Detail předmětu

Pravděpodobnost a statistika II

FSI-SP2 Ak. rok: 2027/2028 Zimní semestr

Obsahem předmětu jsou partie: mnohorozměrné normální rozdělení, lineární regresní model (odhady, testy hypotéz, regresní diagnostika), úvod do analýzy rozptylu, korelační analýza a základní metody analýzy kategoriálních dat. Studenti se seznámí s použitelností těchto metod a jejich výpočty v softwaru R.

Jazyk výuky

čeština

Počet kreditů

4

Zajišťuje ústav

Vstupní znalosti

Základy popisné statistiky, teorie pravděpodobnosti a matematické statistiky.

Způsob zakončení předmětu a pravidla hodnocení studentů

Podmínky udělení zápočtu: aktivní účast ve cvičeních, zvládnutí celé látky, klasifikace dostatečně nebo lépe na všech kontrolních pracích. Zpracování a obhájení projektu na dostatečné úrovni.

Zkouška: písemný test (40 bodů) a ústní zkouška (60 bodů); písemný test (5 příkladů vybrané z partií: náhodné vektory, podmíněné rozdělení, charakteristická funkce, mnohorozměrné normální rozdělení, regresní analýza, kategoriální analýza dat); ústní zkouška z teorie (3 otázky na základní pojmy, jejich vlastnosti a význam; důkazy dvou vět); klasifikace podle celkového součtu bodů (0 bodů u některého ze 4 příkladů nebo celé ústní části znamená celkově 0 bodů): výborně (90 až 100 bodů a oba důkazy), velmi dobře (80 až 89 bodů a oba důkazy), dobře (70 až 79 bodů a jeden důkaz), uspokojivě (60 až 69 bodů), dostatečně (50 až 59 bodů), nevyhovující (0 až 49 bodů).


Účast na cvičení je povinná a o náhradě zameškané výuky rozhoduje učitel cvičení.

Učební cíle

Seznámení studentů oboru Matematické inženýrství s teoretickými základy regresní analýzy a s reálnými aplikacemi regresních metod v technické praxi.

Studenti získají potřebné znalosti z významných partií teorie pravděpodobnosti a matematické statistiky, které jim umožní posuzovat a vytvářet stochastické modely technických jevů a procesů založené na těchto metodách a realizovat je na PC.

Použití předmětu ve studijních plánech

Program B-MAI-P: Matematické inženýrství, bakalářský, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Osnova

Náhodný vektor, momentové charakteristiky.
Charakteristická funkce.
Podmíněné rozdělení.
Mnohorozměrné normální rozdělení – vlastnosti.
Rozdělení kvadratických forem.
Lineární regresní model (LRM) a odhady parametrů v LRM.
Testování statistických hypotéz o parametrech LRM.
Speciální případy LRM – regresní přímka, polynomiální regrese, ANOVA modely.
Vážená regrese, nelineární regrese. Regresní diagnostika.
Korelační analýza.
Testy dobré shody se známými i neznámými parametry.
Úvod do analýzy kategoriálních dat (chí-kvadrát test, míry závislosti, Fisherův faktoriálový test).

Cvičení s počítačovou podporou

26 hod., povinná

Osnova

Náhodný vektor, varianční, kovarianční a korelační matice
Charakteristická funkce – příklady, vlastnosti.
Podmíněná rozdělení, podmíněná střední hodnota, podmíněný rozptyl.
Vlastnosti mnohorozměrného normálního rozdělení, lineární transformace.
Rozdělení kvadratických forem.
Bodové a intervalové odhady koeficientů, rozptylu a hodnot lineární regresní funkce. Seznámení se statistickým softwarem na PC.
Testování hypotéz o lineární regresní funkci: individuální a sdružené testy koeficientů, testování submodelů.
Odhady vícerozměrných lineárních regresních funkcí a diagnostika na PC.
Korelační koeficient, koeficient mnohonásobné korelace, parciální korelační koeficient.
Testy dobré shody na PC.
Analýza kategoriálních dat: kontingenční tabulka, test chí-kvadrát, Fisherův test.