Studenti budou umět:

Zpracovat data z laboratorních experimentů a průmyslových měření

Komplexně a spolehlivě interpretovat výsledky statistického zpracování dat

Navrhovat optimální plány pokusů

Ovládat vybraný software pro statistické zpracování dat

Students will be able to:

process data from laboratory experiments and industrial measurements,

comprehensively and reliably interpret the results of statistical data processing,

propose optimal design of experiments,

operate representative software for statistical data processing.

Doporučená:

• Statistická analýza experimentálních dat, Meloun, Milan, Militký, Jiří, 2004
• Aplikovaná statistika, Pavlík, Jiří, 2005
• Pravděpodobnost a statistika, Jaroš, František, 2002
• Optimalizace identifikace matematického modelu, Pexidr, Václav, Kondelík, Petr, 1986

A: Joglekar A. M.: Industrial statistics. Wiley, Hoboken 2010. 9780470497166

1. Podmínkou udělení zápočtu je zvládnutí základních počítačových programů pro zpracování a vyhodnocování dat, prověřené na základě vyřešení 4 domácích úkolů zadaných během semestru.

2. Zkouška je založena na samostatném zpracování vybraného souboru praktických příkladů s možností využití libovolných pomůcek.

1. Principy analýzy dat, vlastnosti měřených dat, experimenty a monitoring.

2. Statistická analýza dat, typové úlohy, aplikační software.

3. Přímé získávání informací z měřených dat, analýza výběrových charakteristik.

4. Analýza časových řad, třídění dat, plánování experimentů.

5. Matematické modely, mechanistické, semiempirické a empirické modely.

6. Metody optimálních odhadů parametrů modelů, software pro regresní analýzu.

7. Modely s diferenciálními rovnicemi, derivace závisle proměnných, integrace diferenciálních rovnic.

8. Hodnocení spolehlivosti regresních parametrů, konfidenční oblasti, korelace parametrů.

9. Hodnocení spolehlivosti simulovaných dat, analýza rozptylu a reziduálních odchylek.

10. Úpravy dat pro regresní analýzu, eliminace odlehlých měření, transformace proměnných.

11. Úpravy modelů pro regresní analýzu, transformace modelů, eliminace silné korelace parametrů.

12. Plánování experimentů, optimální počet odezev a rozsahu experimentálních podmínek.

13. Sekvenční plánování experimentů, diskriminační a zpřesňující.

14. Faktorové a empirické plány experimentů, plné a neúplné plány.

1. Principles of data analysis, properties of the measured data, experiments versus observations.

2. Statistical analysis of the data, sample problems, application software.

3. Direct acquisition of information from measured data, analysis of the sample characteristics.

4. Time series analysis, data sorting, design of experiments.

5. Mathematical models, mechanistic, empirical and semi-empirical models.

6. Methods of optimal estimation of model parameters, software for regression analysis.

7. Models with differential equations, derivatives of dependent variables, integration of differential equations.

8. Evaluating the reliability of regression parameters, confidence intervals, correlation of parameters.

9. Evaluating the reliability of simulated data, analysis of variance and residual variation.

10. Treatment of data for regression analysis, elimination of remote measurements, transformation of variables.

11. Treatment of regression models, model transformation, elimination of strong correlation of parameters.

12. Design of experiments, the optimum number of responses and the range of experimental conditions.

13. Sequential design of experiments, model discrimination and refinement.

14. Factorial and empirical design of experiments, full and fractional factorial design.

https://e-learning.vscht.cz/course/view.php?id=1164

https://e-learning.vscht.cz/course/view.php?id=1164

Matematika I, Aplikovaná statistika

Mathematics I, Applied Statistics