PřF:E0410 Fundament Statistics Using R - Informace o předmětu

E0410 Fundamentals of Statistics for Scientific Data Using R

Rozsah

0/2/0. 2 kr. (plus ukončení). Ukončení: z.

Vyučující

Mgr. et Mgr. Jiří Kalina, Ph.D. (cvičící)
Daria Sapunova (cvičící)

Garance

Mgr. et Mgr. Jiří Kalina, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: Mgr. et Mgr. Jiří Kalina, Ph.D.
Dodavatelské pracoviště: RECETOX – Přírodovědecká fakulta

Rozvrh

Po 19. 2. až Ne 26. 5. Čt 9:00–10:50 D29/347-RCX2

Předpoklady

Basic math (high-school level). No need of statistical knowledge.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Biomedicínská bioinformatika (program PřF, B-MBB)
• Biomedicínská bioinformatika (program PřF, N-MBB)
• Environmentální chemie a toxikologie (program PřF, B-ZPZ)
• Environmentální zdraví (program PřF, B-ZPZ)
• Epidemiologie a modelování (program PřF, B-MBB)
• Epidemiologie a modelování (program PřF, N-MBB)
• Chemie životního prostředí (program PřF, N-CH)
• Životní prostředí a zdraví (program PřF, B-ZPZ)

Cíle předmětu

The aim of the course is to provide students with the essentials of common scientific statistical background and fundamental R programming skills.

Výstupy z učení

After completing the course, students will be able to use R for solving common scientific data analytical tasks (designing data collection, data handling, elementary statistical tests and graphs, linear modeling) and further develop using tools provided in the course.

Osnova

• 1. Course description (content, assesment etc.). Basic statistical definitions, descriptive statistics. Practical in R, familiarization with RStudio, uploading data, basic calculations. 2. Descriptive statistics. Outliers, missing values. Practical in R. 3. Visualization - common graphs,aesthetics. Practical in R. 4. Data cleaning, Tidyverse package in R. Practical in R. Inspection and visualization of a dataset, results communication. 5. Hypothesis testing, p-values, distributions, data normality testing, data transformation. Practical in R. 6. Parametric and non-parametric statistics, parametric tests (t-test, ANOVA). Practical in R performing the tests, interpretation of the results. 7.Non-parametric tests (Kruskal-Wallis, Mann-Whitney). Practical in R performing the tests, interpretation of the results. 8. Pearson and Spearman correlation. Practical in R. 9. Linear regression (OLS). Practical in R. 10. Linear regression (OLS). Assumptions, model evaluation. Practical in R. 11. Multiple regression. Variables selection for a model, preparation of the model – good practice steps. Practical in R.

Literatura

• WICKHAM, Hadley a Garrett GROLEMUND. R for data science : import, tidy, transform, visualize, and model data. First edition. Sebastopol, CA: O'Reilly, 2016, xxv, 492. ISBN 9781491910399. info

Výukové metody

Each lesson is divided into a theoretical part with a following practical part.

Metody hodnocení

Final at the end of the course - working on a dataset provided by a student or the teacher. The results should be presented as a pdf file consisting of a small introduction regarding the topic, statistical method description, data visualization and interpretation of the results.

Vyučovací jazyk

Angličtina

Navazující předměty

• E0420 Data Analysis in Biomedical and Environmental Sciences I
• E0430 Data Analysis in Biomedical and Environmental Sciences II

Informace učitele

Practical lessons are held in R statistical environment (freely available).

Další komentáře

Studijní materiály
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je vyučován každoročně.

• Statistika zápisu (jaro 2024, nejnovější)
  
• Permalink: https://is.muni.cz/predmet/sci/jaro2024/E0410