MA012 Statistika II

Fakulta informatiky
podzim 2022
Rozsah
2/2/0. 3 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: k, z.
Vyučující
Mgr. Ondřej Pokora, Ph.D. (přednášející)
Mgr. Markéta Zoubková (cvičící)
Garance
Mgr. Ondřej Pokora, Ph.D.
Katedra teorie programování – Fakulta informatiky
Dodavatelské pracoviště: Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta
Rozvrh
Po 16:00–17:50 A217
  • Rozvrh seminárních/paralelních skupin:
MA012/01: Po 18:00–19:50 A215, O. Pokora
MA012/02: Čt 16:00–17:50 A215, M. Zoubková
MA012/03: Čt 14:00–15:50 A215, M. Zoubková
Předpoklady
Základní znalosti z diferenciálního a integrálního počtu: funkce, derivace, určitý integrál.
Základní znalosti z lineární algebry: matice, determinant, vlastní čísla, vlastní vektory.
Znalosti z pravděpodobnosti a statistiky včetně zkušenosti s prací ve statistickém jazyce R v rozsahu předmětu MB153 Statistika I nebo MB143 Návrh a analýza experimentů. Studentům bez odpovídajících znalostí statistiky a zkušeností s jazykem R se doporučuje nejdříve absolvovat předmět MB153.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 25 mateřských oborů, zobrazit
Cíle předmětu
Kurz seznamuje studenty s pokročilými metodami matematické statistiky – vysvětluje příslušné algoritmy, výpočetní postupy, podmínky použití, interpretace výsledků a praktické použití pro analýzu datových souborů ve statistickém softwaru R. Po absolvování kurzu bude student rozumět složitějším statistickým metodám a principům statistické inference v nich (odhady, testování hypotéz). Dokáže tyto metody prakticky použít pro analýzu datových souborů a získané výsledky statisticky interpretovat.
Výstupy z učení
Po absolvování předmětu bude student schopen:
- vysvětlit principy a algoritmy pokročilých metod matematické statistiky;
- provést statistickou analýzu reálného datového souboru pomocí knihoven tidyverse v softwaru R;
- intepretovat a využít výsledky získané analýzou datového souboru.
Osnova
  • Analýza rozptylu (ANOVA).
  • Neparametrické testy založené na pořadích.
  • Testy dobré shody.
  • Korelační analýza, korelační koeficienty.
  • Mnohonásobná regrese.
  • Regresní diagnostika.
  • Autokorelace a multikolinearita.
  • Analýza hlavních komponent (PCA).
  • Logistická regrese a další zobecněné lineární modely (GLM).
  • Kontingenční tabulky a testování nezávislosti.
  • Bootstrapping.
Literatura
  • Navarro D. Learning Statistics with R. https://learningstatisticswithr.com/
  • SCHUMACKER, Randall E. Learning statistics using R. Los Angeles: Sage, 2015, xxiii, 623. ISBN 9781452286297. info
  • FIELD, Andy P., Jeremy MILES a Zoë FIELD. Discovering statistics using R. First published. Los Angeles: Sage, 2012, xxxiv, 957. ISBN 9781446200452. info
  • DAVIES, Tilman M. The book of R : a first course in programming and statistics. San Francisco: No Starch Press, 2016, xxxi, 792. ISBN 9781593276515. info
Výukové metody
Výuka probíhá prezenčním způsobem: 2 h přednáška, 2 h cvičení každý týden.
Cvičení s diskusí probíhají na počítači v softwarovém prostředí R s využitím knihoven tidyverse.
Metody hodnocení
Cvičení: účast na cvičeních a aktivní zapojení do řešení úloh, práce s odpovědníky, řešení průběžných a závěrečných úkolů. Forma závěrečné zkoušky: prezenční – písemná. Odpovědníky, závěrečné úlohy a zkouška jsou bodově hodnoceny. Pro úspěšné absolvování kurzu je potřeba dosáhnout alespoň 50 % bodů v součtu.
Informace učitele
https://is.muni.cz/auth/el/fi/podzim2022/MA012/index.qwarp
Podrobné infromace, harmonogram přednášek a cvičení a studijní materiály pro aktuální období jsou uvedeny v interaktivní osnově v ISu.
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Předmět je zařazen také v obdobích podzim 2002, podzim 2003, podzim 2004, podzim 2005, podzim 2006, podzim 2007, podzim 2008, podzim 2009, podzim 2010, podzim 2011, podzim 2012, podzim 2013, podzim 2014, podzim 2015, podzim 2016, podzim 2017, podzim 2018, podzim 2019, podzim 2020, podzim 2021, podzim 2023, podzim 2024.