Students will know:

1. Understand basic principles of selected statistical methods for multivariate data analysis

2. Reconcile assumptions of particular methods.

3. Understand the results of the methods.

4. Perform essential calculations with specific data in specialized software (R).

Studenti budou umět:

1. Porozumět základním principům statistických metod pro mnohorozměrnou analýzu dat.

2. Posoudit, kdy lze jednotlivé metody použít.

3. Interpretovat výsledky statistických metod.

4. Provést příslušné výpočty na konkrétních datech pomocí softwaru (R).

Credit for seminar project. Oral exam.

Zápočet na základě vypracování semestrálního projektu. Ústní zkouška.

R: Härdle W. K., Simar L.: Applied Multivariate Statistical Analysis, Springer 2015, ISBN 978-3-662-45171-7.

R: Rencher A. C., Christensen W. F.: Methods of Multivariate Analysis, John Wiley & Sons 2012, ISBN: 978-0-470-17896-6.

A: Meloun M., Militký J., Hill M.: Počítačová analýza vícerozměrných dat v příkladech, Academia, Praha 2012, ISBN: 978-80-200-2071-0.

A: Hendl J.: Přehled statistických metod, Portál, Praha 2015, ISBN: 978-80-262-0981-2.

Z: Härdle W. K., Simar L.: Applied Multivariate Statistical Analysis, Springer 2015, ISBN: 978-3-662-45171-7.

Z: Rencher A. C., Christensen W. F.: Methods of Multivariate Analysis, John Wiley & Sons 2012, ISBN: 978-0-470-17896-6.

D: Meloun M., Militký J., Hill M.: Počítačová analýza vícerozměrných dat v příkladech, Academia, Praha 2012, ISBN: 978-80-200-2071-0.

D: Hendl J.: Přehled statistických metod, Portál, Praha 2015, ISBN: 978-80-262-0981-2

Lectures and seminars.

Přednášky a cvičení.

1. Data vector, data matrix and matrix algebra (multiplication, inverse matrix, eigenvalues and eigenvectors), covariance matrix.

2. Vizualisation of multidimensional data.

3. Exploratory data analysis (EDA).

4. Cluster analysis.

5. Principal component analysis (PCA).

6. Multidimensional scaling.

7. Multidimensional parameter estimation and hypothesis testing. Bayesian statistics.

8. Multivariate analysis of variance (MANOVA).

9. Regression methods 1 - multiple linear regression.

10. Regression methods 2 - principal component regression (PCR), generalized linear models (GLM).

11. Discriminant analysis.

12. Canonical correlation analysis.

13. Factor analysis (FA).

1. Datový vektor, datová matice a maticová algebra (násobení, inverze matice, vlastní čísla a vektory), kovarianční matice.

2. Vizualizace vícerozměrných dat.

3. Průzkumová analýza dat.

4. Shluková analýza.

5. Analýza hlavních komponent.

6. Multidimensional scaling.

7. Vícerozměrné odhady a testy hypotéz, bayesovská statistika.

8. Vícerozměrná analýza rozptylu (MANOVA).

9. Regresní metody 1 - vícenásobná lineární regrese.

10. Regresní metody 2 - principal component regression (PCR), zobecněné lineární modely (GLM).

11. Diskriminační analýza.

12. Kanonická korelační analýza.

13. Faktorová analýza.

Lecture notes on e-learning

Statistická analysa dat v R (lecture notes by Doc. Spiwok, VSCHT, in Czech) http://web.vscht.cz/~spiwokv/statistika/skripta.pdf

Materiály k přednášce na e-learningu

Statistická analysa dat v R (skripta Doc. Spiwoka, VSCHT) http://web.vscht.cz/~spiwokv/statistika/skripta.pdf

Students are expected to have either completed at least one of the prerequisite courses Applied Statistics or Statistical Data Analysis or possess the equivalent knowledge on probability theory and statistics prior to enrolling in the course.

For successful completion of the course, basic knowledge of probability and mathematical statistics is required at a level corresponding to the syllabus of the Applied Statistics course:

1. Random events, probability and its properties, independence of random events, conditional probability

2. Random variables, their probability distribution and characteristics

3. Fundamental types of probability distributions (especially normal distribution)

4. Random vectors and their distributions, correlation and independence of random variables

5. Sum of large number of random variables — Central Limit Theorem, Law of Large Numbers

6. Random sample, point estimate of expectation and variance, Maximum Likelihood and Bayesian estimators

7. Confidence intervals — calculation and interpretation

8. Testing of statistical hypotheses — basic principle, type I and II errors, interpretation of results (p-value), basic parametric and nonparametric tests

9. ANOVA

10. Test of independence of quantitative random variables (correlation test)

11. Goodness-of-fit testing, test of independence in contingency tables

12. Fundaments of regression analysis — linear, multiple, nonlinear Futher, knowledge of at least basic R software and eigenvalues and eigenvectors of matrices is recommended.

Základní znalosti teorie pravděpodobnosti a statistiky v rozsahu předmětu Aplikovaná statistika nebo Statistická analýza dat vyučovaných na VŠCHT.

No requirements.

Žádné.