|
Vyučující
|
-
Pata Vladimír, prof. Dr. Ing.
|
|
Obsah předmětu
|
1. Základní typy statistických dat. 2. Míry centrální tendence pro základní a výběrový soubor dat, vlastnosti, znázornění, využití. 3. Míry rozptylů pro základní a výběrový soubor dat, vlastnosti, znázornění, využití. 4. Konfidenční intervaly, jejich využití v praxi. 5. Statistické toleranční intervaly a jejich využití v praxi. 6. Normální, normované normální a lognormální rozdělení pravděpodobnosti a jejich využití v metrologii. 7. Studentovo rozdělení a rozdělení chí-kvadrát, využití v praxi. 8. Šikmost a špičatost naměřených dat, centrální limitní teorém, využití v praxi. 9. Zákon velkých čísel, princip teorie hypotéz pro spojitá data. 10. Teorie hypotéz parametrická a neparametrická, chyby prvního a druhého druhu. 11. Základní princip F-testu, včetně jeho využití v praxi. 12. Základní princip t-testů, pro případy stejných (různých) rozptylů, včetně jejich využití v praxi. 13. Základní princip metody nejmenších čtverců, lineární regrese. 14. Intervaly spolehlivosti pro regresní přímku.
|
|
Studijní aktivity a metody výuky
|
- Příprava na zkoušku
- 150 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| Pro úspěšné zvládnutí předmětu statistika je důležité, aby student měl určité odborné znalosti a dovednosti před zahájením výuky. Tyto znalosti a dovednosti by měly zahrnovat: Základy Matematiky: Student by měl mít pevný základ v základní matematice, včetně znalosti algebraických operací, aritmetiky, matic a základních matematických funkcí. Znalost Matematického Symbolismu: Schopnost číst a psát matematické výrazy a symboly je důležitá, protože statistika používá matematickou notaci. Pravděpodobnost a Statistika: Znalost základních pravděpodobnostních konceptů, jako je pravděpodobnostní rozdělení, střední hodnota, rozptyl, kovariance a korelace, je klíčová. Rozumění Datům: Základní povědomí o tom, co jsou data, jak jsou získávána a jak jsou organizována, je užitečné. Analytické Myšlení: Student by měl mít schopnost logicky a analyticky přemýšlet, což je důležité pro rozklíčování statistických problémů a situací. Základy Statistických Metod: Povědomí o existenci a funkci základních statistických metod, jako jsou průměr, medián, kvartily, standardní odchylka, je užitečné. Základy Práce s Softwarem: Pokud student má předchozí zkušenosti s práci s počítačem a softwarem, zejména s tabulkovými procesory, může to být výhodou. Anglický Jazyk: Schopnost číst a porozumět anglickým textům je důležitá, protože mnoho statistických materiálů je k dispozici v anglickém jazyce. Práce s Data: Znalost základů práce s daty, jako je sběr dat, jejich organizace a čištění, může být užitečná. Logické Myšlení a Problematika: Schopnost formulovat a řešit problémy je klíčová pro efektivní používání statistických metod. Toto jsou základní odborné znalosti a dovednosti, které studenti budou mít prospěch získat před zahájením studia statistiky. Pokud student nemá tyto znalosti, může být potřeba dodatečného školení nebo kurzů, aby byl na předmět statistika připraven. |
| Pro úspěšné zvládnutí předmětu statistika je důležité, aby student měl určité odborné znalosti a dovednosti před zahájením výuky. Tyto znalosti a dovednosti by měly zahrnovat: Základy Matematiky: Student by měl mít pevný základ v základní matematice, včetně znalosti algebraických operací, aritmetiky, matic a základních matematických funkcí. Znalost Matematického Symbolismu: Schopnost číst a psát matematické výrazy a symboly je důležitá, protože statistika používá matematickou notaci. Pravděpodobnost a Statistika: Znalost základních pravděpodobnostních konceptů, jako je pravděpodobnostní rozdělení, střední hodnota, rozptyl, kovariance a korelace, je klíčová. Rozumění Datům: Základní povědomí o tom, co jsou data, jak jsou získávána a jak jsou organizována, je užitečné. Analytické Myšlení: Student by měl mít schopnost logicky a analyticky přemýšlet, což je důležité pro rozklíčování statistických problémů a situací. Základy Statistických Metod: Povědomí o existenci a funkci základních statistických metod, jako jsou průměr, medián, kvartily, standardní odchylka, je užitečné. Základy Práce s Softwarem: Pokud student má předchozí zkušenosti s práci s počítačem a softwarem, zejména s tabulkovými procesory, může to být výhodou. Anglický Jazyk: Schopnost číst a porozumět anglickým textům je důležitá, protože mnoho statistických materiálů je k dispozici v anglickém jazyce. Práce s Data: Znalost základů práce s daty, jako je sběr dat, jejich organizace a čištění, může být užitečná. Logické Myšlení a Problematika: Schopnost formulovat a řešit problémy je klíčová pro efektivní používání statistických metod. Toto jsou základní odborné znalosti a dovednosti, které studenti budou mít prospěch získat před zahájením studia statistiky. Pokud student nemá tyto znalosti, může být potřeba dodatečného školení nebo kurzů, aby byl na předmět statistika připraven. |
| Výsledky učení |
|---|
| Základní matematika: Silné základy v matematice jsou nezbytné. To zahrnuje algebra, diferenciální a integrální počet, lineární algebra a množiny. |
| Základní matematika: Silné základy v matematice jsou nezbytné. To zahrnuje algebra, diferenciální a integrální počet, lineární algebra a množiny. |
| Pravděpodobnost: Pojmy pravděpodobnosti jsou klíčové pro statistiku. Studenti by měli rozumět pravděpodobnostním rozdělením, střední hodnotě, rozptylu a dalším pravděpodobnostním konceptům. |
| Pravděpodobnost: Pojmy pravděpodobnosti jsou klíčové pro statistiku. Studenti by měli rozumět pravděpodobnostním rozdělením, střední hodnotě, rozptylu a dalším pravděpodobnostním konceptům. |
| Statistické metody: Studenti by měli být obeznámeni s různými statistickými metodami, včetně deskriptivní statistiky, inferenční statistiky, regrese, analýzy rozptylu a dalších. |
| Statistické metody: Studenti by měli být obeznámeni s různými statistickými metodami, včetně deskriptivní statistiky, inferenční statistiky, regrese, analýzy rozptylu a dalších. |
| Teorie statistiky: Studium statistiky vyžaduje porozumění teoretickým základům statistických metod a konceptů, jako je vzorkování, odhad parametrů, testování hypotéz a intervaly spolehlivosti. |
| Teorie statistiky: Studium statistiky vyžaduje porozumění teoretickým základům statistických metod a konceptů, jako je vzorkování, odhad parametrů, testování hypotéz a intervaly spolehlivosti. |
| Statistický software: Studenti by měli být schopni pracovat s statistickým softwarem, jako je R, Python s knihovnami pro statistiku (např. numpy, scipy, pandas) nebo statistické balíky jako SPSS nebo SAS. |
| Statistický software: Studenti by měli být schopni pracovat s statistickým softwarem, jako je R, Python s knihovnami pro statistiku (např. numpy, scipy, pandas) nebo statistické balíky jako SPSS nebo SAS. |
| Analýza dat: Znalost metod analýzy dat, včetně technik pro vizualizaci dat a identifikaci vzorů, je nezbytná. |
| Analýza dat: Znalost metod analýzy dat, včetně technik pro vizualizaci dat a identifikaci vzorů, je nezbytná. |
| Matematická statistika: Studenti by měli mít znalost pokročilých konceptů v matematické statistice, jako je konvergence, asymptotické vlastnosti odhadů a testů, teorie maximální věrohodnosti, Bayesovská statistika atd. |
| Matematická statistika: Studenti by měli mít znalost pokročilých konceptů v matematické statistice, jako je konvergence, asymptotické vlastnosti odhadů a testů, teorie maximální věrohodnosti, Bayesovská statistika atd. |
| Práce s reálnými daty: Studenti by měli mít zkušenost s prací s reálnými daty, včetně sběru dat, čištění dat a jejich interpretace. |
| Práce s reálnými daty: Studenti by měli mít zkušenost s prací s reálnými daty, včetně sběru dat, čištění dat a jejich interpretace. |
| Statistická konzultace: Schopnost komunikovat statistické výsledky a konzultovat s ostatními v různých odvětvích je důležitá, pokud se budete věnovat statistice ve firemním nebo akademickém prostředí. |
| Statistická konzultace: Schopnost komunikovat statistické výsledky a konzultovat s ostatními v různých odvětvích je důležitá, pokud se budete věnovat statistice ve firemním nebo akademickém prostředí. |
| Etika a zodpovědnost ve statistice: Studenti by měli být obeznámeni s etickými aspekty práce s daty, včetně ochrany soukromí a zodpovědného používání statistických metod. |
| Etika a zodpovědnost ve statistice: Studenti by měli být obeznámeni s etickými aspekty práce s daty, včetně ochrany soukromí a zodpovědného používání statistických metod. |
| Odborné dovednosti |
|---|
| Základní porozumění statistiky: Studenti se naučí základy statistiky, což zahrnuje koncepty jako pravděpodobnost, rozdělení pravděpodobnosti, statistické testy a jejich interpretaci. |
| Základní porozumění statistiky: Studenti se naučí základy statistiky, což zahrnuje koncepty jako pravděpodobnost, rozdělení pravděpodobnosti, statistické testy a jejich interpretaci. |
| Získávání dat: Studenti se naučí, jak získávat data relevantní pro technické řízení jakosti. To může zahrnovat techniky sběru dat a výběru vzorků. |
| Získávání dat: Studenti se naučí, jak získávat data relevantní pro technické řízení jakosti. To může zahrnovat techniky sběru dat a výběru vzorků. |
| Analýza dat: Studenti se naučí používat různé statistické metody k analýze dat. To zahrnuje popisnou statistiku, inferenční statistiku a regresní analýzu. |
| Analýza dat: Studenti se naučí používat různé statistické metody k analýze dat. To zahrnuje popisnou statistiku, inferenční statistiku a regresní analýzu. |
| Kontrola jakosti: Studenti se seznámí s metodami řízení jakosti, jako je statistické řízení procesu (SPC), kontrolní grafy a metody pro odhalení a řešení problémů s jakostí. |
| Kontrola jakosti: Studenti se seznámí s metodami řízení jakosti, jako je statistické řízení procesu (SPC), kontrolní grafy a metody pro odhalení a řešení problémů s jakostí. |
| Důležitost v průmyslu: Studenti si uvědomí, jak statistická analýza přispívá k efektivnímu řízení jakosti v průmyslu. Budou schopni identifikovat oblasti, kde statistika může být uplatněna pro zlepšení procesů a snížení chyb. |
| Důležitost v průmyslu: Studenti si uvědomí, jak statistická analýza přispívá k efektivnímu řízení jakosti v průmyslu. Budou schopni identifikovat oblasti, kde statistika může být uplatněna pro zlepšení procesů a snížení chyb. |
| Aplikace softwaru: Studenti se naučí pracovat s statistickým softwarem, což jim umožní provádět analýzy dat a generovat relevantní statistické výstupy. |
| Aplikace softwaru: Studenti se naučí pracovat s statistickým softwarem, což jim umožní provádět analýzy dat a generovat relevantní statistické výstupy. |
| Komunikace výsledků: Důležitou součástí tohoto předmětu bude i způsob, jakým studenti prezentují a komunikují výsledky svých statistických analýz, protože tyto informace jsou důležité pro rozhodovací proces v technickém řízení jakosti. |
| Komunikace výsledků: Důležitou součástí tohoto předmětu bude i způsob, jakým studenti prezentují a komunikují výsledky svých statistických analýz, protože tyto informace jsou důležité pro rozhodovací proces v technickém řízení jakosti. |
| Praktické příklady: Předmět bude zahrnovat reálné příklady a studie, které umožní studentům aplikovat své znalosti a dovednosti na konkrétní situace v oblasti technického řízení jakosti. |
| Praktické příklady: Předmět bude zahrnovat reálné příklady a studie, které umožní studentům aplikovat své znalosti a dovednosti na konkrétní situace v oblasti technického řízení jakosti. |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Monologická (výklad, přednáška, instruktáž) |
| Monologická (výklad, přednáška, instruktáž) |
| Dialogická (diskuze, rozhovor, brainstorming) |
| Dialogická (diskuze, rozhovor, brainstorming) |
| Odborné dovednosti |
|---|
| Laborování |
| Laborování |
| Praktické procvičování |
| Praktické procvičování |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Rozbor produktů pracovní činnosti studenta (technické práce) |
| Rozbor produktů pracovní činnosti studenta (technické práce) |
| Ústní zkouška |
| Ústní zkouška |
| Písemná zkouška |
| Písemná zkouška |
|
Doporučená literatura
|
-
DUPAČ, V. Pravděpodobnost a matematická statistika. 2. upr. vyd.. Praha: Karolinum, 2013. ISBN 978-80-246-2208-8.
-
HEBÁK, P. Statistické myšlení a nástroje analýzy dat. 1. vyd.. Praha: Informatorium, 2013. ISBN 978-80-7333-105-4.
-
HENDL, J. Přehled statistických metod zpracování dat: Analýza a Meta analýza dat. Praha, 2004. ISBN 80-7178-820-1.
-
MELOUN, M., MILITKÝ, J. Kompendium statistického zpracování dat. Praha: Karolinum, 2012. ISBN 978-80-246-2196-8.
-
MONTGOMERY, D.C. Introduction to Statistical Quality Control. 5th Ed.. Hoboken: John Wiley, 2005. ISBN 0471661228.
-
NENADÁL, J. Měření v systémech managementu jakosti. Praha: Management Press, 2004. ISBN 80-7261-110-0.
-
PATA, V., KUBIŠOVÁ, M. Statistické metody hodnocení jakosti strojírenských povrchů. Zlín: FT UTB, 2018. ISBN 978-80-7454-740-9.
-
TOŠENOVSKÝ, J. Statistické metody pro zlepšování jakosti. Ostrava: Montanex, 2000. ISBN 80-7225-040-X.
-
ZVÁRA, K. Pravděpodobnost a matematická statistika. 6. vyd.. Praha: Matfyzpress, 2019. ISBN 978-80-7378-388-4.
|