b5012 Analýza dat ve sportu

Fakulta sportovních studií
jaro 2026

Předmět se v období jaro 2026 nevypisuje.

Rozsah
1/0/0. 3 kr. Ukončení: z.
Vyučováno asynchronně
Vyučující
Mgr. Michal Bozděch, Ph.D. (přednášející)
Mgr. Michal Bozděch, Ph.D. (cvičící)
Garance
Mgr. Michal Bozděch, Ph.D.
Katedra tělesné výchovy a společenských věd – Fakulta sportovních studií
Dodavatelské pracoviště: Katedra tělesné výchovy a společenských věd – Fakulta sportovních studií
Předpoklady
BOZP_OK(bozp_po_stud) && BOZP_OK(bozp_po_stud_fsps)
Je výhodou mít základní zkušenosti v oblasti středoškolské matematiky a práce s daty, ale není to však podmínkou. Důležitou dovedností je práce s počítačem a softwarovými nástroji pro analýzu dat. Studenti by měli mít k dispozici osobní počítače, aby mohli aplikovat teoretické znalosti na konkrétní příklady a uměli vyhledat a kriticky hodnotit vědecké práce a analýzy dat. Dále je potřeba schopnost číst a porozumět akademickým textům, včetně anglicky psaných akademických prací. Kromě toho se očekává základní znalost metodologie vědeckých prací, typů výzkumů a výzkumných cílů. Zájem o sport a znalost sportovní terminologie jsou také výhodou. Zkušenosti s programováním nejsou povinné, ale mohou být užitečné.
Omezení zápisu do předmětu
Předmět je určen pouze studentům mateřských oborů.
Mateřské obory/plány
předmět má 8 mateřských oborů, zobrazit
Cíle předmětu
Cílem tohoto předmětu je seznamovat studenty s metodami a postupy statistického zpracování dat ve sportovním prostředí. Studenti budou schopni orientovat se ve studijním materiálu a provádět klíčové aspekty analýzy dat, zahrnující výběr vhodného testu pro konkrétní situaci, přípravu dat, interpretaci výsledků a vizualizaci dat. Hlavní důraz bude kladen na porozumění paradoxům a zdánlivým protikladům ve statistice, prevenci statistických chyb a důležitosti validity a reliability dat. Předmět se soustředí na práci s fiktivními daty, nikoli na sběr reálných dat. Studenti se naučí využívat základní statistické metody, jako jsou různé variace t-testů, korelace a regrese, a seznámí se s pokročilými technikami, včetně umělé inteligence (strojového učení), klasifikační analýzy, faktorové analýzy přežití a dalších. Hlavním cílem předmětu je podporovat správné používání vhodných a etických postupů a metod při statistické analýze dat. Zároveň má za cíl rozvíjet analytické a kritické myšlení studentů a připravit je na samostatné provádění analýzy dat ve sportovním prostředí a na aplikaci výsledků v praxi s využitím vhodných podkladů a prostředků, namísto toho, aby se učili statistické vzorce a postupy nazpaměť.
Výstupy z učení
Absolvent tohoto předmětu bude schopen:
- definovat základní pojmy a metodologie statistického zpracování dat ve sportovním prostředí;
- vzpomenout si na různé statistické testy a jejich použití v konkrétních situacích;
- zopakovat principy a postupy pro sběr a přípravu dat pro analýzu;
- vysvětlit principy paradoxů a zdánlivých protikladů ve statistice a jejich vliv na analýzu dat;
- rozlišovat mezi validitou a reliabilitou dat a pochopit jejich význam v kontextu sportovního výzkumu;
- popisovat základní statistické metody, jako je regrese, klasifikační analýza a faktorová analýza, a jejich aplikace ve sportovním prostředí;
- vybrat a aplikovat vhodný statistický test pro analýzu konkrétních datových sad v rámci sportovního výzkumu;
- provést analýzu dat, včetně přípravy, interpretace výsledků a vizualizace dat, a poskytnout odpovědi na konkrétní výzkumné otázky;
- hodnotit a porovnávat různé statistické metody pro analýzu dat ve sportovním prostředí a vyhodnocovat jejich účinnost a vhodnost;
- analyzovat a interpretovat komplexní výsledky statistických analýz a identifikovat klíčové vzory nebo trendy;
- hodnotit kvalitu a významnost výsledků statistických analýz v kontextu sportovního prostředí a vztahovat je k relevantním teoriím a konceptům;
- posuzovat a diskutovat o možných chybách a omezeních analýzy dat a navrhnout zlepšení nebo alternativní přístupy;
- navrhovat a provádět samostatné statistické analýzy na základě specifických výzkumných problémů ve sportovním prostředí;
- vyvinout komplexní výzkumný návrh a postup pro získání a analýzu dat v rámci sportovního výzkumu.
Osnova
  • 1. Úvod do předmětu
  • 1.1 Cíle a význam předmětu
  • 1.2 Struktura a organizace předmětu
  • 1.3 Náročnost, pracovní zátěž a požadavky předmětu
  • 1.4 Podpora samostudia a elektronických zdrojů
  • 1.5 Komunikace a spolupráce s garantem předmětu
  • 1.6 Očekávané výstupy a kompetence
  • 1.7 Závěrečné hodnocení a ukončení předmětu
  • 1.8 Přehled metod a technik datové analýzy 2. Úvod do datové analýzy a statistického zpracování dat
  • 2.1 Definice základních pojmů a význam datové analýzy a statistiky v oblasti sportu
  • 2.2 Základní pojmy a principy statistického zpracování dat
  • 2.3 Typy a zdroje dat ve sportovním prostředí
  • 2.4 Sběr a příprava dat pro analýzu
  • 2.5 Přehled dostupných nástrojů a softwaru pro analýzu dat
  • 2.6 Praktická ukázka výpočtu a interpretace základních statistických příkladů ve sportu 3. Paradoxy a zdánlivé protiklady ve statistice
  • 3.1 Úvod do paradoxy a zdánlivých protikladů ve statistice a vědeckém výzkumu 4. Prevence statistických chyb ve sportovní analýze 5. Validita a reliabilita dat
  • 5.1 Úvod do validity a reliability dat ve sportovním výzkumu
  • 5.2 Validita dat ve sportovním výzkumu
  • 5.3 Reliabilita dat ve sportovním výzkumu
  • 5.4 Kritické faktory a omezení validity a reliability dat
  • 5.5 Závěr a aplikace poznatků v praxi 6. Metody sběru, zpracování dat a interpretace výsledků
  • 6.1 Metody sběru dat a příprava dat z praxe
  • 6.2 Čistění dat a jejich příprava pro analýzu
  • 6.3 Vizualizace dat pomocí grafů a tabulek
  • 6.4 Analýza a vizualizace dat
  • 6.5 Interpretace výsledků a formulování závěrů ve sportovním kontextu
  • 6.6 Praktická ukázka analýzy a interpretace reálných sportovních dat
  • 6.7 Aplikace zpracování dat pro závěrečnou práci studentů 7. Proces standardizace testové baterie 8. Základní statistické metody a principy
  • 8.1 Analýza časových řad
  • 8.1.1 ARIMA model
  • 8.2 Klasifikační analýza
  • 8.2.1 Poměr šancí test
  • 8.2.2 k-Nearest Neighbors
  • 8.3 Diskriminační analýza 9. Pokročilé statistické metody a modely
  • 9.1 Interferenční statistika
  • 9.1.1 Úvod do interferenční statistiky ve sportovním výzkumu
  • 9.1.2 Základní principy testování hypotéz a inferenční statistiky
  • 9.1.3 Aplikace parametrických a non-parametrických testů ve sportovním prostředí
  • 9.1.4 Interpretace výsledků a formulování závěrů z interferenční analýzy
  • 9.1.5 Praktické příklady aplikace interferenční statistiky v rámci sportovních studií
  • 9.1.6 Chi-kvadrát test
  • 9.1.7 t-test
  • 9.1.8 ANOVA, MANOVA, ANCOVA, MANCOVA
  • 9.2 Regresní analýza
  • 9.2.1 Jednoduchá regrese
  • 9.2.2 Vícenásobná regrese
  • 9.2.3 Logit regrese
  • 9.2.4 Nominální regrese
  • 9.3 Clusterová analýza
  • 9.4 Systematická review a metaanalýza
  • 9.5 Faktorová analýza a analýza hlavních komponent
  • 9.6 Datová těžba (data mining)
  • 9.6.1 Asociační analýza
  • 9.7 Bayesovská statistika
  • 9.8 Booleovská statistika 10. Speciální analýza datových typů
  • 10.1 Analýza přežití
  • 10.2 Analýza sítí
  • 10.3 Analýza textu
  • 10.4 Analýza obrazu a videa 11. Pokročilé techniky a trendy v analýze dat
  • 11.1 Umělá inteligence
  • 11.1.1 Strojové a hluboké učení
  • 11.1.2 NLP (Natural Language Processing)
  • 11.1.3 Big Data Analýza
  • 11.1.5 Datová vizualizace a interaktivní prezentace dat
  • 11.2 Úvod do Kvantového počítání
Literatura
  • SOUKUP, Petr. Pokročilá analýza dat v SPSS a AMOS. 1., elektronické vyd. Brno: Masarykova univerzita, 2022, 285 s. ISBN 978-80-210-9936-4. info
  • HALTER, Christopher P. Quantitative analysis : with JASP open-source software. [Spojené státy americké?]: [nezávisle publikováno], 2020, 299 stran. ISBN 9781660228188. info
  • LOVE, J.; R. SELKER; M. MARSMAN; T. JAMIL; D. DROPMANN; J. VERHAGEN; A. LY; Q.F. GRONAU; Martin ŠMÍRA; S. EPSKAMP; D. MATZKE; A. WILD; P. KNIGHT; J.N. ROUDER; R.D. MOREY a E.J. WAGENMAKERS. JASP: Graphical Statistical Software for Common Statistical Designs. JOURNAL OF STATISTICAL SOFTWARE. LOS ANGELES: JOURNAL STATISTICAL SOFTWARE, 2019, roč. 88, č. 2, s. 1-17. ISSN 1548-7660. Dostupné z: https://doi.org/10.18637/jss.v088.i02. URL info
  • RABUŠIC, Ladislav; Petr SOUKUP a Petr MAREŠ. Statistická analýza sociálněvědních dat (prostřednictvím SPSS). 2. přepracované vyd. Brno: Masarykova univerzita, 2019, 573 s. ISBN 978-80-210-9247-1. URL info
  • SEBERA, Martin a Renata KLÁROVÁ. Aplikovaná matematická statistika. Online. Brno: Masarykova univerzita, 2014, s. nestránkováno, 51 s. ISBN 978-80-210-7427-9. URL info
  • KOVAŘÍK, Pavel. Aplikovaná statistika. Vyd. 1. Brno: Vysoká škola Karla Engliše, 2011, 68 s. ISBN 9788086710280. info
Výukové metody
V průběhu semestru budou použity následující výukové metody:
- Interaktivní osnova, která umožňuje studentům interaktivně pracovat s obsahem předmětu, propojovat témata a sledovat postup svého učení.
- Odpovědníky. Odpovědníky v ISu slouží jako formální způsob průběžného a opravného testování v rámci předmětu. Slouží jako způsob, jak průběžně sledovat a ověřovat znalosti studentů v rámci probírané látky, upevňovat teoretické znalosti, získávat zpětnou vazbu a umožňovat zopakování klíčových informací.
Osobní či online komunikace s garantem předmětu.
Metody hodnocení
- Předmět je v online režimu. Nevyžaduje se tedy docházka na semináře, či přednášky

- V případě individuálního studijního plánu je potřeba před semestrem nebo na začátku semestru kontaktovat garanta předmětu a domluvit se s ním na možnostech a průběhu.

- V průběhu semestru budou studenti psát 3 průběžné testy z probrané látky. Každý test se skládá z 10-ti náhodně vygenerovaných otázek, přičemž každá otázka má vždy jen jednu správnou odpověď ze tří možností. Pro úspěšné splnění je potřeba, aby součet správných odpovědí z všech průběžných testů byl 60 % a více (tj. >17 otázek). Průběžné online testy budou psány přes IS (KvIS).

- Studenti budou moci pravidelně konzultovat s učitelem obsah předmětu (online, či prezenčně).

- Při nesplnění minimálního bodového požadavku z průběžného testu (méně než 60 % správných odpovědí) musí studenti absolvovat opravný online test, který se skládá z 30 otázek, s třemi možnostmi a jednou správnou odpovědí. Pro úspěšní splnění opravného testu je nutné správně odpovědět na více než 75 % otázek (tj. 23 a více otázek). Na tento test je nutné se přihlásit prostřednictvím IS.

- Po splnění všech výše uvedených podmínek je předmět ukončen praktickou (prezenční) zkouškou, kde studenti náhodně obdrží zadání i s daty. Zadaný úkol vyžaduje identifikaci a aplikaci vhodného testu a správnou interpretaci výsledků pomocí grafů, tabulek a především textové i slovní interpretace závěrů vyplývajících z výsledků. Během zkoušky je povoleno využívat vybrané software (MS Excel, MS Word, JASP, IBM SPSS Statistics), návody těchto softwarů (digitální formou), studijní materiály předmětu (v tištěné i digitální formě) a vlastní poznámky (v písemné nebo digitální formě). Jakékoliv jiné nástroje a zdroje jsou zakázány, včetně vyhledávání na internetu. Přihláška k zkoušce probíhá předem prostřednictvím IS, a samotná zkouška trvá 45 minut. Zkoušku simultánně skládá více studenti najednou.
Informace učitele
https://www.fsps.muni.cz/o-nas/kontakty/zamestnanci/360366-michal-bozdech
Mgr. Michal Bozděch, Ph.D.
Odborný asistent Katedra tělesné výchovy a společenských věd
Kancelář: bud. D33/333
Kamenice 753/5 625 00 Brno Telefon: +420 549 49 6863
e‑mail: michal.bozdech@fsps.muni.cz
ORCID: 0000-0002-1065-0619
Další komentáře
Předmět je vyučován každoročně.
Výuka probíhá každý týden.
  • Permalink: https://is.muni.cz/predmet/fsps/jaro2026/b5012