowiadającego założonym celom eksperymentalnym;
• sporządzania syntetycznych raportów dotyczących przeprowadzonych analiz statystycznych;
• szybkiego przyswajania wiedzy dziedzinowej, której dotyczą analizowane dane oraz syntetyzowania wiedzy ilościowej na podstawie źródeł niematematycznych.