PředmětyPředměty(verze: 845)
Předmět, akademický rok 2018/2019
   Přihlásit přes CAS
Statistický projektový seminář - NMST551
Anglický název: Statistical Workshop
Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2018 do 2019
Semestr: zimní
E-Kredity: 5
Rozsah, examinace: zimní s.:0/2 Z [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
Stav předmětu: vyučován
Jazyk výuky: čeština
Způsob výuky: prezenční
Další informace: http://www.karlin.mff.cuni.cz/~kulich/vyuka/projsem/index.html
Garant: doc. Mgr. Michal Kulich, Ph.D.
RNDr. Matúš Maciak, Ph.D.
Třída: M Mgr. PMSE
M Mgr. PMSE > Povinně volitelné
Kategorizace předmětu: Matematika > Pravděpodobnost a statistika
Prerekvizity : NMST432
Anotace -
Poslední úprava: T_KPMS (07.05.2015)
Analýza reálných dat formou samostatné práce a sestavení výzkumné zprávy.
Cíl předmětu -
Poslední úprava: T_KPMS (07.05.2015)

Procvičit se v analýze reálných dat a sestavení výzkumné zprávy.

Podmínky zakončení předmětu
Poslední úprava: RNDr. Jitka Zichová, Dr. (23.04.2018)

Požadavky k zápočtu: Každý týden odevzdávat práci podle zadaného úkolu, koncem semestru odevzdat uspokojivou výzkumnou zprávu, zpracovat oponenturu.

Charakter zápočtu neumožňuje opravné termíny.

Literatura -
Poslední úprava: T_KPMS (02.06.2016)

Podle řešeného problému.

Metody výuky -
Poslední úprava: T_KPMS (16.05.2013)

Seminář.

Sylabus -
Poslední úprava: T_KPMS (16.09.2014)

Statistický přístup k řešení praktických problémů, ilustrovaný na analýze reálných dat formou samostatné práce a sestavení výzkumné zprávy. Důraz je kladen na následující aspekty:

1. Příprava reálných dat k analýze.

2. Vhodná volba statistického modelu.

3. Formulace kladené otázky v rámci zvoleného modelu.

4. Provedení analýzy.

5. Správná interpretace výsledků.

6. Praxe ve vytváření srozumitelné, objektivní a kvalitně zpracované výzkumné zprávy.

Vstupní požadavky - angličtina
Poslední úprava: doc. Mgr. Michal Kulich, Ph.D. (25.05.2018)

This course assumes good knowledge of theoretical foundations and practical applications of linear regression, logistic regression, loglinear models, GEE, and linear mixed effects models. Programming skills with R statistical software and LaTeX document processing system are also beneficial.

 
Univerzita Karlova | Informační systém UK