MOŽNOSTI A LIMITY VYUŽITÍ MODERNÍCH TECHNOLOGIÍ PŘI VÝUCE MATEMATIKY NA EKF VŠB-TUO

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "MOŽNOSTI A LIMITY VYUŽITÍ MODERNÍCH TECHNOLOGIÍ PŘI VÝUCE MATEMATIKY NA EKF VŠB-TUO"

Transkript

1 MOŽNOSTI A LIMITY VYUŽITÍ MODERNÍCH TECHNOLOGIÍ PŘI VÝUCE MATEMATIKY NA EKF VŠB-TUO RNDr. Jana Hrubá Katedra matematických metod v ekonomice (K151) Institut inovace vzdělávání (K167) Ekonomická fakulta VŠB -Technická univerzita Ostrava Žilina, e-learn007 1

2 Úvod do problematiky Listopad 1993 vznik katedry MME (MME, FaPM, ); 1994/1995 výuka Matematiky; Postupné snižování počtu hodin matematiky, Akreditace kombinované formy studijních programů. Žilina, e-learn007

3 MOŽNOSTI VYUŽITÍ E-LEARNINGOVÉ FORMY VÝUKY V PREZENČNÍ FORMĚ s využitím blended learningu Převod pasivní formy na aktivní formu Konstruktivistické přístupy Evaluace studentů studenty Komunikace ve webovém rozhraní Deníky, blogy Zpětnovazební prvky Žilina, e-learn007 3

4 Evaluace studentů studenty Žilina, e-learn007 4

5 LIMITY A BARIÉRY VYUŽITÍ ICT PŘI VÝUCE Institucionální problémy struktura a design kurzu; podpora poskytovaná studentům; instituce poskytující kurz; Osobní faktory Ze strany pedagoga nedostatek technických zkušeností; obavy ze zvládnutí technických detailů v online kurzu; Ze strany studenta pocit izolace v důsledků fyzické separace pedagoga a spolužáků; obavy z komunikace prostřednictvím technologií; pocit, že je v kurzu příliš informací; obavy ze zvládnutí technických detailů v online kurzu; Situační faktory přístup k technologiím; rychlost připojení k internetu; spolehlivost technologií (na straně studenta). Žilina, e-learn007 5

6 VÝUKA MATEMATIKY NA VYSOKÝCH ŠKOLÁCH Z 4 státních VŠ na 18 (na 66 fakultách) Z toho 7 MatF nebo Inf, 9 PdF, 17 EkF, 5 PřF, 3 techn. Jeden nebo dva semestry Matematická analýza, Algebra, Geometrie apod. možnost spolupráce, vzájemná pomoc, výměna zkušeností apod. Žilina, e-learn007 6

7 Vývoj učebních plánů a obsahů výuky matematiky na EkF VŠB rozsah hodin školní rok ročník ukončení zkouškou přednášek a cvičení ZS LS PŘ CV PŘ CV ZS LS celkem 1994/ / / / / / / / / / /005 1 Počet 0hodin výuky 1 matematiky 1 v 1. ročníku 1 na EkF VŠB-TUO / y = - 0,6783x + 13,4 R = 0, / / / / / / / /00 Žilina, e-learn / / / /006

8 Jak pomoci studentům při studiu, aby snížení kvantity neprovázelo také snížení kvality? Jaké zvolit vyučovací metody a formy tak, abychom studentům umožnili získat stejnou hladinu dovedností a znalostí jako studentům s vyšší dotací hodin přímé výuky? Možnosti využití blended learningu. Jaké zvolit zásady při postupu? Jaké styly učení převládají? Žilina, e-learn007 8

9 Pracovní hypotézy H1: Největší bariéry při studiu s využitím e-learningu v prostředí Moodle jsou osobní faktory studentů a situační faktory. H: Studenti jako nejvýznamnější pomoc při studiu v prostředí Moodle oceňují spolehlivost technologií na straně studenta a osobní faktory. Žilina, e-learn007 9

10 Pracovní hypotézy H3: Muži-studenti dávají přednost studiu se zaměřením na abstraktní uvažování a promýšlení souvislostí. H4: Ženy-studentky preferují studium opírající se o konkrétní zkušenosti a hledání praktických souvislostí. Žilina, e-learn007 10

11 Dotazník styly učení LSI IIa (D.A.Kolb, Boston, překlad a úprava J.Mareš, Hradec Králové) Konkrétní zkušenost (KZ); Abstraktní konceptualizace (AK); Aktivní provádění (AP); Reflexivní pozorování (RP). Žilina, e-learn007 11

12 Reliabilita spolehlivost a přesnost Cohenův koeficient kappa κ p p n n n n s I p o II ( p p ) ( p ) o p n p = 1 1 p n n n s o I n Cohenův koeficient kappa, Žilina, e-learn007 1 p κ = 1 Pozorovaná proporce shody, Očekávaná proporce shody, Četnosti shodných odpovědí, Celková četnost v matici, Četnosti jednotlivých odpovědí v první skupině, o kde Četnosti jednotlivých odpovědí v druhé skupině, = II

13 Reliabilita spolehlivost a přesnost ( p p ) Cohenův koeficient kappa p κ = 1 ( p ) o o κ max = 0,973 κ min = 0,653 AK AP 0,797 0,8 κ / ο = 0,87 Žilina, e-learn007 13

14 Statistická významnost Cohenova koeficientu pomocí normované normální veličiny u u = n κ p o ( 1 p ) p = 4,883 Pro hladinu významnosti 0,01 je kritická hodnota,58. Vypočítaný koeficient vypovídá o statisticky významné shodě mezi odpověďmi u náhodně vybraných respondentů. Žilina, e-learn007 14

15 Vyhodnocení stylů učení třídění prvního stupně celkem KZ AK AP RP ,31% 7,03% 47,75% 10,81% ženy muži celkem Konkrétní zkušenost (KZ); Abstraktní konceptualizace (AK); Aktivní provádění (AP); Reflexivní pozorování (RP) % 5% smíšené 9 8,11% ženy muži KZ 6 7,3% KZ 1 3,57% AK 16 19,8% AK 14 50,00% AP 45 54,% AP 8 8,57% RP 9 10,84% RP 3 10,71% smíšené 7 8,43% smíšené 7,14% Žilina, e-learn007 15

16 Styl učení - celkem Styl učení - ženy KZ AK AP RP zbylé Styl učení - muži 0 16 KZ 14 AK 1 AP RP zbylé KZ AK AP RP zbylé Žilina, e-learn007 16

17 Aktivní provádění AP-ženy Stř. hodnota Stř. hodnota 36,301 Chyba stř. hodnoty Chyba stř. hodnoty 0,55141 Medián Medián 37 Modus Modus 34 Směr. odchylka Směr. odchylka 5,03688 Rozptyl výběru Rozptyl výběru 5,3744 Špičatost Špičatost 0,69196 Šikmost Šikmost -0,68178 Rozdíl max-min Rozdíl max-min 5 Minimum Minimum 1 Maximum Maximum 46 Součet Součet 3013 Počet Počet 83 Hladina spolehlivosti Hladina (95,0%) spolehlivosti 1, AP-muži 34,8571 0, ,7117 7,375-0,0461 0, ,06864 Žilina, e-learn007 17

18 1. Když se učím, rád(a) věci přímo provádím Učím se lépe, když musím na věci tvrdě zapracovat Během učení si připouštím odpovědnost za to, jak věci dopadnou Hlavně se učím tím, že dělám Když se učím, snažím se věci přímo vyzkoušet Během učení jsem člověk sázející spíš na aktivní provádění Učím se lépe, když mohu si všechno prakticky zkusit Když se učím, rád(a) za sebou vidím výsledky své práce Učím se lépe, když si mohu věci vyzkoušet na vlastní kůži Během učení jsem spíš člověk hlásící se k odpovědnosti Když se učím, rád(a) do věcí zasahuji Učím se lépe, když mohu prakticky jednat AP =,9x +,3x +,8x + 3,3x +,8x + 3,1 x + 3,3x + 3,7x + 3,3x +,7x +,4x + 3, x Žilina, e-learn007 18

19 Abstraktní konceptualizace AK-ženy Stř. hodnota Stř. hodnota 33,041 Chyba stř. hodnoty Chyba stř. 0, hodn Medián Medián 33 Modus Modus 35 Směr. odchylka Směr. odchylka 5, Rozptyl výběru Rozptyl výběru 5,536 Špičatost Špičatost0,5966 Šikmost Šikmost-0,3893 Rozdíl max-min Rozdíl max-min7 Minimum Minimum 17 Maximum Maximum 44 Součet Součet 741 Počet Počet 83 Hladina spolehlivosti (95,0%) Hladina 1,1034 spol AK-muži 35,7149 1, ,5 39 5, , ,348-0, ,16093 Žilina, e-learn007 19

20 1. Když se učím, rád(a) uvažuji o hlavních myšlenkách Učím se lépe, když vsadím na logické uvažování Během učení se snažím věci promýšlet Hlavně se učím tím, že přemýšlím Když se učím, Snažím se věci analyzovat, specifikovat jejich části Během učení jsem člověk sázející spíš na logické uvažování Učím se lépe, když mohu vycházet z promýšlené teorie Když se učím, rád(a) teoretizuji, zabývám se obecnějšími úvahami Učím se lépe, když spoléhám na vlastní úsudek, vlastní názory Během učení D. jsem spíš člověk teoretizující Když se učím, rád(a) věci hodnotím, posuzuji Učím se lépe, když mohu analyzovat ideje, obecnější názory AK = 3,0x + x 1 + 3,1 x + 3,3x3 + 3,3x4 +,7x5 + 3,x6 +,8x7 +,1x 8 + 3,0x9 +,1x 10 +,9x11, 3 Žilina, e-learn

21 Třídění druhého stupně Test nezávislosti chí-kvadrát pro kontingenční tabulku H o : Styl studentova učení nezávisí na pohlaví. H a : Styl studentova učení závisí na pohlaví. χ ( P O) = O ženy muži celkem % 5% Žilina, e-learn007 1

22 Test nezávislosti chí-kvadrát pro kontingenční tabulku Pozorované četnosti ženy muži celkem KZ AK AP RP smíšené 7 9 celkem AK+AP 5; AP+RP ; KZ+AK Žilina, e-learn007

23 Test nezávislosti chí-kvadrát pro kontingenční tabulku Očekávané četnosti ženy muži celkem KZ 5,3 1,77 7 AK,43 7,57 30 AP 39,63 13,37 53 RP 8,97 3,03 1 smíšené 6,73,7 9 celkem Žilina, e-learn007 3

24 ( ) P O O KZ AK AP RP smíšené ženy muži Hladina významnosti 0,05 Kritická hodnota testového kritéria 9,488 0,110 1,8445 0,775 0,0001 0,0109 0,331 5,4676,1564 0,000 0,03 Počet stupňů volnosti 4 Hodnota koeficientu 10,683 H o zamítáme, přijímáme H a Styl studentova učení závisí na pohlaví na hladině významnosti 0,05. Žilina, e-learn007 4

25 Znaménkové schéma kontinenční tabulky z = n n. n r n. n s p n. n ( n n )( n n ) r r s s z ženy muži celkem znaménka ženy muži KZ 0,6885-0, KZ 0 0 AK -3,1655 3, AK AP,3493 -, AP + - RP 0,0190-0, RP 0 0 smíšené 0,164-0,164 9 smíšené 0 0 celkem pozorovaná četnost je významně větší než četnost očekávaná na hladině významnosti 0,01 -- pozorovaná četnost je významně menší než četnost očekávaná na hladině významnosti 0,01 + pozorovaná četnost je významně větší než četnost očekávaná na hladině významnosti 0,05 - pozorovaná četnost je významně menší než četnost očekávaná na hladině významnosti 0,05 Žilina, e-learn007 5

26 Studentův test H o : Styl abstraktní konceptualizace studentova učení nezávisí na pohlaví. H a : Styl abstraktní konceptualizace studentova učení závisí na pohlaví. Hladina významnosti a) 0,05; b) 0,01 Průměrný počet bodů: žen 33 mužů 36 s 6,6575 s 5,1630 f 109 t,6800 t 0,05 (109) 1,984 t 0,01 (109),66 H o zamítáme, přijímáme H a Mezi průměrným počtem bodů v případě studijního stylu abstraktní konceptualizace je statisticky významný rozdíl podle pohlaví studentů na hladině významnosti 0,05 i 0,01. Žilina, e-learn007 6 s = N 1 t 1 + N Nestranný odhad rozptylu = x 1 x s N N N N [ ( xi x1 ) + ( x j x ) ]

27 Nestranný odhad rozptylu Studentův test s = N N t = x 1 s x N N N N [ ( xi x1 ) + ( x j x ) ] H o : Styl aktivní provádění studentova učení nezávisí na pohlaví. H a : Styl aktivní provádění studentova učení závisí na pohlaví. Hladina významnosti a) 0,05; b) 0,01 Průměrný počet bodů: žen 36 mužů 34 H o zamítáme, přijímáme H a s 18,9860 s 4,357 f 109 t 7,667 t 0,05 (109) 1,984 t 0,01 (109),66 Mezi průměrným počtem bodů v případě studijního stylu aktivní provádění je statisticky významný rozdíl podle pohlaví studentů na hladině významnosti 0,05 i 0,01. Žilina, e-learn007 7

28 ANOVA jeden faktor - celkem H o : µ1 = µ = µ3 = µ4 (druh stylu učení nemá významný vliv) H 1 : Ne všechny střední hodnoty jsou si rovny (druh stylu učení má významný vliv) Faktor Výběr Počet Součet Průměr Rozptyl KZ ,1081 7,8973 AK ,707 7,796 AP ,6486 7,0845 RP , ,3554 Žilina, e-learn007 8

29 ANOVA Zdroj variability SS Rozdíl MS F Hodnota P F krit Mezi výběry 69, , ,714 4,76E-18,65 Všechny výběry 1554, ,5347 Celkem 15183, Protože F exp > F 0,05 (3;440) H 0 zamítáme na hladině významnosti 5% a přijímáme H 1 Žilina, e-learn007 9

30 ANOVA jeden faktor - ženy ANOVA Zdroj variability SS Rozdíl MS F Hodnota P F krit Mezi výběry 086, ,53 8,95 1,5E-16,631 Všechny výběry 7880, ,03 Celkem 9966,9 331 Protože F exp > F 0,05 (3;38) H 0 zamítáme na hladině významnosti 5% a přijímáme H 1 Žilina, e-learn007 30

31 ANOVA jeden faktor - muži ANOVA Zdroj variability SS Rozdíl MS F Hodnota P F krit Mezi výběry 1168, ,56 10,08 6,53E-06,6887 Všechny výběry 4173, ,64 Celkem 5341, Protože F exp > F 0,05 (3;108) H 0 zamítáme na hladině významnosti 5% a přijímáme H 1 Žilina, e-learn007 31

32 Nejvíce preferované možnosti (4,3): 1. Když se učím spoléhám na vlastní pozorování (96%).. Hlavně se učím tím, že přemýšlím (90%). 3. Během učení se snažím věci promýšlet (87%). 4. Hlavně se učím tím, že dělám ( 86%). 5. Učím se lépe, když si mohu vše prakticky vyzkoušet (83%). 6. Učím se lépe, když spoléhám na vlastní úsudek, vlastní názor (8%). 7. Během učení jsem člověk sázející spíše na vlastní logické uvažování (8%). Žilina, e-learn007 3

33 Moodle bariéry (vzorek 100) Úvodní orientace na začátku kurzu (IF, 44%), Malá rychlost připojení k Internetu (SF, 34%), Obavy ze zvládnutí technických detailů v online kurzu (OF, 8%), Obavy z komunikace prostřednictvím technologií (OF, 7%). Institucionální, situační, osobní faktory Žilina, e-learn007 33

34 Moodle podpora (vzorek 100) Spolehlivost technologií na straně studenta (SF, 47%), Ušetření času studiem online (OF, 46%), Flexibilita, volnost při časovém načasování studia v rámci denního rozvrhu (OF, 45%), Možnost využití zdrojů, Internetu (OF, 45%), Dostupnost podrobného popisu kurzu, cílů, úloh a očekávání studentů (IF, 41%). Institucionální, situační, osobní faktory Žilina, e-learn007 34

35 Děkuji za pozornost RNDr. Jana Hrubá Katedra matematických metod v ekonomice (K151) Institut inovace vzdělávání (K167) Ekonomická fakulta VŠB -Technická univerzita Ostrava, Sokolská 33, Ostrava1, Telefon: , Žilina, e-learn007 35

STATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7

STATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7 Inovace předmětu STATISTIKA Obsah 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7 1 1. Inovace předmětu STATISTIKA Předmět Statistika se na bakalářském oboru

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

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

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

Výuka statistiky v Moodle zkušenosti a možnosti (11 let s Moodlem na ekonomické fakultě VŠB-TU Ostrava) Václav Friedrich Pavel Hradecký

Výuka statistiky v Moodle zkušenosti a možnosti (11 let s Moodlem na ekonomické fakultě VŠB-TU Ostrava) Václav Friedrich Pavel Hradecký Výuka statistiky v Moodle zkušenosti a možnosti (11 let s Moodlem na ekonomické fakultě VŠB-TU Ostrava) Václav Friedrich Pavel Hradecký Václav Friedrich Pavel Hradecký Část první TROCHA NOSTALGIE NEUŠKODÍ

Více

Současné možnosti ICT ve vzdělávání a strategie vedení školy

Současné možnosti ICT ve vzdělávání a strategie vedení školy Makovského 436, 592 31 Nové Město na Moravě mobil.: 774 696 160, e-mail: rama@inforama.cz WWW stránky: http://www.inforama.cz, https://www.evzdelavani.net/learning/ Současné možnosti ICT ve vzdělávání

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

Test dobré shody v KONTINGENČNÍCH TABULKÁCH

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

Více

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

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

Biostatistika a e-learning na Lékařské fakultě UK v Hradci Králové

Biostatistika a e-learning na Lékařské fakultě UK v Hradci Králové Univerzita Karlova v Praze Lékařská fakulta v Hradci Králové Ústav lékařské biofyziky Biostatistika a e-learning na Lékařské fakultě UK v Hradci Králové Josef Hanuš, Josef Bukač, Iva Selke-Krulichová,

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

marek.pomp@vsb.cz http://homel.vsb.cz/~pom68

marek.pomp@vsb.cz http://homel.vsb.cz/~pom68 Statistika B (151-0303) Marek Pomp ZS 2014 marek.pomp@vsb.cz http://homel.vsb.cz/~pom68 Cvičení: Pavlína Kuráňová & Marek Pomp Podmínky pro úspěšné ukončení zápočet 45 bodů, min. 23 bodů, dvě zápočtové

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

VÝSLEDKY VÝZKUMU ÚVOD ZPRÁVY Z VÝZKUMU. Hana Poštulková. 62 // AULA roč. 19, 03-04/2011

VÝSLEDKY VÝZKUMU ÚVOD ZPRÁVY Z VÝZKUMU. Hana Poštulková. 62 // AULA roč. 19, 03-04/2011 Hana Poštulková V období od 1. října 2010 do 31. listopadu 2010 probíhal na Ekonomické fakultě Vysoké školy báňské Technické univerzity Ostrava výzkum zaměřený na měření spokojenosti uživatelů s Learning

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

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

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

Více

Matematika, informatika, projekty

Matematika, informatika, projekty Matematika, informatika, projekty Doc. RNDr. Tatiana Gavalcová, CSc Katedra informatiky a kvantitativních metod FIM UHK Hradec Králové tana.gavalcova@uhk.cz 1 Obsah příspěvku: Projekt REFIMAT, ESF, OP

Více

Graf 1: Počet let pedagogické praxe

Graf 1: Počet let pedagogické praxe Ústav pro informace ve vzdělávání Centrum pro zjišťování výsledků vzdělávání SP KVALITA I 4A2U1 Statistické zpracování výsledků dotazníkového šetření Martin Chvál Praha, prosinec 2005 Sběr dat Sběr dat

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

Tomáš Karel LS 2012/2013

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

Více

Aktivita A 0803. Zmapování a analýza disparit mezi regiony NUTS 3 ve fyzické dostupnosti bydlení

Aktivita A 0803. Zmapování a analýza disparit mezi regiony NUTS 3 ve fyzické dostupnosti bydlení Aktivita A 0803 Zmapování a analýza disparit mezi regiony NUTS 3 ve fyzické dostupnosti bydlení 1/62 Aktivita A0803 Zmapování a analýza disparit mezi regiony NUTS 3 ve fyzické dostupnosti bydlení Datum

Více

4ST201 STATISTIKA CVIČENÍ Č. 7

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

Více

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

Školení ICTK+ICTM. Studijní průvodce

Školení ICTK+ICTM. Studijní průvodce Školení ICTK+ICTM Studijní průvodce Radek Maca, Roman Úlovec Gymnázium Voděradská, Praha 10 Strašnice 008 Pracovní materiál Praha /8 Úvod Toto studium vychází ze standardu Standardy pro udělování akreditací

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

{ } ( 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

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

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. 1

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. 1 Testování statistických hypotéz Ing. Michal Dorda, Ph.D. 1 Úvodní poznámky Statistickou hypotézou rozumíme hypotézu o populaci (základním souboru) např.: Střední hodnota základního souboru je rovna 100.

Více

LMS Moodle ve výuce biofyziky a lékařské informatiky na LF OU

LMS Moodle ve výuce biofyziky a lékařské informatiky na LF OU LMS Moodle ve výuce biofyziky a lékařské informatiky na LF OU Hana Sochorová, Hana Materová Katedra biomedicínských oborů, Lékařská fakulta Ostravské univerzity v Ostravě LMS proč? Pro úspěšné studium

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

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

Analýza uplatnění absolventů FIM UHK. Petra Poulová Univerzita Hradec Králové

Analýza uplatnění absolventů FIM UHK. Petra Poulová Univerzita Hradec Králové Analýza uplatnění absolventů FIM UHK Petra Poulová Univerzita Hradec Králové Dotazníkové šetření = za 2 let existence má fakulta 534 absolventů = dotazníky distribuovány e-mailem 8 absolventům, kteří se

Více

Vysokoškolské studium v éře moderních technologií (pohledem studentů)

Vysokoškolské studium v éře moderních technologií (pohledem studentů) Ústav pedagogických věd Vysokoškolské studium v éře moderních technologií (pohledem studentů) tů) Jiří Zounek http://www.phil.muni.cz/wupv hil i / 0 http://www.zounek.cz/ Č A P V 2 0 1 0 Východiska výzkumu

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

Systém ECTS: hraje důležitou úlohu při rozšiřování Boloňského procesu v globální dimenzi, kredity jsou klíčovým elementem (také kvůli své

Systém ECTS: hraje důležitou úlohu při rozšiřování Boloňského procesu v globální dimenzi, kredity jsou klíčovým elementem (také kvůli své VÝSTUPY Z UČENÍ Vysoká škola technická a ekonomická v Českých Budějovicích INOVACE VÝSTUPŮ, OBSAHU A METOD BAKALÁŘSKÝCH PROGRAMŮ VYSOKÝCH ŠKOL NEUNIVERZITNÍHO TYPU, REGISTRAČNÍ ČÍSLO: CZ.1.07/2.2.00/28.0115

Více

Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY. učební text. Jan Famfulík. Jana Míková. Radek Krzyžanek

Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY. učební text. Jan Famfulík. Jana Míková. Radek Krzyžanek Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY učební text Jan Famfulík Jana Míková Radek Krzyžanek Ostrava 2007 Recenze: Prof. Ing. Milan Lánský, DrSc. Název: Teorie údržby Autor: Ing.

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

Zkušenosti z několika e-learningových kuzů pro odlišné cílové skupiny

Zkušenosti z několika e-learningových kuzů pro odlišné cílové skupiny Zkušenosti z několika e-learningových kuzů pro odlišné cílové skupiny Projekt EQUAL Výuka SPZE Výuka TOJ Podpora výuky Mtg a mang. sportu Závěry a diskuse k výsledkům a zkušenostem L. Eger 1 Projekt EQUAL

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

Didaktický proces vzdělávání

Didaktický proces vzdělávání Didaktický proces vzdělávání dospělých Základní prvky didaktického procesu ve vzdělávání dospělých: Didaktický proces = výuka CÍL= určen zvenčí např. politikou, společností, potřebami institucí OBSAH=

Více

SAMOSTATNÁ STUDENTSKÁ PRÁCE ZE STATISTIKY

SAMOSTATNÁ STUDENTSKÁ PRÁCE ZE STATISTIKY SAMOSTATÁ STUDETSKÁ PRÁCE ZE STATISTIKY Váha studentů Kučerová Eliška, Pazdeříková Jana septima červen 005 Zadání: My dvě studentky jsme si vylosovaly zjistit statistickým šetřením v celém ročníku septim

Více

Analýza dat z dotazníkových šetření

Analýza dat z dotazníkových šetření Analýza dat z dotazníkových šetření Cvičení 6. Rozsah výběru Př. Určete minimální rozsah výběru pro proměnnou věk v souboru dovolena, jestliže 95% interval spolehlivost průměru proměnné nemá být širší

Více

Testování hypotéz Biolog Statistik: Matematik: Informatik:

Testování hypotéz Biolog Statistik: Matematik: Informatik: Testování hypotéz Biolog, Statistik, Matematik a Informatik na safari. Zastaví džíp a pozorují dalekohledem. Biolog "Podívejte se! Stádo zeber! A mezi nimi bílá zebra! To je fantastické! " "Existují bílé

Více

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel: NÁHODNÁ ČÍSLA TYPY GENERÁTORŮ, LINEÁRNÍ KONGRUENČNÍ GENERÁTORY, TESTY NÁHODNOSTI, VYUŽITÍ HODNOT NÁHODNÝCH VELIČIN V SIMULACI CO JE TO NÁHODNÉ ČÍSLO? Náhodné číslo definujeme jako nezávislé hodnoty z rovnoměrného

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

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

ADDS cvičení 7. Pavlína Kuráňová

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

Více

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

STUDIJNÍ OPORY S PŘEVAŽUJÍCÍMI DISTANČNÍMI PRVKY PRO VÝUKU STATISTIKY PRVNÍ ZKUŠENOSTI. Pavel Praks, Zdeněk Boháč

STUDIJNÍ OPORY S PŘEVAŽUJÍCÍMI DISTANČNÍMI PRVKY PRO VÝUKU STATISTIKY PRVNÍ ZKUŠENOSTI. Pavel Praks, Zdeněk Boháč STUDIJNÍ OPORY S PŘEVAŽUJÍCÍMI DISTANČNÍMI PRVKY PRO VÝUKU STATISTIKY PRVNÍ ZKUŠENOSTI Pavel Praks, Zdeněk Boháč Katedra matematiky a deskriptivní geometrie, VŠB - Technická univerzita Ostrava 17. listopadu

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

TEORIE ZPRACOVÁNÍ DAT

TEORIE ZPRACOVÁNÍ DAT Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky TEORIE ZPRACOVÁNÍ DAT pro kombinované a distanční studium Jana Šarmanová Ostrava 2003 Jana Šarmanová, 2003 Fakulta

Více

Analýza dat s využitím MS Excel

Analýza dat s využitím MS Excel Analýza dat s využitím MS Excel Seminář aplikované statistiky Martina Litschmannová Několik fíglů na úvod Absolutní vs. relativní adresování změna pomocí F4 =$H$20 =H$20 =$H20 =H20 Posun po souvislé oblasti

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

PODPORA PRÁCE AUTORŮ A TUTORŮ E-LEARNINGOVÝCH KURZŮ V PROSTŘEDÍ MOODLE NA EKF VŠB-TUO

PODPORA PRÁCE AUTORŮ A TUTORŮ E-LEARNINGOVÝCH KURZŮ V PROSTŘEDÍ MOODLE NA EKF VŠB-TUO PODPORA PRÁCE AUTORŮ A TUTORŮ E-LEARNINGOVÝCH KURZŮ V PROSTŘEDÍ MOODLE NA EKF VŠB-TUO JANA HRUBÁ Vysoká škola báňská Technická univerzita Ostrava Abstrakt: Na naší fakultě jsme byli úspěšní při podání

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

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

STATISTICA Téma 7. Testy na základě více než 2 výběrů

STATISTICA Téma 7. Testy na základě více než 2 výběrů STATISTICA Téma 7. Testy na základě více než 2 výběrů 1) Test na homoskedasticitu Nalezneme jej v několika submenu. Omezme se na submenu Základní statistiky a tabulky základního menu Statistika. V něm

Více

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

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

Více

Cvičení ze statistiky - 9. Filip Děchtěrenko

Cvičení ze statistiky - 9. Filip Děchtěrenko Cvičení ze statistiky - 9 Filip Děchtěrenko Minule bylo.. Dobrali jsme normální rozdělení Tyhle termíny by měly být známé: Inferenční statistika Konfidenční intervaly Z-test Postup při testování hypotéz

Více

Stručný úvod do vybraných zredukovaných základů statistické analýzy dat

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

Více

Výsledky základní statistické charakteristiky

Výsledky základní statistické charakteristiky Výsledky základní statistické charakteristiky (viz - Vyhláška č. 343/2002 Sb. o průběhu přijímacího řízení na vysokých školách a Vyhláška 276/2004 Sb. kterou se mění vyhláška č. 343/2002 Sb., o postupu

Více

Průzkumová analýza dat

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

Více

4ST201 STATISTIKA CVIČENÍ Č. 8

4ST201 STATISTIKA CVIČENÍ Č. 8 4ST201 STATISTIKA CVIČENÍ Č. 8 analýza závislostí kontingenční tabulky test závislosti v kontingenční tabulce analýza rozptylu regresní analýza lineární regrese Analýza závislostí Budeme ověřovat existenci

Více

MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY. Učební osnova předmětu MATEMATIKA. pro studijní obory SOŠ a SOU (13 15 hodin týdně celkem)

MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY. Učební osnova předmětu MATEMATIKA. pro studijní obory SOŠ a SOU (13 15 hodin týdně celkem) MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY Učební osnova předmětu MATEMATIKA pro studijní obory SOŠ a SOU (13 15 hodin týdně celkem) Schválilo Ministerstvo školství, mládeže a tělovýchovy dne 14.června

Více

VNITROSKUPINOVÝ ROZPTYL. Je mírou variability uvnitř skupin Jiný název: průměr rozptylů Vypočítává se jako průměr rozptylů v jednotlivých skupinách

VNITROSKUPINOVÝ ROZPTYL. Je mírou variability uvnitř skupin Jiný název: průměr rozptylů Vypočítává se jako průměr rozptylů v jednotlivých skupinách ROZKLAD ROZPTYLU ROZKLAD ROZPTYLU Rozptyl se dá rozložit na vnitroskupinový a meziskupinový rozptyl. Celkový rozptyl je potom součet meziskupinového a vnitroskupinového Užívá se k výpočtu rozptylu, jestliže

Více

Časové a organizační vymezení

Časové a organizační vymezení Vzdělávací oblast Vzdělávací obor Vyučovací předmět Týdenní hodinové dotace Časové a organizační vymezení Matematika a její aplikace Matematika a její aplikace Matematika 1. stupeň 2. stupeň 1. ročník

Více

Dva typy kurzů společenskovědního charakteru. Zkušenosti Centra dalšího vzdělávání TU v Liberci

Dva typy kurzů společenskovědního charakteru. Zkušenosti Centra dalšího vzdělávání TU v Liberci Dva typy kurzů společenskovědního charakteru Zkušenosti Centra dalšího vzdělávání TU v Liberci Centrum dalšího vzdělávání Založeno v roce 1994 jako rektorátní útvar Hlavní činnosti centra: Podpora pedagogů

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

Četnost brýlové korekce v populaci

Četnost brýlové korekce v populaci Prezentace k přednášce, přednesené na kongresu Optometrie 2013 V Olomouci 21. 22.9 2013 Četnost brýlové korekce v populaci RNDr. Jaroslav Wagner, Ph.D. Katedra optiky PřF UP Olomouc Kontakt: wagnerj@prfnw.upol.cz

Více

MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY. Učební osnova předmětu MATEMATIKA. pro studijní obory SOŠ a SOU (8 10 hodin týdně celkem)

MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY. Učební osnova předmětu MATEMATIKA. pro studijní obory SOŠ a SOU (8 10 hodin týdně celkem) MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY Učební osnova předmětu MATEMATIKA pro studijní obory SOŠ a SOU (8 10 hodin týdně celkem) Schválilo Ministerstvo školství, mládeže a tělovýchovy dne 14. 6. 2000,

Více

Pravděpodobnost, náhoda, kostky

Pravděpodobnost, náhoda, kostky Pravděpodobnost, náhoda, kostky Radek Pelánek IV122, jaro 2015 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností krátké

Více

Stav Svobodný Rozvedený Vdovec. Svobodná 37 10 6. Rozvedená 8 12 8. Vdova 5 8 6

Stav Svobodný Rozvedený Vdovec. Svobodná 37 10 6. Rozvedená 8 12 8. Vdova 5 8 6 1. Příklad Byly sledovány rodinné stavy nevěst a ženichů při uzavírání sňatků a byla vytvořena následující tabulka četností. Stav Svobodný Rozvedený Vdovec Svobodná 37 10 6 Rozvedená 8 12 8 Vdova 5 8 6

Více

Motivační intervence tutora e-learningového kurzu

Motivační intervence tutora e-learningového kurzu Motivační intervence tutora e-learningového kurzu Petr Hubáček Obchodní akademie a VOŠ Valašské Meziříčí Ekonomická fakulta VŠB TU Ostrava 7. 8. 10. 2010 1 E-learning Vzdělávací proces a pozice e-learningu

Více

Navrhování experimentů a jejich analýza. Eva Jarošová

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

Více

Testy pro porovnání vlastností dvou skupin

Testy pro porovnání vlastností dvou skupin Testy pro porovnání vlastností dvou skupin Petr Pošík Části dokumentu jsou převzaty (i doslovně) z Mirko Navara: Pravděpodobnost a matematická statistika, https://cw.felk.cvut.cz/lib/exe/fetch.php/courses/a6m33ssl/pms_print.pdf

Více

Situace v dalším vzdělávání v kraji Vysočina s důrazem na malé a střední podniky. Vítězslav Šeda, OHK Jihlava

Situace v dalším vzdělávání v kraji Vysočina s důrazem na malé a střední podniky. Vítězslav Šeda, OHK Jihlava Situace v dalším vzdělávání v kraji Vysočina s důrazem na malé a střední podniky Vítězslav Šeda, OHK Jihlava Možnosti vzdělávání se zejména v kategorii dalšího vzdělávání v kraji Vysočina rozšířily zejména

Více

Simulace. Simulace dat. Parametry

Simulace. Simulace dat. Parametry Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,

Více

PODPORA VÝUKY MATEMATIKY E-LEARNINGOVÝMI KURZY S MULTIMEDIÁLNÍMI STUDIJNÍMI

PODPORA VÝUKY MATEMATIKY E-LEARNINGOVÝMI KURZY S MULTIMEDIÁLNÍMI STUDIJNÍMI PODPORA VÝUKY MATEMATIKY E-LEARNINGOVÝMI KURZY S MULTIMEDIÁLNÍMI STUDIJNÍMI MATERIÁLY Radomír Paláček, Dagmar Dlouhá VŠB - Technická univerzita Ostrava Abstrakt: Tento příspěvek popisuje projekt Vytvoření

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

INFORMACE PRO STUDENTY 1. ROČNÍKU BAKALÁŘSKÉHO STUDIA

INFORMACE PRO STUDENTY 1. ROČNÍKU BAKALÁŘSKÉHO STUDIA INFORMACE PRO STUDENTY 1. ROČNÍKU BAKALÁŘSKÉHO STUDIA PERSONÁLNÍ SLOŽENÍ STUDIJNÍHO ODDĚLENÍ Proděkanka pro studium doc. Ing. Lenka Kauerová, CSc. Vedoucí studijní oddělení Ing. Kateřina Frenzelová Studijní

Více

Přijímací řízení zohledňující specifika nekvalifikovaných učitelů s dlouhodobou praxí (metodika)

Přijímací řízení zohledňující specifika nekvalifikovaných učitelů s dlouhodobou praxí (metodika) Rozšíření akreditace studijních oborů o kombinovanou formu studia s podporou různých forem e-learningu a dalších moderních didakticých metod (CZ.1.07/2.2.00/18.0023) Přijímací řízení zohledňující specifika

Více

Možnosti vzdělávání školních knihovníků JAK?

Možnosti vzdělávání školních knihovníků JAK? Možnosti vzdělávání školních knihovníků JAK? Moravskoslezská vědecká knihovna v Ostravě centrum pro vzdělávání knihovníků v Moravskoslezském kraji Oddělení služeb knihovnám Regionální vzdělávací centrum

Více

Semestrální projekt. do předmětu Statistika. Vypracoval: Adam Mlejnek 2-36. Oponenti: Patrik Novotný 2-36. Jakub Nováček 2-36. Click here to buy 2

Semestrální projekt. do předmětu Statistika. Vypracoval: Adam Mlejnek 2-36. Oponenti: Patrik Novotný 2-36. Jakub Nováček 2-36. Click here to buy 2 Semestrální projekt do předmětu Statistika Vypracoval: Adam Mlejnek 2-36 Oponenti: Patrik Novotný 2-36 Jakub Nováček 2-36 Úvod Pro vypracování projektu do předmětu statistika jsem si zvolil průzkum kvality

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

Testování hypotéz. 4. přednáška 6. 3. 2010

Testování hypotéz. 4. přednáška 6. 3. 2010 Testování hypotéz 4. přednáška 6. 3. 2010 Základní pojmy Statistická hypotéza Je tvrzení o vlastnostech základního souboru, o jehož pravdivosti se chceme přesvědčit. Předem nevíme, zda je pravdivé nebo

Více

Jak efektivně přednášet v době e-learningu

Jak efektivně přednášet v době e-learningu ČVUT v Praze Fakulta elektrotechnická Jak efektivně přednášet v době e-learningu David Vaněček Masarykův ústav vyšších studií Katedra inženýrské pedagogiky Evropský sociální fond Praha & EU: Investujeme

Více

Robust 2010 31. ledna 5. února 2010, Králíky

Robust 2010 31. ledna 5. února 2010, Králíky Modelování rozdělení ročních příjmů českých domácností J. Bartošová 1 M. Forbelská 2 1 Katedra managementu informací Fakulta managementu v Jindřichově Hradci Vysoká škola ekonomická v Praze 2 Ústav matematiky

Více

Velká kniha e-learningu

Velká kniha e-learningu Velká kniha e-learningu Potřebné know-how pro provoz a přípravu kurzů. I.A Základní pojmy 1. Základní pojmy 1.1. Distanční vzdělávání 1.2. Vzdělávání online (Web-Based Learning) 1.2.1. Charakteristiky

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

6. Lineární regresní modely

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

Více

Přijímací řízení zohledňující specifika nekvalifikovaných učitelů s dlouhodobou praxí (metodika)

Přijímací řízení zohledňující specifika nekvalifikovaných učitelů s dlouhodobou praxí (metodika) Přijímací řízení zohledňující specifika nekvalifikovaných učitelů s dlouhodobou praxí (metodika) Studijní program Učitelství pro základní školy, Učitelství pro střední školy (navazující magisterské studium,

Více

Manažerská ekonomika KM IT

Manažerská ekonomika KM IT KVANTITATIVNÍ METODY INFORMAČNÍ TECHNOLOGIE (zkouška č. 3) Cíl předmětu Získat základní znalosti v oblasti práce s ekonomickými ukazateli a daty, osvojit si znalosti finanční a pojistné matematiky, zvládnout

Více

Organizační pokyny k přednášce. Matematická statistika. Přehled témat. Co je statistika?

Organizační pokyny k přednášce. Matematická statistika. Přehled témat. Co je statistika? Organizační pokyny k přednášce Matematická statistika 2012 2013 Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta UK hudecova@karlin.mff.cuni.cz http://www.karlin.mff.cuni.cz/

Více

T E O R I E C H Y B A V Y R O V N Á V A C Í P O

T E O R I E C H Y B A V Y R O V N Á V A C Í P O ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ, OBOR GEODÉZIE A KARTOGRAFIE KATEDRA VYŠŠÍ GEODÉZIE název předmětu T E O R I E C H Y B A V Y R O V N Á V A C Í P O Č E T 2 č. úlohy 6 název úlohy T

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

STATISTIKA LS 2013. Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D.

STATISTIKA LS 2013. Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D. STATISTIKA LS 2013 Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D. Cvičící: Ing. Ondřej Grunt RNDr. Pavel Jahoda, Ph.D. Ing. Kateřina Janurová Mgr. Tereza

Více

Hodnocení a klasifikace při výuce F na SŠ. Jiří Tesař

Hodnocení a klasifikace při výuce F na SŠ. Jiří Tesař Hodnocení a klasifikace při výuce F na SŠ Jiří Tesař Hodnocení a klasifikace Většinou nejneoblíbenější činnost učitele: stresové a konfliktní situace musí se rychle rozhodnout musí zdůvodnit své rozhodnutí

Více