APLIKACE NÁSTROJE PASW SPSS 18.0 BASE V TRŽNÍ

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "APLIKACE NÁSTROJE PASW SPSS 18.0 BASE V TRŽNÍ"

Transkript

1 Úvod a záměr práce APLIKACE NÁSTROJE PASW SPSS 18.0 BASE V TRŽNÍ SEGMENTACI Autor: Mgr. Ing. David Vít Faulta eletrotechnicá ČVUT v Praze, atedra eonomiy, manažerství a humanitních věd 1. Úvod a záměr práce Cílem této práce je posoudit možnosti prostředů shluové a fatorové analýzy softwarového nástroje PASW SPSS 18.0 Base v procesu tržní segmentace v návaznosti na závěry diplomové práce Využití shluové analýzy v maretingu. Diplomová práce se zabývala významem tržní segmentace v maretingovém strategicém plánování, použitím hierarchicé shluové analýzy při identifiaci tržních segmentů a navržení jejích vhodných metod v této problémové oblasti. V rámci práce byl navržen jednoduchý softwarový nástroj v jazyce Java, terý umožnil následné otestování chování hierarchicého polyteticého aglomerativního shluování AGNES s využitím metod jednoduché vazby, průměrné vazby, úplné vazby a Lance-Williamsovy míry podobnosti mezi shluy. Tento nástroj by dále doplněn o algoritmus hierarchicého monoteticého divizivního shluování MONA. Pro využití v tržní segmentaci posytovaly jlépe interpretovatelné výsledy algoritmus MONA a metoda průměrné vazby u metody AGNES. V rámci poračování práce byly s pomocí paní RNDr. Vlasty Kašové otestovány možnosti softwarového nástroje PASW SPSS 18.0 Base. Tento softwarový produt společnosti IBM představuje univerzální statisticý analyticý nástroj, umožňující provádění mnoha statisticých testů a analýz, přesahujících možnosti běžně dostupných prostředů typu Microsoft Excel. V rámci SPSS se jedná o hierarchicou shluovou analýzu (Hierarchical Cluster), zahrnutou v nabídce Analyze - Classify a fatorovou analýzu (Factor), zahrnutou v nabídce Analyze Dimension Reduction. Pro otestování těchto prostředů byla použita data z diplomové práce. Zísané výsledy zísané pomocí nástrojů posytnutých SPSS budou porovnány s výsledy zísanými výše zmíněným analyticým nástrojem vyvinutým jao součást diplomové práce.. Hierarchicá shluová analýza v SPSS V tržní segmentaci se stvují shluy dle objetů, če v SPSS odpovídá volba metody dle případů (Cases). K dispozici jsou následující metody stvení míry podobností mezi shluy: metody založené na míře podobnosti - between-group linage, within-group linage, arest ighbor, furthest ighbor (metoda úplné vazby), a metody založené na vzdálenosti centroid clustering, median clustering a Ward s method. Lze zvolit mezi třemi supinami měr podobnosti intervalovými (interval data), binárními (binary data) a ategoriálními (counts data). Záladním problémem je zde existující možnost volby míry podobnosti pro smíšená data, terá se obecně mohou vysytovat v maretingových dotaznících. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 1

2 Hierarchicá shluová analýza v SPSS Pro přímé použití těchto dat při analýze v SPSS lze zcela vyloučit binární míry, poud ní na datech provedena předchozí transformace na binární proměnné, podobně jao je prováděna v prvním rou metody MONA. Míry pro intervalová data jsou použitelné pro ategoriální data, boť vnášejí dodatečnou informaci o uspořádání (nominální data) a vzájemný poměr hodnot (ordinální a nominální data). Pro ategoriální data jsou dispozici dvě možné míry podobnosti chi-squared (Pearsonova statistia ) a phi-squared. Pearsonova statistia je definována následovně: K K l ( nrs M rs) nr. ns n., de M rs M n r1 s1 je četnost očeávaná v případě závislosti sledovaných proměnných, K l s1 sdružené absolutní četnosti a n r n rs a n rs K s n rs r1 nrs jsou jsou marginální četnosti zísané z ontingenční tabuly absolutních četností. Míra phi-squared se nazývá oeficient průměrné čtvercové ontingence. n Z výše uvedeného je zřejmé, že obě míry chi-squared i phi-squared jsou z hledisa tvorby shluového rozladu rovnocenné, rozdíl je pouze v absolutních hodnotách prvů použité matice podobnosti. V případě využití SPSS pro shluovou analýzu dat maretingových dotazníů je tedy zbytné provést transformaci všech proměnných na binární s tím, že lze následně využít napřílad binární verze Diceova oeficientu navrhovaného v rámci diplomové práce. To je ovšem spojeno s růstem veliosti úlohy a vzniem velého počtu binárních proměnných. Druhou možností je ompromisní použití buď míry chisquared s tím, že je ztracena informace sená v ordinálních a vantitativních proměnných bo něteré míry pro vantitativní data, SPSS nabízí pro tento typ dat jao výchozí míru čtvercovou eulidovsou vzdálenost (Squared Euclidan distance): D m i, j xi, x j, ) 1 (. V případě použití míry pro vantitativní data je vša mezi nominální proměnné zanášena dodatečná informace v podobě uspořádání a vzájemného vztahu hodnot a mezi ordinální proměnné informace o vzájemném vztahu hodnot. Vzhledem tomu, že převažující charater proměnných v maretingových dotaznících jsou nominální a ordinální typy, je vhodnější v tomto případě preferovat ategoriální míru chi-squared. V rámci této práce budou vytvořeny shluové rozlady s využitím metody úplné vazby pro míry chi-squared a squared euclidean distance. Poud se označí míra podobnosti mezi dvěma shluy i a j jao d i, j, je míra úplné vazby mezi shluy (Sorensen) mezi shluem a shluem (ij), terý vzninul sloučením původních shluů i a j definována následovně: d, ( ij). d, i. d, j. d, i d, j. Tato míra má tendenci vytvářet velé sféricé shluy, v nichž jsou míry podobnosti jvíce podobných objetů zhruba stejně velé, tedy vytvořené Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána

3 Hierarchicá shluová analýza s Gowerovým oeficientem sféricé shluy mají podobný poloměr. Tato míra podle závěrů diplomové práce posytnula jlépe interpretovatelné výsledy. Při porovnání s mírou podobnosti implementovu ve vlastním analyticém nástroji v metodě AGNES, tedy Gowerovým oeficient u, nabízí s výjimou předchozí transformace na binární proměnné SPSS možnost přirozené míry pro smíšená data. 3. Hierarchicá shluová analýza s Gowerovým oeficientem Poud se v datovém souboru vysytují smíšená data, lze zvolit podobně jao v diplomové práci, vhodnou onstruci míry podobnosti, terá doáže zreslit použitá data. Nejznámějším přístupem onstruce míry podobnosti pro proměnné smíšeného typu obsahujícího ja vantitativní ta i ostatní typy proměnných je Gowerův oeficient u, terý je definován následovně: D i, j m wi, j. di, j 1 m wi, j 1, de i j d i, j je míra podobnosti mezi objety i x a x j na záladě proměnné, hodnota w, je rovna 0 pro případ, dy proměnná je asymetricá binární a alespoň jedna z hodnot x bo i, x je rovna nule bo chybí. V opačném případě je hodnota w j, i, j rovna 1. Smyslem této podmíny je vyloučení shody pro gativní výslede v případě asymetricých binárních proměnných, dy je zajímavá shoda pouze pro pozitivní výsledy. Míra podobnosti d i, j mezi objety x i a x j na záladě proměnné závisí na typu této proměnné: pro vantitativní proměnné v intervalové stupnici je definována jao podíl absolutního rozdílu hodnot proměnných u obou objetů a maximálnímu rozdílu hodnot proměnných pro tuto proměnnou d i, j max x p1,,..., n i, x p x j, min p1,,..., n x p pro binární a nominální proměnné je definována d [ xi, x j, ], tj. d i, j 1, poud x i, x j,, a d i, j 0, poud x i, x j,. i, j pro ordinální proměnné a vantitativní proměnné měřené v poměrové stupnici jsou pro všechny objety datového souboru hodnoty x, transformovány na hodnoty r,, teré představují pořadí této hodnoty r 1,,..., m i i m i,, de je Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 3

4 Hierarchicá analýza testovacího souboru maximální pořadí pro hodnotu -té proměnné. Toto pořadí je následně normalizováno na hodnotu ri, 1 x i,, m 1 terá je následně použita s mírou podobnosti určenou pro vantitativní data měřená v intervalové stupnici. Tato transformace pro použití míry podobnosti d, podle -té proměnné by měla být vždy použita pro ordinální data. Jde tedy i j faticy o normalizaci celočíselných hodnot do intervalu <0;1>. Vzhledem potenciálnímu rozsahu vantitativních dat měřených v poměrové stupnici je ovšem rozhodně vhodnější použít výše zmíněnou logaritmicou transformaci hodnot tohoto typu proměnných na vantitativní proměnnou měřenou v intervalové stupnici a její následnou normalizaci. Tato míra podobnosti je implementována spolu s metodou úplné vazby v analyticém nástroji. S výsledy této metody budou srovnány výstupy testovaných metod v PASW SPSS 18 Base. 4. Hierarchicá analýza testovacího souboru V rámci diplomové práce bylo provedeno vlastní maretingové dotazování mezi studenty předmětu Maretingový výzum (Y16MVY) přednášeného doc. Ing. Věrou Vávrovou, CSc. Jao předmět testování bylo zvoleno zhodnocení potřeb, požadavů a motivů na využití osobních počítačů a ů mezi studenty FEL ČVUT v Praze studijního oboru softwarové technologie a management a jeho cílem bylo zjistit závislosti mezi potřebami, požadavy a motivy oupě na jedné straně a technicými parametry a demograficými, geograficými, sociálně eonomicými hledisy na straně druhé. Ačoliv počet vrácených anetních lístů byl příliš velý, vznilý výsledný datový soubor postačoval na demonstraci implementovaných metod shluové analýzy a následnou disuzi výsledů. Odpovědi účastníů anety tvoří přílohu 1 této práce. Jednotlivá ritéria maretingového dotazníu jsou označena písmeny: možnosti využití počítače jsou označeny písmeny A1 až A6, požadavy na počítač písmeny B1 až B5, technicé parametry počítače písmeny C1 až C8, pořizovací hodnota počítače je označena písmem D1, existující funce počítače jsou označeny písmeny E1 až E8 a demograficé a sociálně-eonomicé údaje písmeny F1 až F6. Pro zpracování pomocí analyticého nástroje vytvořeného v rámci této práce byla tabula transformována podle požadavů vstupního souboru analyticého nástroje do číselné podoby. Zísaná ritéria můžeme logicy rozdělit do tří různých supiny ritérií: Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 4

5 Hierarchicá analýza testovacího souboru behaviorálních ritérií (A1 až A6, B1 až B5), přičemž vešerá behaviorální ritéria (A1 až A6, B1 až B5) jsou ordinálního charateru, demograficých ritérií (F1 až F6), dy ritéria F1 a F5 chápeme jao asymetricá binární, F jao ordinální, F4 a F6 jao nominální a F3 jao vantitativní ritérium, a funcí počítače (C až C8 bez počtu počítačů a E1 až E8), v jejichž případě za ordinální ritéria považujeme C3, C5, C7 a C8, nominální ritéria jsou C a C4 a ritérium C6 je vantitativní, ritéria E1 až E8 chápeme jao asymetricá binární, boť nás zajímá pozitivní shoda znau. Bohužel ja je patrné, tvoří všechny tři supiny ritérií proměnné rozdílné strutury typů. Zejména v případě behaviorálních ritérií máme dispozici pouze ordinální ritéria, zatímco u ostatních dvou supin je strutura typů smíšená, vysytují se i vantitativní ritéria a nominální ritéria. Poud bychom ritéria behaviorální supiny chápali i jen částečně jao nominální, ztratili bychom část dostupné informace, terou nám posytuje vyjádření preferencí a postoje respondentů maretingového dotazování. Vzhledem tomu, že máme velmi malý datový soubor, ve výsledu budeme uvažovat shluy menší ž 10 % rozsahu vstupního datového souboru, tedy nás budou zajímat pouze taové rozlady, de budou větší shluy ž 3 objety. Menší shluy budeme považovat za odlehlé objety a z rozladu je vyloučíme. V rámci posouzení výsledů vlastního analyticého nástroje pomocí polyteticé aglomerativní metody AGNES s metodou úplné vazby a SPSS budeme vytvářet shluové rozlady podle supiny behaviorálních ritérií, terá jsou všechna ordinální. 4.1 Rozlad metodou AGNES s Gowerovým oeficientem Při testech provedených na behaviorálních ritériích s pomocí vlastního analyticého nástroje byly zísány hierarchicé shluové rozlady uvedené v příloze. Jim odpovídající dendrogram je uveden v příloze 3. Z dendrogramů jsou patrné jednotlivé hlouby sloučení shluů. Taovýto dendrogram představuje vyniající pomůcu pro intuitivní stvení dostatečně velého segmentu. Na záladě rozboru jeho strutury je možno stvit hloubu slučování, v níž se provede příslušný řez. Napřílad u zvoleného rozladu můžeme zvolit hranici řezu ve hloubce 6. V důsledu toho zísáme celem 6 shluů, z nichž poslední dva jsou příliš malé a můžeme je chápat jao odlehlé objety: G1 = {, 3, 5, 8, 9, 10, 13, 18, 19, 6, 8, 9, 30, 3, 33, 35 }, G = { 1, 11, 1, 14, 17, 0, }, G3 = { 6, 1, 5, 7 }, G4 = { 15, 16, 3, 31 }, G5 = { 7, 4 }, G6 = { 34 }. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 5

6 Hierarchicá analýza testovacího souboru Tato zísaný shluový rozlad můžeme nyní porovnat s rozladem provedeným pomocí SPSS. 4. Rozlad pomocí SPSS se čtvercovou eulidovsou vzdáleností Data původního souboru byla jprve naimportována do vstupní databáze SPSS a následně v ní byly nastaveny typy proměnných podle požadované implementace. SPSS umožňuje nastavení ordinálního, nominálního a numericého typu s možností filtrování vypouštěných hodnot. U binárních proměnných ní možno rozlišit interpretaci symetricých a asymetricých případů, proto byly tyto definovány jao ordinální typ. Byla použita metoda Further ighbor (úplná vazba) s mírou podobnosti Chi-squared measure. Příloha 4 obsahuje postup hierarchicého slučování pro tuto metodu, v příloze 6 je pa graficy znázorněn postup slučování, ja jej vygeroval SPSS. Nejzajímavější údaje pa přináší příloha 8 zde je znázorněn dendrogram dle čtvercové eulidovsé vzdálenosti. V dendrogramu byl zvolen řez ve hloubce 7, terý posyt celem 6 shluů: E1 = { 3, 6, 9, 10, 15, 16,, 3, 30, 31, 35 }, E = { 1, 7, 11, 1, 14, 1, 5, 7 }, E3 = {, 5, 18, 19, 8, 9, 34 }, E4 = { 8, 4, 6, 3 }, E5 = { 13, 33 }, E6 = { 17, 0 }. Shluy E5 a E6 můžeme vzhledem jejich veliosti považovat za odlehlé. 4.3 Rozlad pomocí SPSS s Pearsonovou statistiou V rámci nastavení shluovací metody byla provedena transformace hodnot dle proměnných na defaultní Z scores, aby byly použity normalizované hodnoty všech proměnných. Byla použita metoda Further ighbor (úplná vazba) s mírou podobnosti Squared euclidean distance. Příloha 5 obsahuje postup hierarchicého slučování pro tuto metodu, příloha 7 pa graficy znázorňuje průběh tohoto rozladu. Je zřejmé, že při změně shluovací metody z vantitativní na ategoriální došlo zásadnímu rozdílu v průběhu. Dle vznilého dendrogramu uvedenému v příloze 9 je výsledný shluový rozlad zcela odlišný. V dendrogramu provedeme řez v hloubce 1, abychom zísali 6 shluů jao v předchozích metodách: Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 6

7 Porovnání výsledů rozladů SPSS a vlastního nástroje P1 = { 1, 3, 6, 7, 9, 10, 1, 14, 16,, 3, 5, 7, 30, 34, 35 }, P = { 5, 8, 18, 19, 6, 8, 9 }, P3 = {, 11, 13, 33 }, P4 = { 15, 0, 1, 31 }, P5 = { 4, 3 }, P6 = { 17 }. Shluy P5 a P6 budeme opět vzhledem male mohutnosti považovat za odlehlé. 5. Porovnání výsledů rozladů SPSS a vlastního nástroje V tabulce v příloze 10 jsou zvýrazněny příslušnosti objetů do 6 shluů na záladě shluových rozladů dle 3 porovnávaných metod. Barvy jsou použity pro zvýraznění přerývání shluů dle jednotlivých metod. Z tabuly je patrné, že se všechny použité metody výrazně rozcházejí, provedeme proto testy závislosti v ontingenční tabulce. Na záladě výsledů obou metod pro rozlad na 6 shluů vytvoříme 3 ombinační tabulu, de v řádcích budou uvedeny shluy dle jedné metody a ve sloupcích uvedeny shluy dle druhé. V polích ombinační tabuly pa budou uvedeny počty účastníů anety, teří byli přiřazeni do dané ombinace shluů dle obou algoritmů odpovídající danému poli tabuly. Nezávislost v ombinační tabulce bude otestována pomocí - testu závislosti v ombinační tabulce. Nulovou hypotézu o závislosti v ombinační tabulce dle tohoto testu zamítme, poud pro hodnotu testového ritéria s r i1 j 1 n ij n. r. r i i n. r. r platí, že je větší ž riticá hodnota veličiny pro stupeň volnosti f ( r 1).( s 1 ), de r je počet ategorií u řádové proměnné a s je počet ategorií u sloupcové proměnné. Hodnota n značí počet objetů ve statisticém souboru, hodnota n označuje počet dotazovaných dle i-té řádové a j-té sloupcové ategorie, tedy zařazených do i-tého shluu dle první metody a do j-tého shluu dle druhé metody, ni ri je relativní četnost výsytu i-té řádové ategorie a n j rj je relativní četnost n n výsytu j-té sloupcové ategorie. Testové ritérium ověříme na vhodných hladinách významnosti. Test je prováděn po 5 stupňů volnosti na velmi malém datovém souboru. Pro test závislosti shluových rozladů dle metody AGNES s Gowerovým oeficientem u a SPSS hierarchicé metody s eulidovsou vzdáleností na hladině významnosti 1 % zísáváme hodnotu testového ritéria t test = 44,5905, tato hodnota je vyšší, ž riticá hladina t (5) 44, Na hladině významnosti rit 1 % tedy vyvracíme nulovou hypotézu a tím proazujeme závislost shluového rozladu pomocí obou metod. j j ij Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 7

8 Porovnání výsledů rozladů SPSS a vlastního nástroje Pro test závislosti shluových rozladů dle metody AGNES s Gowerovým oeficientem u a SPSS hierarchicé metody s Pearsonovou mírou na hladině významnosti 10 % zísáváme hodnotu testového ritéria t test = 31,4007, tato hodnota je nižší, ž riticá hladina t (5) 34, Na hladině významnosti 10 % tedy rit můžeme vyvrátit nulovou hypotézu o závislosti shluového rozladu pomocí obou metod. Pro test závislosti shluových rozladů dle hierarchicých metod SPSS s eulidovsou vzdáleností a Pearsonovým oeficientem na hladině významnosti 1 % zísáváme hodnotu testového ritéria t test = 75,3981, tato hodnota je vyšší, ž riticá hladina t (5) 44, Na hladině významnosti 1 % tedy vyvracíme nulovou rit hypotézu a tím proazujeme závislost shluového rozladu pomocí obou metod. 5.1 Zhodnocení závěrů Ja již bylo uvedeno v úvodu, byly porovnávány shluové rozlady souboru, terý představuje do značné míry homogenní tržní mirosegment. Vzhledem tomu, že typ použitých proměnných byl ordinální, byla z hledisa metod nabízených v SPSS vhodnější eulidovsá vzdálenost. Z toho vyplývá i vyvrácení nulové hypotézy o závislosti shluových rozladů dle metody AGNES s Gowerovým oeficientem u a SPSS hierarchicé metody squared euclidean distance. Vzhledem transformaci ordinálních proměnných na normalizované pořadí odpovídá výpočet v případě čistě vantitativních proměnných použití normalizované Manhattansé vzdálenosti výsledů obou metod. m Di, j xi, x j,. Z toho důvodu vyplývá závislost 1 V případě Pearsonovy míry užité v SPSS dochází e ztrátě informace uspořádání hodnot jednotlivých ordinálních proměnných a proto jsou výsledy předvídatelné, tedy lze vyvrátit hypotézu závislosti shluového rozladu dle AGNES s Gowerovým oeficientem a SPSS hierarchicou metodou s Pearsonovou mírou. Tato míra ní vhodná pro zpracování datového souboru s vantitativními a ordinálními proměnnými. Zamítnutí závislosti shluových rozladů dle Pearsonovy míry a vadraticé eulidovsé vzdálenosti je jistým převapivým výsledem vzhledem zamítnutí závislosti tohoto rozladu s rozladem dle metody AGNES s Gowerovým oeficientem. Pravděpodobně tato vlastnost vyplývá z rozdílů vlastností normalizované Manhattansé vzdálenosti a vadraticé eulidovsé vzdálenosti. Vzhledem vysoé homogenitě preferencí respondentů anety pravděpodobně ztráta informace uspořádání hodnot ordinálních proměnných ní ta riticá u vadraticé eulidovsé vzdálenosti jao u vzdálenosti Manhattansé. Toto chování by bylo vhodné ověřit v budoucnu na větším datovém souboru případně porovnat chování Manhattansé a vadraticé eulidovsé vzdálenosti i na smíšených datech. Nicméně ověření těchto hypotéz považuji za slepou cestu vzhledem tomu, že pro smíšená data jsou Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 8

9 Využití fatorové analýzy v segmentaci trhu doporučovány speciální metriy typu Gowerovy míry podobnosti či optimalizační metody typu metody -prototypů. Závěry zísané z testování hierarchicých metod posytovaných produtem PASW SPSS 18.0 Base jsou velmi užitečné, boť z hledisa interpretace zísaných výsledů potvrzují předchozí závěry, teré se týají větší vhodnosti použití monoteticých hierarchicých shluovacích metod pro segmentaci trhu. Pomime-li sutečnost, že se výsledy různých polyteticých metod značně rozcházejí, je velmi obtížné definovat vhodnou míru podobnosti pro smíšená data, a tyto metody vyazují vysoou citlivost na míru podobnosti použitou sestavení matice podobnosti, interpretace shluových rozladů vytvořených libovolnou polyteticou shluovací metodou je velmi problematicá. Vzhledem charateru monoteticého shluování je interpretace nalezených shluů jao maretingových segmentů výrazně jednodušší. 6. Využití fatorové analýzy v segmentaci trhu V rámci testování vzorových dat s produtem PASW SPSS 18.0 Base byla posouzena i možnost apliace fatorové analýzy při stvování tržních segmentů. Hlavním cílem fatorové analýzy je hledání srytých fatorů, teré ovlivňují sledované proměnné datového souboru. Výsledem je jedna zmenšení rozměru úlohy pro shluovou analýzu a dále pa nahrazení velého počtu potenciálně srytě orelovaných proměnných něolia novými vzájemně buď vůbec orelovanými, případně málo orelovanými proměnnými fatory. V případě, že v datovém souboru jsou nalezeny vhodně interpretované orelované fatory, je možno tyto využít pro snazší popis nalezených shluů, tedy tržních segmentů. Velé množství behaviorálních preferenčních ritérií může být nahrazeno gericými ritérii, terá du množinu vzájemně orelovaných proměnných původního statisticého souboru vznilého na záladě maretingového dotazníu lépe vystihují. Fatorová analýza vznila v psychologii zejména na záladě prací Ch. Spearmana či Raymonda B. Cattella a jejím primárním využitím byla definice osobnostních fatorů. Pro využití v maretingu při stvení tržních segmentů může být fatorová analýza užitečná pro stvení popisu nalezených shluů. Otázou je, zda je vhodnější provést jprve fatorovou analýzu datového souboru a zmenšit ta počet sledovaných proměnných a pracovat s transformovanými hodnotami nových proměnných, bo provést shluovou analýzu na původních srytě orelovaných proměnných a zísané shluy pa popsat pomocí hodnot fatorů jednotlivých objetů. Vzhledem tomu, že pro optimální výsledy shluové analýzy je jvhodnější použít co jmenší počet vzájemně orelovaných proměnných, uazuje se jao jednoznačné východiso provést jprve fatorovou analýzu původního souboru pocházejícího z maretingového dotazníu, tím zmenšit veliost úlohy na něoli podstatných orelovaných proměnných, teré bude následně možno použít pro popis nalezených shluů modelů tržních segmentů. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 9

10 Využití fatorové analýzy v segmentaci trhu Mezi hlavní zmiňované dostaty fatorové analýzy patří jednoznačnost řešení, dy interpretace fatorů záleží na normování hodnot proměnných a volbě orelační či ovarianční matice. Korelační matice se používá v případě proměnných, teré mají různá měříta. Postup fatorové analýzy lze shrnout do následujících postupných roů: 1. Výpočet orelační matice mezi jednotlivými proměnnými, předpoládají se normalizované proměnné se střední hodnotou 0 a rozptylem 1.. Nalezení fatorů tato operace je založena na opaované regresní analýze, dy jsou postupně nalezeny závislé proměnné, teré jvíce reprezentují rozdílnost hodnot původních proměnných, v dalším rou se vždy hledá další dodatečná srytá proměnná, terá opět jvíce charaterizuje zbývající rozdílnost hodnot. V SPSS je stvena standardně stvena hodnota omunality proměnné (podíl rozptylu vysvětleného společnými fatory a rozptylu této proměnné) ve výši 1,0. Pro aždý nalezený fator je vypočteno vlastní číslo (eigenvalue). První nalezený fator má vždy vlastní číslo větší ž 1,0 a hodnota vlastního čísla pro další nalezené fatory lesá, přičemž pouze fatory s vlastními čísly většímu ž 1,0 jsou zajímavé. Poud má nalezený fator vlastní číslo menší ž 1,0, tedy menší ž omunalita původní proměnné, ta vysvětluje rozdíl hodnot méně ž původní proměnná. SPSS vypočte toli fatorů, oli je počet původních proměnných, nicméně pouze fatory s vlastními čísly většími ž 1,0 jsou důležité. 3. Nalezení vhodné rotace fatorů cílem je nalezení optimálního fatorového řešení, teré ní jednoznačné. Každá orelace dvou proměnných by měla být popsána co jmenším počtem fatorů. Zde existuje velé množství algoritmů, teré se snaží minimalizovat fatorové zátěže, ideálním stavem je nalezení tzv. jednoduché strutury, dy jvětší zátěž je na jediném fatoru a ostatní malé zátěže jsou na fatorech zbývajících. Fatory se standardně rotují pomocí ortonormálních rotací, teré zajišťují zachování jejich orelovsti. Jednoduchá strutura fatorů by měla umožnit snadnou interpretaci. V něterých případech je strutura fatorů taová, že je vhodnější v zájmu popisu povolit ortonormální rotaci, tedy připustit určitou míru orelace mezi fatory. V případě behaviorálních znaů může tato orelace mít i reálné odůvodnění. SPSS umožnuje nastavení možných parametrů odchyle od ortonormální rotace, poud lze tato dosáhnout jednodušší strutury výsledných fatorů. V ideálním případě by měla aždá z proměnných mít fatorovou zátěž u jediného fatoru větší ž 0,5 a u ostatních menší ž 0,. Tohoto stavu se u reálných dat praticy nidy dá dosáhnout. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 10

11 Využití fatorové analýzy v segmentaci trhu 4. Nalezení interpretace fatorů vzhledem tomu, že fatorová analýza posytuje jednoznačné výsledy, je možno v případě problémů s interpretací nalezených společných fatorů zoušet jiné ortonormální i ortonormální rotace. Interpretace fatorového řešení ní snadná a závisí na hluboé znalosti problémové oblasti. 6.1 Fatorová analýza behaviorálních proměnných Na datovém souboru z maretingového dotazování provedeného v rámci diplomové práce byla provedena pomocí SPSS funce Analyse Dimension Reduction Factor fatorová analýza s využitím metody hlavních ompont a výchozí metdou pro rotace VARIMAX. Byly použity proměnné A1, A, A3, A4, A5, A6, B1, B, B3, B4 a B5 s tím, že z výstupu byly vychány pro větší přehlednost hodnoty fatorových zátěží menší ž 0,1. Byly nalezeny celem čtyři fatory s vlastním číslem větším ž 1,0. Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % 1 3,45 31,385 31,385 3,45 31,385 31,385,306 0,966 0,966 1,589 14,448 45,833 1,589 14,448 45,833,54 0,490 41, ,35 1,90 58,13 1,35 1,90 58,13 1,433 13,07 54,48 4 1,09 9,358 67,481 1,09 9,358 67,481 1,430 1,999 67,481 5,833 7,577 75,058 6,787 7,157 8,15 7,661 6,01 88,7 8,405 3,679 91,906 9,391 3,555 95,46 10,300,77 98,189 11,199 1, ,000 Extraction Method: Principal Compont Analysis. Total Variance Explaid Compont Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Tyto fatory popisují celem 67,481% rozdílnosti ve výchozím souboru. Z hledisa interpretace pro tržní segmentaci lze říci, že tyto fatory jsou schopny popsat podstatné rozdíly v datovém souboru a zbývající část popsaných rozdílů by bylo možno ignorovat boť cílem shluové analýzy použité pro nalezení segmentů v datovém souboru je nalezení homogenních shluů, přičemž popsaná část rozdílů mezi objety datového souboru lze zahrnout do chápání homogenity. Je zřejmé, že původních 11 behaviorálních proměnných se podařilo zreduovat na 4 závislé fatory, teré popisují podstatnou část rozdílů v datovém souboru. Vliv podílu fatoru na celovém popisu rozdílnosti lze vidět v tzv. scree plot diagramu, terý vhodně vizualizuje lesající význam jednotlivých fatorů v popisu rozdílností. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 11

12 Využití fatorové analýzy v segmentaci trhu Následující tabula uazuje, jaý podíl mají jednotlivé fatory na popisu původních proměnných. Compont Matrix a Compont A4,804 -,77,180 A6,787 -,87,140 -,38 A5,649 -,116 -,401 A3,641 -,05 -,486,173 A,618 -,516,04 B,516,447 -,145 B5,167,789,164,387 A1,117,618 -,6 -,544 B1,497 -,173,65 B3,451,304,507 B4,46,3,54 Pomocí metody VARIMAX byla dále v SPSS provedena ortonormální rotace původních fatorů ta, aby bylo dosaženo jednodušší strutury fatorů pro zjednodušení jejich popisu. Z výsledu vyplývá, že tato rotace posytnula optimální výsledy, boť proměnné B, B4 a A5 výrazněji závisí na 3 rotovaných fatorech. Nalezení smysluplné Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 1

13 Využití fatorové analýzy v segmentaci trhu interpretace těchto dat musí být snadné. Jao přílad můžeme uvést interpretaci fatoru 4, terý významněji ovlivňuje proměnné A1 (hraní PC her) a A5 (telefonování přes intert) a B (velý výon, valitní grafia). Naproti tomu fator 1 výrazněji ovlivňuje proměnné B1 (variabilní mobilní připojení), A4 (brouzdání po webu), A6 (využití pro zaměstnání) a B3 (snadná mobilita). Naopa závislost proměnné A1 (hraní PC her), B4 (omfortní práce) a B (velý výon) ní na fatoru ta výrazná. Fator 1 by tedy bylo možno interpretovat jao požadave na mobilitu. Rotated Compont Matrix a Compont B1,810,135 -,18 A4,74,480 A6,73,435 -,181,181 B3,603 -,137,34,46 A3,113,839 A,83 B5,88,01 B4,144,45,575 -,100 A1 -,16,844 A5,403,381,533 B,163,304,358,495 Extraction Method: Principal Compont Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 7 iterations. Z tabule závislosti proměnných na původních a rotovaných fatorech je zřejmý smysl rotace, tedy zjednodušení závislosti proměnných na fatorech. Úloha nalezení taové rotace, terá bude jednoduše interpretovatelná v problémové oblasti, je velmi ompliovaná. Následující tabula popisuje transformační vztahy mezi původními a rotovanými fatory, nové rotované fatory jsou liární ombinací fatorů původních: Compont Transformation Matrix Compont ,673,658,198,74 -,1 -,51,73,597 3,69 -,659,170 -,40 4 -,151,63,630 -,715 Extraction Method: Principal Compont Analysis. Rotation Method: Varimax with Kaiser Normalization. Na obrázu jsou zaresleny jednotlivé proměnné v prostoru vymezeném prvními třemi rotovanými fatory. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 13

14 Využití fatorové analýzy v segmentaci trhu 6.1 Fatorová analýza proměnných s výjimou D1 a F3 Pro ilustraci byl obdobný test zopaován pro všechny proměnné s výjimou D1 a F3 (pořizovací cena počítače a čistý měsíční příjem). Datový soubor je velmi malý, nicméně je zajímavé, oli srytých fatorů ovlivňuje původních 3 proměnných. Podle grafu scree plot pro tento případ je zřejmé, že bylo nalezeno 1 srytých fatorů. Datový soubor obsahoval ja behaviorální, ta popisné proměnné a technicé parametry počítačů. Zajímavé tedy bude hlavně zjištění závislosti ritérií jednotlivých supin na srytých fatorech po jejich rotaci. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 14

15 Využití fatorové analýzy v segmentaci trhu Z níže uvedené tabuly závislosti původních proměnných na již rotovaných fatorech vyplývá, že na jednotlivých fatorech závisejí různou měrou proměnné z různých supin ritérií maretingového dotazníu. Těchto 1 srytých fatorů nahrazuje původních 3 proměnných a vysvětluje celem 81,74 % rozdílů v datovém souboru B1,83,178,184 A6,691,349,34,134 -,190 A4,688,351,39,196 -,141 -,141,05 E6,579,06,339,67,38,18,197,04,06 C5,534,407,16,118,47 -,5,405,39 -,18 E3,447 -,340,411,155,5 -,186,116 -,414 A3,133,899 Rotated Compont Matrix a A,130,714,7,148 -,07 F5,586 -,149 -,131 -,339,39 -,44 C,919 -,119 -,13 C8,197,176,87,177,13,158 C6,68 -,617,10 -,55,41,336 -,04 E1,1 -,198 -,56,155,36,133,178 -,39 -,40 C7,868,133 -,139,104 E4,306 -,134 -,133,710,1,18 -,7,16 -,159 A5,119,307,145,559,197 -,45,304 -,115,113,45 -,134 B4,07,174,138,777,63,178 E8,41,11,697,443 F,163 -,19 -,417,640 -,137,145 -,159,46 E -,184 -,109,809,10,11 E7,106,08,791 -,194 -,165,340 E5,441 -,139 -,55 -,173,189,657 -,116 C1,16,817,165,168 F6 -,160 -,11,144,1,656 -,50 -,17 -,64 A1,831,155 -,33 C4 -,194 -,331,165,158 -,181,4,617,146 -,314,157 B,191,349 -,6,53 -,194,40,40,371 B5,116,18,883,140 F4 -,67 -,163,41,159 -,104,834 C3,379 -,151 -,9 -,79 -,18,354,475 B3,84,01,51,80 F1,108 -,175,890 Extraction Method: Principal Compont Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 33 iterations. Compont Pro ilustraci se zaměřme na proměnnou F1, terá určuje pohlaví. Tato proměnná je popsána fatorem číslo 1 s fatorovou zátěží 0,890. Významnější vliv má tato proměnná na proměnnou A1 (hraní PC her) a B (velý výon a valitní graficý výstup). Nebo fator 7 má velý vliv na proměnnou C1 (počet vlastněných PC) a F6 (jvyšší dosažené vzdělání). Z tohoto příladu vyplývá, že tato zísané fatory jsou velmi problematicé pro další interpretaci a pravděpodobně by byla vhodnější jiná rotace, případně i ortonormální. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 15

16 Význam fatorové analýzy pro segmentaci trhu 7. Význam fatorové analýzy pro segmentaci trhu Fatorová analýza, ja byla pomocí produtu PASW SPSS 18.0 Base otestována na datech maretingového dotazování, přináší pro exatní přístup e shluové analýze trhu velé možnosti zejména při popisu zjištěných shluů. Předpoládejme, že z maretingového dotazování je zísán datový soubor obsahující ja behaviorální, ta i popisná ritéria. V souladu s Kotlerovým pojetím tržní segmentace je provedena shluová analýza podle behaviorálních ritérií, na jejímž záladě jsou identifiovány jednoznačné shluy. Poud je provedena fatorová analýza srytých fatorů, lze na záladě identifiované závislosti jednotlivých proměnných na daných fatorech zonstruovat projecí přes fatorové rovnice popis shluů, terý využije pouze ty proměnné desriptivní ategorie, teré významně závisí na daných fatorech. Tím se proces interpretace identifiovaných shluů značně zjednoduší. V případě, že je fatorová analýza provedena před vlastní shluovou analýzou a je nalezena vhodná rotace shluů, terá se blíží jednoduché strutuře fatorů, pracuje vlastní shluová analýza s již velmi homogenizovanými daty. Jestliže je navíc pro tyto společné fatory nalezena smysluplná a jednoznačná identifiace, jsou přímo na záladě výsledu shluové analýzy zísané shluy přímo jednoduše popsatelné. Pro vlastní návrh využití fatorové analýzy v rámci segmentace trhu jao doplňové analyticé metody e shluové analýze je ovšem zbytné provést dostatečné množství empiricých testů na datových souborech maretingového dotazování. Na záladě těchto zušeností bude možno tyto roy zobecnit. Dosud zísané výsledy z hledisa interpretace nabízejí široé možnosti dalšího výzumu využití této metody v maretingu. Ačoliv použití prostředů shluové analýzy implementovaných v produtu SPSS je pro účely segmentace trhu problematicé, zejména vzhledem omezeným možnostem interpretace měr podobností pro smíšená data, vzhledem tomu, že fatorová analýza je založena na rozboru normalizované orelační matice proměnných, je tato analyticá metoda ta, ja je implementována v SPSS a zejména možnostem nastavení parametrů pro výpočet fatorů a hledání rotací fatorů, dále využitelná jao dílčí metoda pro exatní stvení tržních segmentů. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 16

17 Použitá literatura Použitá literatura TOMEK, G.,VÁVROVÁ, V. Mareting od myšleny realizaci. Praha: Professional Publishing 008 KOTLER, P., KELLER, K. L. Mareting management, 1. vydání. Praha: Grada Publishing 007 ŘEZANKOVÁ, H., HÚSEK, D., SNÁŠEL, V. Shluová analýza dat. Praha: Professional Publishing 007 EVERITT, B.S., LANDAU, S., LEESE, M. Cluster analysis, 4th edition. London: Arnold, a member of the Hodder Headli Group 001 HEBÁK, P., HUSTOPECKÝ, J., PECÁKOVÁ, I., PRŮŠA, M., ŘEZANKOVÁ, H., SVOBODOVÁ, A., VLACH, P. Vícerozměrné statisticé metody (3). Praha: Informatorium 006 Electronic Statistics Textboo [onli]. Tulsa: StatSoft 007. Dostupný z WWW: PALLANT, J. SPSS Survival Manual, 3rd Edition. Maidenhead: Open University Press 007 ŘEHÁK, J., BARTÁKOVÁ, I. Statistia pro výzum trhu a mareting. Praha: Centrum výuy SC&C 1997 ÜBERLA, K. Fatorová analýza. Bratislava: Alfa 1974 DARREN, K., MALLERY, P. SPSS for Windows Step-by-Step: A Simple Guide and Reference, 10.0 Update (3rd Edition). Prentice Hall 000 VÍT, D. Využití shluové analýzy v maretingu: master thesis, Prague: CTU FEE 009 VÍT, D. Vliv maretingového dotazování na identifiaci tržních segmentů. Prague: Mareting & omuniace. 009, roč. XIX, č. 4, s VÍT, D. Interpretation of monothetic and polythetic clustering method results for mareting questionaire processing : paper draft for Acta Polytechnica. Prague: CTU FEE 009. Word Document. Unpublished. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 17

18 Seznam příloh Seznam příloh Příloha 1 přehled odpovědí účastníů dotazování Příloha shluový rozlad AGNES pomocí vlastního nástroje Příloha 3 dendrogram AGNES dle vlastního nástroje Příloha 4 SPSS se čtvercovou eulidovsou vzdáleností Příloha 5 SPSS s Pearsonovou mírou Příloha 6 SPSS rozlad dle čtvercové eulidovsé vzdálenosti Příloha 7 SPSS rozlad dle Pearsonovy míry Příloha 8 SPSS dendrogram dle čtvercové eulidovsé vzdálenosti Příloha 9 SPSS dendrogram dle Pearsonovy míry Příloha 10 Tabula příslušnosti objetů e shluovým rozladům dle jednotlivých metod Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 18

19 Obsah Obsah 1. ÚVOD A ZÁMĚR PRÁCE HIERARCHICKÁ SHLUKOVÁ ANALÝZA V SPSS HIERARCHICKÁ SHLUKOVÁ ANALÝZA S GOWEROVÝM KOEFICIENTEM HIERARCHICKÁ ANALÝZA TESTOVACÍHO SOUBORU Rozlad metodou AGNES s Gowerovým oeficientem Rozlad pomocí SPSS se čtvercovou eulidovsou vzdáleností Rozlad pomocí SPSS s Pearsonovou statistiou POROVNÁNÍ VÝSLEDKŮ ROZKLADŮ SPSS A VLASTNÍHO NÁSTROJE Zhodnocení závěrů VYUŽITÍ FAKTOROVÉ ANALÝZY V SEGMENTACI TRHU Fatorová analýza behaviorálních proměnných Fatorová analýza proměnných s výjimou D1 a F VÝZNAM FAKTOROVÉ ANALÝZY PRO SEGMENTACI TRHU POUŽITÁ LITERATURA SEZNAM PŘÍLOH OBSAH PŘÍLOHA 1 PŘEHLED ODPOVĚDÍ ÚČASTNÍKŮ DOTAZOVÁNÍ... 0 PŘÍLOHA SHLUKOVÝ ROZKLAD AGNES POMOCÍ VLASTNÍHO NÁSTROJE... 3 PŘÍLOHA 3 DENDROGRAM AGNES DLE VLASTNÍHO NÁSTROJE... 4 PŘÍLOHA 4 SPSS SE ČTVERCOVOU EUKLIDOVSKOU VZDÁLENOSTÍ... 5 PŘÍLOHA 5 SPSS S PEARSONOVOU MÍROU... 6 PŘÍLOHA 6 SPSS ROZKLAD DLE ČTVERCOVÉ EUKLIDOVSKÉ VZDÁLENOSTI... 7 PŘÍLOHA 7 SPSS ROZKLAD DLE PEARSONOVY MÍRY... 8 PŘÍLOHA 8 SPSS DENDROGRAM DLE ČTVERCOVÉ EUKLIDOVSKÉ VZDÁLENOSTI... 9 PŘÍLOHA 9 SPSS DENDROGRAM DLE PEARSONOVY MÍRY PŘÍLOHA 10 TABULKA PŘÍSLUŠNOSTI OBJEKTŮ KE SHLUKOVÝM ROZKLADŮM DLE JEDNOTLIVÝCH METOD Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 19

20 Příloha 1 přehled odpovědí účastníů dotazování Příloha 1 přehled odpovědí účastníů dotazování Následující tabula obsahuje shrnutí odpovědí jednotlivých účastníů anety, je zároveň dispozici v eletronicé podobě formě doumentu pro Microsoft Excel jao součást CD přiloženého diplomové práci. Vzhledem velému počtu ritérií je tabula s odpověďmi rozdělena na dvě následující strány. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 0

21 A1 utrální utrální utrální silný utrální utrální utrální A utrální A3 utrální A4 utrální A5 utrální utrální utrální utrální utrální utrální utrální utrální utrální utrální A6 Vyhodnocení anety Možnost využití počítače či u Požadavy na počítač či Technicé parametry počítače B1 utrální silný utrální utrální utrální B silný utrální utrální silný utrální utrální utrální utrální B3 utrální utrální B4 utrální utrální utrální utrální utrální utrální utrální utrální utrální utrální B5 utrální utrální utrální utrální utrální utrální utrální utrální C C stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač C3 jednojádrový čtyřjádrový čtyřjádrový eonomicý jednojádrový eonomicý eonomicý jednojádrový jednojádrový eonomicý jednojádrový vím jednojádrový čtyřjádrový jednojádrový C4 více ž 17" vím 10"-14,3" více ž 17" 10"-14,3" více ž 17" 10"-14,3" více ž 17" více ž 17" 10"-14,3" 10"-14,3" více ž 17" 10"-14,3" 10"-14,3" více ž 17" 10"-14,3" 10"-14,3" 10"-14,3" Příloha 1 přehled odpovědí účastníů dotazování Veliost obrazovy Typ procesoru Druh počítače Počet vlastněných PC Velá apacita pro uchování dat Komfortní práce (pohodlná lávesnice, velý display apod) Snadná mobilita, výdrž baterií, nízá hmotnost Velý výon, valitní graficý výstup Variabilní mobilní připojení intertu deoliv Využití pro zaměstnání Telefonování přes intert Brouzdání po webu, , chat Příprava e studiu Multimediál ní apliace (filmy, hudba) Hraní PC her Líste Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 1

22 C5 51 MB MB 048 MB a více 104 MB MB 048 MB a více 048 MB a více 104 MB MB 104 MB MB 048 MB a více 048 MB a více 048 MB a více 51 MB MB 104 MB MB 104 MB MB 104 MB MB 104 MB MB 104 MB MB vím 048 MB a více 048 MB a více 104 MB MB 104 MB MB 104 MB MB 048 MB a více 104 MB MB 048 MB a více 048 MB a více 104 MB MB 048 MB a více 048 MB a více 104 MB MB 048 MB a více 048 MB a více 104 MB MB 048 MB a více 048 MB a více C C7 více ž 3,5 g vím 1 g - 1,9 g 1 g - 1,9 g vím g - 3,5 g g - 3,5 g vím g - 3,5 g více ž 3,5 g g - 3,5 g vím g - 3,5 g 1 g - 1,9 g vím vím vím více ž 3,5 g g - 3,5 g vím vím 1 g - 1,9 g více ž 3,5 g g - 3,5 g g - 3,5 g g - 3,5 g g - 3,5 g g - 3,5 g 1 g - 1,9 g více ž 3,5 g 1 g - 1,9 g vím g - 3,5 g 1 g - 1,9 g 1 g - 1,9 g C8 žádná žádná - 5 hodin - 5 hodin žádná do hodin do hodin žádná do hodin žádná - 5 hodin do hodin do hodin do hodin žádná více ž 5 hodin vím - 5 hodin - 5 hodin do hodin žádná do hodin žádná do hodin do hodin do hodin žádná - 5 hodin do hodin žádná - 5 hodin do hodin - 5 hodin více ž 5 hodin - 5 hodin Poř. cena PC D E1 vím E vím E3 vím vím Vyhodnocení anety Technicé parametry počítače Existující funce počítače Údaje o respondentovi E4 vím vím vím E5 vím vím E6 vím E7 vím vím vím E8 vím F1 žena žena žena žena F a více a více a více a více a více a více a více a více a více do a více do a více a více a více a více do 1000 F F4 částečný pracovní úvaze příležitostné brigády příležitostné brigády částečný pracovní úvaze vlastní podniání částečný pracovní úvaze vlastní podniání vlastní podniání částečný pracovní úvaze plný pracovní úvaze vlastní podniání žádné příležitostné brigády částečný pracovní úvaze žádné příležitostné brigády příležitostné brigády částečný pracovní úvaze částečný pracovní úvaze příležitostné brigády částečný pracovní úvaze příležitostné brigády vlastní podniání žádné částečný pracovní úvaze příležitostné brigády žádné příležitostné brigády žádné příležitostné brigády žádné částečný pracovní úvaze žádné vlastní podniání částečný pracovní úvaze F5 vím vím vím vím vím vím F6 technicá SŠ technicá SŠ jiné technicá SŠ technicá SŠ technicá SŠ technicá SŠ technicá SŠ technicá SŠ Příloha 1 přehled odpovědí účastníů dotazování Nejvyšší dosažené vzdělání Plány po doončení baaláře Zaměstnání Čistý měsíční příjem Veliost obce Pohlaví Web amera TV tur Opticá mechania Čteča pamě tových aret Infračervený port Bluetooth Síťová arta Wifi Pořizovací hodnota počítače Výdrž baterie v hodinách Hmotnost počítače Kapacita pevného disu Veliost operační paměti Líste Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána

23 Příloha shluový rozlad AGNES pomocí vlastního nástroje Příloha shluový rozlad AGNES pomocí vlastního nástroje Následující tabula obsahuje optimální shluové rozlady pomocí aglomerativní hierarchicé shluové analýzy provedené vlastním analyticým nástrojem pro behaviorální soubor ritérií. Ve sloupcích tabuly jsou počty shluů v daném shluovém rozladu, v řádcích jsou uvedeny objety původního datového souboru. Příslušnost objetů e shluům je v polích tabuly vyznačena číslem shluu, do nějž daný objet v rámci uvedeného rozladu patří. objet Počty shluů při aglomerativních shluování Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 3

24 Příloha 3 dendrogram AGNES dle vlastního nástroje Příloha 3 dendrogram AGNES dle vlastního nástroje Dendrogram metody úplné vazby pro behaviorální data Hlouba spojení ,17 1,17,0 11,14 11,14 7,4 7, ,11,14, 17,0 1,11,1, 14,17,0 1,11,1, 14,17,0, 1,11,1, 14,17,0,,34 7,4 7,4 7,4 7,4 1,7,11, 1,14,17, 0,,4, 34 1,6,7, 11,1,14, 17,0,1,,4,5, 7, ,7 1,5,7 6,1,5, 7 6,1,5, 7 6,1,5, 7 6,1,5, 7 6,1,5, , ,16,31,6 6,6,9 15,16,3, 31 15,16,3, 31 15,16,3, 31 1,,3,5, 6,7,8,9, 10,11,1, 13,14,15, 16,17,18, 19,0,1,,3,4, 5,6,7, 8,9,30, 31,3,33, 34, ,9 30,35 3,9,18 10,30,35,3,9, 18,6,9 10,30,35 5,8 5,8 5,8,3,9, 10,18,6, 9,30,35,3,5,8, 9,10,13, 18,19,6, 8,9,30, 3,33,35,3,5,8, 9,10,13, 15,16,18, 19,3,6, 8,9,30, 31,3,33, 35,3,5,8, 9,10,13, 15,16,18, 19,3,6, 8,9,30, 31,3,33, 35,3,5,8, 9,10,13, 15,16,18, 19,3,6, 8,9,30, 31,3,33, ,19 13, ,3,33 3, ,13,19, 3,33 5,8,13, 19,8,3, 33 Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 4

25 Příloha 4 SPSS se čtvercovou eulidovsou vzdáleností Příloha 4 SPSS se čtvercovou eulidovsou vzdáleností Stage Agglomeration Schedule Stage Cluster First Cluster Combid Coefficients Appears Cluster 1 Cluster Cluster 1 Cluster Next Stage , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 5

26 Příloha 5 SPSS s Pearsonovou mírou Příloha 5 SPSS s Pearsonovou mírou Stage Agglomeration Schedule Stage Cluster First Cluster Combid Coefficients Appears Cluster 1 Cluster Cluster 1 Cluster Next Stage , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 6

27 Příloha 6 SPSS rozlad dle čtvercové eulidovsé vzdálenosti Příloha 6 SPSS rozlad dle čtvercové eulidovsé vzdálenosti Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 7

28 Příloha 7 SPSS rozlad dle Pearsonovy míry Příloha 7 SPSS rozlad dle Pearsonovy míry Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 8

29 Příloha 8 SPSS dendrogram dle čtvercové eulidovsé vzdálenosti Příloha 8 SPSS dendrogram dle čtvercové eulidovsé vzdálenosti Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 9

30 Příloha 9 SPSS dendrogram dle Pearsonovy míry Příloha 9 SPSS dendrogram dle Pearsonovy míry Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 30

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem Dříve les než stromy 3 Operace s maticemi Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

THE POSSIBILITY OF RELOCATION WAREHOUSES IN CZECH-POLISH BORDER MOŽNOSTI RELOKACE SKLADŮ V ČESKO-POLSKÉM PŘÍHRANIČÍ

THE POSSIBILITY OF RELOCATION WAREHOUSES IN CZECH-POLISH BORDER MOŽNOSTI RELOKACE SKLADŮ V ČESKO-POLSKÉM PŘÍHRANIČÍ Jan CHOCHOLÁČ 1 THE POSSIBILITY OF RELOCATION WAREHOUSES IN CZECH-POLISH BORDER MOŽNOSTI RELOKACE SKLADŮ V ČESKO-POLSKÉM PŘÍHRANIČÍ BIO NOTE Jan CHOCHOLÁČ Asistent na Katedře dopravního managementu, maretingu

Více

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

Testování hypotéz a měření asociace mezi proměnnými

Testování hypotéz a měření asociace mezi proměnnými Testování hypotéz a měření asociace mezi proměnnými Testování hypotéz Nulová a alternativní hypotéza většina statistických analýz zahrnuje různá porovnání, hledání vztahů, efektů Tvrzení, že efekt je nulový,

Více

Vícerozměrné metody. PSY117/454 Statistická analýza dat v psychologii Přednáška 12. Schematický úvod

Vícerozměrné metody. PSY117/454 Statistická analýza dat v psychologii Přednáška 12. Schematický úvod PSY117/454 Statistická analýza dat v psychologii Přednáška 12 Vícerozměrné metody Schematický úvod Co je na slově statistika tak divného, že jeho vyslovení tak často způsobuje napjaté ticho? William Kruskal

Více

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D.

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D. Program Statistica Base 9 Mgr. Karla Hrbáčková, Ph.D. OBSAH KURZU obsluha jednotlivých nástrojů, funkce pro import dat z jiných aplikací, práce s popisnou statistikou, vytváření grafů, analýza dat, výstupní

Více

Spokojenost se životem

Spokojenost se životem SEMINÁRNÍ PRÁCE Spokojenost se životem (sekundárních analýza dat sociologického výzkumu Naše společnost 2007 ) Předmět: Analýza kvantitativních revize Šafr dat I. Jiří (18/2/2012) Vypracoval: ANONYMIZOVÁNO

Více

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta informačních technologií DIPLOMOVÁ PRÁCE

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta informačních technologií DIPLOMOVÁ PRÁCE VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Faulta informačních technologií DIPLOMOVÁ PRÁCE Brno 2002 Igor Potúče PROHLÁŠENÍ: Prohlašuji, že jsem tuto diplomovou práci vypracoval samostatně pod vedením Ing. Martina

Více

NADSTAVBOVÝ MODUL MOHSA V1

NADSTAVBOVÝ MODUL MOHSA V1 NADSTAVBOVÝ MODUL MOHSA V1 Nadstavbový modul pro hierarchické shlukování se jmenuje Mod_Sh_Hier (MOHSA V1) je součástí souboru Shluk_Hier.xls. Tento soubor je přístupný na http://jonasova.upce.cz, a je

Více

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu K čemu slouží statistika Popisuje velké soubory dat pomocí charakteristických čísel (popisná statistika). Hledá skryté zákonitosti v souborech

Více

Cronbachův koeficient α nová adaptovaná metoda uvedení vlastností položkové analýzy deskriptivní induktivní parametrické

Cronbachův koeficient α nová adaptovaná metoda uvedení vlastností položkové analýzy deskriptivní induktivní parametrické Československá psychologie 0009-062X Metodologické požadavky na výzkumné studie METODOLOGICKÉ POŽADAVKY NA VÝZKUMNÉ STUDIE Výzkumné studie mají přinášet nová konkrétní zjištění získaná specifickými výzkumnými

Více

7.3.9 Směrnicový tvar rovnice přímky

7.3.9 Směrnicový tvar rovnice přímky 739 Směrnicový tvar rovnice přímy Předpolady: 7306 Pedagogicá poznáma: Stává se, že v hodině nestihneme poslední část s určováním vztahu mezi směrnicemi olmých příme Vrátíme se obecné rovnici přímy: Obecná

Více

Dekompoziční analýza příjmové nerovnosti v České republice

Dekompoziční analýza příjmové nerovnosti v České republice Deompoziční analýza příjmové nerovnosti v Česé republice Zdeňa MALÁ, Gabriela ČERVENÁ, Czech University of Life Sciences in Prague i Abstract The paper focuses on an analysis of income inequality of population

Více

Navrhování experimentů a jejich analýza. Eva Jarošová

Navrhování experimentů a jejich analýza. Eva Jarošová Navrhování experimentů a jejich analýza Eva Jarošová Obsah Základní techniky Vyhodnocení výsledků Experimenty s jedním zkoumaným faktorem Faktoriální experimenty úplné 2 N dílčí 2 N-p Experimenty pro studium

Více

VYUŽITÍ SHLUKOVÉ ANALÝZY V MARKETINGU. České vysoké učení technické v Praze FAKULTA ELEKTROTECHNICKÁ Katedra ekonomiky, manažerství a humanitních věd

VYUŽITÍ SHLUKOVÉ ANALÝZY V MARKETINGU. České vysoké učení technické v Praze FAKULTA ELEKTROTECHNICKÁ Katedra ekonomiky, manažerství a humanitních věd České vysoké učení technické v Praze FAKULTA ELEKTROTECHNICKÁ Katedra ekonomiky, manažerství a humanitních věd VYUŽITÍ SHLUKOVÉ ANALÝZY V MARKETINGU Diplomová práce Diplomant: Mgr. David Vít Vedoucí diplomové

Více

Metodologie pro Informační studia a knihovnictví 2

Metodologie pro Informační studia a knihovnictví 2 Metodologie pro Informační studia a knihovnictví 2 Modul 7: Třídění druhého stupně. Kontingenční tabulky Co se dozvíte v tomto modulu? Co je třídění druhého stupně Jak vytvořit a interpretovat kontingenční

Více

6. Lineární regresní modely

6. Lineární regresní modely 6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu

Více

1. Úvod do základních pojmů teorie pravděpodobnosti

1. Úvod do základních pojmů teorie pravděpodobnosti 1. Úvod do záladních pojmů teore pravděpodobnost 1.1 Úvodní pojmy Většna exatních věd zobrazuje své výsledy rgorózně tj. výsledy jsou zísávány na záladě přesných formulí a jsou jejch nterpretací. em je

Více

Test dobré shody v KONTINGENČNÍCH TABULKÁCH

Test dobré shody v KONTINGENČNÍCH TABULKÁCH Test dobré shody v KONTINGENČNÍCH TABULKÁCH Opakování: Mějme náhodné veličiny X a Y uspořádané do kontingenční tabulky. Řekli jsme, že nulovou hypotézu H 0 : veličiny X, Y jsou nezávislé zamítneme, když

Více

7 Kardinální informace o kritériích (část 1)

7 Kardinální informace o kritériích (část 1) 7 Kardinální informace o kritériích (část 1) Předpokládejme stejná značení jako v předchozích cvičeních. Kardinální informací o kritériích se rozumí ohodnocení jejich důležitosti k pomocí váhového vektoru

Více

Využití expertního systému při odhadu vlastností výrobků

Využití expertního systému při odhadu vlastností výrobků Vužití epertního sstému při odhadu vlastností výrobů ibor Žá Abstrat. Článe se zabývá možností ja vužít fuzz epertní sstém pro popis vlastností výrobu. Důvodem tohoto přístupu je možnost vužití vágních

Více

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT 2 IDENIFIKACE H-MAICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNO omáš Novotý ČESKÉ VYSOKÉ UČENÍ ECHNICKÉ V PRAZE Faulta eletrotechicá Katedra eletroeergetiy. Úvod Metody založeé a loalizaci poruch pomocí H-matic

Více

Vysokorychlostní železnice úspěchy a výzvy

Vysokorychlostní železnice úspěchy a výzvy Vysoorychlostní železnice úspěchy a výzvy Dr. Gunter Ellwanger, ředitel pro vysoorychlostní železnice, Mezinárodní železniční unie Vysoorychlostní vlay přiláaly na železnici nové cestující především na

Více

Klasifikace obchodních partnerů s využitím metod shlukové analýzy

Klasifikace obchodních partnerů s využitím metod shlukové analýzy Klasifikace obchodních partnerů s využitím metod shlukové analýzy Mária Režňáková 1 Abstrakt Předpokladem úspěšnosti podnikatelských subjektů je schopnost generovat příjmy v takové výši, která zajistí

Více

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13 Příklad 1 Máme k dispozici výsledky prvního a druhého testu deseti sportovců. Na hladině významnosti 0,05 prověřte, zda jsou výsledky testů kladně korelované. 1.test : 7, 8, 10, 4, 14, 9, 6, 2, 13, 5 2.test

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Třídění statistických dat

Třídění statistických dat 2.1 Třídění statistických dat Všechny muže ve městě rozdělíme na 2 skupiny: A) muži, kteří chodí k holiči B) muži, kteří se holí sami Do které skupiny zařadíme holiče? prof. Raymond M. Smullyan, Dr. Math.

Více

Úvod. Struktura respondentů

Úvod. Struktura respondentů Výsledky pilotního průzkumu postojů studentů Policejní akademie ČR v Praze k problematice zálohování dat Ing. Bc. Marek Čandík, Ph.D. JUDr. Štěpán Kalamár, Ph.D. The results of the pilot survey of students

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Václav Cempírek 1 1. ZÁKLADNÍ FAKTORY OVLIVŇUJÍCÍ LOGISTICKÁ ZAŘÍZENÍ

Václav Cempírek 1 1. ZÁKLADNÍ FAKTORY OVLIVŇUJÍCÍ LOGISTICKÁ ZAŘÍZENÍ NÁVRH PARAMETRŮ LOGISTICKÝCH CENTER, DIMENZOVÁNÍ TECHNICKÝCH PROSTŘEDKŮ A ZAŘÍZENÍ THE ARGUMENTS CONCEPT OF LOGISTIC CENTRE, DIMENSOINING OF TECHNICAL INSTRUMENT AND DEVICE Václav Cempíre 1 Anotace:Příspěve

Více

Úpravy úlohy DE1 v systému LABI.

Úpravy úlohy DE1 v systému LABI. Úpravy úlohy DE v systému LABI. Edit problem DE in system LABI Bc. Daniel Kašný Diplomová práce 200 ABSTRAKT Tato práce se zabývá úpravou úlohy DE v systému LABI, terá byla vytvořena pro výuové účely

Více

Analýza investičních pobídek v České republice

Analýza investičních pobídek v České republice Analýza investičních pobíde v Česé republice věten 2007 Vypracovali Doc. Ing. Jiří Schwarz, CSc. vedoucí autorsého oletivu Petr Bartoň, M.A. Ing. Peter Bolcha Ing. Pavel Heřmansý Ing. Petr Mach Národohospodářsá

Více

Stručný úvod do vybraných zredukovaných základů statistické analýzy dat

Stručný úvod do vybraných zredukovaných základů statistické analýzy dat Stručný úvod do vybraných zredukovaných základů statistické analýzy dat Statistika nuda je, má však cenné údaje. Neklesejme na mysli, ona nám to vyčíslí. Z pohádky Princové jsou na draka Populace (základní

Více

Robust 2014, 19. - 24. ledna 2014, Jetřichovice

Robust 2014, 19. - 24. ledna 2014, Jetřichovice K. Hron 1 C. Mert 2 P. Filzmoser 2 1 Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta, Univerzita Palackého, Olomouc 2 Department of Statistics and Probability Theory Vienna University

Více

Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie

Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie 12. licenční studium PYTHAGORAS Statistické zpracování dat 3.1 Matematické principy vícerozměrných metod statistické analýzy

Více

APLIKACE SHLUKOVÉ ANALÝZY V EKOLOGII

APLIKACE SHLUKOVÉ ANALÝZY V EKOLOGII ROBUST 2, 2 28 c JČMF 2 APLIKACE SHLUKOVÉ ANALÝZY V EKOLOGII MARIE BUDÍKOVÁ Abstrakt. In this paper, the basic principles of hierarchical cluster analysis are described.an example of calculation and application

Více

Data v počítači. Informační data. Logické hodnoty. Znakové hodnoty

Data v počítači. Informační data. Logické hodnoty. Znakové hodnoty Data v počítači Informační data (elementární datové typy) Logické hodnoty Znaky Čísla v pevné řádové čárce (celá čísla) v pohyblivé (plovoucí) řád. čárce (reálná čísla) Povelová data (instrukce programu)

Více

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D. Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní

Více

9 Skonto, porovnání různých forem financování

9 Skonto, porovnání různých forem financování 9 Sonto, porovnání různých forem financování Sonto je sráža (sleva) z ceny, terou posytuje prodávající upujícímu v případě, že upující zaplatí oamžitě (resp. během dohodnuté ráté lhůty). Výše sonta je

Více

4ST201 STATISTIKA CVIČENÍ Č. 7

4ST201 STATISTIKA CVIČENÍ Č. 7 4ST201 STATISTIKA CVIČENÍ Č. 7 testování hypotéz parametrické testy test hypotézy o střední hodnotě test hypotézy o relativní četnosti test o shodě středních hodnot testování hypotéz v MS Excel neparametrické

Více

Multivariátní porovnání dat - klastrová (shluková) analýza

Multivariátní porovnání dat - klastrová (shluková) analýza Multivariátní porovnání dat - klastrová (shluková) analýza - bez apriorních předpokladů Shluková analýza Shluková analýza - cluster analysis úvod - definice princip algoritmy výsledky Shluková analýza

Více

vzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291

vzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291 Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených

Více

2. Statistická terminologie a vyjadřovací prostředky. 2.1. Statistická terminologie. Statistická jednotka

2. Statistická terminologie a vyjadřovací prostředky. 2.1. Statistická terminologie. Statistická jednotka 2. Statistická terminologie a vyjadřovací prostředky 2.1. Statistická terminologie Statistická jednotka Statistická jednotka = nositel statistické informace, elementární prvek hromadného jevu. Příklady:

Více

Příprava dat v softwaru Statistica

Příprava dat v softwaru Statistica Příprava dat v softwaru Statistica Software Statistica obsahuje pokročilé nástroje pro přípravu dat a tvorbu nových proměnných. Tyto funkcionality přinášejí značnou úsporu času při přípravě datového souboru,

Více

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky Vysoká škola báňská technická univerzita Ostrava Fakulta elektrotechniky a informatiky Bankovní účty (semestrální projekt statistika) Tomáš Hejret (hej124) 18.5.2013 Úvod Cílem tohoto projektu, zadaného

Více

Statistické metody uţívané při ověřování platnosti hypotéz

Statistické metody uţívané při ověřování platnosti hypotéz Statistické metody uţívané při ověřování platnosti hypotéz Hypotéza Domněnka, předpoklad Nejčastěji o rozdělení, středních hodnotách, závislostech, Hypotézy ve vědeckém výzkumu pracovní, věcné hypotézy

Více

Klasifikace pomocí shlukové analýzy. Hana Řezanková

Klasifikace pomocí shlukové analýzy. Hana Řezanková Klasifikace pomocí shlukové analýzy Hana Řezanková Vysoká škola ekonomická v Praze Cíle klasifikace a shlukové analýzy Cílem klasifikace je zařadit adit buď některé z objektů nebo všechny v objekty do

Více

VYUŽITÍ MATLABU JAKO MOTIVAČNÍHO PROSTŘEDKU VE VÝUCE FYZIKY NA STŘEDNÍCH ŠKOLÁCH

VYUŽITÍ MATLABU JAKO MOTIVAČNÍHO PROSTŘEDKU VE VÝUCE FYZIKY NA STŘEDNÍCH ŠKOLÁCH VYUŽITÍ MATLABU JAKO MOTIVAČNÍHO PROSTŘEDKU VE VÝUCE FYZIKY NA STŘEDNÍCH ŠKOLÁCH J. Tesař, P. Batoš Jihočesá univezita, Pedagogicá faulta, Kateda fyziy, Jeonýmova 0, 37 5 Česé Budějovice Abstat V příspěvu

Více

Pojem a úkoly statistiky

Pojem a úkoly statistiky Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby

Více

Měření závislosti statistických dat

Měření závislosti statistických dat 5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě

Více

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2 Na úloze ukážeme postup analýzy velkého výběru s odlehlými prvky pro určení typu rozdělení koncentrace kyseliny močové u 50 dárců krve. Jaká je míra polohy a rozptýlení uvedeného výběru? Z grafických diagnostik

Více

K metodám převodu souřadnic mezi ETRS 89 a S-JTSK na území ČR

K metodám převodu souřadnic mezi ETRS 89 a S-JTSK na území ČR K metodám převodu souřadnic mezi ETRS 89 a S-JTSK na území ČR Vlastimil Kratochvíl * Příspěvek obsahuje popis vlastností některých postupů, využitelných pro transformaci souřadnic mezi geodetickými systémy

Více

Zhodnocení dopadů inovace na studijní výsledky

Zhodnocení dopadů inovace na studijní výsledky Zhodnocení dopadů inovace na studijní výsledky Zpracoval: doc. Ing. Josef Weigel, CSc. hlavní řešitel projektu Hodnocené studijní programy: - Bakalářský studijní program Geodézie a kartografie v prezenční

Více

2. STAVBA PARTPROGRAMU

2. STAVBA PARTPROGRAMU Stavba partprogramu 2 2. STAVBA PARTPROGRAMU 2.1 Slovo partprogramu 2.1.1 Stavba slova Elementárním stavebním prvem partprogramu je tzv. slovo (instruce programu). Každé slovo sestává z písmene adresy

Více

Základní informace o co se jedná a k čemu to slouží

Základní informace o co se jedná a k čemu to slouží Základní informace o co se jedná a k čemu to slouží založené na relačních databází transakční systémy, které jsou určeny pro pořizování a ukládání dat v reálném čase (ERP, účetní, ekonomické a další podnikové

Více

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté polynomy pro případ dvou uzlových bodů ξ 1 = 1 a ξ 2 = 4. Experimentální body jsou x = [0.2 0.4 0.6 1.5 2.0 3.0

Více

Korelační a regresní analýza

Korelační a regresní analýza Korelační a regresní analýza Analýza závislosti v normálním rozdělení Pearsonův (výběrový) korelační koeficient: r = s XY s X s Y, kde s XY = 1 n (x n 1 i=0 i x )(y i y ), s X (s Y ) je výběrová směrodatná

Více

Informace o společnosti

Informace o společnosti Informace o společnosti K DATU 30. ČERVNA 2012 Zveřejněno na internetových stránách KUPEG úvěrové pojišťovny, a.s. www.upeg.cz OBSAH strana 1. Informace o hospodaření společnosti a. Textová část 2 b. Tabulová

Více

Certifikace účetní profese v ČR

Certifikace účetní profese v ČR Certifiace účetní profese v ČR DVA STUPNĚ KVALIFIKACE V OBORU ÚČETNICTVÍ A FINANCE INS TITUT SVAZU ÚČETNÍCH, A.S. Obsah Co je Certifiace účetní profese v ČR... 1 Kdo může vstoupit do certifiace... 2 Kontaty,

Více

Explorační faktorová analýza - analýza hlavních komponent

Explorační faktorová analýza - analýza hlavních komponent Explorační faktorová analýza - analýza hlavních komponent Faktorová analýza (FA) - ve své explorační verzi není primárně určena k meritorní analýze, to je neslouží k testování hypotéz ani k měření souvislostí

Více

Počítačová analýza vícerozměrných dat v oborech přírodních, technických a společenských věd

Počítačová analýza vícerozměrných dat v oborech přírodních, technických a společenských věd Počítačová analýza vícerozměrných dat v oborech přírodních, technických a společenských věd Prof. RNDr. Milan Meloun, DrSc. (Univerzita Pardubice, Pardubice) 20.-24. června 2011 Tato prezentace je spolufinancována

Více

Analýzy regionálního trhu práce v České republice Analysis of regional labour market in Czech Republic

Analýzy regionálního trhu práce v České republice Analysis of regional labour market in Czech Republic 2 nd Central European Conference in Regional Science CERS, 2007 862 Analýzy regionálního trhu práce v České republice Analysis of regional labour market in Czech Republic PETR ŘEHOŘ, DARJA HOLÁTOVÁ Jihočeská

Více

Schválení Vruty EASYfast 8-12 mm, technické schválení pro izolační systémy

Schválení Vruty EASYfast 8-12 mm, technické schválení pro izolační systémy Schválení Vruty EASYfast 8-1 mm, technicé schválení pro izolační systémy Jazyy / Languages: cs BERNER_78156.pdf 013-07-5 Z-9.1-619 pro tesařsé vruty EASYfast 8,0 1,0 mm Všeobecné stavebně technicé schválení

Více

ROZDÍLY V NÁVRZÍCH RELAČNÍCH A OBJEKTOVÝCH DATABÁZÍ A JEJICH DŮSLEDKY PRO TRANSFORMACI MODELŮ

ROZDÍLY V NÁVRZÍCH RELAČNÍCH A OBJEKTOVÝCH DATABÁZÍ A JEJICH DŮSLEDKY PRO TRANSFORMACI MODELŮ ROZDÍLY V NÁVRZÍCH RELAČNÍCH A OBJEKTOVÝCH DATABÁZÍ A JEJICH DŮSLEDKY PRO TRANSFORMACI MODELŮ RELATIONAL AND OBJECT DATABASES DESIGN DIFFERENCES AND IT S IMPLICATIONS TO MODEL TRANSFORMATION Vít Holub

Více

Neuronové časové řady (ANN-TS)

Neuronové časové řady (ANN-TS) Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci

Více

1. KOMBINATORIKA. Příklad 1.1: Mějme množinu A a. f) uspořádaných pětic množiny B a. Řešení: a)

1. KOMBINATORIKA. Příklad 1.1: Mějme množinu A a. f) uspořádaných pětic množiny B a. Řešení: a) 1. KOMBINATORIKA Kombinatoria je obor matematiy, terý zoumá supiny prvů vybíraných z jisté záladní množiny. Tyto supiny dělíme jedna podle toho, zda u nich záleží nebo nezáleží na pořadí zastoupených prvů

Více

Modely datové. Další úrovní je logická úroveň Databázové modely Relační, Síťový, Hierarchický. Na fyzické úrovni se jedná o množinu souborů.

Modely datové. Další úrovní je logická úroveň Databázové modely Relační, Síťový, Hierarchický. Na fyzické úrovni se jedná o množinu souborů. Modely datové Existují různé úrovně pohledu na data. Nejvyšší úroveň je úroveň, která zachycuje pouze vztahy a struktury dat samotných. Konceptuální model - E-R model. Další úrovní je logická úroveň Databázové

Více

Vliv realizace, vliv přesnosti centrace a určení výšky přístroje a cíle na přesnost určovaných veličin

Vliv realizace, vliv přesnosti centrace a určení výšky přístroje a cíle na přesnost určovaných veličin Vliv realizace, vliv přesnosti centrace a určení výšky přístroje a cíle na přesnost určovaných veličin doc. Ing. Martin Štroner, Ph.D. Fakulta stavební ČVUT v Praze 1 Úvod Při přesných inženýrsko geodetických

Více

U218 Ústav procesní a zpracovatelské techniky FS ČVUT v Praze

U218 Ústav procesní a zpracovatelské techniky FS ČVUT v Praze 1. Úol měření Úolem měření na rotorové (Müllerově) odparce je sestavit energeticou a látovou bilanci celého zařízení a stanovit součinitele prostupu tepla odpary a ondenzátoru brýdových par.. Popis zařízení

Více

Informace o společnosti

Informace o společnosti Informace o společnosti K DATU 30. ZÁŘÍ 2012 Zveřejněno na internetových stránách KUPEG úvěrové pojišťovny, a.s. www.upeg.cz OBSAH strana 1. Informace o hospodaření společnosti a. Textová část 2 b. Tabulová

Více

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D. Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která

Více

Písemná práce k modulu Statistika

Písemná práce k modulu Statistika The Nottingham Trent University B.I.B.S., a. s. Brno BA (Hons) in Business Management Písemná práce k modulu Statistika Číslo zadání: 144 Autor: Zdeněk Fekar Ročník: II., 2005/2006 1 Prohlašuji, že jsem

Více

Národníinformačnístředisko pro podporu jakosti

Národníinformačnístředisko pro podporu jakosti Národníinformačnístředisko pro podporu jakosti OVĚŘOVÁNÍ PŘEDPOKLADU NORMALITY Doc. Ing. Eva Jarošová, CSc. Ing. Jan Král Používané metody statistické testy: Chí-kvadrát test dobré shody Kolmogorov -Smirnov

Více

Číselné charakteristiky a jejich výpočet

Číselné charakteristiky a jejich výpočet Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky

Více

11 Analýza hlavních komponet

11 Analýza hlavních komponet 11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu

Více

FUNKCE PRO ANALYTICKÉ ZPRACOVÁNÍ DAT

FUNKCE PRO ANALYTICKÉ ZPRACOVÁNÍ DAT FUNKCE PRO ANALYTICKÉ ZPRACOVÁNÍ DAT V PRODUKTECH YAMACO SOFTWARE PŘÍRUČKA A NÁVODY PRO ÚČELY: - RUTINNÍ PRÁCE S DATY YAMACO SOFTWARE 2008 1. ÚVODEM Vybrané produkty společnosti YAMACO Software obsahují

Více

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com) Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik

Více

CLP ANALYSIS OF MOLECULAR MARKERS DIGITAL IMAGE ANALYSIS OF ELECTROPHOEROGRAMS CZECH VERSION

CLP ANALYSIS OF MOLECULAR MARKERS DIGITAL IMAGE ANALYSIS OF ELECTROPHOEROGRAMS CZECH VERSION CLP ANALYSIS OF MOLECULAR MARKERS DIGITAL IMAGE ANALYSIS OF ELECTROPHOEROGRAMS CZECH VERSION DIGITÁLNÍ OBRAZOVÁ ANALÝZA ELEKTROFORETICKÝCH GELŮ *** Vyhodnocování získaných elektroforeogramů: Pro vyhodnocování

Více

Průzkumová analýza dat

Průzkumová analýza dat Průzkumová analýza dat Proč zkoumat data? Základ průzkumové analýzy dat položil John Tukey ve svém díle Exploratory Data Analysis (odtud zkratka EDA). Často se stává, že data, se kterými pracujeme, se

Více

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI Aleš Linka 1, Petr Volf 2 1 Katedra textilních materiálů, FT TUL, 2 Katedra aplikované matematiky, FP TUL ABSTRAKT. Internetové

Více

PENZIJNÍ PLÁN A STATUT

PENZIJNÍ PLÁN A STATUT PENZIJNÍ PLÁN A STATUT ČSOB Penzijního fondu Progres, a. s., člena supiny ČSOB 7.PP ČSOB Penzijní fond Progres, a. s., člen supiny ČSOB STATUT Článe 1 Úvodní ustanovení 1. Obchodní fi rma: ČSOB Penzijní

Více

Statistika. Semestrální projekt

Statistika. Semestrální projekt Statistika Semestrální projekt 18.5.2013 Tomáš Jędrzejek, JED0008 Obsah Úvod 3 Analyzovaná data 4 Analýza dat 6 Statistická indukce 12 Závěr 15 1. Úvod Cílem této semestrální práce je aplikovat získané

Více

Profilová část maturitní zkoušky 2013/2014

Profilová část maturitní zkoušky 2013/2014 Střední průmyslová škola, Přerov, Havlíčkova 2 751 52 Přerov Profilová část maturitní zkoušky 2013/2014 TEMATICKÉ OKRUHY A HODNOTÍCÍ KRITÉRIA Studijní obor: 78-42-M/01 Technické lyceum Předmět: TECHNIKA

Více

PSY117/454 Statistická analýza dat v psychologii Přednáška 10

PSY117/454 Statistická analýza dat v psychologii Přednáška 10 PSY117/454 Statistická analýza dat v psychologii Přednáška 10 TESTY PRO NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ NEPARAMETRICKÉ METODY... a to mělo, jak sám vidíte, nedozírné následky. Smrť Analýza četností hodnot

Více

INFORMATIKA. Libovolná učebnice k MS OFFICE 200x (samostatné učebnice k textovému procesoru MS Word 200x, tabulkovému procesoru MS Excel 200x).

INFORMATIKA. Libovolná učebnice k MS OFFICE 200x (samostatné učebnice k textovému procesoru MS Word 200x, tabulkovému procesoru MS Excel 200x). Cíl předmětu: Cílem předmětu je prohloubit znalosti studentů ze základních aplikačních programů. Jedná se především o pokročilejší nástroje z aplikací MS Word a MS Excel. Jednotlivé semináře se zaměřují

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie Úvod do předmětu obecné informace Základní pojmy ze statistiky / ekonometrie Úvod do programu EViews, Gretl Některé užitečné funkce v MS Excel Cvičení 1 Zuzana Dlouhá Úvod do

Více

1. cvičení 4ST201. Základní informace: Vyučující: Obsah: Informace o kurzu Popisná statistika Úvod do SASu

1. cvičení 4ST201. Základní informace: Vyučující: Obsah: Informace o kurzu Popisná statistika Úvod do SASu cvičící 1. cvičení 4ST201 Informace o kurzu Popisná statistika Úvod do SASu Obsah: Vysoká škola ekonomická 1 Vyučující: Základní informace:» Konzultační hodiny: pátek 9:00 11:00» Místnost: JM317» Email:

Více

ADDS cvičení 7. Pavlína Kuráňová

ADDS cvičení 7. Pavlína Kuráňová ADDS cvičení 7 Pavlína Kuráňová Analyzujte závislost věku obyvatel na místě kde nejčastěji tráví dovolenou. (dotazník dovolená, sloupce Jaký je Váš věk a Kde nejčastěji trávíte dovolenou) Analyzujte závislost

Více

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině

Více

MEZIREGIONÁLNÍ PŘEPRAVA NA ŽELEZNICI V ČR INTERREGINAL RAILWAY TRANSPORT IN CZECH REPUBLIC

MEZIREGIONÁLNÍ PŘEPRAVA NA ŽELEZNICI V ČR INTERREGINAL RAILWAY TRANSPORT IN CZECH REPUBLIC MEZIREGIONÁLNÍ PŘEPRAVA NA ŽELEZNICI V ČR INTERREGINAL RAILWAY TRANSPORT IN CZECH REPUBLIC Kateřina Pojkarová 1 Anotace:Článek se věnuje železniční přepravě mezi kraji v České republice, se zaměřením na

Více

Semestrální práce z předmětu Matematika 6F

Semestrální práce z předmětu Matematika 6F vypracoval: Jaroslav Nušl dne: 17.6.24 email: nusl@cvut.org Semestrální práce z předmětu Matematika 6F Zádání: Cílem semestrální práce z matematiky 6F bylo zkoumání hudebního signálu. Pluginem ve Winampu

Více

Metodické pokyny pro práci s modulem Řešitel v tabulkovém procesoru Excel

Metodické pokyny pro práci s modulem Řešitel v tabulkovém procesoru Excel Metodické pokyny pro práci s modulem Řešitel v tabulkovém procesoru Excel Modul Řešitel (v anglické verzi Solver) je určen pro řešení lineárních i nelineárních úloh matematického programování. Pro ilustraci

Více

Tvar dat a nástroj přeskupování

Tvar dat a nástroj přeskupování StatSoft Tvar dat a nástroj přeskupování Chtěli jste někdy použít data v jistém tvaru a STATISTICA Vám to nedovolila? Jistě se najde někdo, kdo se v této situaci již ocitl. Není ale potřeba propadat panice,

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická

Více

0 KOMBINATORIKA OPAKOVÁNÍ UIVA ZE SŠ. as ke studiu kapitoly: 30 minut. Cíl: Po prostudování této kapitoly budete umt použít

0 KOMBINATORIKA OPAKOVÁNÍ UIVA ZE SŠ. as ke studiu kapitoly: 30 minut. Cíl: Po prostudování této kapitoly budete umt použít 0 KOMBINATORIKA OPAKOVÁNÍ UIVA ZE SŠ as e studiu apitoly: 30 minut Cíl: Po prostudování této apitoly budete umt použít záladní pojmy ombinatoriy vztahy pro výpoet ombinatoricých úloh - 6 - 0.1 Kombinatoria

Více

Využití shlukové analýzy při vytváření typologie studentů

Využití shlukové analýzy při vytváření typologie studentů Miroslav CHRÁSKA, Milan KLEMENT Univerzita Palackého v Olomouci, Česká republika Využití shlukové analýzy při vytváření typologie studentů 1. Cíl výzkumu Cílem výzkumu bylo rozdělit české a polské vysokoškolské

Více