V předmětu Statistika I se studenti seznámí se základy teorie pravděpodobnosti a statistiky a procvičí si teoretické koncepty na různých praktických problémech. Studenti se také seznámí se základy zpracování, prezentace a interpretace dat. Kurz je přípravou na další zkoumání statistických metod pro elementární analýzu ekonomických a sociálních jevů. Studenti se naučí rozlišovat situace a vhodné metody pro dané okolnosti a typy dat. Bude poskytnut také návod na správnou prezentaci a interpretaci dat a jejich výsledků. Vybraná témata budou prezentována ve výpočetním prostředí MS Excel a Gretl.

In the Statistics I course, the students will learn basics of probability theory and statistics and will practice the theoretical concepts on various practical problems. The students will also learn about basics of data processing, presentation and interpretation. The course is a preparation for further exploration of statistical methods for elementary analysis of economic and social phenomena. The students will learn how to distinguish the situations and appropriate methods for given circumstances and types of data. A guidance to proper presentation and interpretation of the data and their results will be provided as well. Selected topics will be presented in the computing environments of MS Excel and Gretl.

Zápočet může být studentovi udělen na základě jeho účasti na praktických cvičeních a odevzdaných domácích úkolů v průběhu semestru. Případně může student na konci semestru složit test, v němž dosáhne minimálně 60 % požadovaného skóre. Minimální požadovaná účast na seminářích je 75 %. Podrobnosti budou dohodnuty s vyučujícím semináře na začátku semestru.

K tomu, aby se student mohl zúčastnit závěrečné zkoušky, je zapotřebí zápočet. Závěrečná zkouška bude zahrnovat jak teorii, tak praktická cvičení. Zkouška bude mít písemnou formu, ale může být doplněna ústní zkouškou.

Credit can be awarded to student based on his participation in practical exercises and submitted homework during the semester. Alternatively student can pass a test at the end of the semester, with minimum required score of 60%. The minimum required attendance rate to seminars is 75%. The details will be agreed upon with the seminar instructor at the beginning of the semester.

A credit is required to allow a student to take the final exam. The final exam will cover both, the theory and the practical exercises. The exam will be in written form but can be complemented by oral examination.

Z: BUDÍKOVÁ, M., KRÁLOVÁ, M., MAROŠ, B. Průvodce statistickými metodami. Praha: Grada Publishing, 2010.

D: HEBÁK, P., HUSTOPECKÝ, J. Vícerozměrné statistické metody 1. Praha: Informatorium. 2006.

D: HEBÁK, P., HUSTOPECKÝ, J., MALÁ, I. Vícerozměrné statistické metody 2. Praha: Informatorium. 2005.

D: HINDLS, R. a kol. Statistika pro ekonomy. Praha: Profesional Publishing. 2007.

R: LIND, D., MARCHAL, W., WATHEN, S. (2015), Statistical Techniques in Business and Economics, (16th Edition). McGraw-Hill Education.

R: TRIOLA, M., F. (2015), Essentials of Statistics (5th Edition), Pearson Education.

R: LEVINE, SZABAT, STEPHAN (2016), Business Statistics: A First Course. New York: Pearson Global Edition.

R: ZÁŠKODNÝ, Přemysl (2012), The Principles of Probability and Statistics (Data Mining Approach). Praha: Curriculum.

Po získání zápočtu se student může přihlásit ke zkoušce. Zkouška bude písemná, v předem vyhlášených termínech.

Studenti se musí na vybraný termín přihlásit v SIS. Zkouška trvá 90 minut a její maximální délka je 90 minut.

počet bodů je 100. Zkouška se bude skládat ze dvou částí - teoretické části (maximálně 50 bodů) a části, která se skládá ze dvou částí.

praktické části (maximálně 50 bodů).

Pro úspěšné složení zkoušky musí student získat alespoň 25 bodů z následujících bodů

z každé z obou částí.

After obtaining the credit, a student will be able to take the exam. The exam will be written, in pre-announced dates.

Students have to register for the chosen date in SIS. The duration of the exam is 90 minutes and the maximum

number of points is 100. The exam will consist of two parts - a theoretical part (maximum of 50 points) and a

practical part (maximum of 50 points). To successfully pass the exam, a student needs to earn at least 25 points from

each of the two parts.

1. Úvod do statistiky. Typy dat, reprezentace a vizualizace dat.

2. Základy teorie pravděpodobnosti. Náhodné experimenty, výběrový prostor, události, pravděpodobnosti.

3. Axiomy pravděpodobnosti. Elementární věty o pravděpodobnosti, podmíněná pravděpodobnost, pravidlo násobení. Subjektivní pravděpodobnost.

4. Náhodná veličina a teorie pravděpodobnosti. Náhodná veličina, četnost, rozdělení pravděpodobnosti a jeho zobrazení a hlavní charakteristiky. Pravděpodobnostní funkce, funkce hustoty, kumulativní distribuční funkce a jejich vlastnosti.

5. Vybraná rozdělení pravděpodobnosti I. Diskrétní náhodná veličina.

6. Vybraná rozdělení pravděpodobnosti II. Spojitá náhodná veličina.

7. Vícerozměrná náhodná veličina. Náhodné vektory a vícerozměrná pravděpodobnostní rozdělení.

8. Společná, marginální a podmíněná pravděpodobnost. Nezávislost.

9. Ukládání dat do náhodných veličin, zavedení popisné statistiky, charakteristiky polohy a variability, centrální momenty. Rozklad rozptylu.

10. Úvod do statistické inference. Od pochopení vzorku k posouzení populace. Bodové a intervalové odhady.

11. Pokračování statistické inference. Testování hypotéz: nulová a alternativní hypotéza, hladina významnosti, kritické hodnoty a interval zamítnutí, chyby typu I a typu II, p-hodnota, jednostranná a oboustranná alternativní hypotéza.

12. Základní parametrické testy: rovnost průměru, rozptylu, jednovýběrové nebo dvouvýběrové testy.

13. Úvod do neparametrických testů. Význam normality. Přiřazování hodností. Vybrané neparametrické testy: Mann-Whitney, Wilcoxon rank-sum, znaménkový test.

14. Závěrečná rekapitulace, konzultace.

1. Introduction to Statistics. Types of data, data representation and visualization.

2. The essentials of probability theory. Random Experiments, Sample space, Events, Probabilities.

3. Axioms of probability. Elementary probability theorems, conditional probability, multiplication rule. Subjective probability.

4. Random variable and probability theory. Random variable, frequency, probability distribution and its representation and main characteristics. Probability function, density function, cumulative distribution function and their properties.

5. Selected probability distributions I. Discrete random variable.

6. Selected probability distributions II. Continuous random variable.

7. Multidimensional random variable. Random vectors and multivariate probabilistic distributions.

8. Joint, marginal and conditional probability. Independence.

9. Storing data in random variables, introducing descriptive statistics, characteristics of location and of variability, central moments. Variance decomposition.

10. Introduction to statistical inference. From understanding a sample to assessing population. Point and interval estimates.

11. Statistical inference continued. Hypothesis testing: null and alternative hypothesis, level of significance, critical values and rejection interval, type I and type II errors, p-value, one-sided and two-sided alternative hypothesis.

12. Basic parametric tests: equality of mean, variance, one-sample or two-sample tests.

13. Introduction to non-parametric testing. Importance of normality. Assigning ranks. Selected non-parametric tests: Mann-Whitney, Wilcoxon rank-sum, sign test.

14. Final recap, consultations.