course is intended for doctoral students only course can be enrolled in outside the study plan enabled for web enrollment you can enroll for the course in winter and in summer semester
The course Basic statistics for doctoral students addresses traditional and modern statistical methods popular in pharmaceutical research. Experience with basic statistical procedures and resulting interpretation of results is expected.
Last update: Duintjer Tebbens Erik Jurjen, doc. Dipl.-Math., Ph.D. (13.08.2019)
Základy statistiky pro studenty doktorských studijních programů se zabývá klasickými a moderními statistickými metodami populárními ve farmaceutickém výzkumu. Předpokládá se zkušenost se základními statistickými postupy a výslednou interpretací výsledků.
Last update: Dršatová Dita, Mgr. (26.09.2023)
Literature
Obligatory:
Li Wan Po, Alain. Statistics for pharmacists. London: Blackwell Sci., 1997, 252 s. ISBN 0-632-04881-6.
Box, George E. P. Hunter, J. Stuart Hunter, William Gordon. Statistics for experimenters : design, innovation, and discovery. Hoboken, N.J.: Wiley-Interscience, 2005, 633 s. ISBN 0-471-71813-0.
Last update: Duintjer Tebbens Erik Jurjen, doc. Dipl.-Math., Ph.D. (13.08.2019)
Syllabus -
Overview of basic concepts
Descriptive and mathematical (inductive) statistics. The most common statistical parameters. Normal distribution and the central limit theorem. T-, Chi-squared- and F-distributions. Sampling and statistical independence, correlation.
Basic tests, confidence intervals
The z-test and various types of t-test, the F-test for equality of variances. One- and two-sided tests, ANOVA for one and more factors. Decomposition of variability using different types of sums of squares. Confidence intervals and their relation to hypothesis tests.
Regression models
Their purpose and ways to use them. Linear regression and logistic regression. Multivariate models. Survival analysis, Cox models.
Tests for categorical (qualitative) variables
Chi-squared test of independence (Pearson‘s chi-squared test). Dummy coding for linear and logistic regression.
The usage of nonparametric methods. Permutation tests, Fisher‘s exact test, the rank-sum test (Mann-Whitney U-test), Wilcoxon‘s test, the Kruskal-Wallis test and the Friedland test.
Classification tasks
Clustering, (linear) discriminant analysis.
Planning of experiments
Design of Experiments (DoE), factorial designs, PCA, statistical power.
Processing of results
Verifying the assumptions, exclusion of outliers, missing values, meta-analysis.
Last update: Duintjer Tebbens Erik Jurjen, doc. Dipl.-Math., Ph.D. (13.08.2019)
Opakování základních pojmů
Popisná a matematická (induktivní) statistika. Nejběžnější parametry statistických souborů. Normální rozdělení a centrální limitní efekt. T-, Chi-kvadrát- a F-rozdělení. Vzorkování a statistická nezávislost, korelace.
Základní testy, intervaly spolehlivosti
Z-test a různé typy t-testů, F-test o shodě rozptylů. Jedno- a dvoustranné testy, ANOVA pro jeden a více faktorů. Rozložení variability pomocí různých typů součtů kvadrátů. Intervaly spolehlivosti a jejich vztah k testům hypotéz.
Regresní modely
Jejich smysl a možnosti použití. Lineární regrese a logistická regrese. Multivariate modely. Survival analysis, Cox modely.
Testy pro kvalitativní proměnné
Chi-kvadrát test dobré shody (Pearsonův chi-kvadrát test). Dummy coding pro lineární a logistickou regresi.
Párování
Párování, randomizace, (randomizované) blokování.
Neparametrické metody
Použití neparametrických metod. Permutační testy, Fisherův exaktní test, rank-sum test (Mann-Whitney U-test), Wilcoxonův test, Kruskal-Wallis test, Friedlandův test.
Klasifikační úlohy
Shlukování, (lineární) diskriminační analýza.
Plánování experimentů
Design of Experiments (DoE), faktoriální design, PCA, statistická síla.
Zpracování výsledků
Ověření předpokladů, vylučování odlehlých hodnot, missing values, meta-analýzy.
