Detail předmětu

Applied Statistics

FP-IBasPAk. rok: 2026/2027

Předmět se zabývá parametrickými a neparametrickými testy, analýzou rozptylu, kategoriální analýzou, vícerozměrnými regresními modely, metodami statistické regulace a indexy způsobilosti, vícerozměrné statistické metody.

Jazyk výuky

angličtina

Počet kreditů

6

Příslušnost k typu studijního programu

magisterský navazující

Garant předmětu

Ing. Karel Doubravský, Ph.D.

Zajišťuje ústav

Ústav kvantitativního inženýrství (ÚKI)

Nabízen zahraničním studentům

Všech fakult

Vstupní znalosti

Pro úspěšné zvládnutí jsou požadovány základní znalosti teorie pravděpodobnosti, popisné statistiky a matematické statistiky.

Způsob zakončení předmětu a pravidla hodnocení studentů

ZAKONČENÍ PŘEDMĚTU

Zápočet (max. 30 bodů)
- vypracování semestrálních úloh (téma úloh bude upřesněno během semestru).

Zkouška (max. 70 bodů)
- je písemná s využitím výpočetní techniky a skládá se ze čtyř výpočtových příkladů a teoretické otázky.

Konečné hodnocení, odpovídající součtu (max. 100 bodů), které sestává:
- z dosažených bodů ze semestrálních úloh (max. 30 bodů),
- z výsledků řešených příkladů (max. 60 bodů),
- z kvality odpovědí na teoretickou otázku (max. 10 bodů).

Konečné hodnocení a jemu odpovídající body
A: 90-100, B: 80-89, C: 70-79, D: 60-69, E: 50-59, F: 0-49.


Účast na přednáškách není povinná, ale doporučuje se. Účast na cvičeních je povinná a kontrolovaná. Omluvená neúčast studenta na cvičení může být nahrazena náhradními úkoly.

ZAKONČENÍ PŘEDMĚTU PRO STUDENTY S INDIVIDUÁLNÍM STUDIEM

Zápočet (max. 30 bodů)
- vypracování semestrálních úloh (téma úloh bude upřesněno během semestru).

Zkouška (max. 70 bodů)
- je písemná s využitím výpočetní techniky a skládá se ze čtyř výpočtových příkladů a teoretické otázky.

Konečné hodnocení, odpovídající součtu (max. 100 bodů), které sestává:
- z dosažených bodů ze semestrálních úloh (max. 30 bodů),
- z výsledků řešených příkladů (max. 60 bodů),
- z kvality odpovědí na teoretickou otázku (max. 10 bodů).

Konečné hodnocení a jim odpovídající body
A: 90-100, B: 80-89, C: 70-79, D: 60-69, E: 50-59, F: 0-49.

Učební cíle

Seznámit studenty se základními principy matematické statistiky, ekonometrických modelů, kategoriální analýzy, metod statistické regulace a jejich využití při řízení podnikových procesů.
Studenti získají takové znalosti, že budou schopni zvládnout statistické metody na takové teoretické a praktické úrovni, která jim umožní zpracovávat a provádět korektní vyhodnocení dat a rozvíjet vědomí a schopnosti studentů využívat statistické prostředky při řízení jednotlivých činností podniku.

Studijní opory

viz Literatura k předmětu.
Studijní materiály dostupné na e-learningu.

Základní literatura

FIELD, A.; MILES, J. and FIELD, Z. Discovering Statistics Using R. Los Angeles, Californie: SAGE Publications Ltd., 2012. ISBN 978-1-4462-0046-9. (EN)
MATHEWS, P. Design of Experiment with Minitab. Milwaukee: ASQ Quality Press, 2005. ISBN 9780873896375 (EN)
Study materials available on e-learning. (EN)

Doporučená literatura

BOX, G. E. P.; HUNTER, W. G. and HUNTER, J. S. Statistics for experimenters: an introduction to design, data analysis, and model building. Wiley, 1978. ISBN 978-0-471-09315-2.
KARPÍŠEK, Z. and DRDLA, M. Applied statisitcs. Brno: PC-DIR Real, 1999. ISBN 8021414936.

Elearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program MGR-IBM magisterský navazující 1 ročník, zimní semestr, povinný

  • Program MGR-Z magisterský navazující

    obor MGR-Z , 1 ročník, zimní semestr, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Ing. Karel Doubravský, Ph.D.

Osnova

Základní tematická náplň přednášek je následující:
1. Parametrické testy: t-test, párový t-test, dvouvýběrový t-test, F-test.
2. Kolmogorovův-Smirnovův test, Shapiro-Wilkův test, Pearsonův test.
3. Analýza rozptylu: jednofaktorová a dvoufaktorová ANOVA.
4. Neparametrické testy: jednovýběrové pořadové testy.
5. Neparametrické testy: dvouvýběrové pořadové testy.
6. Neparametrické obdoby analýzy rozptylu.
7. Vícerozměrné regresní modely: základní principy.
8. Vícerozměrné regresní modely: klasické předpoklady.
9. Kategoriální analýza.
10. Regulační diagramy.
11. Indexy způsobilosti.
12. Vícerozměrné statistické metody (faktorová analýza).
13. Vícerozměrné statistické metody (shluková analýza).

Cvičení

13 hod., povinná

Vyučující / Lektor

Ing. Karel Doubravský, Ph.D.

Osnova

Témata cvičení jsou shodné s tématy přednášek.

Samostudium

65 hod., nepovinná

Vyučující / Lektor

Ing. Karel Doubravský, Ph.D.

Individuální příprava na ukončení

52 hod., nepovinná

Vyučující / Lektor

Ing. Karel Doubravský, Ph.D.

Elearning

eLearning: aktuální otevřený kurz