Studenti budou umět:

Zpracovat data z laboratorních experimentů a průmyslových měření

Komplexně a spolehlivě interpretovat výsledky statistického zpracování dat

Navrhovat a používat 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.

Z: Jaroš F., Pavlík J., Turzík D., Veselý P.: Pravděpodobnost a statistika. Skriptum VŠCHT Praha, Praha 1994, 8070804742.

D: Pavlík J. a kol.: Aplikovaná statistika. Skriptum VŠCHT Praha, Praha 2005. 8070805692.

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

D: Turanyi T., Tomlin A. S.: Analysis of Kinetic Reaction Mechanisms. Springer-Verlag, 2014.

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

http://www.vscht.cz/kot/cz/studijni-materialy.html

http://www.vscht.cz/kot/cz/studijni-materialy.html

1. Podmínkou udělení zápočtu je zvládnutí základních metod zpracování a vyhodnocování dat, prověřené v pravidelných testech během semestru

2. Zkouška je založena na samostatném vypracování souboru praktických úloh s možností využití libovolných pomůcek a studijních opor

1. Vlastnosti a analýza laboratorních a průmyslových dat, experimenty a monitoring

2. Statistická analýza dat, typové úlohy, aplikační software

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

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

5. Mechanistické, semiempirické a empirické matematické modely

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

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

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

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

13. Sekvenční plánování experimentů, diskriminační a zpřesňující plány

14. Faktorové a empirické plány experimentů, úplné a neuplné 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.

Matematika I, Aplikovaná statistika

Mathematics I, Applied Statistics