Kůs Václav Ing. Ph.D. :: [01PRA1] Pravděpodobnost a matematická statistika 1

Další předměty
[01BPAI1] Bakalářská práce 1
[01BPAM1] Bakalářská práce 1
[01BPMM1] Bakalářská práce 1
[01BPSI1] Bakalářská práce 1
[01BAPS] Bayesovské principy ve statistice
[01MAA3] Matematická analýza A3
[01PRA1] Pravděpodobnost a matematická statistika 1
Role učitele
Přednášející, Cvičící, Zkoušející
Počet hodnotících: 5 / 13
Procento hodnotících: 38 %
|========............|
Celkové hodnocení [10]
1 : |========............| 40 % [4]  
2 : |========............| 40 % [4]  
3 : |....................| 0 % [0]  
4 : |====................| 20 % [2]  
5 : |....................| 0 % [0]  
medián: 2.00 průměr hodnocení: 2.00

Všichni učitelé

75% hodnocení je v rozmezí 1.00 až 2.60
medián: 1.33
průměr hodnocení: 1.70
Hodnocení v roli cvičící [5]
1 : |========............| 40 % [2]  
2 : |========............| 40 % [2]  
3 : |....................| 0 % [0]  
4 : |====................| 20 % [1]  
5 : |....................| 0 % [0]  
medián: 2.00 průměr hodnocení: 2.00

Všichni učitelé

75% hodnocení je v rozmezí 1.00 až 2.63
medián: 1.39
průměr hodnocení: 1.69
Hodnocení v roli přednášející [5]
1 : |========............| 40 % [2]  
2 : |========............| 40 % [2]  
3 : |....................| 0 % [0]  
4 : |====................| 20 % [1]  
5 : |....................| 0 % [0]  
medián: 2.00 průměr hodnocení: 2.00

Všichni učitelé

75% hodnocení je v rozmezí 1.00 až 2.65
medián: 1.42
průměr hodnocení: 1.70

P : Slovní vyjádření k navštíveným přednáškám. [1]
  • Kvalita výuky byla podobná wikiskriptům, bylo totiž možné pozorovat sestupnou tendenci. Zejména ve statistice byly některé věty vysloveny nepřesně, nebo dokázány pouze pro nějaký speciální případ bez bližšího komentáře. Také zřejmě existují věty, které se rok od roku vyslovují v různé (neekvivalentní) podobě.
    studijní průměr: <1.0, 1.5>

C : Napište, co na cvičícím oceňujete [1]
  • Prolínání přednášek s cvičeními je skvělý nápad, příklady se proberou kdy je potřeba, tedy vlastně "na přednášce" a nemusí se čekat na cvičení, kde by se jinak ztratilo spoustu času opakováním teorie.
    studijní průměr: <1.0, 1.5>

C : V čem by se měl(a) cvičící zlepšit? [1]
  • Málo příkladů na statistiku, přitom u zkoušky padaly příklady ze statistiky s pravděpodobností zhruba 0.5. Tohle by se mělo vyřešit ideálně přesunem veškeré statistiky do letního semestru a přizpůsobením hodinové dotace.
    studijní průměr: <1.0, 1.5>

Z : Z čeho jste se učil(a) na zkoušku (skripta, zápisky, jiné zdroje, případně jaké)? [3]
  • Wikiskripta první dvě kapitoly. (Dál je to tragédie -- ani tvrzení často nejsou správně.) Vlastní zápisky z hodin, na kterých jsem byl. Zápisky spolužaček i zápisky z loňských let. A dlužno dodat, že někdy se v různých zdrojích daly nalézt protichůdné informace.
    studijní průměr: <1.0, 1.5>
  • zápisky + wikiskripta
    studijní průměr: (1.5, 2.0>
  • Vlastní zápisky jsou jediný dostupný zdroj: skripta neexistují, kvalita wikiskript je příliš nízká a zápisky z minulých let se často výrazně liší (předpoklady vět a dokonce i jejich znění).
    studijní průměr: <1.0, 1.5>

Z : Poznámky ze skládání zkoušky (průběh, náročnost, objektivita zkoušejícího, apod...) [4]
  • Zkouška samotná byla v pořádku. To jen předmět je špatný.
    studijní průměr: <1.0, 1.5>
  • Zkoušky jsem se celkem obával, hlavně z opravdu velkého množství látky, ale nakonec to celkem šlo. Když člověk prokázal, že umí definice, věty a některé (spíše středně těžké) důkazy, tak zadal dokázat tvrzení na jedničku, s kterým opravdu silně pomáhá. Problémem může být jeden příklad na začátku ve stylu buď a nebo, tam často rozhoduje i štěstí.
    studijní průměr: (1.5, 2.0>
  • Náročnost zkoušky určuje náročnost předmětu, která odpovídala hodinové dotaci, která byla nejvyšší z předmětů v tomto semestru. Zkouška tedy byla náročná, bylo potřeba umět VŠECHNO. Hodnocení objektivní.
    studijní průměr: <1.0, 1.5>
  • První zkouška na FJFI, kde jsme dostali najíst :-) Zkouška proběhla v přátelském duchu.
    studijní průměr: (1.5, 2.0>

P : Co na přednášející(m) oceňujete? [5]
  • Asi je vcelku ochotný a o mnoha věcech je s ním rozumná domluva.
    studijní průměr: <1.0, 1.5>
  • Dobrá znalost problematiky, odlehčování tématu jeho specifickými vtípky - při hodinové dotaci 6 hodin přednášky týdně je to prostě potřeba.
    studijní průměr: (1.5, 2.0>
  • Humor, snaha studentům přiblížit látku nějak lidsky, vstřícný přístup ke studentům
    studijní průměr: (1.5, 2.0>
  • Dokáže udržet pozornost
    studijní průměr: <1.0, 1.5>
  • smysl pro humor, příklady ze života
    studijní průměr: (1.5, 2.0>

P : V čem by se měl(a) přednášející zlepšit (struktura přednášek, srozumitelnost, zápis na tabuli, apod...)? [2]
  • Dělá matematické chyby, často závažné. Odbíhá od tématu. (Nic proti humoru, ale humor doktora Kůse je křečovitý a dost špatný.) Značí transpozici čárkou, než si uvědomí, že občas je nucen čárku vyčlenit pro derivaci. (Proč nepoužívat T jako každý jiný pedagog, se kterým jsme se zatím setkali?) Jeho tučné vektory místo vektorů se šipečkami, jak je učí doktorka Balková, jsou také špatný nápad, ale to se mu asi rozumluvit nedá.
    studijní průměr: <1.0, 1.5>
  • Vtípků nesouvisejících s přednášeným tématem bylo někdy až moc (a ty které souvisely s tématem se často opakovaly).
    studijní průměr: <1.0, 1.5>

C : Poznámky ke cvičení obecně (nevztahující se ke konkrétnímu cvičícímu) [1]
  • Cvičení nebylo, není a nebude, to pan doktor Kůs přiznal otevřeně. Šest hodin teorie týdně je šílený náklad a na pravděpodobnosti by určitě bylo co počítat, takže takový přístup stojí za přehodnocení.
    studijní průměr: <1.0, 1.5>

P : Slovní vyjádření k navštíveným přednáškám. [6]
1 : |....................| 0 % [0] Slovní odpověď

P : Kolik jste odhadem navštívili přednášek? [5]
1 : |============........| 60 % [3] 90%-100%
2 : |====................| 20 % [1] 75%-90%
3 : |====................| 20 % [1] 50%-75%
4 : |....................| 0 % [0] méně než 50%

C : Napište, co na cvičícím oceňujete [6]
1 : |....................| 0 % [0] Slovní odpověď

C : V čem by se měl(a) cvičící zlepšit? [6]
1 : |....................| 0 % [0] Slovní odpověď

Z : Z čeho jste se učil(a) na zkoušku (skripta, zápisky, jiné zdroje, případně jaké)? [8]
1 : |==========..........| 50 % [4] Vlastní zápisky
2 : |....................| 0 % [0] Skripta
3 : |....................| 0 % [0] Wikiskripta
4 : |==..................| 12 % [1] Jiné zdroje (do komentáře napište jaké)

Z : Zkoušející nabídl(a) dostatek termínů zkoušek. [5]
1 : |....................| 0 % [0] nevyjádřeno
2 : |====================| 100 % [5] Ano a byly dobře rozvrstvené
3 : |....................| 0 % [0] Ano, ale byly špatně rozvrstvené
4 : |....................| 0 % [0] ne

P : Oznámkujte přednášející(ho) [5] 2.00
1 : |========............| 40 % [2] 1 (výborný)
2 : |========............| 40 % [2] 2
3 : |....................| 0 % [0] 3
4 : |====................| 20 % [1] 4
5 : |....................| 0 % [0] 5

P : Co na přednášející(m) oceňujete? [10]
1 : |==..................| 10 % [1] Slovní odpověď

P : V čem by se měl(a) přednášející zlepšit (struktura přednášek, srozumitelnost, zápis na tabuli, apod...)? [7]
1 : |===.................| 14 % [1] Slovní odpověď

C : Oznámkujte cvičící(ho) [5] 2.00
1 : |========............| 40 % [2] 1
2 : |========............| 40 % [2] 2
3 : |....................| 0 % [0] 3
4 : |====................| 20 % [1] 4
5 : |....................| 0 % [0] 5

C : Jaké byly nároky na získání zápočtu? [5]
1 : |....................| 0 % [0] velmi obtížný
2 : |....................| 0 % [0] obtížný
3 : |....................| 0 % [0] středně obtížný
4 : |========............| 40 % [2] lehký
5 : |============........| 60 % [3] velmi lehký

C : Poznámky ke cvičení obecně (nevztahující se ke konkrétnímu cvičícímu) [6]
1 : |===.................| 16 % [1] Slovní odpověď

Komentář vyučujícího k hodnocení předmětu

Děkuji všem studentům za jejich hodnocení a komentáře, které s jistotou přispějí ke zlepšení úrovně celé přednášky PRA1, resp. navazující PRA2.

Souhlasím s tím, že látka PRA1 může být náročná a obsáhlá, tvoří totiž důkladný teoretický základ pro všechny pozdější statistické APLIKACE v různých předmětech jako jsou STR, ASM, ROZP12, NAH, ZLIM, MOCA, REGA, SKE, MEX, NEX, atd.

Skripta k přednášce PRA1 byla původně v plánu, již existuje ze 4/5 hotový polotovar:-) skript, nesouvisející se značně chybovými studentskými Wikiskripty PRA1. Avšak v současné době je k dispozici tak velké množství kvalitních standardních zdrojů literatury z oblasti 'Základní pravděpodobnosti', 'Teorie míry' a 'Matematické statistiky', že vydání skript, podle mého názoru, již není efektivní. V této široce dostupné kvalitní literatuře je možné ověřit, že věty z Teorie pravděpodobnosti a Matematické statistiky (partie Teorie bodových statistických odhadů), předkládané na přednášce PRA1, jsou vysloveny precizně a konzistentně, s rozumnou obecností jejich důkazů s ohledem na možnosti plynoucí z omezené hodinové dotace PRA1.

Rozložení hodinové dotace PRA1,2 do obou semestrů by bylo principiálně možné, ale bylo by nutné vyřešit návaznosti, např. v předmětu STR se pro výklad látky již od samého počátku letního semestru předpokládá znalost bodových statistických odhadů, na kterých se celá problematika STR osvětluje, včetně praktických příkladů pro konkrétní rodiny distribucí.

'Vektory se šipečkami' se v téměř žádné statistické literatuře nevyskytují, zpravidla se vektory nijak neoznačují a čtenář musí z předpokladů vysoudit v jaké dimenzi se právě nachází. Psaní šipek na tabuli je zdlouhavější než ztučnění písmenka, ale hlavně!, vzhledem k masivnímu použití pruhu nad různými písmenky pro označení výběrové střední hodnoty (aritmetického průměru), viz např. Zákon velkých čísel (ZVČ) nebo verze Centrálních limitních teorémů (CLT), a taktéž vzhledem k velmi častému označení stříšky (^) nad písmenem k označení statistického odhadu, je ve statistice použití šipeček nad vektorem spíše matoucí a mohlo by vést k záměnám těchto označení (zvláště při psaní na tabuli).

Označení transpozice vektoru/matice je v literatuře opravdu různé, např. čárkou označuje transpozici nestor statistiky p.Harald Cramér: Mathematical methods of statistics, Princeton, z roku 1945, nebo velmi uznávaný statistik E.L.Lehmann (TSH, Springer, 1986), tak i pilíř české statistiky prof. J.Anděl: Matematická statistika, SNTL, 1973, či jeho novější vydání Základy matematické statistiky, Matfyzpress, 2005. Poslední dvě jmenované publikace (Lehmann, Anděl) jsou doporučenou literaturou k předmětu PRA1. Naproti tomu, M.J.Schervish: Theory of Statistics, Springer, 1995, užívá pro transpozici horní index 'T' a A.Rényi: Teorie pravděpodobnosti, Academia, 1972, dokonce užívá pro transpozici hvězdičku (*), avšak tutéž hvězdičku potom nestandardně užívá i k označení uspořádaného výběru:-)

Ještě jednou děkuji všem studentům za jejich cenné hodnocení a komentáře, které určitě přispějí ke zlepšení úrovně přednášky PRA1, resp. navazující PRA2.