Statystyka potocznie rozumiana jest jako zestaw narzędzi wykorzystywanych do gromadzenia, analizy i interpretacji danych oraz podejmowania decyzji. Metody statystyczne powszechnie stosowane są m.in. w badaniach naukowych, finansach i bankowości, przemyśle oraz badaniach marketingowych. Rosnące możliwości obliczeniowe komputerów sprawiły, że we współczesnej statystyce dużą popularność zyskały metody symulacyjne. W wielu przypadkach, np. takich jak złożony charakter badanego zjawiska lub zbyt mała ilość danych, metody symulacyjne stanowią jedyną alternatywę dla klasycznych metod wnioskowania statystycznego.

Szkolenie obejmuje bardzo szeroki zakres współczesnej statystyki, od klasycznych metod wnioskowania statystycznego, poprzez metody nieparametryczne po metody symulacyjne. W czasie szkolenia przedstawione zostaną zagadnienia związane z komputerowym generowaniem liczb pseudolosowych. Szczególna uwaga poświęcona będzie najbardziej popularnym modelom stochastycznym. Każdy dział szkolenia ilustrowany jest ćwiczeniami praktycznymi przeprowadzanymi w środowisku R. Uczestnicząc w szkoleniu poznasz podstawy metodologiczne modelowania zjawisk losowych oraz zdobędziesz umiejętności posługiwania się klasycznymi i nowoczesnymi metodami statystyki.


Czego się nauczysz?

  • Poznasz podstawy wnioskowania statystycznego.
  • Nauczysz się, jak generować zmienne losowe i jak z nich korzystać.
  • Poznasz najczęściej stosowane modele stochastyczne.
  • Dowiesz się, jak budować modele regresyjne.
  • Wszystko przećwiczysz w praktyce na komputerze: używamy systemu RRCommander.
  • Otrzymasz obszerne materiały umożliwiające samodzielną późniejszą pracę, w tym skrypty R.


Dla kogo jest to szkolenie?

Dla wszystkich, którzy stosują w pracy metody statystyczne i symulacyjne.


Skrót programu szkolenia

  • Podstawy statystyki – wnioskowanie statystyczne
  • Analiza regresji i korelacji
  • Metody nieparametryczne statystyki
  • Metody symulacyjne i modelowanie stochastyczne


Program szkolenia

  1. Podstawy statystyki — wnioskowanie statystyczne
    • podstawy modeli statystycznych -– zmienne losowe i ich rozkłady
    • estymacja punktowa i przedziałowa -– cele i zastosowania
    • przegląd metod estymacji (metoda najmniejszych kwadratów, metoda największej wiarygodności, metoda momentów)
    • podstawy weryfikacji hipotez statystycznych
    • związek pomiędzy testowaniem hipotez statystycznych i konstrukcją przedziałów ufności
    • wybrane testy parametryczne i nieparametryczne (testy istotności, zgodności i niezależności)
    • testowanie hipotez statystycznych w praktyce:
      • dobór odpowiedniego testu statystycznego do zagadnienia
      • interpretacja wyników
      • założenia i wymagania testów statystycznych
      • analiza mocy testów
      • dobór liczebności próby
    • weryfikacja hipotez statystycznych na przykładach danych rzeczywistych spotykanych w bankowości i w przemyśle
    • wybrane aspekty planowania eksperymentu
  2. Analiza regresji i korelacji
    • ocena zależności zmiennych ilościowych – podstawowe narzędzia (współczynnik korelacji próbkowej, wykres rozrzutu)
    • wprowadzenie do metod regresyjnych -– cele i zastosowania
    • model regresji liniowej -– struktura i założenia
    • aspekty praktyczne związane z budową modeli regresyjnych
      • dopasowanie modelu
      • ocena jakości dopasowania modelu (diagnostyka modelu regresji): weryfikacja istotności zmiennych, analiza wartości resztowych
      • interpretacja skonstruowanego modelu
    • porównanie i wybór najlepszego modelu
    • wykorzystanie dopasowanego modelu do prognozowania (prognoza punktowa i przedziałowa)
    • wybór zmiennych do budowy modelu.
    • pozostałe zagadnienia związane z analizą regresji
      • transformacje danych
      • analiza obserwacji odstających i wpływowych
      • analiza współliniowości zmiennych
    • model regresji logistycznej
  3. Metody nieparametryczne statystyki
    • metody parametryczne i nieparametryczne we wnioskowaniu statystycznym
    • potrzeba i cele stosowania metod nieparametrycznych
    • przykłady zastosowań metod nieparametrycznych
      • estymacja gęstości rozkładu
      • estymacja funkcji regresji
      • estymacja funkcji intensywności
      • estymacja funkcji trendu
    • wybrane metody estymacji nieparametrycznej
      • metody jądrowe (kernel smoothing)
      • metody projekcyjne
      • lokalne modele regresyjne (np. metoda loess)
      • funkcje gięte (smoothing splines)
    • metody oparte na replikowaniu danych (m.in.: metody jackknife, bootstrap, subsampling)
    • przykłady praktyczne zastosowań metod nieparametrycznych
  4. Metody symulacyjne i modelowanie stochastyczne
    • porównanie stochastycznego i deterministycznego podejścia do modelowania
    • podstawy modeli stochastycznych -– zmienne losowe i ich rozkłady
    • mechanizmy komputerowego generowania liczb pseudolosowych
    • metody symulowania zmiennych losowych o zadanych rozkładach (ciągłych lub dyskretnych)
      • metody dedykowane (np. rozkład normalny, rozkład beta)
      • metody uniwersalne (np. metoda von Neumanna, metoda dystrybuanty odwrotnej)
    • modele stochastyczne
      • łańcuchy Markowa
      • procesy dyfuzyjne (ruch Browna)
      • procesy punktowe (procesy Poissona)
      • modele obsługi masowej (systemy kolejkowe)
    • przykłady praktyczne zastosowań modeli stochastycznych

Spróbuj ponownie