Detail předmětu

Applied Analytical Statistics

FP-BAASEAk. rok: 2023/2024

Studenti získají základní znalosti náhodných veličin diskrétního, spojitého typu a jejich důležitých typů rozdělení, zpracování datových souborů kvantitativního a kvalitativního znaku, bodových a intervalových odhadů, nejpoužívanějších parametrických testů a testů dobré shody, jednoduchých a složených indexů, lineárních a nelineárních regresních modelů a analýzy časových řad.

Jazyk výuky

angličtina

Počet kreditů

6

Garant předmětu

Ing. Karel Doubravský, Ph.D.

Zajišťuje ústav

Ústav informatiky (ÚI)

Nabízen zahraničním studentům

Všech fakult

Vstupní znalosti

Studenti získají znalosti z oblasti náhodných veličin, matematické statistiky, kategoriální a korelační analýzy, analýzy rozptylu, regresní analýzy a analýzy časových řad a jejich využití při řízení podnikových procesů. Důraz je především kladen na praktickou část, která je zaměřena na seznámení s využitím statistických programů při realizaci výše zmíněných metod a postupů.

Pravidla hodnocení a ukončení předmětu

Zápočet (max. 40 bodů)
- vypracování semestrálních úloh.

Zkouška (max. 60 bodů)
- je písemná.
V její první části řeší student během 100 minut 4 příklady. Ve druhé části zkoušky student vypracuje během 15 minut odpovědi na teoretickou otázku.

Známku, odpovídající součtu (max 100 bodů), která sestává:
- z dosažených bodů ze semestrálních úloh,
- z výsledků řešených příkladů,
- z kvality odpovědí na teoretické otázky.

Známky a jim odpovídající body:
A (100–90), B (89–80), C (79–70), D (69–60), E (59–50), F (49–0).

 


ZAKONČENÍ PŘEDMĚTU PRO STUDENTY S INDIVIDUÁLNÍM STUDIEM

Zápočet (max. 40 bodů)
- vypracování semestrálních úloh.

Zkouška (max. 60 bodů)
- je písemná.
V její první části řeší student během 100 minut 4 příklady. Ve druhé části zkoušky student vypracuje během 15 minut odpovědi na teoretickou otázku.

Známku, odpovídající součtu (max 100 bodů), která sestává:
- z dosažených bodů ze semestrálních úloh,
- z výsledků řešených příkladů,
- z kvality odpovědí na teoretické otázky.

Známky a jim odpovídající body:
A (100–90), B (89–80), C (79–70), D (69–60), E (59–50), F (49–0).

 

Účast na přednáškách není povinná, ale doporučuje se. Účast na cvičeních je kontrolovaná.

Učební cíle

Studenti budou seznámeni se základními pojmy náhodných veličin dikrétního, spojitého typu a jejich důležitých rozdělení, zpracování datových souborů, bodových a intervalových odhadů, testování statistických hypotéz, lineárních a nelineárních regresních modelů a analýzy časových řad. Studenti budou schopni využít příslušné metody při řešení informatických a ekonomických problémů. Po absolvování předmětu budou studenti připraveni za pomoci statistických programů prakticky použít tyto metody v navazujících informatických a ekonomických předmětech.
Studenti získají základní znalosti náhodných veličin diskrétního, spojitého typu a jejich důležitých typů rozdělení, zpracování datových souborů kvantitativního a kvalitativního znaku, bodových a intervalových odhadů, nejpoužívanějších parametrických testů a testů dobré shody, jednoduchých a složených indexů, lineárních a nelineárních regresních modelů a analýzy časových řad, a budou schopni tyto znalosti za pomoci statistických programů vhodně aplikovat v reálném podnikatelském prostředí tak, aby byli schopni obdržet relevantní informace potřebné pro podporu řízení podnikatelských činností.

Základní literatura

FIELD, A., J. MILES and Z. FIELD. Discovering Statistics Using R. 1 edition. Los Angeles, Calif.: SAGE Publications Ltd., 2012. ISBN 978-1-4462-0046-9. (EN)
MATHEWS, P. Design of Experiments with Minitab. Milwaukee: ASQ Quality Press, 2005. ISBN 978-08-738-9637-5. (EN)

Doporučená literatura

BOX, George E. P., William Gordon HUNTER a J. Stuart HUNTER, 1978. Statistics for experimenters: an introduction to design, data analysis, and model building. B.m.: Wiley. ISBN 978-0-471-09315-2. (EN)
KARPÍŠEK, Z. a M. DRDLA. Applied Statistics. Brno University of Technology, Faculty of Business and Management. Brno, 1999. ISBN 80-214-1493-6. (EN)
MONTGOMERY, Douglas C., 2008. Design and Analysis of Experiments. B.m.: John Wiley & Sons. ISBN 978-0-470-12866-4. (EN)

Elearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program BAK-E bakalářský

    obor BAK-ESBD , 1 ročník, letní semestr, povinný

  • Program BAK-ESBD bakalářský 2 ročník, letní semestr, povinný

  • Program BAK-Z bakalářský

    obor BAK-Z , 1 ročník, letní semestr, volitelný

Typ (způsob) výuky

 

Přednáška

13 hod., nepovinná

Vyučující / Lektor

Ing. Karel Doubravský, Ph.D.

Osnova

1. Náhodné veličiny (diskrétní a spojité), jejich číslené charakteristiky (střední hodnota, rozptyl, směrodatná odchylka) a zákony rozdělení (distribuční funkce, pravděpodobnostní funkce, hustota pravděpodobnosti).
2. Speciální typy rozdělení diskrétní a spojité náhodné veličiny (binomické, geometrické, hypergeometrické, normální, exponenciální a logaritmicko-normální rozdělení).
3. Dvourozměrný náhodný vektor a jeho charakteristiky (koeficient kovariance a korelace).
4. Základní pojmy matematické statistiky a zpracování malých jednorozměrných datových souborů kvantitativního a kvalitativního znaku.
5. Zpracování velkých jednorozměrných datových souborů kvantitativního a kvalitativního znaku.
6. Bodové a intervalové odhady parametrů znaku základního souboru.
7. Základní pojmy, principy a postupy testování statistických hypotéz.
8. Základní parametrické testy (jednovýběrový a dvouvýběrový t-test, F-test) a testy dobré shody (Pearsonův test, Kolmogorovův-Smirnovův test).
9. Základní pojmy z indexní analýzy (intenzitní ukaztel, extenzitní ukazatel, index).
10. Jednoduché a složené (individuální a agregátní) indexy.
11. Základní pojmy a principy regresní analýzy, metoda nejmenších čtverců a lineární regresní funkce.
12. Nelineární regresní funkce (linearizovatelné a speciální nelinearizovatelné), volba vhodné regresní funkce.
13. Základní charakteristiky časových řad (první diference, keoficient růstu), dekompozice časových řad (trendová a sezónní složka časových řad).

Cvičení

26 hod., povinná

Vyučující / Lektor

Ing. Karel Doubravský, Ph.D.

Osnova

Témata cvičení jsou shodná s tématy přednášek.

Elearning

eLearning: aktuální otevřený kurz