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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ADDS cvičení 7. Pavlína Kuráňová

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

Více

Testování 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

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

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

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

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

Číselné charakteristiky a jejich výpočet

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

Více

STATISTICKÉ TESTY VÝZNAMNOSTI

STATISTICKÉ TESTY VÝZNAMNOSTI STATISTICKÉ TESTY VÝZNAMNOSTI jsou statistické postupy, pomocí nichž ověřujeme, zda mezi proměnnými existuje vztah (závislost, rozdíl). Pokud je výsledek šetření statisticky významný (signifikantní), znamená

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

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

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

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

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

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

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

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

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

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

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

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

Více

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

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

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

Didaktické prostředky. Moderní trendy

Didaktické prostředky. Moderní trendy Didaktické prostředky Moderní trendy Didaktické prostředky v nejširším slova smyslu zahrnují vše, co napomáhá dosažení cílů vzdělávání. Jsou to zejména obsah, formy, principy, metody, pomůcky a didaktická

Více

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

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

Více

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

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

Více

Základní statistické charakteristiky písemných testů

Základní statistické charakteristiky písemných testů Základní statistické charakteristiky písemných testů Přijímací řízení na Ekonomicko-správní fakultu MU do navazujících magisterských oborů. Studenti byli přijímání na tyto obory: Prezenční magisterské

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

Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D

Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Milan Holický Kloknerův ústav ČVUT v Praze 1. Úvod 2. Kvantil náhodné veličiny 3. Hodnocení jedné veličiny 4. Hodnocení modelu 5. Příklady -

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

Úvodem Dříve les než stromy 3 Operace s maticemi

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

Více

INDIKATIVNÍ TABULKA SE SEZNAMEM PŘÍJEMCŮ V RÁMCI OPERAČNÍHO PROGRAMU VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST. POŽADOVANÉ FINANČNÍ PROSTŘEDKY ŽADATELEM (Kč)

INDIKATIVNÍ TABULKA SE SEZNAMEM PŘÍJEMCŮ V RÁMCI OPERAČNÍHO PROGRAMU VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST. POŽADOVANÉ FINANČNÍ PROSTŘEDKY ŽADATELEM (Kč) INDIKATIVNÍ TABULKA SE SEZNAMEM PŘÍJEMCŮ V RÁMCI OPERAČNÍHO PROGRAMU VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST ČÍSLO VÝZVY: ČÍSLO A NÁZEV PRIORITNÍ OSY: ČÍSLO A NÁZEV OBLASTI PODPORY: VYHLAŠOVATEL VÝZVY: 28 (1.

Více

Třídění statistických dat

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

Více

Test obsahoval 7 otevřených otázek a 2 uzavřené alternativní otázky s možností volby ano, ne.

Test obsahoval 7 otevřených otázek a 2 uzavřené alternativní otázky s možností volby ano, ne. ! Cílem vysílání v rámci projektu ŠIK je také předávání praktických informací z oblasti rizikového chování. Vycházíme z přesvědčení, že člověk, který má dostatek pravdivých informací, má také větší "#$%&&%

Více

Projekt z předmětu Statistika

Projekt z předmětu Statistika Projekt z předmětu Téma: Typologie hráče české nejvyšší hokejové soutěže VŠB-TU Ostrava:Fakulta Elektrotechniky a informatiky jaro 2011 Martin Dočkal doc068 dockal.martin@gmail.com 1 Obsah 2 Zadání...

Více

Rozvrhování nákladů pomocných činností a režijních nákladů na výkony rostlinné a živočišné výroby

Rozvrhování nákladů pomocných činností a režijních nákladů na výkony rostlinné a živočišné výroby IVP 1275 Rozvrhování nákladů pomocných činností a režijních nákladů na výkony rostlinné a živočišné výroby Prezentace k oponentuře konané dne 27. 1. 2015 v Praze Ing. Jana Poláčková, CSc. odpovědný řešitel

Více

Klíčové aktivity projektu a jejich výstupy v podobě monitorovacích indikátorů

Klíčové aktivity projektu a jejich výstupy v podobě monitorovacích indikátorů Profesionalizace klíčových kompetencí řídících pracovníků škol a školských zařízení CZ.1.07/1.3.00/08.0235 CŠM PedF UK v Praze Klíčové aktivity projektu a jejich výstupy v podobě monitorovacích indikátorů

Více

SEXUALITA UŽIVATELŮ MARIHUANY OČIMA PARTNEREK

SEXUALITA UŽIVATELŮ MARIHUANY OČIMA PARTNEREK SEXUALITA UŽIVATELŮ MARIHUANY OČIMA PARTNEREK Mgr. Alexandra HROUZKOVÁ Katedra psychologie FFUK, Praha Prof. PhDr. Petr WEISS, PhD. Sexuologický ústav VFN a 1.LF UK, Praha ÚVODEM Konopné drogy jsou po

Více

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) = Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní

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

INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Inovace a rozvoj kombinované formy výuky psychologie na Katedře psychologie FF UP Olomouc

INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Inovace a rozvoj kombinované formy výuky psychologie na Katedře psychologie FF UP Olomouc Spokojenost se studiem psychologie v kombinované formě na FF UP Olomouc - absolventi studia ZÁVĚREČNÁ ZPRÁVA VERZE 1 KATEDRA PSYCHOLOGIE FF UP OLOMOUC Olomouc, prosinec 2009 Název studie: Zadavatel studie:

Více

Zhodnocení dopadů inovace na studijní výsledky

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

Více

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests), : veličiny X, Y jsou nezávislé nij eij

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests),   : veličiny X, Y jsou nezávislé nij eij Testy dobré shody Máme dvě veličiny a předpokládáme, že jsou nezávislé (platí nulová hypotéza nezávislosti). Často chceme naopak prokázat jejich závislost. K tomu slouží: TESTY DOBRÉ SHODY (angl. goodness-of-fit

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

Kurz SPSS: Jednoduchá analýza dat. Jiří Šafr

Kurz SPSS: Jednoduchá analýza dat. Jiří Šafr Kurz SPSS: Jednoduchá analýza dat Jiří Šafr vytvořeno 29. 6. 2009 Dva základní typy statistiky 1. Popisná statistika: metody pro zjišťování a sumarizaci informací grfy, tabulky, popisné chrakteristiky

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

V souladu s touto podporovanou aktivitou výzva definovala následující osoby jako cílové skupiny projektových ţádostí:

V souladu s touto podporovanou aktivitou výzva definovala následující osoby jako cílové skupiny projektových ţádostí: Výzva č. 18, oblast podpory 2.2 Vysokoškolské vzdělávání V oblasti podpory 2.2 Vysokoškolské vzdělávání byla výzva s pořadovým číslem 18 pro příjem projektových ţádostí ostatních (IPo) vyhlášena 29. března

Více

aktivita A0705 Metodická a faktografická příprava řešení regionálních disparit ve fyzické dostupnosti bydlení v ČR

aktivita A0705 Metodická a faktografická příprava řešení regionálních disparit ve fyzické dostupnosti bydlení v ČR aktivita A0705 Metodická a faktografická příprava řešení regionálních disparit ve fyzické dostupnosti bydlení v ČR 1 aktivita A0705 Metodická a faktografická příprava řešení regionálních disparit ve fyzické

Více

Pozn. přeskakuji zde popisnou statistiku, jinak by měla být součástí každé analýzy.

Pozn. přeskakuji zde popisnou statistiku, jinak by měla být součástí každé analýzy. Pozn. přeskakuji zde popisnou statistiku, jinak by měla být součástí každé analýzy. Z pastí na daném území byla odhadnuta abundance několika druhů: myšice lesní 250, myšice křovinná 200, hraboš polní 150,

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

Průzkumy dopravního chování: základní zdroj dat o dopravní poptávce. Petr Šenk Centrum dopravního výzkumu, v.v.i.

Průzkumy dopravního chování: základní zdroj dat o dopravní poptávce. Petr Šenk Centrum dopravního výzkumu, v.v.i. Průzkumy dopravního chování: základní zdroj dat o dopravní poptávce Petr Šenk Centrum dopravního výzkumu, v.v.i. Metodika aktivitně-cestovního průzkumu Vytvořena v rámci projektu VaV DOPIKOT ve spolupráci

Více

Workshop Sociální podnikání - vzdělávání. Ing. Jaroslava Syrovátková, Ph.D. Technická univerzita v Liberci Banská Bystrice 21. 11.

Workshop Sociální podnikání - vzdělávání. Ing. Jaroslava Syrovátková, Ph.D. Technická univerzita v Liberci Banská Bystrice 21. 11. Workshop Sociální podnikání - vzdělávání Ing. Jaroslava Syrovátková, Ph.D. Technická univerzita v Liberci Banská Bystrice 21. 11. 2013 Na Technické univerzitě v Liberci na Ekonomické fakultě se vyučuje

Více

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A4 Cvičení, letní semestr DOMÁCÍ ÚLOHY Jan Šafařík Brno c 200 (1) 120 krát jsme házeli hrací kostkou.

Více

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

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

Více

Statistika jako obor. Statistika. Popisná statistika. Matematická statistika TEORIE K MV2

Statistika jako obor. Statistika. Popisná statistika. Matematická statistika TEORIE K MV2 Statistika jako obor Statistika Statistika je vědní obor zabývající se zkoumáním jevů hromadného charakteru. Tím se myslí to, že zkoumaný jev musí příslušet určité části velkého množství objektů (lidí,

Více

Výchova specialistů v oboru Geodézie a kartografie a možnosti jejich uplatnění v praxi. Ing. HANA STAŇKOVÁ, Ph.D.

Výchova specialistů v oboru Geodézie a kartografie a možnosti jejich uplatnění v praxi. Ing. HANA STAŇKOVÁ, Ph.D. XVIII. Mezinárodní česko-slovensko-polské geodetické dny Karlova Studánka 17.-19.5.2012 Výchova specialistů v oboru Geodézie a kartografie a možnosti jejich uplatnění v praxi Ing. HANA STAŇKOVÁ, Ph.D.

Více

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

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

Více

Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky STATISTIKA I.

Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky STATISTIKA I. Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky STATISTIKA I. pro kombinované a distanční studium Radim Briš Martina Litschmannová

Více

Modul Základní statistika

Modul Základní statistika Modul Základní statistika Menu: QCExpert Základní statistika Základní statistika slouží k předběžné analýze a diagnostice dat, testování předpokladů (vlastností dat), jejichž splnění je nutné pro použití

Více

1. Název vzdělávacího programu : Moodle role žáka

1. Název vzdělávacího programu : Moodle role žáka 1. Název vzdělávacího programu : Moodle role žáka 2. Obsah - podrobný přehled témat výuky a jejich anotace včetně dílčí hodinové dotace: Obsah vychází z obsahu modulu Využití počítačových sítí ve výuce

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

4EK211 Základy ekonometrie

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

Více

Celoživotní vzdělávání

Celoživotní vzdělávání Celoživotní vzdělávání Pedagogická fakulta Ostravská univerzita v Ostravě Vaše cesta ke vzdělání! Organizace CŽV PdF 1. Placené kombinované studium dle akreditovaných bakalářských a magisterských programů

Více

Národníinformačnístředisko pro podporu jakosti

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

Více

Národní informační středisko pro podporu kvality

Národní informační středisko pro podporu kvality Národní informační středisko pro podporu kvality Nestandardní regulační diagramy J.Křepela, J.Michálek REGULAČNÍ DIAGRAM PRO VŠECHNY INDIVIDUÁLNÍ HODNOTY xi V PODSKUPINĚ V praxi se někdy setkáváme s požadavkem

Více

FINANCOVÁNÍ VYBRANÝCH VEŘEJNÝCH SLUŢEB

FINANCOVÁNÍ VYBRANÝCH VEŘEJNÝCH SLUŢEB FINANCOVÁNÍ VYBRANÝCH VEŘEJNÝCH SLUŢEB Vzdělávání 2 3 4 DŮVODY PRO FINANCOVÁNÍ VZDĚLÁVÁNÍ Vzdělání a makroekonomický růst spojen s teorií lidského kapitálu růst produktivity práce v ekonomice (Benhabib,

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

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

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

Více

CENY A NÁJEMNÉ RODINNÝCH DOMŮ. ZÁVISLOST CENY A NÁJEMNÉHO m 2 BYTU NA JEHO VELIKOSTI

CENY A NÁJEMNÉ RODINNÝCH DOMŮ. ZÁVISLOST CENY A NÁJEMNÉHO m 2 BYTU NA JEHO VELIKOSTI Regionální disparity v dostupnosti bydlení, jejich socioekonomické důsledky a návrhy opatření na snížení regionálních disparit WD - VÝZKUM PRO ŘEŠENÍ REGIONÁLNÍCH DISPARIT - BYDLENÍ CENY A NÁJEMNÉ RODINNÝCH

Více

E-learning z pohledu managementu vysoké školy

E-learning z pohledu managementu vysoké školy E-learning z pohledu managementu vysoké školy Doc. RNDR. Petr Kolář, CSc. Prorekor pro vědu a zahraniční styky Univerzita Jana Amose Komenského Praha www.ujak.cz kolar.petr@ujak.cz Obsah Kdo ví, co je

Více

ANALÝZA OBTÍŽNOSTI TESTU STUDIJNÍCH PŘEDPOKLADŮ NA EKONOMICKO SPRÁVNÍ A PRÁVNICKÉ FAKULTĚ MASARYKOVY UNIVERZITY V ROCE 2004.

ANALÝZA OBTÍŽNOSTI TESTU STUDIJNÍCH PŘEDPOKLADŮ NA EKONOMICKO SPRÁVNÍ A PRÁVNICKÉ FAKULTĚ MASARYKOVY UNIVERZITY V ROCE 2004. ANALÝZA OBTÍŽNOSTI TESTU STUDIJNÍCH PŘEDPOKLADŮ NA EKONOMICKO SPRÁVNÍ A PRÁVNICKÉ FAKULTĚ MASARYKOVY UNIVERZITY V ROCE 04 Marie Budíková Katedra aplikované matematiky, Přírodovědecká fakulta, Masarykova

Více