Nezaměstnanost na Příbramsku - analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití

Rozměr: px
Začít zobrazení ze stránky:

Download "Nezaměstnanost na Příbramsku - analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití"

Transkript

1 Nezaměstnanost na Příbramsku - analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití Jan Popelka Doktorand oboru Statistika Abstrakt: ento článek věnuje pozornost analýze přežití aplikované na problém nezaměstnanosti. Data získaná z úřadu práce v Příbrami se týkají registrovaných uchazečů o zaměstnání. Jsou nesymetricky rozdělena a cenzorována, což jsou dva z hlavních důvodů, proč byly použity právě postupy analýzy přežití. Součástí analýzy je volba vhodného semiparametrického modelu, odhad jeho parametrů a odpovídajících poměrů intenzit, jejich interpretace a diagnostika odhadnutého modelu i jednotlivých parametrů. Na základě získaných dat je odhadnut průběh základní funkce přežití a z ní jsou pak odvozeny konkrétní funkce přežití pro vybrané skupiny uchazečů o práci. Jejich průběh je graficky znázorněn pro přehlednější srovnání vybraných skupin. Klíčová slova: cenzorovaná data, Coxův proporcionální model, intenzitní funkce, poměr intenzit, věrohodnostní funkce, parciální věrohodnostnífunkce, funkce přežití. 1 Úvod Pojem Analýza přežití byl poprvé použit ve spojení s lékařskými výzkumy. Podobnost problematiky modelování doby trvání nezaměstnanosti s dobou přežití pacientů s určitou diagnózou vedla k použití metod analýzy přežití k odhalení faktorů ovlivňující dobu nezaměstnanosti. Podobnost je patrná zejména ve dvou bodech, které jsou hlavními důvody proč není vhodné analyzovat data o nezaměstnaných standardními analytickými metodami. Doba nezaměstnanosti bývá, stejně jako v lékařství sledovaná doba přežití, nesymetricky rozdělena, většinou kladně zešikmena. Převládají kratší doby nezaměstnanosti. Není tedy možné využívat analytické nástroje založené na předpokladu normality rozdělení základního souboru. Druhým důvodem je, že data bývají velmi často cenzorovaná. U některých sledovaných osob nenastane očekávaná událost, nalezení zaměstnání, před koncem sledování. Nezaměstnaní zůstávají bez práce i po skočení studie nebo práci v lepším případě získají, což ovšem již není možné zjistit. Důvodem ztráty informací o sledovaných nezaměstnaných může být i vyřazení nezaměstnaného z evidence úřadu práce na vlastní žádost, popřípadě změna trvalého bydliště během sledovaného období. Častým důvodem je též sankční vyřazení nezaměstnaných nebo nástup do studia. Vědecký seminář doktorandů FIS únor

2 2 Semiparametrický regresní model Vzhledem k tomu, že konkrétní tvar distribuční a hustotní funkce rozdělení doby nezaměstnanosti není znám, je vliv faktorů posuzován pomocí intenzitních poměrů (semiparametrický regresní model). Odhady intenzitních poměrů jsou dobrým nástrojem pro porovnávání šancí na znovuzaměstnání mezi vybranými skupinami nezaměstnaných. Intenzitní funkce vyjadřuje pravděpodobnost, že očekávaná událost (znovuzaměstnání) nastane v čase t za podmínky, že do tohoto času nenastala. Neboli: ( < + δ ) δt P t t t t ht () = lim δ t 0 Regresní model intenzitní funkce s vektorem vysvětlující proměnných x a vektorem neznámých parametrů β má následující tvar: ht (, x, β) = h() tr( x, β ), (2) 0 kde funkce h 0 (t) vyjadřuje změny intenzitní funkce závisející na době přežití. ato složka je nazývána základní intenzitní funkcí (baseline hazard function). Funkce r( x, β) pak zachycuje působení vysvětlujících proměnných. Intenzitní poměr ψ vyjadřuje, kolikrát vyšší je šance na znovuzaměstnání jedince s hodnotami vysvětlujících proměnných definovaných vektorem x 1 oproti jedinci s hodnotami vysvětlujících proměnných definovaných vektorem x 0. Počítán je následovně: ht (, x, β) h () t r( x, β) r( x, β) ψ (, t x, x ) = = = 1 0 ht (, x, β) h( tr ) ( x, β) r( x, β ). (3) Konkrétní tvar funkce r( x, β) navrhl Cox jako r ( x, β) = exp( x β ). Uvedený model je často nazýván "Coxův proporcionální rizikový model" nebo zjednodušeně "Proporcionální rizikový model". Konkrétní tvar rizikové funkce má tvar: ht (, x, β) = h()exp( t x β ) (4) 0 K odhadu parametrů semiparametrického regresního modelu je využívána metoda maximalizace věrohodnostní funkce. Z výpočetního hlediska je jednodušší nahradit věrohodnostní funkci jejím logaritmem. Cox navrhl věrohodnostní funkci závislou pouze na vysvětlujících proměnných tzv. parciální věrohodnostní funkci. Maximalizace této funkce je možná i bez znalosti konkrétního tvaru rozdělení doby přežití. V případě, kdy se v modelu nenacházejí opakovaná data, je její tvar následující: β ci. 1 i= 1 j Ri (5) n x β x β i j l( ) = e e (1) 1 Součet v čitateli je pro skupinu všech osob, kteří v daném čase t i práci stále hledali, označeno jako R i. 2 Vědecký seminář doktorandů FIS - únor 2005

3 Pokud se v modelu data opakují, je nutné provést modifikace parciální věrohodnostní funkce. Parametry mohou být odhadnuty prostřednictvím přesného vyjádření navrženého Kalbfleischem a Prenticem [10]: n x β i L( β ) = 1 exp te x β j e exp( t) dt, (6) j Ri i= 1 0 j Di nebo pomocí vybrané aproximace,které jsou využívány především díky menší výpočetní náročnosti. Breslow [2] vyjádřil tvar věrohodnostní funkce jako: d i n β x J j D ( ) i β xj L β = e e. 3 (7) i= 1 j Ri Efronova [4] aproximace má následující tvar: β x J n j D e i L( β ) =. (8) di i= 1 β x l 1 β x J J e e l = 1 j R d j D i i i 4 Nezaměstnanost na Příbramsku Data použitá v tomto článku byla získána v rámci grantu IGA Vysoké školy ekonomické s názvem "Analýza faktorů ovlivňujících dobu do znovuzaměstnání v ČR". 4 Data pocházejí z úřadu práce (ÚP) v Příbrami. Jde o rozšíření původně analyzovaného souboru, který se vztahoval pouze na nezaměstnané evidované v lednu Na původním datovém souboru byly založeny modely publikované v [Popelka, jaro3ov8 esser]. Nový soubor je významně rozšířen. Obsahuje informace o 4275 nezaměstnaných evidovaných úřadem práce v Příbrami za celý rok Sledování bylo ukončeno v 18. června Z celkového počtu 4275 uchazečů bylo 2172 žen (tj. 51 %) a 2103 mužů (49%). Poměr mezi muži ženami odpovídá poměru zjištěnému v původní studii, kde činil 52% a 48% ve prospěch žen uchazečů nalezlo během sledovaného období práci pozorování je zprava cenzorováno. ito uchazeči nezískali do konce studie v červnu 2004 zaměstnání a v evidenci úřadu práce zůstali i nadále po skončená sledování nebo byli z evidence vyřazeni na vlastní žádost, byli vyřazeni sankčně a nebylo možné o nich získat další informace, začali studovat nebo změnili trvalé bydliště. Rozdělení necenzorované doby nezaměstnanosti je kladně zešikmeno, o čemž vypovídá následující histogram rozdělení četností. Nejkratší doba nezaměstnanosti je 0 den. Celkem pět uchazečů bylo ÚP umístěno v den jejich evidence. Nejdelší doba setrvání v evidenci ÚP činila 894 dní. Průměrná doba nezaměstnanosti u sledovaného vzorku činí 145 dní a medián 93 dní. Nejvíce nezaměstnaných bylo v evidenci úřadu práce po dobu 30 dní, celkem 66 uchazečů. 2 D j představuje skupinu všech osob znovuzaměstnaných v čase t j. 3 d j je počet všech osob znovuzaměstnaných v čase t j. 4 Grant číslo IG Vědecký seminář doktorandů FIS únor

4 1600 Rozdělení doby nezaměstnanosti absolutní četnost doba nezaměstnanosti (dny) Graf 1 Rozdělení doby nezaměstnanosti (pro necenzorovaná data) Průměrný věk sledovaného vzorku evidovaných je 33 let, medián je 30 let. Nejvíce nezaměstnaných bylo ve věku 19 let, celkem 243. Nejmladšímu evidovanému bylo 15 let, nejstarším dvěma 61 let. Rozdělení věku nezaměstnaných je kladně zešikmeno. Převládají uchazeči nižšího věku, nejvíce jich je ve skupině od 21 do 25 let. Rozdělení věku četnost věk (roky) Graf 2 Rozdělení věku uchazečů o zaměstnání Ze sledovaného souboru nezaměstnaných dosáhlo středního vzdělání bez maturity 2048 uchazečů (48 %), středního vzdělání s maturitou 1350 (32 %) a 180 uchazečů (4 %) dosáhlo vzdělání vysokoškolského. Zbylých 697 (16 %) vykázalo vzdělání základní. 2 Vědecký seminář doktorandů FIS - únor 2005

5 V porovnání s původním souborem opět nejsou patrné žádné větší rozdíly. V původní studii vykazovalo středního vzdělání bez maturity 50 % uchazečů, středního vzdělání s maturitou 29 %, vysokoškolské vzdělání 3 % a základní vzdělání 18 %. Podstatný je ovšem významný nárůst uchazečů s vysokoškolským vzdělání. V původní studii bylo zahrnuto pouze 17 uchazečů, což mohla být jedna z příčin, proč nebyl modelem zjištěn statisticky významný rozdíl v šancích na znovuzískání zaměstnání mezi vysokoškoláky a nezaměstnanými se základním vzděláním. Větší rozsah souboru tak může původní závěry vyvrátit (58%) uchazečů má trvalé bydliště ve městě 5, zbylých 1808 (42%) pochází z vesnice. Jak ukazuje graf 3. a tabulka? přišlo na úřad práce nejvíce nezaměstnaných na podzim, plných 35%. Nejméně pak v zimních měsících 17%. Detailnější dělení s ohledem na měsíce ukazuje, že největší nárůst nezaměstnaných byl na Příbramsku v roce 2002 v červenci, lednu a září (kolem 11% ze všech evidovaných) a nejmenší pak v únoru březnu a dubnu (6%). Počty uchazečů podle období zaevidování Jaro 862 uchazečů (20%) Léto 1182 uchazečů (28%) Zima 744 uchazečů (17%) Podzim 1487 uchazečů (35%) Graf 3 Rozdělení uchazečů podle období zaevidování na ÚP abulka 1 Rozdělení uchazečů podle období zaevidování na ÚP měsíc absolutní počet evidovaných měsíc relativní počet evidovaných (v %) absolutní počet evidovaných relativní počet evidovaných (v %) leden ,11% červenec ,37% únor 269 6,29% srpen 346 8,09% březen 244 5,71% září ,50% duben 298 6,97% říjen 331 7,74% květen 320 7,49% listopad 352 8,23% červen 350 8,19% prosinec 355 8,30% 5 Březnice, Dobříš, Nový Knín, Příbram, Rožmitál pod řemšínem a Sedlčany (podle ČSÚ) Vědecký seminář doktorandů FIS únor

6 Z hlediska rodinného stavu bylo zjištěno, že 1855 (tedy 44%) nezaměstnaných je ženatých, vdaných nebo žijí ve společné domácnosti jako druh nebo družka (56%) uchazečů je svobodných, rozvedených nebo ovdovělých. Posledním ze sledovaných faktorů je zdravotní stav uchazečů. Bezvadný zdravotní stav nahlásilo při evidenci 3821 (89%) uchazečů. Zdravotně omezených nebo postižených bylo 173 (4%) a 281 (7%) uchazečů pobíralo částečný nebo plný invalidní důchod. Sledovanými faktory, jejichž vliv na dobu potřebnou ke znovuzaměstnání byl analyzován, jsou pohlaví uchazečů, věk a vzdělání. yto faktory byly zahrnuty již v předchozím modelu [?]. Nově pak je posuzován vliv trvalého bydliště, rodinného a zdravotního stavu a také ročního období, ve kterém byl se uchazeč na ÚP přihlásil. Proměnná SEX_M nabývá hodnoty 1 pro muže a 0 pro ženu. Proměnná OWN nabývá hodnoty 1 pro uchazeče s trvalým bydlištěm ve městě 6 a 0 pro uchazeče z vesnice. Proměnná FAMILY nabývá hodnoty 1 u uchazečů ženatých, vdaných nebo žijících ve společné domácnosti jako druh nebo družka. V ostatních případech (svobodní, rozvedení nebo ovdovělí) je její hodnota 0. U ostatních proměnných bylo rozlišeno více stupňů. Proměnné EDU (vzdělání) je ordinální a nabývá následujících hodnot: EDU = 1 pro uchazeče se základním vzděláním nebo bez vzdělání, EDU = 2 pro středoškolské vzdělání bez maturity, EDU = 3 pro středoškolské vzdělání s maturitou, EDU = 4 pro vysokoškolské vzdělání. Proměnná SEASON je ordinální vztahující se k období, kdy se uchazeč na úřad práce přihlásil, nabývá následujících hodnot: SEASON = 1 pro uchazeče evidované v zimních měsících (prosinec, leden únor), SEASON = 2 u evidovaných v březnu, dubnu a květnu, SEASON = 3 u evidovaných v červnu, červenci a srpnu, SEASON = 4 u evidovaných v září, říjnu a listopadu. Proměnná HEALH je taktéž ordinální zohledňující zdravotní stav nezaměstnaných nabývá následujících obměn: HEALH = 1 uchazeč s bezvadným zdravotním stavem, HEALH = 2 osoby zdravotně omezené nebo postižené, HEALH = 3 u uchazečů pobírajících částečný nebo plný invalidní důchod. Věk zastoupený proměnnou AGE je jedinou spojitou proměnnou. Udává věk v letech. Jako nejproblematičtější se jeví modelování vlivu věku nezaměstnaných na dobu potřebnou k získání nového zaměstnáni. Již dříve se podařilo ukázat, že vliv věku není lineární. Důkaz o tomto tvrzení podávají [7], [POPELKA] a [8]. Na základě zmíněných studií jsou do prvního modelu zahrnuty proměnné AGE (věk v letech) a AGE^2, která je odvozena jako druhá mocnina věku. ato nově vložená proměnná zohledňuje 6 Březnice, Dobříš, Nový Knín, Příbram, Rožmitál pod řemšínem a Sedlčany (podle ČSÚ). 2 Vědecký seminář doktorandů FIS - únor 2005

7 skutečnost, že osoby velmi mladé nebo naopak v pokročilém věku, mají šance na získání nového zaměstnání nižší, než uchazeči ve věku středním. Přínosem by mohlo být zahrnutí věku ve formě ordinální proměnné, tak jak je tomu v zahraničních článcích věnovaných stejnému tématu [?]. Věk v druhém modelu již není spojitou proměnnou, ale je intervalově tříděn. Na základě dat z ÚP v Příbrami byl rozdělen na devět intervalů s šířkou pět let. První interval zahrnuje uchazeče do 20 let, poslední pak starší než 65 let (viz. obr.2). Proměnná AGEM tedy nabývá devíti obměn. Pro potřeby porovnání obou modelu byly odhadnuty jejich parametry pomocí programu S-Plus 4.5. Kritériem pro volbu nejvhodnějšího modelu je záporná hodnota dvojnásobku logaritmu věrohodnostní funkce a hodnota Akiakeho 7 testového kritéria (tabulka 1). abulka 1 Porovnání alternativních modelů Proměnné AGE v modelu Počet proměnných 2logLˆ AIC AGE+AGE^2 AGEM , , , ,02 Vzhledem k odlišnému počtu proměnných v obou modelech, je Akiakeho testové kritérium lepší pro porovnání, protože zohledňuje počet proměnných. Z porovnání obou modelů plyne, že model s kvadratickým věkem je nepatrně horší než model, ve kterém je věk intervalově členěn (model s proměnnou AGEM). Podle testu věrohodnostním poměrem (tabulka 2.) je model s kardinální proměnnou AGEM vhodnějším než model s kvadratickým vlivem věku. abulka 2 Srovnání alternativních modelů pomocí testu věrohodnostním poměrem Porovnávané modely G Df p-value 2 vs 1 17,88 6 0,007 Protože se v souboru vyskytují opakovaná data, bylo nutné provést odhad pomocí modifikované parciální věrohodnostní funkce, tak jak ji navrhli Efron. Upravené výstupy programu S-PLUS jsou v tabulkách 3 a 5. abulka 3 Odhady parametrů modelu - kvadratický závislost na věku (* P<0.1, ** P<0.05, *** P<0.01) Proměnná Odhad parametru Intenzitní poměr 95% interval spolehlivosti pro intenzitní poměr SEX.M *** AIC 2 log Lˆ α q = +, kde α je předem definovaná konstanta, jejíž hodnota se pohybuje většinou v rozmezí 2 až 6 a q je počet parametrů modelu. Vědecký seminář doktorandů FIS únor

8 AGE *** AGE^ *** EDU *** EDU *** EDU *** SEASON * SEASON * SEASON ** FAMILY HEALH *** HEALH *** OWN *** abulka 4 estování významnosti odhadnutého modelu esting Global Null Hypothesis: BEA=0 est Chi-Square DF Pr > ChiSq Likelihood Ratio <.0001 Wald test <.0001 Efficient score test < Vědecký seminář doktorandů FIS - únor 2005

9 abulka 5 Odhady parametrů modelu - intervalové členění věku (* P<0.1, ** P<0.05, *** P<0.01) Proměnná Odhad parametru Intenzitní poměr 95% interval spolehlivosti pro intenzitní poměr SEX.M *** AGEM (21-25) *** AGEM (26-30) ** AGEM (31-35) *** AGEM (36-40) *** AGEM (41-45) AGEM (46-50) AGEM (51-55) *** AGEM (56 >) *** EDU *** EDU *** EDU *** SEASON ** SEASON * SEASON ** FAMILY HEALH *** HEALH *** OWN ** abulka 6 estování významnosti odhadnutého modelu esting Global Null Hypothesis: BEA=0 est Chi-Square DF Pr > ChiSq Likelihood Ratio <.0001 Wald test <.0001 Efficient score test <.0001 Všechny tři testy uvedené v tabulce 4 potvrzují statistickou významnost navrženého modelu. Jinými slovy je alespoň jeden z odhadnutých parametrů statisticky významný. Odhady jednotlivých parametrů pak znázorňuje tabulka 3. Jak již bylo zmíněno kapitole 3 nabízejí statistické packety kromě odhadů parametrů ˆβ a jejich směrodatných ) chyb sˆ( ˆ β ) i hodnoty intenzitních poměrů vypočtených jako ψˆ = exp β a jejich intervalů spolehlivosti. Důvodem je právě jejich snadná interpretovatelnost. Vědecký seminář doktorandů FIS únor

10 Oproti modelu založeném na původních datech publikovaném v [POPELKA], se podařilo prokázat, že existuje statisticky významný rozdíl mezi muži a ženami. Šance mužů na získání nového zaměstnání jsou podle modelu 1,22 krát vyšší než je tomu u žen. Stejně tak se jasně ukazuje význam vzdělání. Model potvrzuje již dříve zjištěnou skutečnost, že s rostoucím vzděláním se vyhlídky nezaměstnaných zlepšují. Oproti uchazeči se základním vzděláním má středoškolák bez maturity 1,85 krát a středoškolák s maturitou 1,83 krát větší šanci, že získá nové zaměstnání. Předpoklad, že větší počet získaných dat pomůže lépe popsat vliv vysokoškolského vzdělání, se potvrdil. V modelu založeném na datech z ledna 2002 nevycházel statisticky významný rozdíl mezi vysokoškoláky a nezaměstnanými se základním vzděláním. Jednou z příčin se zdál být malý počet nezaměstnaných s vysokoškolským vzděláním (jen 17). Model založený na datech z celého roku 2002 již rozdíl odhalil. Vysokoškolák má ze všech rozlišených stupňů vzdělání nejvyšší šance na nalezení zaměstnání, 2,05 krát vyšší než je tomu u lidí se základním vzděláním. Podle odhadnutého modelu, je nejhorší přihlásit se na do evidence úřadu práce v podzimních a jarních měsících, šance je v porovnání se zimou 1,13 resp. 1,12 krát nižší. Zdravotní stav uchazečů o zaměstnání je dalším faktorem, který působí na dobu nezaměstnanosti. Doba evidence na ÚP je uchazečů s bezvadným zdravotním stavem výrazně nižší než u osob zdravotně postižených. Šance zdravotně postižených jsou v porovnání se zdravými poloviční a nezaměstnaní pobírající částečný nebo plný invalidní důchod mají šance dokonce jen třetinové. Překvapivé je zjištění vlivu trvalého. Podle modelu mohou práci snadněji získat osoby žijící na venkově. Doba nezaměstnanosti obyvatel měst je totiž sice jen nepatrně (1,1krát) ale přesto nižší. Zatímco první model vychází z předpokladu, že osoby velmi mladé nebo naopak v pokročilém věku, mají šance na získání nového zaměstnání nižší, druhý tento předpoklad jen z části potvrzuje. Ukazuje, že je stejná doba nezaměstnanosti u osob velmi mladých (mladších 20ti let) a osob ve věku od 40 do 50 let. Osoby starší jak 50 let mají šance na znovuzaměstnání výrazně horší. Věkové kategorie od 20 do 40 vykazují velkou podobnost, jejich šance na ukončení nezaměstnanosti jsou zhruba 1,3 krát vyšší než u osob pod 20 let. Podle průběhu funkcí přežití obr?. je možné odhalit rozdíl mezi oběma uvažovanými modely. Zatímco model zahrnující spojitý věk a jeho druhou mocninu favorizuje nezaměstnané ve věku 33 let. Podle modelu s intervalově členěným věkem je pravděpodobnost setrvání v evidenci ÚP v každém okamžiku nižší i osob ve věkové kategorii 21 až 25 let, tedy relativně mladé. Rozdíly mezi oběma modely dokazují, jak náročné je modelování vlivu věku na dobu nezaměstnanosti a poskytují další prostor pro zkoumání této závislosti. Jediným faktorem, který se ukázal být nevýznamným je rodinný stav. Podle obou modelů se nepodařilo prokázat, že by existoval rozdíl mezi samostatně žijícími osobami a osobami žijícími v manželství nebo jako druh a družka. 6 Odhad funkce přežití Výše uvedený odhad parametrů proporcionálního modelu vychází z předpokladu, že rozdělení doby přežití není známo. Přesto je na základě získaných dat možné odhadnout 2 Vědecký seminář doktorandů FIS - únor 2005

11 jak tvar funkce přežití S(t,x i,β), tak i intenzitní funkce h(t,x i,β) i-tého jedince nebo skupiny jedinců stejných vlastností. Pro připomenutí vyjadřuje funkce přežití pravděpodobnost, že doba nezaměstnanosti i-tého jedince bude stejná nebo delší než doba t, neboli S(t,x i,β) = P( t). Jinými slovy vyjadřuje funkce přežití pravděpodobnost, že nezaměstnaný zůstane v evidenci úřadu práce další den, tedy zůstane další den nezaměstnaný. Odhad základní funkce přežití lze získat jako výstup z programu S-PLUS. Na jejím základě je možné odhadnout i hodnoty samotné funkce přežití [ o ] exp( x β ) l St ˆ(, x, β ˆ) = Sˆ () t pro libovolné kombinace vstupních proměnných. i Obrázek 1 zobrazuje průběh tří odhadnutých funkcí přežití pro muže se základním vzděláním a věkem 24 let (hodnota dolního kvartilu sledovaného souboru), 33 let (hodnota mediánu) a 46 let (hodnota horního kvartilu). Graficky je tak zobrazen předpoklad o nelinearitě věku, který byl do modelu dodatečně zahrnut. Muž ve věku 33 let tak má ve srovnání s ostatními nejlepší vyhlídky na znovuzískání zaměstnání. Pravděpodobnost, že zůstane v evidenci úřadu práce déle než je doba přežití t, je v každém okamžiku sledovaného období nejnižší. Nejhorší vyhlídky má naopak muž 46-letý. Pravděpodobnost, že zůstane bez zaměstnání déle než je doba přežití t, je v každém okamžiku nejvyšší. 1 Odhad funkce přežití 0,9 0,8 0,7 0,6 0,5 24 let 33 let 46 let 0,4 0, Doba přežití Obr. 1 Odhad funkce přežití pro muže se základním vzděláním ve věku 24, 33 a 46 let. Obdobným způsobem je na obrázku 2 srovnán vliv různých stupňů dokončeného vzdělání. Jak již vyplynulo z odhadů intenzitních poměrů v kapitole 5, jsou vyhlídky na Vědecký seminář doktorandů FIS únor

12 znovuzaměstnání nejhorší u uchazečů se základním vzděláním. Nejlepší pak u uchazečů s maturitou. Odhad funkce přežití 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 Středoškolské bez maturity Středoškolské s maturitou Základní Vysokoškolské Doba přežití Obr. 2 Odhad funkce přežití pro muže ve věku 33 se vzděláním základním, středoškolským bez maturity, středoškolským s maturitou a vysokoškolským. 7 Závěr Uvedený článek přináší další z možných oblastí aplikace nástrojů analýzy přežití. Problematika nezaměstnanosti je v České republice stále více aktuální a sledování faktorů působících na tento jev nabývá na významu. Analýza kvantifikuje vliv jen malého množství vybraných faktorů, které jsou v souvislosti s dobou nezaměstnanosti asi nejvíce zmiňovány. Je možné ovšem vyhodnotit i vliv faktorů méně významných, pokud budou k dispozici vhodná data. Pro další studium je třeba soustředit se na problém nelinearity věku v souvislosti s volbou nejvhodnějšího modelu. Dále pak prozkoumat působení pohlaví a také vysokoškolského vzdělání, jejichž vliv se na základě sledovaného datového souboru ukázal jako statisticky nevýznamný. Mezi další faktory, které by bylo vhodné do analýzy zařadit, určitě patří i vliv regionu, ve kterém se nezaměstnaný o práci uchází, protože rozdíly v tomto směru jsou v České republice dost významné. Literatura [1] ANDERSEN, P.K., BORGAN, O., GILL, R.D., KEIDING, N.: Statistical Models Based on Counting Processes, Springer Verlag, N.Y Vědecký seminář doktorandů FIS - únor 2005

13 [2] BRESLOW, N.: Covariance Analysis of Survival Data under the Proportional Hazards Model, International Statistical Review 1974, č.43 [3] COX, D.R.: Regression Models and Life ables, Journal of the Royal Statistical Society, Series B 1972, č.34 [4] EFRON, B.: he Efficiency of Cox s Likelihood Function for Censored Data, Journal of the American Statistical Association 1977, č.72 [5] ESSER, M., POPELKA, J.: Analysis of Factors Influencing ime of Unemployment Using Survival ime Analysis, Zborník 12. medzinárodného seminára Výpočtová štatistika, SŠDS, Bratislava 2003 [6] HOSMER, D.W., LEMESHOW, S.: Applied Survival Analysis, J.Wiley & Sons, N.Y [7] JAROŠOVÁ, E.: Analysis of Interval Censored Data, Universita Mateja Bela, Banská Bystrica 2003 [8] JAROŠOVÁ, E.: Exploring the Functional Form of Covariates in Cox Model, Zborník 12. medzinárodného seminára Výpočtová štatistika, SŠDS, Bratislava 2003 [9] JAROŠOVÁ, E., MALÁ, I., POPELKA, J. Modelling time of unemployment via log-location-scale model, COMPSA 2004 [CD- ROM], Praha 2004 [10] KALBFLEISCH, J.D., PRENICE, R.L.: Marginal Likelihoods Based on Cox s Regression and Life able Model, Biometrika 1973, č.60 [11] KALBFLEISCH, J.D., PRENICE, R.L.: he Statistical Analysis of Failure ime Data, Wiley, N.Y [12] POPELKA, J.: Analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití, Sborník prací účastníků vědeckého semináře doktorského studia Fakulty informatiky a statistiky VŠE v Praze, Praha 2004 [13] HERENEAU,.M., GRAUBSH, P.M.: Modeling Survival Data: Extending he Cox Model, Springer Verlag, N.Y Summary ANALYSIS OF FACORS INFLUENCING IME OF UNEMPLOYMEN USING SURVIVAL IME ANALYSIS Survival time analysis approach is used to examine factors influencing the hazard ratios and the length of unemployment. Analysis is based on data aquired from the Vědecký seminář doktorandů FIS únor

14 Labour office in Příbram. Cox proportional model for right censored data is fitted to obtain the hazard ratio estimates. More alternative models are compared to choose the apropriate one. ests of model and parameters significance are evaluated. Survivorship function is estimated. Summary Analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití Analýza přežití je využita k prozkoumání vlivu vybraných faktorů na délku nezaměstnanosti. Analýza vychází z dat pořízených z úřadu práce v Příbrami, sledováni jsou nezaměstnaní, kteří byli do evidence zařazeni v lednu Data jsou buď necenzorovaná, nebo zprava cenzorovaná. Na základě Coxova modelu byly odhadnuty intenzitní poměry alternativních modelů a z jejich porovnání pak vyplynul nejvhodnější model. S pomocí odhadnutých parametrů byla odhadnuta funkce přežití. 2 Vědecký seminář doktorandů FIS - únor 2005

TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD

TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD Umělé (dummy) proměnné se používají, pokud chceme do modelu zahrnout proměnné, které mají kvalitativní či diskrétní charakter,

Více

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) Fyzická aktivita (VIII. díl)

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) Fyzická aktivita (VIII. díl) Aktuální informace Ústavu zdravotnických informací a statistiky České republiky Praha 12. 12. 2002 60 Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) Fyzická aktivita (VIII. díl) Tato

Více

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D.

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího

Více

ANALÝZA: Nesezdaná soužití v ČR podle výsledků SLDB

ANALÝZA: Nesezdaná soužití v ČR podle výsledků SLDB ANALÝZA: Nesezdaná soužití v ČR podle výsledků SLDB Informace o nesezdaném soužití (Český statistický úřad používá k označení vztahu druha a družky pojem faktické manželství) byly zjišťovány ve Sčítáních

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

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

Ilustrační příklad odhadu LRM v SW Gretl

Ilustrační příklad odhadu LRM v SW Gretl Ilustrační příklad odhadu LRM v SW Gretl Podkladové údaje Korelační matice Odhad lineárního regresního modelu (LRM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná

Více

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Kouření (V. díl)

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Kouření (V. díl) Aktuální informace Ústavu zdravotnických informací a statistiky České republiky Praha 8.11.2002 55 Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Kouření (V. díl) Kouření je dalším

Více

0% 1950 1961 1970 1980 1991 2001 2011. Základní Odborné bez maturity Úplné středoškolské s maturitou Vysokoškolské Bez vzdělání Nezjištěno

0% 1950 1961 1970 1980 1991 2001 2011. Základní Odborné bez maturity Úplné středoškolské s maturitou Vysokoškolské Bez vzdělání Nezjištěno 4.1 VZDĚLANOST V ČESKU Petra Špačková Vzdělanostní úroveň je důležitým ukazatelem při hodnocení vertikální diferenciace struktury obyvatelstva (Machonin a kol. 2000), zejména jeho sociálního statusu. Úroveň

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

TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE

TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE RESEARCH TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE ZPRÁVA O STAVU ZA 1/H1 5 7 9 1 11 1 13 Jan 1 Feb 1 March 1 April 1 May 1 June 1 5 7 9 1 11 1 13 1* 15* 1* Tato nová zpráva Vám poskytne aktuální informace

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

Spokojenost s životem červen 2015

Spokojenost s životem červen 2015 ov150730 TISKOVÁ ZPRÁVA Centrum pro výzkum veřejného mínění Sociologický ústav AV ČR, v.v.i. Jilská 1, Praha 1 Tel.: 286 840 129 E-mail: jan.cervenka@soc.cas.cz Spokojenost s životem červen 2015 Technické

Více

10. Předpovídání - aplikace regresní úlohy

10. Předpovídání - aplikace regresní úlohy 10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu

Více

Testování hypotéz. Analýza dat z dotazníkových šetření. Kuranova Pavlina

Testování hypotéz. Analýza dat z dotazníkových šetření. Kuranova Pavlina Testování hypotéz Analýza dat z dotazníkových šetření Kuranova Pavlina Statistická hypotéza Možné cíle výzkumu Srovnání účinnosti různých metod Srovnání výsledků různých skupin Tzn. prokázání rozdílů mezi

Více

Sbírka příkladů k procvičení VMZDP, VMZDH, VMZDK

Sbírka příkladů k procvičení VMZDP, VMZDH, VMZDK Sbírka příkladů k procvičení VMZDP, VMZDH, VMZDK 1. Na základě údajů uvedených v tabulce rozhodněte, zda existuje závislost mezi roky a počtem firem ve Šluknovském výběžku, které zaměstnávaly osoby zdravotně

Více

Trh práce v Plzeňském kraji

Trh práce v Plzeňském kraji Trh práce v Plzeňském kraji Regionální rozvojová agentura Plzeňského kraje, o. p. s. Ing. Pavel Beneš Mgr. Martina Robotková Září 2011 Obsah: Úvod... 3 1. Postavení Plzeňského kraje v rámci ČR z hlediska

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

katedra statistiky PEF, Vysoká škola zemědělská, 165 21 Praha 6 - Suchdol

katedra statistiky PEF, Vysoká škola zemědělská, 165 21 Praha 6 - Suchdol STATISTICKÁ ANALÝZA PŘIJÍMACÍHO ŘÍZENÍ NA PEF PRO AKADEMICKÝ ROK 1994/1995 Bohumil Kába, Libuše Svatošová katedra statistiky PEF, Vysoká škola zemědělská, 165 21 Praha 6 - Suchdol Anotace: Příspěvek pojednává

Více

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Spotřeba alkoholu (VI. díl)

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Spotřeba alkoholu (VI. díl) Aktuální informace Ústavu zdravotnických informací a statistiky České republiky Praha 3. 12. 2002 58 Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Spotřeba alkoholu (VI. díl) V této

Více

Míra přerozdělování příjmů v ČR

Míra přerozdělování příjmů v ČR Míra přerozdělování příjmů v ČR Luboš Marek, Michal Vrabec Anotace V tomto článku počítají autoři hodnoty Giniho indexu v České republice. Tento index je spočítán nejprve za celou ČR, poté pro skupinu

Více

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 1 ČHMÚ, OPZV, Na Šabatce 17, 143 06 Praha 4 - Komořany sosna@chmi.cz, tel. 377 256 617 Abstrakt: Referát

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

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Březen 2015 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

Rozšířené výstupy Informačního systému o průměrném výdělku

Rozšířené výstupy Informačního systému o průměrném výdělku Rozšířené výstupy Informačního systému o průměrném výdělku A) Výstupy pro odbor 65 - odbor analýz a statistik Výsledková část ISPV-ČR za 1. pololetí a rok 2014 a 1. pololetí a rok 2015 Hrubý měsíční mzda/plat

Více

RESEARCH TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE

RESEARCH TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE RESEARCH TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE 14 5 7 8 9 1 11 1 13 14 Leden 14 Únor 14 Březen 14 Duben 14 Květen 14 Červen 14 Červenec 14 Srpen 14 Září 14 Říjen 14 Listopad 14 Prosinec 5 7 8 9 1 11 1 13

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Leden 2014 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

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

Uplatnitelnost absolventů Moravské vysoké školy Olomouc

Uplatnitelnost absolventů Moravské vysoké školy Olomouc Moravská vysoká škola Olomouc Uplatnitelnost absolventů Moravské vysoké školy Olomouc prosinec 2014 Šárka Štveráková 1 Úvod Moravská vysoká škola Olomouc (MVŠO), jediná vysoká škola v Olomouckém kraji

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

FAKTORY PŮSOBÍCÍ NA CESTUJÍCÍ V DOPRAVNÍM SYSTÉMU FACTORS WHICH HAVE EFFECT ON PASSENGERS IN TRANSPORT SYSTEM

FAKTORY PŮSOBÍCÍ NA CESTUJÍCÍ V DOPRAVNÍM SYSTÉMU FACTORS WHICH HAVE EFFECT ON PASSENGERS IN TRANSPORT SYSTEM FAKTORY PŮSOBÍCÍ NA CESTUJÍCÍ V DOPRAVNÍM SYSTÉMU FACTORS WHICH HAVE EFFECT ON PASSENGERS IN TRANSPORT SYSTEM Kateřina Pojkarová 1 Anotace:Pro uskutečňování svých cest si lidé vybírají různé způsoby, a

Více

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení Přednáška 9 Testy dobré shody Grafická analýza pro ověření shody empirického a teoretického rozdělení χ 2 test dobré shody ověření, zda jsou relativní četnosti jednotlivých variant rovny číslům π 01 ;

Více

NEZAMĚSTNANOST V JEDNOTLIVÝCH KRAJÍCH ČR V LETECH 2000 2011

NEZAMĚSTNANOST V JEDNOTLIVÝCH KRAJÍCH ČR V LETECH 2000 2011 NEZAMĚSTNANOST V JEDNOTLIVÝCH KRAJÍCH ČR V LETECH 2000 2011 Markéta Nesrstová Abstrakt Nezaměstnanost vždy byla, je a bude závažným problémem. Míra nezaměstnanosti v České republice se v současné době

Více

Výběrové šetření o zdravotně postižených osobách v ČR za rok 2007. ČESKÝ STATISTICKÝ ÚŘAD Na padesátém 81, 100 82 Praha 10 www.czso.

Výběrové šetření o zdravotně postižených osobách v ČR za rok 2007. ČESKÝ STATISTICKÝ ÚŘAD Na padesátém 81, 100 82 Praha 10 www.czso. Výběrové šetření o zdravotně postižených osobách v ČR za rok 2007 Kdo se na výběrovém šetření podílel MZ, MPSV a MŠMT Úřad pro ochranu osobních údajů statistická a výzkumná pracoviště - ČSÚ, ÚZIS, ÚIV,

Více

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy Ekonometrická analýza proces, skládající se z následujících fází: a) specifikace b) kvantifikace c) verifikace d) aplikace Postupné zpřesňování jednotlivých

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

Moravská vysoká škola Olomouc. Uplatnitelnost absolventů Moravské vysoké školy Olomouc

Moravská vysoká škola Olomouc. Uplatnitelnost absolventů Moravské vysoké školy Olomouc Moravská vysoká škola Olomouc Uplatnitelnost absolventů Moravské vysoké školy Olomouc červenec 2014 1 Úvod Moravská vysoká škola Olomouc (MVŠO), jediná vysoká škola v Olomouckém kraji zaměřená na ekonomiku,

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Srpen 2014 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Duben 2014 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Prosinec 2014 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Listopad 2015 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Prosinec 2013 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

Životní úroveň, rodinné finance a sociální podmínky z pohledu veřejného mínění

Životní úroveň, rodinné finance a sociální podmínky z pohledu veřejného mínění TISKOVÁ ZPRÁVA Centrum pro výzkum veřejného mínění Sociologický ústav AV ČR V Holešovičkách 41, Praha 8 Tel./fax: 286 840 129, 130 E-mail: cervenka@soc.cas.cz Životní úroveň, rodinné finance a sociální

Více

TECHNICKÉ VZDĚLÁVÁNÍ A POŽADAVKY Z PRAXE NA ABSOLVENTY VYSOKÝCH ŠKOL

TECHNICKÉ VZDĚLÁVÁNÍ A POŽADAVKY Z PRAXE NA ABSOLVENTY VYSOKÝCH ŠKOL TECHNICKÉ VZDĚLÁVÁNÍ A POŽADAVKY Z PRAXE NA ABSOLVENTY VYSOKÝCH ŠKOL doc. Ing. Ivo Hlavatý, Ph.D. (IWI-C) VŠB Technická univerzita Ostrava, Fakulta strojní, 17. listopadu 15/2172, 708 33 Ostrava- Poruba,

Více

676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368

676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368 Příklad 1 Je třeba prověřit, zda lze na 5% hladině významnosti pokládat za prokázanou hypotézu, že střední doba výroby výlisku je 30 sekund. Přitom 10 náhodně vybraných výlisků bylo vyráběno celkem 540

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

Statistické metody v ekonomii. Ing. Michael Rost, Ph.D.

Statistické metody v ekonomii. Ing. Michael Rost, Ph.D. Statistické metody v ekonomii Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Test χ 2 v kontingenční tabulce typu 2 2 Jde vlastně o speciální případ χ 2 testu pro čtyřpolní tabulku.

Více

Operačního programu Podnikání a inovace

Operačního programu Podnikání a inovace Podpora podnikání v době krize aneb komplexní analýza výsledků I. výzvy Operačního programu Podnikání a inovace Autor: Ing. Martin Krištof Cílem této analýzy je komplexní posouzení výsledků I. výzvy Operačního

Více

PRŮZKUM APLIKACE ETICKÝCH KODEXŮ

PRŮZKUM APLIKACE ETICKÝCH KODEXŮ PRŮZKUM APLIKACE ETICKÝCH KODEXŮ V rámci dlouhodobě probíhající spolupráce organizace Transparency International - Česká republika (TIC) s Vysokou školou ekonomickou v Praze (VŠE) provedli studenti kurzu

Více

Obsah. Statistika Zpracování informací ze statistického šetření Charakteristiky úrovně, variability a koncentrace kvantitativního znaku

Obsah. Statistika Zpracování informací ze statistického šetření Charakteristiky úrovně, variability a koncentrace kvantitativního znaku Obsah Statistika Zpracování informací ze statistického šetření Charakteristiky úrovně, variability a koncentrace kvantitativního znaku Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v

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

Metodologie pro Informační studia a knihovnictví 2

Metodologie pro Informační studia a knihovnictví 2 Metodologie pro Informační studia a knihovnictví 2 Modul 5: Popis nekategorizovaných dat Co se dozvíte v tomto modulu? Kdy používat modus, průměr a medián. Co je to směrodatná odchylka. Jak popsat distribuci

Více

Tabulka 1 Rizikové online zážitky v závislosti na místě přístupu k internetu N M SD Min Max. Přístup ve vlastním pokoji 10804 1,61 1,61 0,00 5,00

Tabulka 1 Rizikové online zážitky v závislosti na místě přístupu k internetu N M SD Min Max. Přístup ve vlastním pokoji 10804 1,61 1,61 0,00 5,00 Seminární úkol č. 4 Autoři: Klára Čapková (406803), Markéta Peschková (414906) Zdroj dat: EU Kids Online Survey Popis dat Analyzovaná data pocházejí z výzkumu online chování dětí z 25 evropských zemí.

Více

Bodové a intervalové odhady parametrů v regresním modelu

Bodové a intervalové odhady parametrů v regresním modelu Bodové a intervalové odhady parametrů v regresním modelu 1 Odhady parametrů 11 Bodové odhady Mějme lineární regresní model (LRM) kde Y = y 1 y 2 y n, e = e 1 e 2 e n Y = Xβ + e, x 11 x 1k, X =, β = x n1

Více

31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě

31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě 31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě Motto Statistika nuda je, má však cenné údaje. strana 3 Statistické charakteristiky Charakteristiky polohy jsou kolem ní seskupeny ostatní hodnoty

Více

Student and Career Institute

Student and Career Institute Nezaměstnanost v ČR leden 2015 V lednu celkový počet uchazečů o zaměstnání vzrostl o 2,6 % na 556 191, počet hlášených volných pracovních míst vzrostl o 6,0 % na 62 257 a podíl nezaměstnaných osob vzrostl

Více

Student and Career Institute

Student and Career Institute Nezaměstnanost v ČR listopad 2014 V listopadu celkový počet uchazečů o zaměstnání poklesl o 0,4 % na 517 508, počet hlášených volných pracovních míst vzrostl o 2,0 % na 59 397 a podíl nezaměstnaných osob

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

Student and Career Institute

Student and Career Institute Nezaměstnanost v ČR prosinec 2014 V prosinci celkový počet uchazečů o zaměstnání poklesl o 4,7 % na 541 914, počet hlášených volných pracovních míst poklesl o 1,1 % na 58 739 a podíl nezaměstnaných osob

Více

LINEÁRNÍ REGRESE. Lineární regresní model

LINEÁRNÍ REGRESE. Lineární regresní model LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)

Více

Statistická analýza konkurujících rizik: Celkové přežití pacientů trpících chronickou myeloidní leukémií

Statistická analýza konkurujících rizik: Celkové přežití pacientů trpících chronickou myeloidní leukémií cs2 Původní práce Statistická analýza konkurujících rizik: Celkové přežití pacientů trpících chronickou myeloidní leukémií Jana Fürstová 1, Zdeněk Valenta 1,2 1 3. interní klinika, 1. lékařská fakulta,

Více

Popisná statistika kvantitativní veličiny

Popisná statistika kvantitativní veličiny StatSoft Popisná statistika kvantitativní veličiny Protože nám surová data obvykle žádnou smysluplnou informaci neposkytnou, je žádoucí vyjádřit tyto ve zhuštěnější formě. V předchozím dílu jsme začali

Více

Přednáška č.7 Ing. Sylvie Riederová

Přednáška č.7 Ing. Sylvie Riederová Přednáška č.7 Ing. Sylvie Riederová 1. Aplikace klasifikace nákladů na změnu objemu výroby 2. Modelování nákladů Podstata modelování nákladů Nákladové funkce Stanovení parametrů nákladových funkcí Klasifikační

Více

Metoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu

Metoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu Metoda Monte Carlo a její aplikace v problematice oceňování technologií Manuál k programu This software was created under the state subsidy of the Czech Republic within the research and development project

Více

4ST201 STATISTIKA CVIČENÍ Č. 10

4ST201 STATISTIKA CVIČENÍ Č. 10 4ST201 STATISTIKA CVIČENÍ Č. 10 regresní analýza - vícenásobná lineární regrese korelační analýza Př. 10.1 Máte zadaný výstup regresní analýzy závislosti závisle proměnné Y na nezávisle proměnné X. Doplňte

Více

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Seminární práce 1 Brno, 2002 Ing. Pavel

Více

Životní podmínky českých vysokoškoláků Šárka Šustová. www.kredo.reformy-msmt.cz

Životní podmínky českých vysokoškoláků Šárka Šustová. www.kredo.reformy-msmt.cz Životní podmínky českých vysokoškoláků Šárka Šustová www.kredo.reformy-msmt.cz Zdroj dat Životní podmínky česká verze celoevropského zjišťování EU-SILC (European Union- Statistics on Income and Living

Více

BAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni

BAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni BAYESOVSKÉ ODHADY V NĚKTERÝCH MODELECH Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Slunce Řidiči IQ Regrese Přežití Obvyklý model Pozorování X = (X 1,..., X

Více

Systematické sledování míry porušování lidských práv a diskriminace při využívání běžných zdrojů Závěrečná zpráva Úvod

Systematické sledování míry porušování lidských práv a diskriminace při využívání běžných zdrojů Závěrečná zpráva Úvod Systematické sledování míry porušování lidských práv a diskriminace při využívání běžných zdrojů Závěrečná zpráva Úvod Výzkumné šetření, jehož předmětem je systematické sledování míry porušování lidských

Více

MAS Havlíčkův kraj, o. p. s.

MAS Havlíčkův kraj, o. p. s. Vyhodnocení dotazníku MAS Havlíčkův kraj, o. p. s. Listopad 2010 Zpracovala: Hana Půžová 1 Cíl dotazníkového šetření Dotazníkové šetření je jedním z nástrojů, jak lze zajistit názory nejenom členů Místní

Více

VYBRANÉ VZDĚLANOSTNÍ ASPEKTY REGIONÁLNÍHO ROZVOJE V ČESKÉ REPUBLICE CHOICE EDUCATION ASPECTS OF REGIONAL DEVELOPMENT IN CZECH REPUBLIC.

VYBRANÉ VZDĚLANOSTNÍ ASPEKTY REGIONÁLNÍHO ROZVOJE V ČESKÉ REPUBLICE CHOICE EDUCATION ASPECTS OF REGIONAL DEVELOPMENT IN CZECH REPUBLIC. VYBRANÉ VZDĚLANOSTNÍ ASPEKTY REGIONÁLNÍHO ROZVOJE V ČESKÉ REPUBLICE CHOICE EDUCATION ASPECTS OF REGIONAL DEVELOPMENT IN CZECH REPUBLIC Pavlína Hálová Anotace: Článek se zabývá různými alternativami vyjádření

Více

DOKUMENTY POČET ZAPSANÝCH STUDENTŮ VYSOKÝCH ŠKOL V ČESKÉ REPUBLICE D O K U M E N T Y. Graf č. A.2.7

DOKUMENTY POČET ZAPSANÝCH STUDENTŮ VYSOKÝCH ŠKOL V ČESKÉ REPUBLICE D O K U M E N T Y. Graf č. A.2.7 DOKUMENTY D O K U M E N T Y POČET ZAPSANÝCH STUDENTŮ VYSOKÝCH ŠKOL V ČESKÉ REPUBLICE Graf č. A.2.7 Poznámka: počet studentů k 31. prosinci kalendářního roku Vysokoškolské studium v České republice se uskutečňuje

Více

Mediální obraz cizinců v českém tisku za roky 2008 a 2009

Mediální obraz cizinců v českém tisku za roky 2008 a 2009 duben 2010 Mediální obraz cizinců v českém tisku za roky 2008 a 2009 Abstrakt: Barbora Tošnerová Komentář k analýze agentury Newton Media, která se zaměřila na to, jak o občanech čtyř vybraných zemí žijících

Více

Porovnání dvou výběrů

Porovnání dvou výběrů Porovnání dvou výběrů Menu: QCExpert Porovnání dvou výběrů Tento modul je určen pro podrobnou analýzu dvou datových souborů (výběrů). Modul poskytuje dva postupy analýzy: porovnání dvou nezávislých výběrů

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

Nezaměstnanost absolventů škol se středním a vyšším odborným vzděláním 2015. Mgr. Martin Úlovec

Nezaměstnanost absolventů škol se středním a vyšším odborným vzděláním 2015. Mgr. Martin Úlovec Nezaměstnanost absolventů škol se středním a vyšším odborným vzděláním 2015 Mgr. Martin Úlovec Praha 2015 1 OBSAH 1. Úvodní poznámky... 3 2. Nezaměstnanost absolventů škol a hospodářská krize... 4 3. Počty

Více

ZX510 Pokročilé statistické metody geografického výzkumu. Téma: Měření síly asociace mezi proměnnými (korelační analýza)

ZX510 Pokročilé statistické metody geografického výzkumu. Téma: Měření síly asociace mezi proměnnými (korelační analýza) ZX510 Pokročilé statistické metody geografického výzkumu Téma: Měření síly asociace mezi proměnnými (korelační analýza) Měření síly asociace (korelace) mezi proměnnými Vztah mezi dvěma proměnnými existuje,

Více

Analýza platové úrovně dětských domovů Moravskoslezského kraje (2002 2006) Zpracovala: Ing. Kateřina Balcarová referent oddělení přímých nákladů

Analýza platové úrovně dětských domovů Moravskoslezského kraje (2002 2006) Zpracovala: Ing. Kateřina Balcarová referent oddělení přímých nákladů Analýza platové úrovně dětských domovů Moravskoslezského kraje (2002 2006) Zpracovala: Ing. Kateřina Balcarová referent oddělení přímých nákladů Obsah 1 PRŮMĚRNÝ PLAT 3 1.1 ABSOLUTNÍ HODNOTY 3 1.2 DYNAMIKA

Více

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009

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

Problematika neúspěšných ukončení vysokoškolského studia (drop-outs) v českém kontextu

Problematika neúspěšných ukončení vysokoškolského studia (drop-outs) v českém kontextu Problematika neúspěšných ukončení vysokoškolského studia (drop-outs) v českém kontextu Jan Hraba, Vladimír Hulík (MŠMT, oddělení analytické) Klára Hulíková Tesárková (PřF UK, katedra demografie a geodemografie)

Více

Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi.

Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. SEMINÁRNÍ PRÁCE Zadání: Data: Statistické metody: Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. Minimálně 6 proměnných o 30 pozorováních (z toho 2 proměnné

Více

Předběžné výsledky Sčítání lidu domů a bytů 2011 v Kraji Vysočina. Tisková konference, Jihlava 24. ledna 2012

Předběžné výsledky Sčítání lidu domů a bytů 2011 v Kraji Vysočina. Tisková konference, Jihlava 24. ledna 2012 Předběžné výsledky Sčítání lidu domů a bytů 2011 v Kraji Vysočina Tisková konference, Jihlava 24. ledna 2012 Co ukázaly předběžné výsledky SLDB 2011 na Vysočině? Počet obyvatel se během 10 let zvýšil díky

Více

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

Kalibrace a limity její přesnosti

Kalibrace a limity její přesnosti Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Kalibrace a limity její přesnosti Zdravotní ústav se sídlem v Ostravě

Více

StatSoft Jak poznat vliv faktorů vizuálně

StatSoft Jak poznat vliv faktorů vizuálně StatSoft Jak poznat vliv faktorů vizuálně V tomto článku bychom se rádi věnovali otázce, jak poznat již z grafického náhledu vztahy a závislosti v analýze rozptylu. Pomocí následujících grafických zobrazení

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

DRG systém klasifikuje případy akutní hospitalizační péče do DRG skupin DRG skupiny = nákladově homogenní a klinicky příbuzné skupiny případů

DRG systém klasifikuje případy akutní hospitalizační péče do DRG skupin DRG skupiny = nákladově homogenní a klinicky příbuzné skupiny případů AGENDA Definice kvality DRG systému Statistické metody hodnocení kvality DRG klasifikace Identifikace nenáhodného rozložení případů Využití regresní analýzy nákladů při hledání důvodů v rozdílných nákladech

Více

Vliv věku a příjmu na výhodnost vstupu do důchodového spoření (II. pilíře)

Vliv věku a příjmu na výhodnost vstupu do důchodového spoření (II. pilíře) Vliv věku a příjmu na výhodnost vstupu do důchodového spoření (II. pilíře) Následující analýza výhodnosti vstupu do II. pilíři vychází ze stejné metodologie, která je popsána v Pojistněmatematické zprávě

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

ohledu velmi citlivé i na jakékoliv výkyvy na trhu práce a velmi p esně je kopíruje. 9,1 8,5 7,8 6,3

ohledu velmi citlivé i na jakékoliv výkyvy na trhu práce a velmi p esně je kopíruje. 9,1 8,5 7,8 6,3 ohledu velmi citlivé i na jakékoliv výkyvy na trhu práce a velmi p esně je kopíruje. Graf : Subjektivní hodnocení a očekávání vývoje nezaměstnanosti v porovnání s vývojem míry nezaměstnanosti (časové srovnání

Více

Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi. Geografický seminář 30. března 2011 Pavel Bednář

Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi. Geografický seminář 30. března 2011 Pavel Bednář Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi Geografický seminář 30. března 2011 Pavel Bednář Výchozí stav Sebehodnocení práce s MS Excel studujícími oboru

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

05/29/08 cvic5.r. cv5.dat <- read.csv("cvic5.csv")

05/29/08 cvic5.r. cv5.dat <- read.csv(cvic5.csv) Zobecněné lineární modely Úloha 5: Vzdělání a zájem o politiku cv5.dat

Více

Časové řady - Cvičení

Časové řady - Cvičení Časové řady - Cvičení Příklad 2: Zobrazte měsíční časovou řadu míry nezaměstnanosti v obci Rybitví za roky 2005-2010. Příslušná data naleznete v souboru cas_rada.xlsx. Řešení: 1. Pro transformaci dat do

Více

Náplň. v.0.03 16.02.2014. - Jednoduché příklady na práci s poli v C - Vlastnosti třídění - Způsoby (algoritmy) třídění

Náplň. v.0.03 16.02.2014. - Jednoduché příklady na práci s poli v C - Vlastnosti třídění - Způsoby (algoritmy) třídění Náplň v.0.03 16.02.2014 - Jednoduché příklady na práci s poli v C - Vlastnosti třídění - Způsoby (algoritmy) třídění Spojení dvou samostatně setříděných polí void Spoj(double apole1[], int adelka1, double

Více

TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE

TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE RESEARCH TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE 15/H1 5 7 8 9 1 11 1 13 1 Leden 1 Únor 1 Březen 1 Duben 1 Květen 1 Červen 1 Červenec 1 Srpen 1 Září 1 Říjen 1 Listopad 1 Prosinec 15 Leden 15 Únor 15 Březen

Více

Využití a zneužití statistických metod v medicíně

Využití a zneužití statistických metod v medicíně Využití a zneužití statistických metod v medicíně Martin Hynek Gennet, Centre for Fetal Medicine, Prague EuroMISE Centre, First Faculty of Medicine of Charles University in Prague Statistika Existují tři

Více

Postoje obyvatel ČR ke stavbě větrných elektráren

Postoje obyvatel ČR ke stavbě větrných elektráren Business & Finance Postoje obyvatel ČR ke stavbě větrných elektráren Souhrnná zpráva z omnibusového šetření pro Hnutí DUHA Praha, leden 2004 1 Postoje obyvatel ČR ke stavbě větrných elektráren Souhrnná

Více

IES FSV UK. Domácí úkol Pravděpodobnost a statistika I. Cyklistův rok

IES FSV UK. Domácí úkol Pravděpodobnost a statistika I. Cyklistův rok IES FSV UK Domácí úkol Pravděpodobnost a statistika I Cyklistův rok Radovan Fišer rfiser@gmail.com XII.26 Úvod Jako statistický soubor jsem si vybral počet ujetých kilometrů za posledních 1 dnů v mé vlastní

Více