Наименование компетенции ФГОС ВО	Индикаторы достижения компетенций
Способен управлять проектом на всех этапах его жизненного цикла (УК-2)	Знаний: этапы жизненного цикла проекта этапы разработки и реализации проекта методы разработки и управления проектами Умений: выстраивать этапы работы над проектом с учетом последовательности их реализации, определять этапы жизненного цикла проекта определять проблему, на решение которой направлен проект, грамотно формулировать цель проекта определять исполнителей проекта проектировать решение конкретных задач проекта, выбирая оптимальный способ их решения, исходя из действующих правовых норм и имеющихся ресурсов и ограничений качественно решать конкретные задачи (исследования, проекта, деятельности) за установленное время; оценивать риски и результаты проекта публично представлять результаты проекта, вступать в обсуждение хода и результатов проекта Навыков: методиками разработки и управления проектом методами оценки потребности в ресурсах и эффективности проекта навыками управления проектом на всех этапах его жизненного цикла
Способен разрабатывать и реализовывать содержание учебных дисциплин, адаптировать и применять современные подходы и методы обучения, образовательные технологии (ПК-1.1)	Знаний: содержание современного предметного образования и особенности междисциплинарного контекста образования требования методического обеспечения образовательной деятельности и проектирования образовательного маршрута нормативные требования и алгоритмы проектирования учебных дисциплин и моделей предметного образования Умений: разрабатывать образовательные программы, программы дисциплин предметного содержания проектировать содержание различных моделей предметного образования и применять их в образовательной практике применять принципы междисциплинарного подхода в образовании при проектировании содержания предметного образования Навыков: проектирования учебных дисциплин и моделей предметного образования разного уровня, в том числе в междисциплинарном контексте

Вид учебной работы	Часов (по видам работ)	Семестры
2
Контактная работа (всего)	26	26
Лабораторные занятия	14	14
Практические занятия	12	12
Самостоятельная работа	46	46
Всего, часов/зачетных единиц	72 / 2	72 / 2

Показаны записи 1-2 из 2.

Наименование раздела дисциплины	Содержание раздела	Всего, час (без контроля и консультаций)	ПР	Лаб	СР
Математическая статистика и теория вероятностей для данных	Основные понятия теории вероятностей, случайные величины и их типы, законы распределения (биномиальное, Пуассона, нормальное) в Python, числовые характеристики распределений (среднее, дисперсия, стандартное отклонение, ковариация, корреляция) с использованием NumPy/Pandas, функции распределения и плотности вероятности в SciPy, закон больших чисел (демонстрация на Python), центральная предельная теорема (моделирование в Python), выборочный метод и статистические оценки в Python, построение доверительных интервалов с SciPy, проверка статистических гипотез в Python (t‑тест, тест Шапиро — Уилка и др.), критерии согласия (хи‑квадрат, Колмогорова — Смирнова) в SciPy/statsmodels, парная и множественная линейная регрессия с statsmodels/sklearn, коэффициент детерминации в Python, анализ остатков регрессии (визуализация в matplotlib/seaborn), элементы дисперсионного анализа (ANOVA) в statsmodels, основы байесовского подхода (библиотеки PyMC/ArviZ), статистическое моделирование и методы Монте‑Карло в Python, визуализация распределений и статистических результатов (matplotlib, seaborn, plotly).	30	4	4	22
Проектная работа	Анализ реальных данных с проверкой нормальности распределения: применение тестов Шапиро — Уилка и Колмогорова — Смирнова, визуализация с помощью Q‑Q‑графиков и гистограмм. Моделирование закона больших чисел и центральной предельной теоремы на примере выборок из различных распределений (биномиального, Пуассона, экспоненциального) с визуализацией динамики сходимости. Построение и интерпретация доверительных интервалов для средних значений в разных условиях (малые/большие выборки, известные/неизвестные дисперсии) с использованием SciPy. Сравнительный анализ двух выборок: реализация t‑теста Стьюдента и непараметрических аналогов (U‑тест Манна — Уитни), интерпретация p‑значений и эффектов. Прогнозирование с помощью линейной регрессии: построение модели множественной регрессии, оценка качества через коэффициент детерминации, анализ остатков и выявление выбросов. Проверка гипотез о согласии распределений: применение критерия хи‑квадрат для категориальных данных и теста Колмогорова — Смирнова для непрерывных распределений. Дисперсионный анализ (ANOVA) для сравнения нескольких групп: однофакторный и двухфакторный ANOVA, пост‑хок тесты (например, Тьюки), визуализация групповых различий. Байесовское оценивание параметров распределения: реализация простой модели с использованием PyMC или ArviZ, сравнение с классическими оценками. Моделирование методом Монте‑Карло для оценки вероятностных характеристик: расчёт VaR (стоимости под риском) или времени до события, визуализация распределения результатов. Анализ зависимостей между переменными: расчёт и визуализация корреляционных матриц, тестирование значимости корреляций, построение тепловых карт. Имитация случайных процессов: генерация траекторий броуновского движения или пуассоновского процесса, анализ статистических свойств. Оптимизация параметров распределения: подбор наилучшего распределения для эмпирических данных с помощью функций SciPy, сравнение по критериям AIC/BIC. Визуализация сложных статистических данных: создание интерактивных графиков распределения (plotly), сравнение эмпирических и теоретических плотностей, анимация сходимости выборочных характеристик. Анализ временных рядов: проверка стационарности, построение авторегрессионных моделей, визуализация доверительных интервалов прогноза. Исследование влияния размера выборки на точность оценок: моделирование смещения и дисперсии выборочных средних/дисперсий для разных распределений.	42	8	10	24

1) Глотова, Марина Юрьевна. Математическая обработка информации [Электронный ресурс] : учеб. и практикум для вузов / М. Ю. Глотова, Е. А. Самохвалова. – Москва : Юрайт, 2024. – (Высшее образование). – Добавлено: 02.10.2025. – Проверено: 28.11.2025. – Режим доступа: ЭБС Юрайт по паролю. – ISBN 978-5-534-13622-7. - URL: https://urait.ru/bcode/536054.
2) Яковлев, Владимир Борисович. Методы анализа данных региональной статистики российского образования : монография / В. Б. Яковлев ; Департамент образования и науки г. Москвы, Гос. образоват. учреждение высш. образования г. Москвы "Моск. гор. пед. ун-т" (ГАОУ ВО МГПУ), Ин-т цифрового образования. – Москва : МГПУ, 2021. – 128 с. : ил., табл. – Библиогр.: с. 82–83. – Прил.: с. 84–127. – ISBN 978-5-243-00679-8. - URL: https://resources.mgpu.ru/showlibraryurl.php?docid=534353&foldername=fulltexts&filename=534353.pdf.
3) Рощин, Сергей Михайлович. Современные интернет-технологии. Семь главных трендов [Электронный ресурс] / С. М. Рощин. – Москва : Дашков и К, 2022. – Добавлено: 01.04.2025. – Проверено: 28.11.2025. – Режим доступа: ЭБС Znanium по паролю. – ISBN 978-5-394-04846-3. - URL: https://znanium.ru/catalog/document?id=421744.

Учебная аудитория	Материально-техническое обеспечение
Аудитория для практической работы	Специализированная мебель, персональный компьютер, обеспеченный доступом к сети «Интернет», проектор, интерактивная доска, доска классная 3-элементная, набор демонстрационного оборудования и учебно-наглядных пособий, обеспечивающие тематические иллюстрации
Помещение для самостоятельной работы	Специализированная мебель, персональный компьютер, обеспеченный доступом к сети «Интернет», проектор, интерактивная доска, доска классная 3-элементная, набор демонстрационного оборудования и учебно-наглядных пособий, обеспечивающие тематические иллюстрации

Место в структуре образовательной программы

Промежуточная аттестация