FOI nastava
FOI logo

Lista kolegija iz:

ak.god:
2018/2019
semestar:
3. semestar

2018/2019

4ECTSa

Diplomski

Diplomski studij Ekonomika poduzetništva v1.0

Program Obavezan
Ekonomika poduzetništva EP Ne
3. semestar
2. nastavna godina

Statistička analiza podataka npp:76575

Engleski naziv

Statistical Data Analysis

Katedra

Katedra za kvantitativne metode

Cilj kolegija

Predviđanje određenih zbivanja omogućava smanjenje nesigurnosti i neizvjesnosti u donošenju poslovnih odluka. U suvremenom poslovnom okruženju poduzetnicima su dostupni brojni izvori kvalitativnih i kvantitativnih podataka o vlastitom poslovanju, odnosima s kupcima i dobavljačima, kao i o tržištu. Statistička analiza podataka omogućava poduzetnicima dobivanje nužnih informacija, koje će omogućiti kvalitetno prepoznavanje i definiranje problema te donošenje odgovarajućih poslovnih odluka za njihovo rješavanje. Cilj ovog kolegija je pružiti uvid u ključne pojmove, metode, postupke i alate za statističku analizu podataka. Kolegij će omogućiti studentima potrebna statistička znanja i vještine za rad na poslovima istraživanja tržišta, statističke kontrole kvalitete, praćenja uspješnosti poslovanja, kao i upoznavanje i praktičnu upotrebu statističkih metoda u provedbi istraživanja te analizi i interpretaciji rezultata. Dobivena će se znanja moći iskoristiti kod izrade završnih radova, te magistarskih i doktorskih disertacija.

Nastava

Predavanje
15sati
Seminar
15sati
Vježbe (jezici, tzk)
15sati

Ishodi učenja predmeta

  • Definirati modele višestruke regresije i korelacije za analizu statističkih podataka, primijeniti te modele za analizu podataka korištenjem IT, analizirati dobivene rezultate i predvidjeti vrijednosti zavisne varijable za skup novih vrijednosti nezavisnih varijabli korištenjem regresijskog modela
  • Generalizirati rezultate statističke analize podataka na uzorku na ciljanu populaciju.
  • Objasniti principe odabranih metoda multivarijatne analize podataka: metode glavnih komponenata i faktorske analize te metoda grupiranja podataka (engl. clustring), primijeniti te metode na skupove podataka korištenjem IT, analizirati dobivene rezultate i na temelju rezultata preporučiti donošenje odgovarajućih poslovnih odluka.
  • Objasniti proces statističkog istraživanja, odabira uzorka te analize i interpretacije rezultata istraživanja
  • Opisati skup statističkih podataka korištenjem alata deskriptivne statistike pomoću IT
  • Primijeniti tehnike t-testa te odabranih neparametarskih metoda za testiranje hipoteza o razlikama mjera centralne tendencije
  • Primjeniti tehnike jednofaktorske i višefaktorske analize varijance za analizu statističkih podataka korištenjem IT
  • Primjeniti tehniku hi-kvadrata za utvrđivanje zavisnosti kvalitativnih varijabli

Ishodi učenja programa

  • Istraživati, prikupljati i vrednovati informacije iz više različitih znanstvenih i stručnih izvora, a sve s ciljem razvijanja novih pristupa u razvoju poduzetništva i gospodarstva u cjelini.Istraživati, prikupljati i vrednovati informacije iz više različitih znanstvenih i stručnih izvora, a sve s ciljem razvijanja novih pristupa u razvoju poduzetništva i gospodarstva u cjelini.
  • Primijeniti suvremenu informacijsko-komunikacijsku tehnologiju u analizi informacija s realnog tržišta, ali i u unapređivanju postojećih metoda i strategija djelovanja na tržištu.Primijeniti suvremenu informacijsko-komunikacijsku tehnologiju u analizi informacija s realnog tržišta, ali i u unapređivanju postojećih metoda i strategija djelovanja na tržištu.
  • Transformirati znanstveno utemeljene metode u praktičan izazov kroz održivost gospodarstva u cjelini.Transformirati znanstveno utemeljene metode u praktičan izazov kroz održivost gospodarstva u cjelini.

Sadržaj predavanja

  • Definicija osnovnih pojmova i deskriptivna statistika
    Definicija osnovnih pojmova i deskriptivna statistika – pojam i definicija podatka, varijable, opservacija, mjerne skale, slučajne varijable, razdiobe, procjena parametara razdiobe, grafički prikazi razdiobe.
  • Proces istraživanja
    Proces istraživanja – definiranje problema i postavljanje ciljeva istraživanja, planiranje ispitivanja, prikupljanje i analiza podataka i interpretacija rezultata, sastavljanje izvještaja, zaključivanje o uzročno-posljedičnoj povezanosti.
  • Ciljna populacija i uzorak – ciljna populacije, okvir uzorkovanja, veličina i reprezentativnost u
    3. ciljna populacija i uzorak – ciljna populacije, okvir uzorkovanja, veličina i reprezentativnost uzorka, metode uzorkovanja, razdioba uzorkovanja, standardna greška procjene, izvori sistematskih pogrešaka.
  • Metode i obrasci za prikupljanje podataka –mjerenje, valjanost i pouzdanost mjerenja (instrumenta
    Metode i obrasci za prikupljanje podataka –mjerenje, valjanost i pouzdanost mjerenja (instrumenta), analiza pogrešaka, formuliranje i testiranje upitnika (vrste pitanja – otvoreni ili zatvoreni skup odgovora, likertova skala, potpitanja, redoslijed i formulacija pitanja, pouzdanost i valjanost).
  • Završne faze procesa istraživanja
    Završne faze procesa istraživanja – prikupljanje podataka, priprema podataka za obradu na računalu, analiza i interpretacija podataka, rezultati istraživanja i sastavljanje izvještaja.
  • Analiza kvalitativnih varijabli
    Analiza kvalitativnih varijabli - frekvencijska tablica, kontingencijska tablica, uvjetna razdioba, grafički prikazi, test nezavisnosti kvalitativnih varijabli – hi-kvadrat test, Simpsonov paradoks, pretpostavke primjenjivosti hi-kvadrat testa, veličina uzorka, primjeri primjene
  • Testiranje razlika mjera centralne tendencije
    Testiranje razlika mjera centralne tendencije – T-test: testiranje hipoteze o razlici aritmetičkih sredina dvaju osnovnih skupova, neparametarske metode (Wilcoxonov test za zavisne uzorke, Mann-Whitney-Wilcoxonov test za nezavisne uzorke).
  • Analiza varijance - Analiza varijance (ANOVA) za test hipoteze o jednakosti aritmetičkih sredina
    Analiza varijance - Analiza varijance (ANOVA) za test hipoteze o jednakosti aritmetičkih sredina k populacija pomoću nezavisnih slučajnih uzoraka, pretpostavke za primjenu, robusnosti, neparametrijske metode (Kruskal-Wallisov test i Friedmanov test).
  • Analiza varijance II - Višefaktorska analiza varijance: ispitivanje utjecaja dva ili više faktor
    Analiza varijance II - Višefaktorska analiza varijance: ispitivanje utjecaja dva ili više faktora na odabrano svojstvo (zavisnu varijablu). Ponovljena mjerenja, izbor modela. Primjeri pri analizi zavisnosti prodaje o karakteristikama proizvoda.
  • Model višestruke linearne regresije
    10. Model višestruke linearne regresije - Specifikacija modela. Procjene parametara (regresijski koeficijenti, greške procjene, intervali pouzdanosti, dekompozicija varijance, objašnjeni udio varijance, koeficijent određenosti, reziduali) , problem multikolinearnosti. Predviđanje regresijskim modelom, metoda najveće vjerodostojnosti, informacijski kriteriji.
  • Analiza modela višestruke linearne regresije
    Analiza modela višestruke linearne regresije – Testiranje hipoteza (model, vrijednosti koeficijenata, analiza reziduala, provjera pretpostavki, robusnost, nekarakteristične opservacije (engl. outliers), opservacije s velikim utjecajem na ishod analize, problem multikolinearnosti), izbor varijabli, ocjena doprinosa varijabli. Primjeri pri ispitivanju relevantnih varijabli za varijabilnost prodaje.
  • Mjere povezanosti kvantitativnih varijabli
    Mjere povezanosti kvantitativnih varijabli – Kovarijanca, parametrijska i neparametrijska korelacija (Pearsonova, parcijalna, multipla, Spearmanova), matrica varijanci-kovarijanci, korelacijska matrica, testiranje hipoteza o korelaciji, pretpostavke za primjenu (linearnost, normalna razdioba), grafički prikazi (matrica grafova raspršenja), varijable smetnje (engl. confounding) u analizi varijance i linearnoj regresiji, model analize kovarijance.
  • Redukcija dimenzionalnosti
    Redukcija dimenzionalnosti - Analiza glavnih komponenti (ortogonalna linearna transformacija, svojstvene vrijednosti i svojstveni vektori, opterećenja varijabli na komponenti), kriteriji izbora broja zadržanih komponenti, grafički prikazi, rotacije, interpretacija rezultata, vrijednosti komponenti (engl. component scores). Primjeri kod obrada anketa, utvrđivanja glavnih karakteristika proizvoda.
  • Redukcija dimenzionalnosti II
    14. redukcija dimenzionalnosti II – Faktorska analiza, latentne varijable, dekompozicija varijance, udio varijance zajedničkih faktora (engl. communality), posebnost varijable (engl. uniqueness), kriteriji za izvor broja faktora, opterećenja varijabli na faktorima, rotacije, vrijednosti faktora (engl. factor scores), eksploratorna i konfirmatorna analiza.
  • Metode grupiranja podataka
    Metode grupiranja podataka – Mjere sličnosti i udaljenosti za kvantitativne podatke (euklidska udaljenost, Minkowskijeva udaljenost, Manhattan udaljenost, Čebiševljeva udaljenost) i binarne podatke (Sokal-Michenerova, Sokal-Sneathova, Jaccardova i sličnost Czekanowskog), hijerarhijske metode grupiranja podataka (engl. clustering): metoda jednostavnog povezivanja ili metoda minimuma (engl. single linkage), metoda potpunog povezivanja ili metoda maksimuma (engl. complete linkage), McQuittyjeva metoda, metoda prosjeka, Gowerova metoda, Wardova metoda; nehijerarhijske metode: metoda K-sredina, metoda realokacije. Primjeri kod segmentacije tržišta.

Osnovna literatura

  • Kero, K, Bojanić-Glavica, B.; Statistički modeli i metode (odabrana poglavlja), Fakultet organizacije i informatike, Varaždin, 2003.
  • Šošić, I., Primijenjena statistika, Školska knjiga, Zagreb, 2004.

Dopunska literatura

  • L. J. Stephens. Beginning Statistics, Schaum’s Outlines, McGraw-Hill, 1998.
  • Rencher, A.C., Methods of Multivariate Analysis, Wiley Series in Probability and Statistics, 2002.
  • De Veaux RD, Velleman PF, Bock DE: Intro Stats. 2. izdanje, New York: Addison-Wesley, 2006. http://wps.aw.com/aw_deveaux_introstats_2/
  • Dallal GE: The Little Handbook of Statistical Practice. http://www.StatisticalPractice.com
Nastavnik Oblik nastave Tjedana Sati tjedno Grupa
Šimić Diana Laboratorijske vježbe 12 2 2
Predavanje 15 1 1
Seminar 3 2 2
Nema definiranih ispitnih rokova

Statistička analiza podataka - Redovni studenti

Studij: Diplomski studij Ekonomika poduzetništva
Akademska godina: 2018/2019

Praćenje rada studenata

Elementi praćenjaBodova
Online testovi8
Vježbe6
Domaće zadaće6
Kolokviji60
Praktični rad20
ZBROJ100


Bodovna skala ocjena

OdDoOcjena
0 49 nedovoljan (1)
50 60 dovoljan (2)
61 75 dobar (3)
76 90 vrlo dobar (4)
91 100 odličan (5)


Kontinuirano praćenje obuhvaća rješavanje testova u sustavu za e-učenje, rješavanje vježbi, pisanje domaćih zadaća, pisanje i prezentiranje praktičnog rada te dva pisana kolokvija, od kojih drugi obuhvaća i usmenu provjeru znanja.

Studenti koji ne steknu uvjete za prolaznu ocjenu u okviru kontinuiranog praćenja polažu pisani i usmeni ispit. Pisani ispit provodi se na redovnim ispitnim rokovima. Ispitno gradivo je obuhvaćeno obveznom ispitnom literaturom, te materijalima i prezentacijama dostupnim u sustavu za e-učenje. Na usmeni ispit izlaze studenti koji su dobili pozitivnu ocjenu na pisanom dijelu ispita (minimalno 50% bodova). Na usmenom se ispitu formira konačna ocjena prema bodovima ostvarenim kroz pisani i usmeni ispit te praktični rad prema skali za ocjenjivanje.


Kolokviji

Naziv / Tjedan 1234567891011121314151617 1. razdoblje
udio (%)
2. razdoblje
udio (%)
3. razdoblje
udio (%)
Trajanje Pismeni Usmeni
Kolokvij 1 + 100.0 0.0 0.0 60 +
Kolokvij 2 + 20.0 80.0 0.0 60 + +


Opis elemenata praćenja

Elementi praćenja Bodovi Uvjet Opis Nadoknada
Granica Opis Rok
Online testovi 8 3 Online testovi se rješavaju u sustavu za e-učenje. Rješavanje testa preduvjet je za preuzimanje i predaju vježbi. 2 Uvjet za potpis je stjecanje najmanje 2 boda na online testovima. Student koji je ostvario uvjet za potpis, ali ne i za prolaz u kontinuiranom praćenju može naknadno riješiti ili ispraviti rezultat online testova.Za nadoknadu je potrebno javiti se nastavniku najkasnije do 11. siječnja. 20.1.2019.
Vježbe 6 2 Vježbe se izvode u računalnom praktikumu u sustavu RStudio u rmarkdown formatu. Zadaci za vježbe se preuzimaju i riješene vježbe predaju u sustavu za e-učenje. Vježbe su obavezne. Ocjenjuju se dvije slučajno izabrane vježbe (jedna iz prvog i jedna iz drugog obrazovnom razdoblja). Svaka ocijenjena vježba nosi 3 boda. Studenti se mogu unaprijed ispričati za ukupno dvije vježbe. Ispričane vježbe studenti mogu predati naknadno u roku dogovorenom s nastavnikom. 1 Uvjet za potpis su predane sve vježbe i najmanje 0,5 boda iz svake ocijenjene vježbe. Studenti koji su ostvarili uvjet za potpis, ali ne i za prolaz u kontinuiranom praćenju mogu naknadno ispraviti ocijenjene vježbe. Za nadoknadu je potrebno javiti se nastavniku u roku od dva dana nakon objave ocjene za vježbe. 20.1.2019.
Domaće zadaće 6 Pišu se dvije domaće zadaće. Svaka domaća zadaća nosi 3 boda. Nema uvjeta za prolaz u kontinuiranom praćenju. Nema nadoknade domaćih zadaća.
Kolokviji 60 20 Kolokviji se sastoje od pitanja otvorenog tipa, pitanja s ponuđenim odgovorima i zadataka. 10 Izlazak na kolokvij je obvezan za redovite studente. Uvjet za potpis je stjecanje najmanje 5 bodova na svakom kolokviju. Nema nadoknade.
Praktični rad 20 8 Praktični rad piše se u timovima od 3 do 5 studenata. Rad se sastoji od analize podataka i interpretacije rezultata analize. Uz zajednički zadatak svaki student odgovara na jedno individualno pitanje na način da izabere i provodi prikladnu analizu, prikaže i interpretira rezultate te odgovara na postavljeno pitanje. Student može dobiti do 10 bodova za timski dio i do 10 bodova za individualni dio praktičnog rada. 4 Minimalno 4 boda iz praktičnog rada je uvjet za potpis. Nema nadoknade u kontinuiranom praćenju.

Bodovi iz praktičnog rada prenose se na ispitne rokove. Studenti koji nisu prošli u kontinuiranom praćenju mogu predati ispravljeni praktični rad najkasnije tjedan dana prije ispitnog roka.


Uvjet za potpis je redovito prisustvo na nastavi i vježbama i postizanje 2 boda iz online testova, 1 bod iz vježbi, 5 bodova iz svakog kolokvija i 4 boda iz praktičnog zadatka.

Riješeni zadaci s vježbi se nakon održane vježbe predaju u sustav za e-učenje. Na taj se način vodi i evidencija prisustva na vježbama. Iz opravdanih razloga može se dva puta izostati s predavanja, odnosno dva puta izostati s vježbi (ukupno četiri izostanka). Studenti koji su iz opravdanog razloga izostali s vježbi mogu u dogovoru s nastavnikom naknadno preuzeti zadatke za vježbu i predati rješenja putem sustava za e-učenje.

Na kraju semestra slučajnim se odabirom ocjenjuje izvršenje zadataka za jedan termin vježbi iz prvog i jedan iz drugog razdoblja. Prije ocjenjivanja studenti mogu zatražiti da se ukupno dvije vježbe u semestru izuzmu od ocjenjivanja. Ako izuzete vježbe budu izabrane za ocjenjivanje, studentima koji su zatražili njihovo izuzeće ocjenjuje se rješenje zadataka s prvog sljedećeg termina vježbi (ili prethodnog termina ako je za izuzeće izabran zadnji termin vježbi). Studenti koji nisu stigli riješiti zadatke za vrijeme vježbi mogu zatražiti nadoknadu na način da im se produži vrijeme za predaju rezultata najkasnije za jedan dan.

Statistička analiza podataka - Izvanredni studenti

Studij: Diplomski studij Ekonomika poduzetništva
Akademska godina: 2018/2019

Izvanredni studenti nemaju obvezu redovitog pohađanja nastave, a mogu birati između dva modela praćenja rada. Studenti su dužni javiti se predmetnom nastavniku u prva dva tjedna nastave i izabrati model praćenja. Nije moguće mijenjanje modela praćenja u toku semestra.


Praćenje rada studenata - Model A

Elementi praćenjaBodova
Online testovi8
Vježbe6
Domaće zadaće6
Kolokviji60
Praktični rad20
ZBROJ100


Praćenje rada studenata - Model B

Elementi praćenjaBodova
Praktični rad20
Pisani ispit60
Usmeni ispit20
ZBROJ100


Bodovna skala ocjena

OdDoOcjena
0 49 nedovoljan (1)
50 60 dovoljan (2)
61 75 dobar (3)
76 90 vrlo dobar (4)
91 100 odličan (5)


Model A jednak je načinu praćenja redovitih studenata, tj. uključuje rješavanje testova u sustavu za e-učenje, rješavanje zadataka s vježbi, predaju domaće zadaće  i praktičnog rada putem sustava za e-učenje, uz usmenu prezentaciju samostalnog praktičnog rada u vrijeme konzultacija u dogovoru s nastavnikom i izlazak na kolokvije. Uvjet za sudjelovanje u kontinuiranom praćenju je provedba najmanje 1/3 aktivnosti na svakim vježbama. Ovaj uvjet se provjerava na kraju semestra slučajnim odabirom po jednog termina vježbi iz prvog i drugog razdoblja.

Model B uključuje izradu praktičnog rada koji su studenti dužni predati najkasnije tjedan dana prije ispitnog roka te usmeno prezentirati nastavniku u terminu konzultacija ili u terminu usmenog ispita.


Kolokviji

Naziv / Tjedan 1234567891011121314151617 1. razdoblje
udio (%)
2. razdoblje
udio (%)
3. razdoblje
udio (%)
Trajanje Pismeni Usmeni
Kolokvij 1 + 100.0 0.0 0.0 60 +
Kolokvij 2 + 20.0 80.0 0.0 60 + +


Opis elemenata praćenja - Model A

Elementi praćenja Bodovi Uvjet Opis Nadoknada
Granica Opis Rok
Online testovi 8 3 Online testovi se rješavaju u sustavu za e-učenje. Rješavanje testa preduvjet je za
preuzimanje i predaju vježbi.
2 Studenti koji su ostvarili najmanje 2 boda na online testovima mogu naknadno riješiti ili ispraviti rezultat online testova. Za nadoknadu je potrebno javiti se
nastavniku najkasnije do 11. siječnja.
20.1.2019.
Vježbe 6 2 Vježbe se izvode u sustavu RStudio u rmarkdown formatu. Zadaci za vježbe se preuzimaju i riješene vježbe predaju u sustavu za e-učenje. Vježbe
su obavezne. Ocjenjuju se dvije slučajno izabrane vježbe (jedna iz prvog i jedna iz drugog obrazovnom razdoblja). Svaka ocijenjena vježba nosi 3 boda. Studenti se mogu
unaprijed ispričati za ukupno dvije vježbe. Ispričane vježbe studenti mogu predati naknadno u roku dogovorenom s nastavnikom.
1 Studenti koji su ostvarili najmanje 1 bod iz vježbi mogu naknadno ispraviti
ocijenjene vježbe. Za nadoknadu je potrebno javiti se nastavniku u roku od dva dana nakon objave ocjene za vježbe.
20.1.2019.
Domaće zadaće 6 Pišu se dvije domaće zadaće. Svaka domaća zadaća nosi 3 boda. Nema uvjeta za prolaz u kontinuiranom praćenju. Nema mogućnosti nadoknade.
Kolokviji 60 20 Pitanja otvorenog tipa i s ponuđenim odgovorima koja ispituju razumijevanje i zadaci. Nema mogućnosti nadoknade.
Praktični rad 20 8 Praktični rad piše se u timovima od 3 do 5 studenata. Rad se sastoji od analize podataka i interpretacije rezultata analize. Uz zajednički zadatak svaki student odgovara na jedno individualno pitanje na način da izabere i provodi prikladnu analizu, prikaže i interpretira
rezultate te odgovara na postavljeno pitanje. Student može dobiti do 10 bodova za timski dio i do 10 bodova za individualni dio praktičnog rada.
Nema mogućnosti nadoknade u kontinuiranom praćenju.

Moguće je predati praktični rad najkasnije tjedan dana prije ispitnog roka.
tjedan dana prije ispitnog roka


Opis elemenata praćenja - Model B

Elementi praćenja Bodovi Uvjet Opis Nadoknada
Granica Opis Rok
Praktični rad 20 8 Praktični rad predaje se putem sustava za e-učenje i usmeno prezentira. 8 Studenti su dužni izraditi i usmeno prezentirati praktični rad. Tjedan dana prije ispitnog roka.


 

Studenti koji ne steknu uvjete za prolaznu ocjenu u okviru kontinuiranog praćenja, kao i oni koji su izabrali Model B, polažu pisani i usmeni ispit. Pisani ispit provodi se na redovnim i izvanrednim ispitnim rokovima. Ispitu mogu pristupiti studenti koji su stekli najmanje 8 bodova iz praktičnog rada.  Ispitno gradivo je obuhvaćeno obveznom ispitnom literaturom, te materijalima i prezentacijama dostupnim na sustavu za e-učenje. Na usmeni ispit izlaze studenti koji su dobili pozitivnu ocjenu na pisanom dijelu ispita (minimalno 50% bodova). Na usmenom se ispitu formira konačna ocjena na ispitu prema bodovima ostvarenim kroz pisani i usmeni ispit te praktični rad prema skali za ocjenjivanje.

Predavanje Seminar Auditorne vježbe Laboratorijske vježbe Vježbe (jezici, tzk) Ispit Kolokviji Nadoknade Demonstrature
Copyright © 2015 FOI Varaždin. All Rights Reserved. Sva prava pridržana.
Povratak na vrh