PředmětyPředměty(verze: 962)
Předmět, akademický rok 2024/2025
   Přihlásit přes CAS
Metodologie měření - MC230P44
Anglický název: Methodology of Measurement in Chemistry
Český název: Metodologie měření
Zajišťuje: Katedra analytické chemie (31-230)
Fakulta: Přírodovědecká fakulta
Platnost: od 2021
Semestr: zimní
E-Kredity: 2
Způsob provedení zkoušky: zimní s.:
Rozsah, examinace: zimní s.:2/0, Zk [HT]
Počet míst: neomezen
Minimální obsazenost: neomezen
4EU+: ne
Virtuální mobilita / počet míst pro virtuální mobilitu: ne
Stav předmětu: vyučován
Jazyk výuky: čeština
Poznámka: povolen pro zápis po webu
Garant: RNDr. Jan Fischer, Ph.D.
Vyučující: RNDr. Jan Fischer, Ph.D.
prof. RNDr. Jiří Zima, CSc.
Anotace -
Souhrn metodologie měření v analytické chemii. Od teorie signálu a parametrů měřících zařízení přes volbu experimentální strategie k úvodu do metod statistické analýzy vícerozměrných dat.
Poslední úprava: SUCHAN (14.04.2005)
Literatura -

Jiří G.K. Ševčík, Metodologie měření v analytické chemii, Karolinum, Praha 1999.
Meloun M., Militký J., Statistické zpracování experimentálních dat, Ars magma, Praha 1998.
Brereton R.G., Chemometrics Data Analysis for the Laboratory and Chemical Plant, Wiley, Chichester 2003.
MillerJ.N., Miller J.C., Statistics and Chemometrics for Analytical Chemistry, Pearson, Harlow, 2000.
Marhold K., Suda J., Statistické zpracování mnohorozměrných dat v taxonomii, Karolinum, Praha 2002.
Plško E., Všeobecná analytická chémia, 2 THETA, Český Těšín 2011.

Poslední úprava: Fischer Jan, RNDr., Ph.D. (23.09.2024)
Požadavky ke zkoušce -

Zkouška z předmětu probíhá ústní formou.

Poslední úprava: Zima Jiří, prof. RNDr., CSc. (09.11.2011)
Sylabus -

1. Model signálu, parametry signálu, stanovení parametrů měřicího zařízení.

2. Metody zpracování signálu, rozdělení signálu podle spojitosti amplitudy a času, zpracování digitálního signálu, šum, následné, post-run výpočty.

3. Analytické výsledky, přesnost měření, průzkumová analýza jednorozměrných dat, testování minimálního rozsahu, nezávislosti prvků výběru (autokorelace), homogenity a rozdělení výběru, grafy statistické identifikace výběru, parametry rozdělení.

4. Metody statistické analýzy, jednorozměrná data, parametry, vícerozměrná data, parametry, kovariance, regrese a korelace.

5. Metody statistické analýzy vícerozměrných dat, metody shlukování, hierarchická shluková analýza, míry podobnosti.

6. Metody statistické analýzy vícerozměrných dat, analýza hlavních komponent, zdánlivě proměnné, grafy.

7. Diskriminační analýza, kanonická, klasifikační.

8. Metody plánování experimentu, výběr faktorů, odezev, experimentální oblasti, screening design, výběr strategie, sekvenční návrh experimentu (např. simplex), simultánní návrh experimentu (např. faktorový).

9. Faktorový návrh experimentu, dvouúrovňový, frakční, víceúrovňový, Faktorový návrh experimentu, významnost navržených proměnných, z rozptylu opakovaných měření, zanedbáním vyšších interakcí, ze stanovení těžiště.

10. Faktorový návrh experimentu, významnost navržených proměnných, z rozptylu opakovaných měření, zanedbáním vyšších interakcí, ze stanovení těžiště. Faktorový víceúrovňový návrh experimentu, lineární a kvadratická plocha odezvy, kriteria kvality, klasický symetrický návrh, nesymetrický návrh, metodologie plochy odezvy.

11. Faktorový víceúrovňový návrh experimentu, lineární a kvadratická plocha odezvy, kriteria kvality, klasický symetrický návrh, nesymetrický návrh, metodologie plochy odezvy. Faktorový návrh experimentu, analytické aplikace.

Poslední úprava: Kotek Jan, prof. RNDr., Ph.D. (20.03.2018)
Výsledky učení

Po absolvování toho předmětu student:

  • dovede sbírat relevantní data, čistit je a připravit je pro další analýzu.
  • volí vhodné statistické metody na základě charakteru dat a cílů analýzy.
  • vypočítá základní statistické charakteristiky a interpretovat jejich výsledky.
  • vytvoří různé typy grafů a interpretuje je v kontextu analyzovaných dat.
  • efektivně používá alespoň jeden statistický software.

Na pokročilejší úrovni bude student dále schopen:

  • vytvořit a interpretovat jednoduché i složitější statistické modely (např. lineární regrese, logistická regrese).
  • analyzovat data s více proměnnými pomocí metod.
  • navrhnout experimenty tak, aby poskytly co nejvíce informací o zkoumaném jevu.
  • kriticky vyhodnotit výsledky statistické analýzy a interpretovat je v kontextu daného problému.
  • srozumitelně prezentovat výsledky analýzy.
Poslední úprava: Fischer Jan, RNDr., Ph.D. (23.09.2024)
 
Univerzita Karlova | Informační systém UK