PředmětyPředměty(verze: 845)
Předmět, akademický rok 2018/2019
   Přihlásit přes CAS
Moderní statistické metody - NMST434
Anglický název: Modern Statistical Methods
Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2018 do 2019
Semestr: letní
E-Kredity: 8
Rozsah, examinace: letní s.:4/2 Z+Zk [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
Stav předmětu: vyučován
Jazyk výuky: angličtina, čeština
Způsob výuky: prezenční
Další informace: https://www.karlin.mff.cuni.cz/~omelka/Vyuka_nmst434_1819.php
Garant: doc. Ing. Marek Omelka, Ph.D.
Třída: M Mgr. PMSE
M Mgr. PMSE > Povinně volitelné
Kategorizace předmětu: Matematika > Pravděpodobnost a statistika
Prerekvizity : NMSA407
Anotace -
Poslední úprava: T_KPMS (16.05.2013)
Moderní metody statické inference založené na teorii maximální věrohodnosti a jejich zobecněních. Základy neparametrických a robustních metod. Metody pro data s chybějícími pozorováními.
Cíl předmětu -
Poslední úprava: T_KPMS (16.05.2013)

Studenti se seznámí s principy pokročilých metod statistické inference, na kterých jsou postaveny metody analýzy dat.

Podmínky zakončení předmětu -
Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (23.05.2019)

Před ústní zkouškou je třeba získat zápočet.

K získání zápočtu je třeba získat alespoň 100 bodů ze zadaných domácích úkolů, přičemž student nemusí řešit všechny úkoly. Dva označené úkoly jsou však povinné. Tyto dva úkoly je zapotřebí uspokojivě vyřešit, přičemž student bude mít u těcht dvou úkolů možnost jedné opravy.

Povaha kontroly studia předmětu vylučuje opakování této kontroly.

Literatura -
Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (11.04.2018)

ANDĚL, J.: Základy matematické statistiky. Matfyzpress, Praha, 2007.

FAN, J. and GIJBELS, I.: Local Polynomial Modelling and Its Applications. Chapman &

Hall/CRC, London, 1996

LEHMANN, E. L. and CASSELLA, G. (1998). Theory of point estimation. Springer, New York.

MCLACHLAN, G. J., KRISHNAN, T.: The EM Algorithms and Extensions, Wiley, 2008

WAND, M. P. and JONES, M. C.: Kernel Smoothing. Chapman & Hall, 1995

SHAO, J. and TU, D.: The jackknife and bootstrap. Springer, New York, 1996.

Doplňující literatura:

KOENKER, R.: Quantile regression. Cambridge university press, 2005.

LITTLE, R.J.A., RUBIN, D.B.: Statistical analysis with missing data. New York: John Wiley & Sons, 1987

PAWITAN, Y.: In all likelihood: statistical modelling and inference using likelihood. Oxford University Press, 2001.

SERFLING, R. J.: Approximation Theorems of Mathematical Statistics, Wiley, 1980.

VAN DER VAART, A. W.: Asymptotic statistics. Cambridge university press, 2000.

Metody výuky -
Poslední úprava: T_KPMS (16.05.2013)

Přednáška+cvičení.

Požadavky ke zkoušce -
Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (23.05.2019)

Zkouška má dvě části - písemnou a ústní. Ke složení zkoušky je zapotřebí zvládnout obě části této zkoušky.

Požadavky na zkoušku odpovídají tomu, co bylo v rámci kurzu odpředneseno.

Sylabus -
Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (11.04.2018)

Asymptotické metody - Delta věta

Teorie maximální věrohodnosti

Kvazivěrohodnost, profilová, podmíněná a marginální věrohodnost

M-odhad a Z-odhady

Robustní odhady

Bootstrap

Kvantilová regrese

EM-algoritmus

Metody pro chybějící data

Jádrové odhady hustot

Jádrová neparametrická regrese

Vstupní požadavky -
Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (24.05.2018)

Předpokládá se již dobrá znalost matematické statistiky a pravděpodobnosti. Tyto znalosti jsou pokryty předměty:

Matematická statistika 1 a 2 (NMSA331 and NMSA332), Teorie pravděpodobnosti 1 (NMSA333), Lineární regrese (NMSA407).

Základní vstupní požadavky docela dobře pokrývá kniha: Anděl, J. (2007). Základy matematické statistiky. Matfyzpress.

 
Univerzita Karlova | Informační systém UK