Naše zkušenost je taková, že dnes se mnoho lidí označuje za tzv. datové vědce, i když jejich znalosti tomu moc neodpovídají. To, že někdo umí v Pythonu použít nějakou funkci, ho ještě nedělá odborníkem na data science.

Ačkoli se matematická statistika a data science často překrývají a vzájemně se doplňují, hlavní rozdíl spočívá v jejich zaměření a metodologii. Matematická statistika je teoretická a rigorózní disciplína, která se zaměřuje na pochopení a vyvinutí spolehlivých metod pro analýzu dat. Data science pak tyto nástroje využívá a kombinuje je se znalostmi programování a databází.

Pokud tedy nechceš jen používat black-box metody, které ti někdo doporučí, ale chceš věcem skutečně rozumět, navrhovat vlastní řešení a umět výsledky správně interpretovat, pak doporučujeme studium matematické statistiky.

Jednou z částí stochastiky je vytváření matematických modelů pro různé děje a procesy, které se odehrávají v reálném světě a které jsou ovlivněny náhodou či nejistotou. Stochastika pomáhá modelovat, analyzovat a predikovat různé jevy a rozhodovat se fundovaně i za přítomnosti nejistoty. Pomocí nástrojů stochastiky tedy můžeš modelovat např. ceny akcií, šíření infekčních nemocí, nebo třeba predikovat výskyt zemětřesení.

Data pocházející z finančních aplikací mají různá specifika (např. se typicky neřídí Gaussovým rozdělením, jsou vzájemně závislá apod.). Jelikož jde o velmi důležitou aplikační část, došlo ke specializaci některých teoretických metod matematické statistiky tímto směrem. Cílem ekonometrie je pak využívat tyto statistické metody k ověřování ekonomických teorií a domněnek, k odhadu vztahů mezi ekonomickými proměnnými a v neposlední řadě k vytváření předpovědí. Ekonometrie tedy stojí na základech pokročilé pravděpodobnosti a rozvíjí vybrané metody statistického modelování. V rámci studia ekonometrie na MFF UK se navíc naučíš rozličné zajímavé metody z matematické optimalizace

V obou bakalářských oborech se v prvních dvou letech naučíš především základy matematických nástrojů. Některé přednášky jsou pro oba obory společné a totéž platí pro témata bakalářských prací, které si budeš v obou případech vybírat u lidí z Katedry pravděpodobnosti a matematické statistiky. V obou oborech se naučíš pracovat se stochastickými nástroji a používat základní metody pravděpodobnosti a statistiky. V tuto chvíli je studium nastavené tak, že po absolvování Finanční matematiky jsou studenti připraveni na magisterské studium oboru Finanční a pojistná matematika. Naopak po studiu Stochastiky v rámci Obecné matematiky budeš ideálně připraven na studium magisterského oboru Pravděpodobnost, matematická statistika a ekonometrie.

Obor Matematické modelování se zaměřuje na modelování různých fyzikálních systémů pomocí numerického řešení deterministických (nenáhodných) soustav rovnic. Součástí studia je i řada přednášek z fyziky. Naopak Stochastika se zabývá modelováním systémů ovlivněných náhodou či nejistotou, a to nejen ve fyzice, ale v řadě různých oborů - ekonomii, přírodních vědách, medicíně atd.

Rozhodně ne! Ale určitě by tě měla bavit matematika a měl bys mít zájem poznávat a učit se nové věci.

Ale jistě! Uplatnění absolventů stochastiky je velice pestré. Více se o tom můžeš dozvědět v části Kariéra.

Obtížnost jednotlivých zaměření nejde objektivně porovnat. Pokud tě dané téma baví a vidíš v něm smysl, zvládneš i to, co ostatním může přijít obtížné. A naopak, když tě něco nudí, budeš zápolit i s věcmi, které jdou ostatním hladce. Pokud jde o časovou náročnost, tak u našich studentů klademe důraz na to, aby se během studia opravdu něco naučili, a to nejen teoreticky ale také prakticky. To s sebou samozřejmě přináší nutnost i občasné domácí přípravy, kterou třeba na jiných zaměřeních nebo školách nemají. Ale věř nám, že ten investovaný čas se opravdu vyplatí.

V praxi se sice naučíš mnohé, ale tvrdit, že je úplně jedno, co vystuduješ, a že se vše snadno naučíš později sám, je dost zavádějící.

Je sice pravda, že v oblastech jako je bankovnictví, pojišťovnictví nebo datová analýza je praxe klíčová a specifické nástroje (jako SQL, Python/R knihovny, konkrétní finanční modely) se učí nejlépe při práci. Nicméně, správné použití metod matematické statistiky a statistického modelování vyžadují hluboké teoretické základy, které je těžké efektivně získat jen samostudiem při zaměstnání.

Lidem, kteří si statistiku “dostudovávají” samostatně, typicky chybí ty hlavní základy a principy statistického uvažování a nikdy pak nebudou schopni metodám, které používají, opravdu rozumět a umět si je přizpůsobit pro konkrétní situaci. Se silným teoretickým základem se snadněji člověk adaptuje na jakoukoli novou metodiku nebo nástroj, který se objeví (např. deep learning), protože je schopen rozumět, co se děje "pod kapotou" algoritmu, a nebudete jen bezmyšlenkovitě používat knihovní funkce.

Osvojení si teoretického rámce modelování při studiu vám ušetří roky frustrace a pomůže vám stát se špičkovým expertem, nejen uživatelem softwaru.

Ne, to rozhodně pravda není. Každý podzim je v studijním informačním systému (SIS) dostatek různorodých a zajímavých stochastických témat bakalářských prací a mnoho z nich zůstává nezadáno (tj. témat je rozhodně více než studentů). A pokud jsi pro Stochastiku rozhodnutý už v letním semestru druháku, tak si můžeš bakalářku vybrat už na jaře, protože první nová témata pro další rok vypisujeme s předstihem už v březnu a dubnu.

Ano. Ale musíš počítat s tím, že některé základní stochastické předměty si budeš muset doplnit a pravděpodobně pak nestihneš studium ve standardních dvou letech. S tím, co všechno si doplnit, ti pomůže garant studia.