|
Vyučující
|
-
Javůrek Milan, doc. Ing. CSc.
-
Marek Jaroslav, Mgr. Ph.D.
|
|
Obsah předmětu
|
1. Opakování a prohloubení znalostí z teorie pravděpodobnosti. Kolmogorovův pravděpodobnostní prostor. Náhodná veličina. Pravděpodobnost. Distribuční funkce náhodné veličiny a náhodného vektoru. Nejdůležitější rozdělení. 2. Popisná statistika. Statistický soubor. Polygon četností, graf kumulativních četností, Galtonova ogiva. Konstrukce histogramu, boxplotu, hvězdicový diagram. 3. Rozlišení proměnných (nominální, ordinální, kvantitavní, dichotomické). Způsob výběru. Transformace proměnných. Výběrové číselné charakteristiky. Momenty. Kvantily. Míry šikmosti a špičatosti. Vztahy mezi průměry. Empirická distribuční funkce. 4. Dvourozměrný statistický soubor. Četnostní tabulka. Míry korelace. Varianční matice. Oblasti spolehlivosti. 5. Testování statistických hypotéz. Testy dobré shody. Testování nezávislosti v kontingenčních tabulkách. Poměr šancí. Neparametrické testy - znaménkový test, Wilcoxonův test, Kruskal-Wallisův test, Friedmanův test. Test náhodné procházky. 6. Cenové indexy a koše zboží. Laspayresův, Paascheho a ideální Fisherův index. 7. Časové řady. Klouzavé průměry. Exponenciální vyhlazování. Technické indikátory. 8. Linerní regrese: historie a vývoj algoritmů: Boškovičova metoda, Lambertova metoda, Laplaceova metoda, metoda nejmenších čtverů. 9. Nelineární regrese. Ortogonální regrese. Regresní modely s podmínkou. 10. ANOVA. Plánování experimentu. 11. Statistická kontrola kvality. Indexy způsobilosti. Přejímací plány. 12. Metoda hlavních komponent. Faktorová analýza. Diskriminační analýza. 13. Shluková analýza. Míry podobnosti a míry vzdálenosti. Algoritmus hierarchického shlukování. Algoritmus nehierarchického shlukování.
|
|
Studijní aktivity a metody výuky
|
|
Dialogická (diskuze, rozhovor, brainstorming)
|
|
Výstupy z učení
|
Cílem předmětu je doplnit, prohloubit a rozšířit poznatky z teorie pravděpodobnosti a matematické statistiky získané v předchozím studiu tak, aby tyto poznatky mohli být správným způsobem aplikovány v praxi.
Student bude schopen aplikovat teorii pravděpodobnosti a statistické metody při řešení praktických úloh i v reálných situacích.
|
|
Předpoklady
|
Student by měl mít dobré základy matematiky z diferenciálního a integrálního počtu.
|
|
Hodnoticí metody a kritéria
|
Ústní zkouška, Písemná zkouška
Předmět navazuje na kurzy Matematiky 1 a Matematiky 2 a základy teorie pravděpodobnosti a matematické statistiky v rozsahu obvyklém v bakalářském studiu ekonomických a technických škol. Aktivní účast na cvičení a maximálně 3 absence v semestru pro získání zápočtu. Úspěšné vykonání písemné práce je podmínkou pro připuštění k ústní zkoušce.
|
|
Doporučená literatura
|
-
Fahrmeir und koll. Statistik. Springer - Verlag. Berlin, 2004.
-
Kubanová, J., Linda, B. Sbírka příkladů z pravděpodobnosti. Statis, 2004.
-
Kubanová, J. Statistické metody pro ekonomickou a technickou praxi. Statis, 2004.
-
Sirvastava, M., S. Methods of multoivariate statistics. Wiley, New York, 2002.
|