SOC~O. nebo zdravg rozum? INTERPRETACE DAT JARQSLAV KAPR ZDEN~K &AFAR. socialogick4ho. Praxe. prfizkumu

Rozměr: px
Začít zobrazení ze stránky:

Download "SOC~O. nebo zdravg rozum? INTERPRETACE DAT JARQSLAV KAPR ZDEN~K &AFAR. socialogick4ho. Praxe. prfizkumu"

Transkript

1 JARQSLAV KAPR ZDEN~K &AFAR SOC~O nebo zdravg rozum? INTERPRETACE DAT 1. Nespravna interpretace 2. Spolehlivost lidajd ' 3. Zav6reEna zprava 4. Vztah sociologie a praxe 5. ZBkladni orientace v literatufe Praxe socialogick4ho prfizkumu MMDA PRAWA FRONTA

2 Na zav6r knihy jsme si nechali poznimky k mimofadng dbleiit6 etap6 vfzkumu, tj. k interpretaci ziskandch dat. Jednotliva upozorn6ni na tuto problematiku nalezl Etenaf jii v pfedchazejicim textu, ale zde se je pokusime znovu shromaidit a soustfedit tak, aby tvofily uceleny vfklad. Vfzkumnik je v situaci, kdy dostal na stel zpracovane v9- sledky a ma pped sebou stovky rbznfch tabulek, grafb, Ei jin$ch lidajb, a jeho likolem je vysvetlit je, to znamena zafadit do kontextu ucelenych vfrokb, ktere maji takovou hodnotu, ie umoifiuji logicky nespornc vfadit empiricky potvrzend hypotezy do systcmu tvrzeni odvozenych z obecndho modelu. Jinfmi slovy umoiiiuji ohodnoceni toho, jak Ize ziskanc informace vyuiit k obohaceni a zpfesn6ni znalosti fi, vyvraceni omylb, neb0 pfimo k jednhni. Tato liloha neni lehka proto, ie neni moine podat n6jaky nhvod, jak spravn6 interpretovat. Je vsak moino upozornit na nekterd zakladni chyby, kterc se v tdto etap6 prace Easto vyskytuji. Zahajime proto svou analfzu moinych chyb pfi interpretaci dat jednoduchjrln pfikladem. V jednom u nas publikovanem vj.zkumu byla studentbm poloiena otazka: Jak se nejlepe bavite? a) sam, b) v phru, c) v part6. AutoPi vjrzkumu uvedli tuto tabulku: Na otazku odpov6d6li studenti: a) sam 1 "4, b) v paru 30 % c) v part6 69 O/o Tabulku doplaova1 komenta?, ktery uvadime doslovne:,,odpovedi na otazku dokladaji silnp vyvinutjr smysl pospolitosti zaloienjr na souladnosti socialniho postaveni, ale zejmdna na spolerne Einnosti a shodnosti zajmb."

3 I. Nespr5vnQ interpretace Nespravnost teto interpretace je z?ejma. Pokusime se proto nyni na rozboru tohoto i jinych pfikladh ukhzat, z Eeho plynou rdzne moine typy nespravn6 interpretace. V podstati! mdieme tyto typy rozd6lit asi takto: 1.1 Vznikle chybami v teoreticke koncepci 1.2 Vznikle chybami v procesu zkoumani 1.3 VzniklC chybnfm pochopenim socialni a zejmena vfzkumne role 1.4 Vznikle chybnfm hodnocenim statistickfch operaci ad chyby v teoreticke koncepci Ctenhf si vzpomene, fe jsme jii hovofili o moinostech stanoveni nespravneho vfchoziho modelu, z kterdho odvozujeme ovi!?itelna tvrzeni, neb0 o nevhodnem vfb6ru hypotez. Tyto chyby rnohou zpdsobit, ie spravni! ziskani a objektivni data jsou nespravni! interpretovana. Uvedme pfiklad: Pfedpokladejme takovf vfzkum, jehoi cilem je zjisti!ni kulturniho,,vyuiiti" obrand. Prdzlcum vysel z obecne hypotezy, Ze toto vyziti bude tim vyjii, Eim vlrtii rozsah kulturnich Einnosti budeme moci osobam pfffadit. Pracovni hypotezy byly potom nap?. takoveto: 1. Osoby navst6vujici vice kulturnich zafizeni a podnikd, je moino oznaeit za,,kulturni!jsi" nei osoby navst6vujici m6n6 kulturnich podnikd a zafizeni. Ukazatelem by1 stanoven poeet navst6v rbnfch druhd kulturnich podniks, napf. kina divadla,,koncertu, vfstavy, poslech rgdia, sledovlni televize atd. 2. Osoby omezujici svdj zijem na jeden typ zapizeni, napf. jen nivst6vy kina neb0 sledovani televize, ochuzuji svdj rejsteik kulturniho,,vyiitil', jsou jednostranni! informovhny, ztrhceji pfehled o kultufe apod., prosti, tat0 specializace na ni! pdsobi negativni!. 3. Na zakladi! prudkeho rozsipovani televize byla vyslovena hypoteza, ie zejmena televize je tim faktorem, kterjr omezuje pdsobnost ostatnich prostfedkd a phsobi tak negativni! na,,kulturnostu obeand. Vfsledky opravdu potvrdily, ie ty osoby, ktere pravidelni! sleduji televizi, navsti!vuji velmi malo kulturnich podnikd. Na tomto zakladi! by tuto skuteenost bylo moino interpretovat jako ddkaz hypotezy. 4. DodateEnou revizi vsak byla zjigtlina fakta, kterd dovoluji postaveni hypotdzy opaend, ie totii ti, ktefi pravideln6 sleduji televizi, maji znaeni! Sirokf kulturni pfehled, jsou daleko vice informovini o fiznfch kulturnich akcich nei ti, ktefi televizi nesleduji, i kdyi navst6vuji rdznd kulturni podniky. Z tohoto pfikladu je zfejm6, te nejdfive by bylo nutne pfesneji vymezit fadu sledovanfch jevd, jako nap?. intenzitu, rozsah a frekvenci sledovlni kulturnich podnikfi, pfesto v8ak vidime, de jeden a tg2 objektivnlr existujici fakt je mozno na zaklad6 sprcivnlr ziskanqch informad rqzni interpretovat podle toho, jake hypotdzy odvodime z vfchoziho obecn6ho modelu. Ponekud podobnl situace nastane, interpretuji-li sociologick8.. data lid6 fizn6ho mini!ni, ngzord, pfedstav a pouiivajici rdznts vymezenf ch pojms. Mdie potom nastat takovi situace: Na otizku:,,jsou vyuiity v prlci vase schopnosti?" odpovi 7,4% zkoumanych, ie jejich schopnosti jsou plni! vyuzity a 5,5 OI0, ie jejich schopnosti nejsou vdbec vyuiity. Tato fakta rdzne osoby interpretovaly takto: -,,Pouze 7,4% osob vypovidb, ie jsou v praci vyuiity jejich schopnosti, coi svi!dei o Spatne hrovni kadrove price na dvodi!."

4 -,,Jen 5,50/0 osob odpovida, ie jejich schopnosti nejsou vdbec vyuiity, coi sv6dei o dobre urovni kadrove prace na zavodi:." Je jasne, ie zde op6t objektivni: zjist6ny fakt, sam o sobe neutralni, mdie byt interpretovan podle subjektivnich pfedstav o tom, co je malo a mnoho, co je dobra a Spatna kadrova prace. Je to problem pfesneho vymezeni pojmd a vymezeni tvrzeni odvozenych z obecn6jsiho teoretickkho modelu. ad chyby v proceru zkoumani I o techto chybach jsme jii hovofili. Mohou plynout bud pfimo z vdzkumne situace neb0 z chybne zvolenfch technickdch postupzi. Ze situace mohou vyplynout tehdy, kdyi si nap?. neuvgdomujeme, ie vystavujeme zkoumane osoby nejakemu socialnimu natlaku tim, ie se tfeba ptame studentd na hodnoceni pfednasky v pfitomnosti pfednlsejiciho, delnikd na jejich postoj k zavodu a zjiscuje ho pfedseda ROH apod., neb0 tehdy, citi-li zkoumane osoby obavy z porusene anonymity neb0 dotazujeme-li se na vpci intimniho charakteru. Stejni: tak osoba tazatele, misto a Eas i dalsi vlivy, o kterych jsme jii take hovofili, mohou zpdsobit, ie nemdieme potom interpretovat vysledky tak, jako by byly dosaieny,,v norm8lni" situaci, ale musime je interpretovat s pfihlednutim k moinosti ovlivngni. Na to se ni:kdy v prdzkumech zapomina. Kaida zavereena zprava by proto m6la obsahovat podrobnf popis situace a podminek, za kterych zkoumani probihalo, aby si Ctenaf mohl provest popfipadii ureite korekce v interpretaci dosaienfch informaci. Bi:ine jsou chyby, ktere vznikaji pfi vfb6ru vzortku, pfi nespravne formulaci otazek, technicke manipulaci s dotaznikem, nespravne kategorizaci apod. Uvedme nektere pfiklady: problem zobecniini Pfedpokladejme, ie by1 realizovan prdzkum mladeie, v kterem se ovbfovala hypoteza, dnes dosti Easta, ie rnladei dava pfednost iivotnim hodnotam, ktere je moino nazvat,,konzumni". Prdzkum je proveden na jedne st?edni Skole (450 jedincd) tak, ie se studentdm pfedloii techto deset hodnot k posouzeni: l penize, 2 byt prosp6sny spolecnosti, 3 spokojenost v praci, 4 mit auto a hezke vi:ci, 5 dobre pfatele, 6 vzd61ani7 7 mit hodni: di:veat, 8 byt krasny. 9 moci cestovat. 10 vynikat. Prdzkum zjisti, ie vyznamnii vice jsou vybirany hodnoty 1, 4, 9, tj. takov8, ktere je moino oznaeit za konzumni a hypoteza je tedy potvrzena. Zakladnim problemem je v tomto pfipadii vzorek. Prvni zkresleni mdie znamenat fakt, ie prdzkum by1 uskutefnen na jedne ikole. Vysledky mohly totii byt ovlivfiovany mistne. Dale to, ie vzorkem byla jen stfedoikolska mladei. Tento vzorek vdbec nedovoluje nejen generalizaci na mladei vdbec, ale ani ne na studenty. VysokoSkolaci mohou mit zcela jiny iebfi- Eek hodnot. Problematicky je sam vybi:r moralnich hodnot, ale o tom se zminime dale. Interpretace takoveho prdzkumu by nutne musela zdhraznit podmin6nost vysledkd a v iadnem pfipadi: si nemdie dovolit zobecfiovani, i kdyi by niikdy neodporovalo prdmi:rnym zkuienostem s mladeii. volh,~kazatelb" DalSi moine chyby tkvi ve volbi:,,ukazateld". Napf. zvolime-li pro pozorovani soustfed6nosti studentd pfi pfednasce jako ukazatele pozornosti kategorie - pise poznamky: nepise poznamky - a tvrdime-li na zakladi: vysledkd (95 O/, psalo poznamky), ie tpida byla soustpedena a pozorna, mgieme, ale nemusime mit pravdu. Podobni:, zjistujeme-li nap?., v kolika letech se poprve mladi lid6 pohlavni. stykaji, mcieme zvolit celkem bein6 pfijimane kategorie:

5 1. mladistvi (14-18 let) 2. dospivajici (19-24) 3. dosp6li (25-30) Dejme tomu, ie jsme meli vzorek 100 osob a doshhli jsme tohoto rozloieni prvniho pohlavniho styku: 1. mladistvi (14-18) 45 osob 2. dospivajici (19-24) 30 osob 3. dosp6li (25-30) 25 osob Na zaklade techto dat bychom mohli vyslovit tvrzeni, ie jsme u zkoumane skupiny zjistili celkem rovnorn~rn6 rozloieni co do uskutetneni prvniho pohlavniho styku. Nejv6tSi poeet mladfrch lidi mivh tyto zkugenosti ve letech, a poeet tgch, ktefi se z rdznych ddvodd opozdili, rovnom6rn6 klesh. Je to jev celkem pfirozenfr. Jenomie pfi pfezkoumhni kategorizace mohu zjistit. n6co jineho. Napfiklad : mladistvi (14-18) rozepsano let poeet osob celk. 45 dospivajici (19-24) rozepsano let poeet osob celk. 30 dospeli (25-30) rozepsano let poret osob celk. 25 Z t6to.,odkategorizovan~" tabulky je zfejm6, ie rozloieni je naopak nerovnomlrn6. Nekdy se nemhie vfrzkumnik ubranit tomu, ie zjisti nevhodnost uiitjrch ukazateld, jejich poetu, reprezentativnosti apod., ai kdyi je jii nemoino je m6nit. Mhie se vsak ubranit chybam v interpretaci tim, ie znovu pozorn6 pfezkouma vsechna data z hlediska moinfch chyb, plynoucich z techto zminenjrch techllickjrch a metodickych nedostatkh, jejichi ne- posttehnuti neb0 vedom6 nedbani by vedlo k nesprhvne interpretaci. ad chybnb pochopena vjzkumna role Problem socihlnich roli je i problemem lidskbho jednhni. Je to oblast zkoumhni v sociologii velmi Easth, ale take velmi slotit& Nemdieme zde pochopiteln6 ani ve zkratce naznaeit ngjakf vfklad. Zminime se pouze jen o nekterfrch vfchozich pfedpokladech, a to jest6 jen o tech, ktere budeme potfebovat k charakteristice nasi problematiky. V teto souvislosti jsou pro nas ddleiite odpovedi na tyto othzky: Mdieme spolehat na to, ie to, co nhm o sob6 dotazovan6 osoba povi, je pouiitelne pro charakteristiku jejiho skuteen6ho nhzoru? Jinfrmi slovy, mluvi pravdu? V pfipade, ie bude mluvit pravdu, mdieme uiit vfrpov6di pro pfedpovec? budouciho chovhni dane osoby? Zhvisi jeji budoucf chovhni na tom, co si ona uvedomuje a co chce?,,objektivnostu udujti Clov6k je, velmi obecne feeeno, povaiovan za system s cilovfm chovhnim. Prozatim nhm bude IhostejnC, zda si cile sv6ho chovani uvedomujeme neb0 ne. Dalgi specifikou Eloveka je fakt, ie nereaguje pfeviin6 na bezprostfedni podnety, ale zprostfedkovane pomoci pfedstav, pojmovfch sch6mat apoil. Tyto jeho pfedstavy, v dhsledku existence feei a sloiiteho systemu pfedavani informaci, nejsou zavisle na jeho individualnich zkugenostech, ale jsou spoluureovhny zkugenostmi ostatnich skupin lidi a dokonce pfedchhzejicich generaci. Ddleiite je to, ie v takto chapanem systkmu mhie zmena pfedstav vest k dalekosahl* ddsledkdm v jednani. V nasi literatufe se v tcto souvislosti hovofi o t6chto prvcich analyzy v termfnech objektivni a subjektivni. Tyto terminy se u n& Easto, zejmena v minulfch letech, chapaly dichotomicky, jako by objektivni bylo nutnc, jednoznahc, rozhodujici a ureujici a subjektivni bylo men6 skuteen6, zavisejici na

6 pfedstavach, myllenkach, ovlivfiovane, nahodile, nedbleiite, nerozhodujici. Ve skuteenosti je tomu tak, ie to, co nazfvame objektivnim, vytvafi jakousi danou strukturu, jejimii sloikami jsou jak vbcne prostfedi, tak i urfity system socialnich roli, plynoucich z profesionalni d6lby prace, z politicke moci apod., a urfity system oeekavaneho chovani. Termin,, d a n f " tu uiiv6me v tom smyslu, ie je urfen pfedchozimi stavy struktury, soufasnjrmi podminkami a jednanim skupin lidi, takie je do znacne miry nezavisljr na jednani jedince. Druhou sloikou jsou potom systemy hodnot, pfedstav, subjektivne chapane a definovane socialni situace, ve kterjrch se i.lov6k nachazi. Z toho je vid&t, ie vztah mezi tgmito dvgma prvky neni jednosm6rn9, ale vzajemnjr a relativni. Na zakladg toho, co bylo fefeno, bychom mohli zfejm6 sestavovat mnoistvi rdznych variant lidskeho jednani v rdznych situacich. Napf. mdie Elov6k slovn6 vyjadfovat n&jakk pfedstavy, ale jeho,,skuteenf" nazor bude jinjr a jeho chovani se bude shodovat s timto,,skuteenfm nazorem". Je moine si dale pfedstavit, ie se vlechny tyto sloiky budou v jednani Clovgka shodovat anebo naopak vlechny navzajem lisit apod. Pro nas je tat0 uvaha mimofadnb ddleiita, protoie v socio- IogickCm prdzkumu se nejfasteji setkavame ne bezprostfedng se socihlnim jevem, ale s vypov&di o jevu. Je proto potom pro nas hlavni othzkou, jak s dosaienjrmi vypovbdmi pracovat, jak je interpretovat. Vypoved osoby mdie bjrt ovlivnena jejimi subjektivnimi pfedstavami a nazory, ktere mohou bjrt pro jeji chovani rozhodujici, ale take mdie bjrt ovlivngna profesionalni socialni roli anebo mdie bjrt vfsledkem samotne vjrzkumne situace. kterou vlastn6 take mdieme chapat jako zvlastni roli. socialni role Kaidf flovek ve svem iivot6 zastava rdzne socialni role. Je iakem, ufngm, dglnikem, mistrem, feditelem - mluvime--1: o rolich profesiondnich, ale je takc manielem, rodieem, pfitelem apod. Chovani lidi v rdznjrch rolich je ureeno jednak jejich funkci v d&lb& prhce a jednak ureitjrmi tradifne oeekavanjrmi zpbsoby jednani. Jine se nap?. ofekhvh od feditele zavodu, kdyi ma co Einit se svjrmi podfizenjrmi, a jin6, hraje-li s partou ppbtel kulefnik. Jiny postoj a hodnoceni zpravidla zaujimame pfed vedoucim a jinjr pfed manielkou. Znameni to tedy, ie se vidy chovame v rfiznfch rolich zcela rfime? Z bein6 denni zkugenosti vime, ie ne. JisM dzlslednost chovini je u kaidcho patrni. Stejng tak ovgem plati to, o Eem jsme se zmifiovali, totii ie z vystupovtini v rixznqch socialnich rolich plyne jisth rzlznost chovini. Pro nas je nyni delegitk, s jakqmi pfedpoklady mtlme takove chovani zkoumat. Obvykljr pfistup bfv8 takovjr, ie se hleda jakfsi,,objektivni6' model lidskkho jednani, jakjrsi,,skuteen$ nkzor",,,skuteenc jednani", ktere by bylo nezdvisle na jeho subjektivnich vfpovedich a take na jeho vystupovani v rdznjrch rolich. Jen takova metoda mi pov6st vedeckeho a objektivniho pfistupu. Domnivame se vsak, ie je to pon6kud jednostranng cesta, ktera krom6 toho vede Easto k omylfim, ke zkreslene interpretaci chovani. Je totii spornk, co je skuteht8j3i. Zda zkonstruovanii abstrakce jednani, nezhvisla na riiznfch rolich, neb0 zkoumlni rfimfch min ini, postojb, jednani v rslmfch rolich. PovaEujeme tento druhf postup za vfhodnijgi empiricky a ppesn6jgi teoreticky,. je-li pei interpretaci doprovazen uv6domgnim si toho, ie ziskanh data jsou vjrpovedmi Eloveka v ureitd roli. Analjrza jednfini stejnjrch lidi v rfiznfch rolich a rbznfch lidi ve stejne roli nam potom poskytne pilesn6jgi obraz i o dfislednosti jednini jednotlivcd a o sile a intenzit&, s kterou lidsk6 jednani ovlivfiuje ta ktera socialni role.

7 1 vjzkumna role Nls vhak hlavnl! nyni zajiml vgzkumna role. Tim, ie se n6kdo stane objektem vfzkumu, vi o tom, vznikne mezi nim a napf. tazatelem ureitf socialni vztah a vystupuji oba vlastnr! ve zvllitnich rolich. S jednlnim ve vyzkumne roli je tradien6 spjato opekavant5 chovlni, napf. rozvhinost vfpovgdi, pravdivost informaci, objektivita ve smyslu nezaujatosti atd. To, ie si Clov6k uvedomi, Ze je pfedmgtem vfzkumu, ie jeho nhzory budou zkoumhny, mdze jeho vfpoved ovlivfiovat rdznfmi sm6ry. Napf. mdie dht jasne najevo svdj nesouhlas, projevit svou nekonforrnnost, i kdyf by tfeba v jinfch rolich vystupoval umirnengji, a naopak bude vystupovat mime a konform&, zatimco jinde je nesmif-itelnf. Nejvfrazneji se toto ovlivniini vfzkumnou roli projevuje pfi zkoumini ureitfch morllnich postojd a hodnot. Zkoumant5 osoby se nepokouseji o analfzu vlastnich postojb, ale Easto se ztoto2iiuji s obecne pozitivn6 hodnocenfmi postoji a zavrhuji obecnr! negativnl! hodnocent5 postoje a hodnoty. Ilustraci nejeast6jhiho pfestupku proti interpretaci vfpovgdi osob je nag pfixlad. Odpov6di stud en^ na otlzku, jak se radsji bavi, neni moinc v 2Adn6m pfipad6 interpretovat jalro doklad smyslu pospolitosti a souladnosti socillniho postaveni. Tyto odpovedi to naprosto nedokazuji. Je mozn6 je interpretovat jen a jen jako va5pov6di skupiny studentzl na otdzku formulovanou ureitqm zpbobem v ur&t6 vqzkum6 sltuaci. Abychom mohli tvrdit to, co tvrdi autofi, museli bychom nap?. nejdfive provefit, zda odpovedi nejsou ovlivngny formulaci otlzky neb0 vlzkumnou situaci a pak je navic porovnhvat se skuteenfm jednhnim. ad chyby v hodnoceni statistickjch operaci Zhkladnim dkolem, kterf pfed temi, kdo vfzkum interpretujf, stojf, je porozumeni,,mi fiselu. PovaZujeme zde za nemoint5 nahradit elementarni kurs statistiky, a proto budeme pfedpokladat, ie ho vctsina i.tenapd absolvovala a ty, ktefi to z nr!- jak6ho dfvodu neufinili, odkbieme na konzultaci ke statistikovi ve vfzkumnem tfmu. NBm pdjde pouze o vylozeni struenfch a srozumitelns.ch zlsad pro Eteni a porozumeni nejbezn6ji se v sociologii vyskytujiciho materiilu statistickeho charakteru. Nejelementlrnl!jSimi ddaji, ktere jsou pfi dokoneeni sociologickkho prbzkumu k dispozici, jsou tzv. absolutnf Eetnosti. Jsou to napf. Eisla v teto tabulce: Na otlzku,,jak jsou v prlci vyufity vahe schopnosti" odpov8d6lo : 1. - jsou pln& vyuiity 24 osoby 2. - spihe jsou vyuiity 125 osob 3. - nemohu posoudit 104 osoby 4. - spihe jsou nevyuiity 142 osoby 5. - nejsou vdbec vyuiity 22 osoby Abychom mohli posoudit tyto ddaje ve vztahu k celku, uvhdi se pro vr!tsi nazornost tzv. relativni Eetnosti, tj. procenta. manipulate s procenty Tedy kdyi 24 osoby odpovidaji, ie jejich schopnosti jsou plnl! vyuiity, je to 5,8 O/o z celkovt5ho poetu zkoumanfch. Vyjadfovlni vfsledkd v relativnich Eetnostech, ktert5 je b6in6, mi sv8 dskali, zvlllt6 pak bez uvedeni absolutnfch Eetnosti a celkovt5ho vzorku. Vyplfvl z toho jedna zlsada. Pfi uvldeni relativnich Eetnosti je vidy nutne mit v patrnosti, jakl by1 absolutni rozsah sou- " boru, z n6hoi jsou procenta pditana. Pfi rozsahu menhim nei 100 jedincd je wlbec problemhtick6 relativnich Eetnosti uiivat jako spolehlivfch ukazateld. princip porovnavdni (komparace) Velmi Easto se setklvlme s dalhfm probl6mem, tj. se vzijemnfm porovnivhnfm rfznfch ddajd.

8 Dejme tomu, ie jsme v prdzkumu dvou zavod6 zjistili takov6to data: Na othzku: Jak jsou v praci vyuzity vase schopnosti - odpov8d610 : ZAVOD A ZAVOD B 1 - pln6 vyuiity 24 5,8 ' ,2 O/o 2 - spihe vyuiity /o 74 24' nemohu posoudit Oi O/o 4 - spige nevyuiity Ol O/o 5 - nejsou wlbec vyuiity 22 5,3OI '10 celkem Elementarnim poznatkem bude, ie nelze dglat zav6r z toho, fe na obou z&vodech odpov6dgl tcm6f stejnf poeet osob alternativou 3, protoie v obou zivodech neodpovidal stejnf poeet osob. Podobn6 problematickf by by1 ovhem i jii uveden$ komentdf, kterf by se vyjadpova1 na z&kladg tohoto procentu5lniho rozlozeni ke kadrov6 praci na zavodech. Ovahy, kterc jsou obvykle vyvozovany z takov6 situace, mleky pf-edpoklitdaji, Ze na obou zavodech by melo bft stejnb procentualni rozloieni odpovgdi, napp. na alternativu 1. Neni-li tomu tak a odpovid6-li v nahem pffklad8 na zhvode B temef dvakrht tolik lidi, ie,,jsou jejich schopnosti vyuiity", pfimo se vnucuje koment8f-, Ze na tomto zavod6 bude lepsi kldrova prace. Poloime si nyni otdzku. Je takova dvaha oprdvnsna? Pfedstavme si, ie rozdhvame kaid6mu ze 4 hrae6 kanasty po Etrnacti karthch. V baliau je 108 karet, 54 modrjlch a 54 fervenfch. Musi kaidf hrie dostat 7 Eervenfch a 7 modrfch karet? Mohu usuzovat, ie kdyi dostanu 9 modrfch a 5 Eervenfch karet, te v balifku bylo vice modrfch karet? Anebo jeste jeden pfiklad. Pfedstavme si, ie mame urnu a v ni dobfe promichhno 200 kulilek. 100 modrfch a 100 Eervenfch. Potom by nekdo se zavlzanfma oeima vytahoval kulifky 'a kaidou Etvrtou by dal na stranu do misky. Po roztffdeni bychom meli v misce 50 kulieek. Kdyby v ni bylo 20 Eervenfch kulieek a 30 modrfch, mohli bychom podezirat toho, kdo je vybiral, ie nas podvad61 a diva1 se? statisticka v)znamnost Jak EtenBP jiste jit pochopil, jsou tyto pfiklady zamgf-eny k tvrzeni, fe takto empiricky zjiht6nf rozdil, vykyv, mdie bft nlihodnl a je pak nepf-ipustnk z ngho delat nejak6 zhv8ry. To nas ovhem stavi p2ed dalsi otazku. Jak pozname, ie je tento rozdil nenahodnf nebo, jak to nejfasteji EfkBme, statisticky vqznamn$? Vratme se proto jeht6 na chvili k nasim kulifkam. Vzpomefime si na misku s 50 kuliaami. Kdybychom pokus s rozfadovanim opakovali lookrbt, dostali bychom v misce vfdy rdzn6 zastoupeni Eervenfch a modrfch kulieek. Nap?. v 75 O/,-, by bylo v misce 22 ai 28 Eervenych kulieek, v 10 OlO 18 ai 22. v 7 OlO 15 a2 18 atd. Takove empirickd pokusy byly nekolikrat dfkladn6 opakovany a mhme k dispozici spolehliv6 tabulky, tj. mo s nlhodnfm rozloienim vfsledkb Aznfch' podobnfch po f usf. Co to vlastne ppi techto pokusech dlslame? VHimneme si, ie rozloieni 22 ai 28 Eervenfch kulifek se ocitlo v misce velmi fasto, kdezto rozloieni 15 ai 17 jii pornerne zpidka. P8 zjiht6ni statistick6 vfznamnosti vlastne hleddme procento pfipadd, kolikrdt by se ureitf typ rozdeleni Eetnosti objevil v ngjak6m konstruovanem nhhodnkm modelu, tfeba jako nyni v prikladu s kuliekami. Cim je toto procento vyssi, fim vicekrfit se dank rozloieni v pokusu objevuje, tim je v6tsi pravde-

9 podobnost, Ze k ncmu doglo nhhodng. Cim je niisi, tim v6tsi je pravdtipodobnost, Ze k nemu nedoslo nahodnd, ale ie bylo zpdsobeno nejakjrmi pheinami, nam tfeba jest5 neznamfmi. To, co nas nyni zajima, bude mez, hranice, kdy vfsledky ve sledovanfch skupinach jsou tak odlilne, ie musime ddvodn6 pfedpo&ladat, ie nevznikly nahodn8, ale fe jsou zpdsobeny jinfmi vlivy. Sloiitost sociiilnich jevd je takova, Ze to nikdy nemqieme fici s jistotou, ale snaime se stanovit miru pravd&- podobnosti, se kterou mdfeme tvrdit, ie dosaiena distribuce hodnot je nenahodna. Hranici takoveho nenahodneho rozdeleni stanovujeme sami podle toho, s jak relkou pravdepodobnosti chceme nejakou distribuci potvrzovat. NejEasteji se stanovuje tzv. 5% hladina vjmamnosti. Neni to nic jineho nei hranice, ktera pfibliin6 odpovida takovemu rozloieni, ktere se ocitlo v nasem pokusu jen 5X ze 100 opakovani, neb0 mengkrat. TakovC rozloieni se vyskytne v pokusu nahodng tak ziidka, fe objevi-li se, mdieme s ureitou pravdepodobnosti (95 O/O) tvrdit, ie neni nahodne. K tomu, abychom mohli zjistit hladinu statistick6 v$znamnosti, pro ureit6 tvrzeni, slouii cela fada statistickych testb. 0 moinostech pouiiti techto testd, o tzv. jejich parametrech (tj. vlastnostech, hranicich pouiitelnosti, vhodnosti pro urritg typ dat) je nutna konzultace se statistikem. Orelern takove konzultace nebude, aby se kaidy naueil jak matematicke operace potfebne k zdbvodngni a vjrportdm testu, tak i rdznl prakticke zpdsoby vjrpoetd, ale daleko spise by tu melo jit o upozornbni na slabiny a nevyhody toho ktereho testu, o v~klad, ktery by vedl,k jasnemu pochopeni logickeho smyslu testu. verifikace hypotez PFedpokladejme, ie jsme si nechali otestovat vyznamnost vjrkyvd v odpovedich na otazku Jsou v prhci vyuiity vase schopnosti na zavodech A a B. Mame potom k dispozici riasledujici tabulku : - Odpovgd 1 Odpoved 2 Odpoved 3 Odpoved 4 Odpovlid 5 1 ZAVOD A Hl. vvzn. zavod B abs. Cet. % o ( abs. Get. Yo % 30 % 25 % 34 % I r 0,l % % % 24 % 34 % 26 % 5,3 % 1 40 % % V prvnim sloupci mame absolutni Eetnosti, ve druhem relativni. Prostfedni sloupec, oznaeeny u (alfa) udava hladinu statistick6 vyznamnosti pro rozdil v relativnich Eetnostech obou zavodb. ZjiSfujeme, ie vykyvy v odpovedi na alternativu 1 b'y se nahodnt' mohl vyskytnout asi jednou z tisice pokusd, kdeito vykyv v odpovedich na alternativu 2 by se nhhodne mohl vyskytnout jii sedmkrat ze sta pokusd a rozdil v odpovedich na alternativu 5 dokonce asi Etyficetkrht ze sta p&usb. Jii jsme uvedli, ie se obvykle povaiuje za konvencn6 dohodnotou petiprocentni hladina vyznamnosti. To znamena, ie vsechny rozdily, jejichi pfedpokladany,,nahodny" vyskyt vypoeteme jalso menli neb0 rovnj. 5%, budeme povaiovat za statisticky vyznarnne. Ostatni budeme povazovat za nevyznamne. Komentaf uvedene tabulky by by1 asi takovfto: Na zkvod6 A je statisticky vyznamne mkn6 odpovbdi alternativou 1 a 3, vjlznamnl! vice odpovidi 4. Vcelku lze tvrdit, te na zavodii A je statisticky vfznamnb tendence (ve srovnani se zavodem B) odpovidat, ie,,schopnosti nejsou vyuiity". Nag komentaf je ovsem prohfelkem proti dspornosti vyjadtovani, protoie se da vyeist z tabulky.

10 Ov6fovani hypotez, o kterych jsme mluvili v projektu vyzkumu a pfi sestavovani dotamlb, se d6je timto neznafenfm zptisobem, tj. testovinim. Verifikace projektem takto stanovenfch hypot6z je pom6rn6 jednoduchou interpretahf blohou, jsou-li ovgem hypotezy postaveny tak, aby sebrana data na \ n6 umoffiovala poskytnout okamiitou odpovgd., V kaidem pon6kud obshhlejgim dotazniku (kolem 50 otizek) lze postavit tisice takovfch elementirnich hypotez, kter6 mohou bft ov6fovdny. Proto stale vice hledhme cesty, jak zpracov8vanf material l6pe utfidit, abychom si usnadnili interpretaci. Tfideni, kterfm jsme se zabjlvali dosud, se nazjrvh thd6nim prvniho stupn6. Daleko Pastgjtii fonnou tfidgni materihlu, kted je n h pfedloien k interpretaci, a kterf lze take srovnhvat s uvedenfmi zpdsoby testovhni, je tzv. tfid6ni druheho stupn8. iityrpolni bbulky - Chi2 test Pfedstavrne si, ie ddaje ngkterfch otizek shrneme do teto I tabulky : 1 ' 1 I Cmolni tabulka : 1. Menr 131 b 188,l 2. Vice Wem CHI = a < 0,Ol yo Tuto formu tabulky nazjlvtirne Ety+polnZ a je vfsledkem zmin6nkho tffd6ni druheho stupn6. V polifku,,a" mfime totii osoby z nakeho souboru, kter6 maji soueasn6 dva znaky (vlastnosti), a to,,muiu a,,ndvst6va kina men6 nei dvakrat m6s.". Ve sloupcich,,celkeml' jsou potom vysledky tfid6ni prvniho stupn6. Celkova suma,,n" oznafuje poeet osob, ktere odpov6d6ly na ob6 othzky. Z teto tabulky mdieme, jak Etenaf jist6 poznal, testovat hypotczu, zda vice navgt6vuji kin0 ieny Pi muii. Mohli bychom to ud6lat tfeba testovanim podle relativnich Eetnosti pro sloupce muii a ieny, ale nejeast6ji to d6ldme tzv. Chi2 testem, jehof princip je v podstat6 stejnf, jako u ostatnich jii zmin6nfch testd. Jeho vyhodou je, ie se db snadno programovat a md8e slouiit jako univerdlni kriterium existence zhvislosti mezi dv6ma dichotomickymi znaky. V nagem phpad6 je vedle tabulky uvedena suma Chi2 a hladina statistick6 vfznamnosti a. Tabulku lze potom interpretovat takto: Mezi nav9tbvou kina a pohlavim osob existuje statisticky vaznamna zhvislost. 0 sm6- ru %to Avislosti jsme informovani tzv. ~Eekavanymi Eetnostmi,l) ktere fasto do tabulky vpisujeme. Tyto oeektivan6 Eetnosti vlastn6 znamenaji model rozloieni Eetnosti za pfedpokladu, fe by mezi sledovanjrmi vlastnostmi nebyl iddn% vztah. Na zh- Made porovnani polieka,,oeekavane" a skutern4 Eetnosti zjigtujeme, ie je vice ien s vlastnosti (znakem) 1 (chodi do kina men6 nei dvakrpt tjrdn6) a men6 muid (viz oeekfivanh Eetnost) s touto vlastnosti. Interpretace neni sloiita. Mdieme fici, ie muii navst6vuji vjznamn6 vice kin0 ne2 ieny. kontingenini tabulka NejEast6ji se v sociologii setkavame s typem tabulek, kter6 maji vice nei Etyfi polieka, tj. tfidime spolu znaky o vice nef dvou alternativ8ch. NejEastejSi nazev pro tento typ tabulek je tabulky kontingeneni neb0 tabulky se,,dvojim vchodem". Nhsledujici tabulka ukazuje vztah mezi bdaji o,.vzd618ni mladefeu kategorizovane jako 1 = zakladni vzd61ani - 2 = stfedoskolsk6-3 = vysokoskolsk6 a I) Nekdy pou2ivdme ndzvu,,teoreticke Cetnosti".

11 itdaji o pfijmu: (Eistjr pfijem) Vzd6lani 1 - p?ijem do 800 KEs 2 - pfijem do 1100 KEs 3 - pfijem do 1500 KEs 4 - plijem do 1800 KEs 5 - pfijem nad 1800 KEs Leva East tabulky obsahuje absolutni. fetnosti ziskane ze ttid6ni XI. stupne znakd,,vzd61ani4' (0 tfech hodnotach) a,,pfijem" (o 5 hodnotach). V tfid6nem souboru je 3815 jedincd (prqseeik sloupcd pod,,suma6', tyto sloupce fast0 nazfvame marginaly). V pfipad6, ie bychom ziskali pouze tuto strukturu tabulky. bez dalsich statistickych vfpoftb, je zfejme, ie by tat0 tabulka pro ftenafe byla,,mrtvau - nedala by se pfimo interpretovat. Jako minimalni interpretaeni pomqcka by mohly bjrt jednotlive absolutni fetnosti v poliekach tabulky plevedeny na procenta - v teto podob6 se take s kontingenfnimi tabulkami Easto setkavame (absolutni Eetnosti v tabulce mdieme pfevest na procenta v podstate trojim zpdsobem: 1000/0 = sumace v fadku, 100 OlO = suma ve sloupcich a 100 ol0 = celkove,,n" v tabulce). Snadnejli pro interpretaci takovehoto typu tabulek je pouiit opet jii zmin6neho testovaciho kritkria Chiz, kter6 take uvadime v nasi tabulce, a jemu odpovidajici hladinu vfznamnosti alfa. Z techto itdajd mdieme okamiit6 ueinit pro uvad6nou tabulku jednoduchy interpretafni zaver: odmitame hypotezu (na O,O1n/O blading), ie velikost pfijmu v souboru se nelisi podle typu vzd6lani. Tj. velikost pfijmu je ngjakfm zpdsobem zavisl~ na vzd61ani. Sm6r teto zavislosti (tj. ve kterych kategoriich vzd6lani existuje vyssi - niili pfijem) vyfteme z porovnani tzv. ofekavanfch fetnosti (uvadeno v matici vedle absolutnich fetnosti. pod 01, 02, 03) a Eelnosti absolutnich. V nagem ptikladu je tento rozdil zfeteln6jsi z jednoducheho, znamenkoveho schematu, ktere uvadime v tabulce: kde nap?.,,+ + +" znaei,,absolutni Eetnost je znafn6 vyssi nei fetnost oeekavand" a podobn6,,-" znaei,,absolutni Eetnost je jeste vyznamne mensi nei Eetnost oeek5vana". Z takto o~nafeneho pfehledul) lze vyslovit nap?. tyto interpretafni vyroky : Vysokolkolakd je vice ve vyllich pfijmovjrch kategoriich. Pracovnici se zakladnim vzd6lanim jsou v niisich plijmovjrch kategoriich, ale na druhe stran6 Eada z nich je v nejvygli apod. Uvedme si jelt6 jeden pfiklad interpretace podobne tabulky: Sledujeme odpovpdi na otazku Zajima vas grace, kterou vykonavate? 1 - velmi me zajima 2 - vice m6 zajima nei nezajima 3 - zajima i nezajima (tak 50 OlO : 50 OlO) 4 - spise m6 nezajima 5 - vdbec me nezajima.) Hodnoceni rozdilu mezi absolutnimi a ocekavanymi Eetnostmi v kontinnenc'ni tabulce neni vhodne oonech6vat subjektlvnimu odhadu. je opet ~~hodn6j~i testovat velikost techto rozdi1q.-

Vysoká škola báská Technická univerzita Ostrava Institut geoinformatiky. Analýza dojíždní z dotazníkového šetení v MSK. Semestrální projekt

Vysoká škola báská Technická univerzita Ostrava Institut geoinformatiky. Analýza dojíždní z dotazníkového šetení v MSK. Semestrální projekt Vysoká škola báská Technická univerzita Ostrava Institut geoinformatiky Analýza dojíždní z dotazníkového šetení v MSK Semestrální projekt 18.1.2007 GN 262 Barbora Hejlková 1 OBSAH OBSAH...2 ZADÁNÍ...3

Více

Jana Vránová, 3. lékařská fakulta UK

Jana Vránová, 3. lékařská fakulta UK Jana Vránová, 3. lékařská fakulta UK Vznikají při zkoumání vztahů kvalitativních resp. diskrétních znaků Jedná se o analogii s korelační analýzou spojitých znaků Přitom předpokládáme, že každý prvek populace

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

Intervalový odhad. Interval spolehlivosti = intervalový odhad nějakého parametru s danou pravděpodobností = konfidenční interval pro daný parametr

Intervalový odhad. Interval spolehlivosti = intervalový odhad nějakého parametru s danou pravděpodobností = konfidenční interval pro daný parametr StatSoft Intervalový odhad Dnes se budeme zabývat neodmyslitelnou součástí statistiky a to intervaly v nejrůznějších podobách. Toto téma je také úzce spojeno s tématem testování hypotéz, a tedy plynule

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou

Více

KGG/STG Statistika pro geografy

KGG/STG Statistika pro geografy KGG/STG Statistika pro geografy 9. Korelační analýza Mgr. David Fiedor 20. dubna 2015 Analýza závislostí v řadě geografických disciplín studujeme jevy, u kterých vyšetřujeme nikoliv pouze jednu vlastnost

Více

6. T e s t o v á n í h y p o t é z

6. T e s t o v á n í h y p o t é z 6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně

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

Kontingenční tabulky, korelační koeficienty

Kontingenční tabulky, korelační koeficienty Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Mějme kategoriální proměnné X a Y. Vytvoříme tzv. kontingenční tabulku. Budeme tedy testovat hypotézu

Více

Testování hypotéz testy o tvaru rozdělení. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Testování hypotéz testy o tvaru rozdělení. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistickou hypotézou se rozumí určité tvrzení o parametrech rozdělení zkoumané náhodné veličiny (µ, σ 2, π,

Více

Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy

Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy Relativní riziko a poměr šancí Princip korelace dvou náhodných veličin Korelační koeficienty Pearsonůva Spearmanův Korelace a kauzalita

Více

Korelace. Komentované řešení pomocí MS Excel

Korelace. Komentované řešení pomocí MS Excel Korelace Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A2:B84 (viz. obrázek) Prvotní představu o tvaru a síle závislosti docházky a počtu bodů nám poskytne

Více

Téma 9: Vícenásobná regrese

Téma 9: Vícenásobná regrese Téma 9: Vícenásobná regrese 1) Vytvoření modelu V menu Statistika zvolíme nabídku Vícerozměrná regrese. Aktivujeme kartu Detailní nastavení viz obr.1. Nastavíme Proměnné tak, že v příslušném okně viz.

Více

TESTOVÁNÍ HYPOTÉZ STATISTICKÁ HYPOTÉZA Statistické testy Testovací kritérium = B B > B < B B - B - B < 0 - B > 0 oboustranný test = B > B

TESTOVÁNÍ HYPOTÉZ STATISTICKÁ HYPOTÉZA Statistické testy Testovací kritérium = B B > B < B B - B - B < 0 - B > 0 oboustranný test = B > B TESTOVÁNÍ HYPOTÉZ Od statistického šetření neočekáváme pouze elementární informace o velikosti některých statistických ukazatelů. Používáme je i k ověřování našich očekávání o výsledcích nějakého procesu,

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

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

Náhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.

Náhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé. 1. Korelační analýza V životě většinou nesledujeme pouze jeden statistický znak. Sledujeme více statistických znaků zároveň. Kromě vlastností statistických znaků nás zajímá také jejich těsnost (velikost,

Více

5 Parametrické testy hypotéz

5 Parametrické testy hypotéz 5 Parametrické testy hypotéz 5.1 Pojem parametrického testu (Skripta str. 95-96) Na základě výběru srovnáváme dvě tvrzení o hodnotě určitého parametru θ rozdělení f(x, θ). První tvrzení (které většinou

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

Poznámky k předmětu Aplikovaná statistika, 9.téma

Poznámky k předmětu Aplikovaná statistika, 9.téma Poznámky k předmětu Aplikovaná statistika, 9téma Princip testování hypotéz, jednovýběrové testy V minulé hodině jsme si ukázali, jak sestavit intervalové odhady pro některé číselné charakteristiky normálního

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) Testování statistických hypotéz Testování statistických hypotéz Princip: Ověřování určitého předpokladu zjišťujeme, zda zkoumaný výběr pochází ze základního souboru, který má určité rozdělení zjišťujeme,

Více

Metodologie pedagogického výzkumu Téma číslo 4 Validita a reliabilita

Metodologie pedagogického výzkumu Téma číslo 4 Validita a reliabilita Metodologie pedagogického výzkumu Téma číslo 4 Validita a reliabilita pedagogického výzkumu 1 Validita = platnost Měříme skutečně to, co se domníváme, že měříme??? Z výsledku vědomostního testu usuzujeme

Více

Obsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou

Obsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou Úvod.................................................................. 11 Kapitola 1 Než začneme.................................................................. 17 1.1 Logika kvantitativního výzkumu...........................................

Více

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu

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

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

Ing. Michael Rost, Ph.D.

Ing. Michael Rost, Ph.D. Úvod do testování hypotéz, jednovýběrový t-test Ing. Michael Rost, Ph.D. Testovaná hypotéza Pokud nás zajímá zda platí, či neplatí tvrzení o určitém parametru, např. o parametru Θ, pak takovéto tvrzení

Více

Fyzikální veličiny. - Obecně - Fyzikální veličiny - Zápis fyzikální veličiny - Rozměr fyzikální veličiny. Obecně

Fyzikální veličiny. - Obecně - Fyzikální veličiny - Zápis fyzikální veličiny - Rozměr fyzikální veličiny. Obecně Fyzikální veličiny - Obecně - Fyzikální veličiny - Zápis fyzikální veličiny - Rozměr fyzikální veličiny Obecně Fyzika zkoumá objektivní realitu - hmotu - z určité stránky. Zabývá se její látkovou formou

Více

Pearsonův korelační koeficient

Pearsonův korelační koeficient I I.I Pearsonův korelační koeficient Úvod Předpokládejme, že náhodně vybereme n objektů (nebo osob) ze zkoumané populace. Často se stává, že na každém z objektů měříme ne pouze jednu, ale několik kvantitativních

Více

Informační a znalostní systémy

Informační a znalostní systémy Informační a znalostní systémy Teorie pravděpodobnosti není v podstatě nic jiného než vyjádření obecného povědomí počítáním. P. S. de Laplace Pravděpodobnost a relativní četnost Pokusy, výsledky nejsou

Více

České vysoké učení technické v Praze Fakulta dopravní Ústav aplikované matematiky, K611. Semestrální práce ze Statistiky (SIS)

České vysoké učení technické v Praze Fakulta dopravní Ústav aplikované matematiky, K611. Semestrální práce ze Statistiky (SIS) České vysoké učení technické v Praze Fakulta dopravní Ústav aplikované matematiky, K611 Semestrální práce ze Statistiky (SIS) Petr Procházka, Jakub Feninec Skupina: 97 Akademický rok: 01/013 Úvod V naší

Více

Vícekriteriální hodnocení variant úvod

Vícekriteriální hodnocení variant úvod Vícekriteriální hodnocení variant úvod Jana Klicnarová Katedra aplikované matematiky a informatiky Jihočeská Univerzita v Českých Budějovicích, Ekonomická fakulta 2010 Vícekriteriální hodnocení variant

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

Úvod do analýzy rozptylu

Úvod do analýzy rozptylu Úvod do analýzy rozptylu Párovým t-testem se podařilo prokázat, že úprava režimu stravování a fyzické aktivity ve vybrané škole měla vliv na zlepšené hodnoty HDLcholesterolu u školáků. Pro otestování jsme

Více

ZÁKLADNÍ METODOLOGICKÁ PRAVIDLA PŘI ZPRACOVÁNÍ ODBORNÉHO TEXTU. Martina Cirbusová (z prezentace doc. Škopa)

ZÁKLADNÍ METODOLOGICKÁ PRAVIDLA PŘI ZPRACOVÁNÍ ODBORNÉHO TEXTU. Martina Cirbusová (z prezentace doc. Škopa) ZÁKLADNÍ METODOLOGICKÁ PRAVIDLA PŘI ZPRACOVÁNÍ ODBORNÉHO TEXTU Martina Cirbusová (z prezentace doc. Škopa) OSNOVA Metodologie vs. Metoda vs. Metodika Základní postup práce Základní vědecké metody METODOLOGIE

Více

Metody sociálních výzkumů

Metody sociálních výzkumů Metody sociálních výzkumů DOTAZNÍK ROZHOVOR POZOROVÁNÍ KAZUISTIKA ZÁKLADNÍ TECHNIKY SBĚRU DAT Přímé pozorování Rozhovor Dotazník Analýza dokumentů (standardizovaný rozhovor, nestandardizovaný rozhovor,

Více

Jana Vránová, 3.lékařská fakulta UK, Praha. Hypotézy o populacích

Jana Vránová, 3.lékařská fakulta UK, Praha. Hypotézy o populacích Jana Vránová, 3.lékařská fakulta UK, Praha Hypotézy o populacích Příklad IQ test: Předpokládejme, že z nějakého důvodu ministerstvo školství věří, že studenti absolventi středních škol v Hradci Králové

Více

STATISTIKA jako vědní obor

STATISTIKA jako vědní obor STATISTIKA jako vědní obor Cílem statistického zpracování dat je podání informace o vlastnostech a zákonitostech hromadných jevů. Statistika se zabývá popisem hromadných jevů - deskriptivní, popisná statistika

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

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

Testování statistických hypotéz

Testování statistických hypotéz Testování statistických hypotéz Na základě náhodného výběru, který je reprezentativním vzorkem základního souboru (který přesně neznáme, k němuž se ale daná statistická hypotéza váže), potřebujeme ověřit,

Více

Jednofaktorová analýza rozptylu

Jednofaktorová analýza rozptylu I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých

Více

analýza kategoriáln lních dat Prof. RNDr. Jana Zvárová, DrSc. Záznam epidemiologických dat Epidemiologické ukazatele

analýza kategoriáln lních dat Prof. RNDr. Jana Zvárová, DrSc. Záznam epidemiologických dat Epidemiologické ukazatele Testování statistických hypotéz z a analýza kategoriáln lních dat Prof. RNDr. Jana Zvárová, DrSc. 1 Záznam epidemiologických dat Rizikový faktor Populace Přítomen Nepřítomen Celkem Nemocní a b a+b Kontroly

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

Kontrola: Sečteme-li sloupec,,četnost výskytu musí nám vyjít hodnota rozsahu souboru (našich 20 žáků)

Kontrola: Sečteme-li sloupec,,četnost výskytu musí nám vyjít hodnota rozsahu souboru (našich 20 žáků) Základní výpočty pro MPPZ Teorie Aritmetický průměr = součet hodnot znaku zjištěných u všech jednotek souboru, dělený počtem všech jednotek souboru Modus = hodnota souboru s nejvyšší četností Medián =

Více

{ } ( 2) Příklad: Test nezávislosti kategoriálních znaků

{ } ( 2) Příklad: Test nezávislosti kategoriálních znaků Příklad: Test nezávislosti kategoriálních znaků Určete na hladině významnosti 5 % na základě dat zjištěných v rámci dotazníkového šetření ve Šluknově, zda existuje závislost mezi pohlavím respondenta a

Více

STATISTICKÉ ZJIŠŤOVÁNÍ

STATISTICKÉ ZJIŠŤOVÁNÍ STATISTICKÉ ZJIŠŤOVÁNÍ ÚVOD Základní soubor Všechny ryby v rybníce, všechny holky/kluci na škole Cílem určit charakteristiky, pravděpodobnosti Průměr, rozptyl, pravděpodobnost, že Maruška kápne na toho

Více

1. Přednáška. Ing. Miroslav Šulai, MBA

1. Přednáška. Ing. Miroslav Šulai, MBA N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy

Více

Lékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)

Lékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.) Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 14.10 až 15.40 hod. http://www1.osu.cz/~tvrdik

Více

Statistické testování hypotéz II

Statistické testování hypotéz II PSY117/454 Statistická analýza dat v psychologii Přednáška 9 Statistické testování hypotéz II Přehled testů, rozdíly průměrů, velikost účinku, síla testu Základní výzkumné otázky/hypotézy 1. Stanovení

Více

Epidemiologické ukazatele. lních dat. analýza kategoriáln. Prof. RNDr. Jana Zvárová, DrSc. Záznam epidemiologických dat. a I E

Epidemiologické ukazatele. lních dat. analýza kategoriáln. Prof. RNDr. Jana Zvárová, DrSc. Záznam epidemiologických dat. a I E Testování statistických hypotéz z a analýza kategoriáln lních dat Prof. RNDr. Jana Zvárová, DrSc. Epidemiologické ukazatele Rizikový faktor Populace Přítomen Nepřítomen Celkem Nemocní a b a+b Kontroly

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

TECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE

TECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Studentská 2 461 17 Liberec 1 SEMESTRÁLNÍ PRÁCE STATISTICKÝ ROZBOR DAT Z DOTAZNÍKOVÝCH ŠETŘENÍ Gabriela Dlasková, Veronika Bukovinská Sára Kroupová, Dagmar

Více

V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více

V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více 9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme

Více

Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.

Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz. Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2015/2016 Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz Jan Kracík jan.kracik@vsb.cz Obsah: Výběrová rozdělení

Více

*Jihočeská univerzita v Českých Budějovicích, Zemědělská fakulta České Budějovice ** IDS Praha

*Jihočeská univerzita v Českých Budějovicích, Zemědělská fakulta České Budějovice ** IDS Praha Jan Těšitel* Drahomíra Kušová* Karel Matějka** Martin Kuš* *Jihočeská univerzita v Českých Budějovicích, Zemědělská fakulta České Budějovice ** IDS Praha České Budějovice, září 2013 CÍL Cílem dotazníkového

Více

Statistická analýza volebních výsledk

Statistická analýza volebních výsledk Statistická analýza volebních výsledk Volby do PSP R 2006 Josef Myslín 1 Obsah 1 Obsah...2 2 Úvod...3 1 Zdrojová data...4 1.1 Procentuální podpora jednotlivých parlamentních stran...4 1.2 Údaje o nezamstnanosti...4

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

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

Hodnocení kvality logistických procesů

Hodnocení kvality logistických procesů Téma 5. Hodnocení kvality logistických procesů Kvalitu logistických procesů nelze vyjádřit absolutně (nelze ji měřit přímo), nýbrž relativně porovnáním Hodnoty těchto znaků někdo buď předem stanovil (norma,

Více

1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST

1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST 1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST Kombinatorické pravidlo o souinu Poet všech uspoádaných k-tic, jejichž první len lze vybrat n 1 zpsoby, druhý len po výbru prvního lenu n 2 zpsoby atd. až k-tý

Více

Grafický a číselný popis rozložení dat 3.1 Způsoby zobrazení dat Metody zobrazení kvalitativních a ordinálních dat Metody zobrazení kvan

Grafický a číselný popis rozložení dat 3.1 Způsoby zobrazení dat Metody zobrazení kvalitativních a ordinálních dat Metody zobrazení kvan 1 Úvod 1.1 Empirický výzkum a jeho etapy 1.2 Význam teorie pro výzkum 1.2.1 Konstrukty a jejich operacionalizace 1.2.2 Role teorie ve výzkumu 1.2.3 Proces ověření hypotéz a teorií 1.3 Etika vědecké práce

Více

STATISTICA Téma 8. Regresní a korelační analýza, regrese prostá

STATISTICA Téma 8. Regresní a korelační analýza, regrese prostá STATISTICA Téma 8. Regresní a korelační analýza, regrese prostá 1) Lineární i nelineární regrese prostá, korelace Naeditujeme data viz obr. 1. Obr. 1 V menu Statistika zvolíme submenu Pokročilé lineární/nelineární

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

Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů

Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že

Více

Bakalářský seminář - 3

Bakalářský seminář - 3 - 3 JUDr. Ing. Otakar Schlossberger, Ph.D., vedoucí katedry financí VŠFS a externí odborný asistent katedry bankovnictví a pojišťovnictví VŠE Obsah: Postup při vypracování samotné závěrečné bakalářské

Více

Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace

Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje

Více

Testování hypotéz o parametrech regresního modelu

Testování hypotéz o parametrech regresního modelu Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,

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

velmi dobře spíše dobře spíše špatně velmi špatně neví

velmi dobře spíše dobře spíše špatně velmi špatně neví TISKOVÁ ZPRÁVA Centrum pro výzkum veřejného mínění Sociologický ústav AV ČR, v.v.i. Jilská 1, Praha 1 Tel.: 86 840 19 E-mail: milan.tucek@soc.cas.cz Názory občanů na úroveň sociální zabezpečení v ČR a

Více

Regresní analýza 1. Regresní analýza

Regresní analýza 1. Regresní analýza Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému

Více

Analýza výsledků testu čtenářské gramotnosti v PRO23 2010/11

Analýza výsledků testu čtenářské gramotnosti v PRO23 2010/11 Analýza výsledků testu čtenářské gramotnosti v PRO23 2010/11 Zpracoval: www.scio.cz, s.r.o. (15. 2. 2012) Datové podklady: výsledky a dotazníky z PRO23, test čtenářské gramotnosti, www.scio.cz, s.r.o.

Více

IV. CVIENÍ ZE STATISTIKY

IV. CVIENÍ ZE STATISTIKY IV. CVIENÍ ZE STATISTIKY Vážení studenti, úkolem dnešního cviení je nauit se analyzovat data kvantitativní povahy. K tomuto budeme opt používat program Excel 2007 MS Office. 1. Jak mžeme analyzovat kvantitativní

Více

ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK

ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz POPISNÉ STATISTIKY - OPAKOVÁNÍ jedna kvalitativní

Více

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ Má-li analytický výsledek objektivně vypovídat o chemickém složení vzorku, musí splňovat určitá kriteria: Mezinárodní metrologický slovník (VIM 3),

Více

České vysoké učení technické v Praze Fakulta dopravní

České vysoké učení technické v Praze Fakulta dopravní České vysoké učení technické v Praze Fakulta dopravní Statistika (11SIS) Semestrální práce Akademický rok 2012/2013 Vypracovali: Veronika Kratochvilová, Antonín Volný skupina 2 36 Obsah Téma... 2 Grafická

Více

6. Testování statistických hypotéz. KGG/STG Zimní semestr 6. Testování statistických hypotéz

6. Testování statistických hypotéz. KGG/STG Zimní semestr 6. Testování statistických hypotéz 6. Testování statistických Testování statistických Princip: Ověř ěřování určit itého předpokladu p zjišťujeme, zda zkoumaný výběr r pochází ze základnz kladního souboru, který mám určit ité rozdělen lení

Více

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012 Tutoriál č. 4: Exploratorní analýza Jan Kracík jan.kracik@vsb.cz Statistika věda o získávání znalostí z empirických dat empirická

Více

Testování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času

Testování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času Testování hypotéz 1 Jednovýběrové testy 90/ odhad času V podmínkách naprostého odloučení má voák prokázat schopnost orientace v čase. Úkolem voáka e provést odhad časového intervalu 1 hodiny bez hodinek

Více

Výuka s ICT na SŠ obchodní České Budějovice Šablona III/2:

Výuka s ICT na SŠ obchodní České Budějovice Šablona III/2: Škola: Střední škola obchodní, České Budějovice, Husova 9 Projekt MŠMT ČR: EU PENÍZE ŠKOLÁM Číslo projektu: CZ.1.07/1.5.00/34.0536 Název projektu školy: Výuka s ICT na SŠ obchodní České Budějovice Šablona

Více

NĚKTERÉ VZÁJEMNÉ VAZBY A VZTAHY

NĚKTERÉ VZÁJEMNÉ VAZBY A VZTAHY NĚKTERÉ VZÁJEMNÉ VAZBY A VZTAHY Věra Semerádová - Alena Škaloudová OBSAH TESTOVÉ VÝSLEDKY A PROSPĚCH TESTOVÉ VÝSLEDKY, PROSPĚCH A VZDĚLÁNÍ RODIČŮ Průměrné hodnoty vybraných ukazatelů podle vzdělání otce

Více

Statistická analýza jednorozměrných dat

Statistická analýza jednorozměrných dat Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem

Více

Máte rádi kávu? Statistický výzkum o množství vypité kávy napříč věkovým spektrem.

Máte rádi kávu? Statistický výzkum o množství vypité kávy napříč věkovým spektrem. Máte rádi kávu? Statistický výzkum o množství vypité kávy napříč věkovým spektrem. SEMESTRÁLNÍ PRÁCE STATISTIKA VYPRACOVALA: IRENA VALÁŠKOVÁ A BARBORA SLAVÍKOVÁ DNE: 29. 12. 2012 SKUPINA: 2 36 Obsah Pár

Více

Statistika. Základní pojmy a cíle statistiky. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .

Statistika. Základní pojmy a cíle statistiky. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) . Statistika Základní pojmy a cíle statistiky Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Statistika Pojmy a cíle

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

Hodnocení kvality různých typů škol září 2016

Hodnocení kvality různých typů škol září 2016 Tisková zpráva Hodnocení kvality různých typů škol září 201 Hodnocení úrovně výuky na různých typech škol počínaje základními školami a konče vysokými je trvale příznivé kladné hodnocení výrazně převažuje

Více

KGG/STG Statistika pro geografy

KGG/STG Statistika pro geografy KGG/STG Statistika pro geografy 10. Mgr. David Fiedor 27. dubna 2015 Nelineární závislost - korelační poměr užití v případě, kdy regresní čára není přímka, ale je vyjádřena složitější matematickou funkcí

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie ZS 2015/16 Cvičení 7: Časově řady, autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Časové řady Data: HDP.wf1

Více

Metody a techniky využitelné pro sociální zjišťování na venkově

Metody a techniky využitelné pro sociální zjišťování na venkově Metody a techniky využitelné pro sociální zjišťování na venkově Sociologický empirický výzkum (SEV) nástroj pro zjišťování odpovědí na otázky o existenci, rozsahu a vývoji společenských jevů a procesů

Více

Testování statistických hypotéz

Testování statistických hypotéz Testování statistických hypotéz 1 Testování statistických hypotéz 1 Statistická hypotéza a její test V praxi jsme nuceni rozhodnout, zda nějaké tvrzeni o parametrech náhodných veličin nebo o veličině samotné

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

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

PSY117/454 Statistická analýza dat v psychologii seminář 9. Statistické testování hypotéz

PSY117/454 Statistická analýza dat v psychologii seminář 9. Statistické testování hypotéz PSY117/454 Statistická analýza dat v psychologii seminář 9 Statistické testování hypotéz Základní výzkumné otázky/hypotézy 1. Stanovení hodnoty parametru =stanovení intervalu spolehlivosti na μ, σ, ρ,

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

100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% nemáte obavy. má obavy I.04 II.02 II.05 III.03

100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% nemáte obavy. má obavy I.04 II.02 II.05 III.03 TISKOVÁ ZPRÁVA Centrum pro výzkum veřejného mínění Sociologický ústav AV ČR, v.v.i. Jilská 1, Praha 1 Tel.: 286 840 129 E-mail: milan.tucek@soc.cas.cz Obavy veřejnosti, pocit bezpečí a spokojenost s činností

Více

t-test, Studentův párový test Ing. Michael Rost, Ph.D.

t-test, Studentův párový test Ing. Michael Rost, Ph.D. Testování hypotéz: dvouvýběrový t-test, Studentův párový test Ing. Michael Rost, Ph.D. Úvod do problému... Již známe jednovýběrový t-test, při kterém jsme měli k dispozici pouze jeden výběr. Můžeme se

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

4. Zpracování číselných dat

4. Zpracování číselných dat 4. Zpracování číselných dat 4.1 Jednoduché hodnocení dat 4.2 Začlenění dat do písemné práce Zásady zpracování vědecké práce pro obory BOZO, PÚPN, LS 2011 4.1 Hodnocení číselných dat Popisná data: střední

Více

Zpracoval: Milan Tuček Centrum pro výzkum veřejného mínění, Sociologický ústav AV ČR, v.v.i. Tel.: ,

Zpracoval: Milan Tuček Centrum pro výzkum veřejného mínění, Sociologický ústav AV ČR, v.v.i. Tel.: , Tisková zpráva Priority ve financování jednotlivých oblastí sociální politiky listopad 2016 Z deseti sociálních oblastí nejvyšší prioritu získala zdravotní péče, kterou polovina dotázaných uvedla na prvním

Více

Semestrální práce z předmětu m6f. 2 test dobré shody

Semestrální práce z předmětu m6f. 2 test dobré shody Semestrální práce z předmětu m6f test dobré shody Ikar Pohorský 1. 5. 006 Zadání Ověřte, nebo zamítněte hypotézu, že četnost souborů v jednotlivých třídách velikostí odpovídá exponenciálnímu rozložení.

Více