Detail předmětu

Applied Analytical Statistics

FP-BAASEAk. rok: 2026/2027

Studenti získají praktické i teoretické znalosti z oblasti náhodných veličin, matematické statistiky, kategoriální a korelační analýzy, regresní analýzy a analýzy časových řad. Tyto metody se naučí využívat při řešení úloh spojených s řízením podnikových procesů, přičemž důraz je kladen na aplikaci statistických postupů v programu R a práci s reálnými daty. Studenti tak získají dovednosti potřebné k pochopení datových podkladů, k jejich kritickému vyhodnocení a k využití statistických závěrů pro podporu tvorby udržitelných a potenciálně škálovatelných podnikatelských řešení, která mohou přispět k efektivnímu rozhodování a k rozvoji inovačního potenciálu organizace.

Jazyk výuky

angličtina

Počet kreditů

5

Garant předmětu

Ing. Karel Doubravský, Ph.D.

Zajišťuje ústav

Ústav informatiky (ÚI)

Vstupní znalosti

Doporučené vstupní znalosti pro absolvování předmětu jsou základy matematiky (práce s funkcemi, základní  algebraické operace, základní diferenciální a integrální počet), základy pravděpodobnosti (pojem náhodného jevu a pravděpodobnosti).

Pravidla hodnocení a ukončení předmětu

Zápočet (max. 40 bodů)

  • 80% účast na cvičení.
  • vypracování dvou semestrálních úloh (bližší informace k tématům prací a způsobu odevzdávání bude upřesněno na začátku semestru).

Zkouška (max. 60 bodů)

  • je písemná, trvá 120 minut a skládá se ze 4 příkladů a jedné teoretické otázky.
  • při zkoušce lze používat vlastní poznámky a materiály vystavené na stránkách e-learningu.

Známku, odpovídající součtu (max 100 bodů), která sestává:

  • z dosažených bodů ze semestrálních úloh,
  • z výsledků řešených příkladů,
  • z kvality odpovědí na teoretickou otázku.

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 dvou semestrálních úloh (bližší informace k tématům prací a způsobu odevzdávání bude upřesněno na začátku semestru).

Zkouška (max. 60 bodů)

  • je písemná, trvá 120 minut a skládá se ze 4 příkladů a jedné teoretické otázky.
  • při zkoušce lze používat vlastní poznámky a materiály vystavené na stránkách e-learningu.

Známku, odpovídající součtu (max 100 bodů), která sestává:

  • z dosažených bodů ze semestrálních úloh,
  • z výsledků řešených příkladů,
  • z kvality odpovědí na teoretickou otázku.

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 kontrolována.

Učební cíle

Studenti získají základní znalosti náhodných veličin diskrétního a 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, lineárních a nelineárních regresních modelů a analýzy časových řad. Tyto znalosti budou schopni za pomoci statistických programů vhodně aplikovat v reálném podnikatelském prostředí tak, aby byli schopni obdržet relevantní informace potřebné pro podporu řízení podnikatelských činností a aby si rozvinuli výzkumně‑analytický přístup umožňující identifikovat a validovat inovační příležitosti vedoucí k návrhům udržitelných a potenciálně škálovatelných podnikatelských řešení.

Základní literatura

FIELD, A., J. MILES and Z. FIELD. Discovering Statistics Using R. First edition. Los Angeles, Calif.: SAGE Publications Ltd., 2012. ISBN 978-1-4462-0046-9. (EN)
DEVORE, Jay L.; BERK, Kenneth N a CARLTON, Matthew A. Modern mathematical statistics with applications. Third edition. Cham: Springer, 2021. ISBN 978-3-030-55158-2. (EN)
CHATTAMVELLI, Rajan a SHANMUGAM, Ramalingam. Descriptive statistics for scientists and engineers: applications in R. Second edition. Cham: Springer, 2023. ISBN 978-3-031-32329-4. (EN)
Study materials available in the Moodle E-learning system. (EN)

Doporučená literatura

KARPÍŠEK, Z. a M. DRDLA. Applied Statistics. Brno University of Technology, Faculty of Business and Management. Brno, 1999. ISBN 80-214-1493-6. (EN)
BETTI, Matthew. Mathematics and statistics for the quantitative sciences. Boca Raton: CRC Press, 2023. ISBN 978-1-032-20814-5. (EN)
EWENS, W. J. a BRUMBERG, Katherine. Introductory statistics for data analysis. Cham: Springer, 2023. ISBN 978-3-031-28188-4. (EN)
PIEGORSCH, Walter W.; LEVINE, Richard A; ZHANG, Hao Helen a LEE, Thomas C. M. Computational statistics in data science. Hoboken: Wiley, 2022. ISBN 978-1-119-56107-1. (EN)

Zařazení předmětu ve studijních plánech

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

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. Základní pojmy matematické statistiky a zpracování malých jednorozměrných datových souborů kvantitativního a kvalitativního znaku.
4. Zpracování velkých jednorozměrných datových souborů kvantitativního a kvalitativního znaku.
5. Bodové a intervalové odhady parametrů znaku základního souboru.
6. Základní pojmy, principy a postupy testování statistických hypotéz.
7. Základní jednovýběrové parametrické testy.

8. Základní dvouvýběrové parametrické testy.
9. Testy dobré shody (Kolmogorovův-Smirnovův test, Pearsonův test, Shapirův-Wilkův test).

10. Korelační a kategoriální analýza.
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

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. Základní pojmy matematické statistiky a zpracování malých jednorozměrných datových souborů kvantitativního a kvalitativního znaku.
4. Zpracování velkých jednorozměrných datových souborů kvantitativního a kvalitativního znaku.
5. Bodové a intervalové odhady parametrů znaku základního souboru.
6. Základní pojmy, principy a postupy testování statistických hypotéz.
7. Základní jednovýběrové parametrické testy.

8. Základní dvouvýběrové parametrické testy.
9. Testy dobré shody (Kolmogorovův-Smirnovův test, Pearsonův test, Shapirův-Wilkův test).

10. Korelační a kategoriální analýza.
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).

 

Odborné znalosti

Studenti si osvojí teoretické i aplikované poznatky z oblasti náhodných veličin a matematické statistiky. Dále získají znalosti kategoriální a korelační analýzy, regresní analýzy a analýzy časových řad. Porozumí principům statistického modelování, vyhodnocování variability dat a interpretace statistických závěrů v kontextu řízení podnikových procesů.

Odborné způsobilosti

Studenti budou schopni aplikovat příslušné statistické metody při řešení úloh spojených s podnikovými procesy, a to s důrazem na práci s reálnými daty. Získají způsobilost kriticky posuzovat kvalitu datových podkladů, identifikovat vhodné analytické postupy a interpretovat statistické výsledky ve vztahu k rozhodovacím procesům organizace. Současně budou umět využívat nástroje programu R k realizaci analýz a formulaci datově podložených závěrů.

Odborné dovednosti

Studenti rozvinou praktické dovednosti v provádění statistických analýz v prostředí R, včetně přípravy dat, implementace statistických metod a vizualizace výsledků. Budou schopni transformovat analytické poznatky do doporučení podporujících tvorbu udržitelných a potenciálně škálovatelných podnikatelských řešení. Naučí se pracovat s daty tak, aby efektivně podporovali inovace a zvyšovali kvalitu rozhodování v organizaci.

Samostudium

55 hod., nepovinná

Vyučující / Lektor

Ing. Karel Doubravský, Ph.D.

Individuální příprava na ukončení

36 hod., nepovinná

Vyučující / Lektor

Ing. Karel Doubravský, Ph.D.