Please note that the course runs in the Czech language only. There is a parallel course in English (MB120P188 Introduction to data analysis in ecology) - if you are interested in the English version of the course, please consider enroling into that.
Last update: Herben Tomáš, prof. RNDr., CSc. (08.09.2023)
Přednáška chce poskytnout přehled základních statistických technik pro zpracování ekologických dat na uživatelské úrovni. Snaží se intuitivně vysvětlit smysl, povahu a možnosti používaných metod a ilustrovat je příklady. (Viz. syllabus níže.) Klade si v zásadě tři cíle:
(*) naučit základy statistického uvažování (modelování, odhadu parametrů a testování)
(*) ilustrovat to na příkladech lineárních modelů jako statistických přístupů první volby, jednoduchých a obecně používaných
(*) pojmenovat, jaké problémy se jednoduchými lineárními modely řešit nedají, a odkázat na specializované přednášky/materiály
Přednáška běží v pondělí od 12,20 v posluchárně B14. Rozpis přednášek je na Moodlu přednášky pod starým kódem MB120P31. Každá přednáška je věnována jednomu okruhu v analýze dat a jejich zpracování; snažíme se, aby na začátku každé přednášky bylo krátké shrnutí obsahu přednášky předcházející, jednak pro zopakování, a pak pro snazší navázání nového tématu. Na přednáškách se střídáme dva přednášející, Tomáš Herben a Jiří Hadrava, nicméně budeme se snažit co nejvíc o jednotnost podání i stylu. Přednášky nepoužívají prezentace, ale přednášíme s křídou a tabulí (resp. fixem a bílou tabulí), nicméně ke všem přednáškám prezentace existují. Budeme je zveřejňovat vždycky před přednáškou, (nejpozději) v pondělí ráno; bude velmi praktické, pokud je budete mít na přednášce k disposici (ať už elektronicky nebo vytištěné) – občas na ně budeme činit odkazy.
Součástí přednášky jsou praktika na zpracování dat v prostředí R. Ta koncipujeme tak, aby účastníkům stačila zcela minimální úroveň znalosti "Rka", a současně k tomu nabízíme dvě procvičovací lekce tohto prostředí, takže po absolvování kurzu s praktiky účastníci získají nejen znalost základů statistického uvažování a analýzy dat, ale i základní dovednosti s jazykem R.
Všechna cvičení jsou dvě plné hodiny (nikoliv dvě vyučovací hodiny). Materiály jsou stejné pro všechny paralelky a budou postupně zveřejňovány na Moodlu přednášky, zpravidla opět v pondělí příslušného týdne ráno. Praktika koncipujeme především jako pomůcku pro Vás, která Vás má provést ilustrací materiálu probíraného na přednáškách a řešením praktických příkladů z přednášky vycházejících (proto se snažíme o maximální možnou návaznost praktik na přednášky). Účast na nich proto není podmínkou k udělení zápočtu (ale je velmi silně doporučená!).
V akad. roce 2024/25 přednášejí Tomáš Herben a Jiří Hadrava, praktika vedou Tomáš Herben, Vojtěch Abraham, Jiří Hadrava, Tomáš Jor a Eva Matoušková. První přednáška je již 29.9.! První cvičení jsou také v týdnu od 29.9.
Podrobnější informace o předmětu naleznete (až v posledním týdnu v září - zatím tam jsou loňské materiály, které se mohou trochu změnit) na Moodlu (http://dl2.cuni.cz/) pod starým kódem MB120P31. V tom týdnu též rozešleme podrobnější informační email. (Další organizační informace budou na první přednášce, čili podle možnosti na ni prosím přijďte.)
Last update: Herben Tomáš, prof. RNDr., CSc. (22.09.2025)
Literature -
Recommended textbooks:
Lepš J.: Biostatistika. - Skripta BF JčU.
Sokal a Rohlf: Biometry. - W.H. Freeman, San Francisco.
Crawley M.J. (2013): The R book. - 2nd ed. John Wiley & Sons, Chichester.
Dalgaard P. Introductory Statistics with R. - Springer.
Last update: Janovský Zdeněk, RNDr., Ph.D. (25.10.2019)
Doporučená základní literatura:
Lepš J.: Biostatistika. - Skripta BF JčU.
Crawley M.J. (2013): The R book. - 2nd ed. John Wiley & Sons, Chichester.
Dalgaard P. Introductory Statistics with R. - Springer.
Last update: Herben Tomáš, prof. RNDr., CSc. (22.09.2025)
Requirements to the exam -
Last update: Herben Tomáš, prof. RNDr., CSc. (08.09.2023)
Zkouška - písemný doplňovací test teoretických znalostí (8 otevřených otázek za každou je možno získat až 4 body, tedy celkem lze získat max. 32 b.). Ke složení zkoušky je potřeba získat alespoň 50 % bodů. Podmínkou pro zkoušku je absolvování zápočtu.
Zápočet - sestává z vyřešení dílčích příkladů z jednotlivých okruhů. Ty jsou řešeny formou tří testů (dva jako domácí úkoly, jeden prezenční na konci). Z průběžných testů je potřeba získat alespoň 65 % bodů. Více informací na Moodle předmětu (pod starým kódem MB120P31).
Praktika jsou koncipována jako praktický průvodce jednotlivými problémy řešenými na přednášce. Účast na nich není nijak sledována, nicméně na úvod každého praktika je krátký test, jímž je možné nasbírat nějaké další body k zápočtu.
Víc informací je v úvodním dopisu studentům (na SISu i na Moodlu k disposici).
Last update: Herben Tomáš, prof. RNDr., CSc. (22.09.2025)
Syllabus -
See Introduction to data analysis in ecology, MB120P188
Last update: Herben Tomáš, prof. RNDr., CSc. (08.09.2023)
Rozvržení témat přednášky z Biostatistiky a plánování ekologických pokusů
(pro aktuální rozvržení přednášek s daty prosím zkoumejte stránku přednášky na Moodlu (pod starým kódem MB120P31). Tam jsou rovněž prezentace k jednotlivým přednáškám.
Vlastnosti proměnných, deskriptivní statistika
Vztahy dvou proměnných, vizualizace dat, základy teorie pravděpodobnosti
Základy statistické inference, pojem stupňů volnosti, t-test
Základy statistického modelování,lineární model s jedním kvantitativním prediktorem
Formulace a testování hypotéz na příkladu lineárního modelu s kategoriálním prediktorem
Lineární model s kategoriálními prediktory ("Analýza variance"), post-hoc testy, neparametrické analogy ANOVA
Statistická interakce prediktorů, obecný lineární model: kvantitativní i kategoriální prediktory. Korelace prediktorů a její důsledky
Mnohonásobná regrese, porovnávání modelů, informační kritéria, minimální adekvátní model
Nelineární regrese, transformace dat
Design pokusů, hierarchická data apevné a náhodné faktory
Analýza kategoriálních závislých proměnných
Shrnutí přednášky, základní postupy v analýze dat, chybějící hodnoty a problematická data
Last update: Herben Tomáš, prof. RNDr., CSc. (22.09.2025)
Learning outcomes - Czech
Po absolvování kurzu student dokáže:
Rozlišit typy proměnných a zvolit odpovídající popis a graf.
Převést biologickou/ekologickou otázku na model (odezva, prediktory).
Použít lineární model jako základní nástroj analýzy.
Interpretovat parametry lineárního modelu (a, b) a zhodnotit sílu vztahu (R2)
Interpretovat odhad efektu včetně nejistoty (CI).
Interpretovat p-hodnotu
Ověřit splnění předpokladů lineárního modelu.
Pracovat s více prediktory a popsat důsledky korelace prediktorů.
Rozpoznat a interpretovat interakci prediktorů.
Porovnat kandidátní modely (pomocí AIC) a obhájit volbu finálního modelu.
Zachytit nelinearitu a zvolit jednoduché řešení (transformace / vhodná funkce).
Rozpoznat hierarchii v datech (opakovaná měření, lokality, bloky) a kdy je potřeba rozšíření modelu.
Zvolit vhodný model pro kategoriální odezvu a zdůvodnit, proč lineární model (`lm`) nestačí pro binární data (0/1).
Sestavit základní workflow analýzy v R: načtení dat → vizualizace → model → diagnostika → interpretace.
Last update: Mottl Ondřej, Mgr., Ph.D. (02.03.2026)
