Zápočet je udílen na základě vypracování semestrálního projektu.

Credit for seminar project. Oral exam.

Z: Meloun M., Militký J., Hill M.: Počítačová analýza vícerozměrných dat v příkladech, Academia, Praha 2005.

Z: Härdle W. K., Simar L.: Applied Multivariate Statistical Analysis, Springer 2015.

Z: Haruštiaková D. a kol.: Vícerozměrné statistické metody v biologii, Akademické nakladatelství CERM, Brno 2012. (https://www.iba.muni.cz/res/file/ucebnice/jarkovsky-vicerozmerne-statisticke-metody.pdf)

D: Hendl J.: Přehled statistických metod, Portál, Praha 2012.

D: Rencher A. C., Christensen W. F.: Methods of Multivariate Analysis, John Wiley & Sons 2012.

D: Varmuza K., Filzmoser P.: Introduction to Multivariate Statistical Analysis in Chemometrics, CRC Press 2016.

D: Králová H.: Vybrané moderní metody mnohorozměrné statistické analýzy, UP v Olomouci (diplomová práce), 2013. (https://theses.cz/id/orpkza/00171614-387484501.pdf)

R: Meloun M., Militký J., Hill M.: Počítačová analýza vícerozměrných dat v příkladech, Academia, Praha 2005.

R: Härdle W. K., Simar L.: Applied Multivariate Statistical Analysis, Springer 2015.

R: Haruštiaková D. a kol.: Vícerozměrné statistické metody v biologii, Akademické nakladatelství CERM, Brno 2012. (https://www.iba.muni.cz/res/file/ucebnice/jarkovsky-vicerozmerne-statisticke-metody.pdf)

A: Hendl J.: Přehled statistických metod, Portál, Praha 2012.

A: Rencher A. C., Christensen W. F.: Methods of Multivariate Analysis, John Wiley & Sons 2012.

A: Varmuza K., Filzmoser P.: Introduction to Multivariate Statistical Analysis in Chemometrics, CRC Press 2016.

A: Králová H.: Vybrané moderní metody mnohorozměrné statistické analýzy, UP v Olomouci (diploma thesis), 2013. (https://theses.cz/id/orpkza/00171614-387484501.pdf)

Přednášky a cvičení.

Lectures and seminars.

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. 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.

14. Doplňky a shrnutí vícerozměrných statistických metod, ev. rezerva pro odpadlé přednášky.

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. 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).

14. Supplements and summary of multivariate statistical methods, buffer for holidays.

Materiály k přednášce na e-learningu

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

Lecture notes on e-learning

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

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).

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).

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

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.

Žádné.

No requirements.