KE STATISTICKÉ DEFINICI DOMÁCNOSTI Jaromír Běláček
|
|
- Adéla Bartošová
- před 8 lety
- Počet zobrazení:
Transkript
1 KE STATISTICKÉ DEFINICI DOMÁCNOSTI Jaromír Běláček (9.SLOVENSKÁ DEMOGRAFICKÁ KONFERENCIA RODINA, , Tajov pro Banskej Bystrici) 1 ÚVOD Při úlohách vztažených k analýze a prezentaci výsledků výběrových šetření o příjmech a výdajích domácností, které jsou prováděny na ČSÚ v souvislosti s Mikrocensy, Statistikou rodinných účtů a dalšími kvantitativními šetřeními u domácností, se opakovaně objevuje problém statistické definice domácnosti. Pro různé typy účelových výstupů se používají definice různé, sestavované z různých, často nestejně definovaných pomocných proměnných, které nemají společný etymologický základ a uvádějí tak externího (a to i dlouhodobého) uživatele výstupů do nejistoty a do zmatku. Nic na tom nemění ani skutečnost, že v každé oficiální publikaci ČSÚ jsou přesné definice použitých klasifikací domácnosti detailně popsány v příslušné metodice a periodické publikace zachovávají v každém jednotlivém případě jednotný klasifikační koncept. Jako příklady nejrůznějších definic uveďme následující klasifikace podle: A/ druhu cenzové domácnosti: úplné rodiny, neúplné rodiny, vícečlenné nerodinné domácnosti, domácnosti jednotlivců (viz.[3]); B/ sociální skupiny domácnosti (podle osoby v čele domácnosti/přednosty) - viz.[2]: 1.dělník/zemědělec (ozn.d/z); 2.osoba samostatně výdělečně činná (OSVČ); 3.zaměstnanec (ZAM); 6.nezaměstnaný a ostatní ekonomicky aktivní (NEZ); 7.důchodce (DUCH); C/ počtu osob v hospodařící domácnosti : 1, 2, 3, 4, 5, 6+. Navíc všechny výše uvedené klasifikace domácností jsou resp. mohou být kombinovány například podle: D/ pohlaví a věku partnerů resp. přednosty; E/ rodinného stavu přednosty; F/ vzdělání, postavení v zaměstnání (KZAM) nebo odvětví ekonomické činnosti (OKEČ) přednosty resp. ekonomicky aktivních členů domácnosti; G/ zdrojů příjmů domácnosti: ze závislé činnosti, z podnikání, sociální (důchody; nemocenské resp. jiné dávky, přídavky a podpory) a ostatní (z kapitálového majetku, z pronájmů, z prodeje, dary, výhry, stipendia apod.); H/ peněžních vydání: spotřební vydání (klasifikace CZ-COICOP) resp. neklasifikovaná jako spotřební (daně, povinné pojištění, půjčky); I/ počtu závislých dětí; J/ typu bydlení: rodinný dům, bytový dům, jiný; K/ regionu: kraje nebo oblasti ČR; L/ místa nebo velikosti místa bydliště: např. do 5000, 5-50 tisíc, 50 tisíc-1 milion, více než 1 milion obyvatel. 1
2 Toto vše jsou kritéria, jejichž užití resp. použitelnost závisí samozřejmě na účelu. Důvtipný nebo do problematiky zainteresovaný čtenář však již nepochybně vnímá takřka neomezenou pestrost možností definic domácností vytvářených z kombinací položek výše uvedených.. Pro úplnost poznamenejme, že např. každá ze standardních klasifikací KZAM, OKEČ nebo COICOP obsahují minimálně 10 hlavních klasifikačních tříd, které jsou dále členitelné do dalších podrobností skýtajících již téměř nepřehledné množství možných účelově smysluplných definic. Účelem níže uvedeného textu je navrhnout pragmatický a metodicky jednotný koncept domácnosti, který by byl přirozený z hlediska toho, čím každá jednotlivá domácnost skutečně je (socio-ekonomický nebo možná lépe ekonomicko-sociální typ domácnosti, její demografická struktura) a jaké naplňuje potenciální funkce (ekonomická podpora nebo sociální zátěž státu, péče o děti). Koncept definice by měl být dostatečně jednoduchý, aby nenahrazoval složité struktury stávajících třídících proměnných pouze obdobně komplikovanou strukturou alternativní a na druhou stranu dostatečně podrobný, aby umožňoval agregace do většiny již standardně používaných klasifikací a hlavně byl použitelný pro systematickou strukturální analýzu. Právě zde narážíme na pravděpodobně hlavní zdroj problémů při klasifikaci domácností, který se odvíjí historicky od dob prvních moderních sčítání lidu uskutečněných na území dnešní ČR po druhé světové válce. Ve snaze podržet jednotnou metodickou linii se do současnosti respektuje jako základní koncept definice domácnosti podle druhu cenzovní domácnosti (referovaný v tomto textu ad A/). Tato klasická definice podporuje v zásadě centralistický koncept státu, kde hlavním kritériem byla kvantita tj. počet závislých dětí a od něj se odvíjející sociální podpora státu vícepočetným rodinám. Zhruba od poloviny 90.let minulého století však tento koncept již přestal být relevantní. Kritéria pro klasifikaci rodiny se čím dál tím více transformují do ekonomického pojetí, kde aspekty sociální samozřejmě hrají svoji roli, ale přenášejí se zatím - vzhledem k dramaticky se snižujícím počtům závislých dětí a demografickému stárnutí obyvatelstva - čím dál tím více na generaci v důchodovém věku. Budoucnost pojetí rodiny je tedy v klasifikaci charakterizující spíše hospodařící domácnosti, kde o postavení rodiny na společenském žebříčku hodnot rozhoduje počet resp. struktura osob v domácnosti podle zdrojů příjmů a samotné počty závislých dětí se redukují na úroveň sice nesmírně významného, ale v zásadě kvalitativního ukazatele. Ve smyslu statistické definice domácnosti lze tedy patrně považovat za správnou preferenci respektující ekonomizující hlediska a dříve primární cenzovní tj. konceptuálně pouze rodinné pojetí přesunout do pozice spíše alternativního klasifikačního kritéria. 2 NÁVRH KONCEPTU STATISTICKÉ DEFINICE DOMÁCNOSTI Základní koncept pro analýzu byl zvolen na úrovni statisticky významných kombinací klasifikace sociální skupiny domácnosti (podle jejího přednosty) tak jak byla definována v 1B/ a reprezentace domácnosti podle počtu členů ve třech resp. čtyřech statisticky nejvýznamnějších skupinách ekonomické aktivity v širším pojetí tj. v členění na: i/osoby závislé (ozn. pdeti); ii/osoby ekonomicky aktivní /s vlastním zdrojem příjmu/ (ozn. pea); iii/nezaměstnaní a ostatní ekonomicky aktivní /dospělé/ osoby (ozn. pnez); iv/nepracující 2
3 důchodci (ozn. npduch). V oprávněných a ve speciálních případech může být toto pojetí snadno rozšířeno o doplňková kritéria jako je např. pohlaví přednosty domácnosti (ozn. pohlp). Pro získání elementární představy zaveďme proměnnou MANCAT5 definovanou předpisem mancat5=skup7*10000+pdeti*1000+pea*100+pnez*10+npduch, kde SKUP7 nabývá týchž hodnot jako sociální skupina domácnosti v 1B/ a navíc hodnoty 4. zaměstnaný (ozn. EA), když nechceme nebo nemůžeme přímo specifikovat skupinu 1.(D/Z) nebo 2.(OSVČ) nebo 3.(ZAM). MANCAT5 reprezentuje nyní pětimístný kód, který například na souboru domácností z šetření o sociální situaci domácností 2000 představuje 326 atomizovaných typů domácností v rozpětí od 1 do 1670 četností výskytu (n) v jednotlivých typech domácností. Výběrem nejvýznamnějších z nich a agregací do několika zbytkových skupin byl tento soubor předefinován do dákladní klasifikace (proměnné) MANCAT4: mancat4= if (skup7=4) mancat4= if ((skup7=4)&(pdeti=0) &(pea=1)&(npduch=1)) mancat4= if ((skup7=4)&(pdeti=0) &(pea=2)&(npduch=1)) mancat4= if ((skup7=4)&(pdeti=0) &(pea=3)&(npduch=0)) mancat4= if ((skup7=4)&(pdeti=0) &(pea=4)&(npduch=0)) mancat4= if ((skup7=4)&(pdeti=1) &(pea=3)&(npduch=0)) mancat4= if ((skup7=1)&(pdeti=0) &(pea=1)&(npduch=0)) mancat4= if ((skup7=1)&(pdeti=0) &(pea=2)&(npduch=0)) mancat4= if ((skup7=1)&(pdeti=1) &(pea=1)&(npduch=0)) mancat4= if ((skup7=1)&(pdeti=1) &(pea=2)&(npduch=0)) mancat4= if ((skup7=1)&(pdeti>=2)&(pea=1)&(npduch=0)) mancat4= if ((skup7=1)&(pdeti>=2)&(pea=2)&(npduch=0)) mancat4= if ((skup7=2)&(pdeti=0) &(pea=1)&(npduch=0)) mancat4= if ((skup7=2)&(pdeti=0) &(pea=2)&(npduch=0)) mancat4= if ((skup7=2)&(pdeti=1) &(pea=1)&(npduch=0)) mancat4= if ((skup7=2)&(pdeti=1) &(pea=2)&(npduch=0)) mancat4= if ((skup7=2)&(pdeti>=2)&(pea=1)&(npduch=0)) mancat4= if ((skup7=2)&(pdeti>=2)&(pea=2)&(npduch=0)) mancat4= if ((skup7=3)&(pdeti=0) &(pea=1)&(npduch=0)) mancat4= if ((skup7=3)&(pdeti=0) &(pea=2)&(npduch=0)) mancat4= if ((skup7=3)&(pdeti=1) &(pea=1)&(npduch=0)) mancat4= if ((skup7=3)&(pdeti=1) &(pea=2)&(npduch=0)) mancat4= if ((skup7=3)&(pdeti>=2)&(pea=1)&(npduch=0)) mancat4= if ((skup7=3)&(pdeti>=2)&(pea=2)&(npduch=0)) mancat4= if (skup7=6) mancat4= if (skup7=6)&((pdeti=0)&(rezid=1)) mancat4= if (skup7=6)&((pdeti>=1)&(rezid=1)) mancat4= if (skup7=7) mancat4= if (skup7=7)&(pdeti=0) &(pea=0) &(npduch=1)&(pohlp=1)) mancat4= if (skup7=7)&(pdeti=0) &(pea=0) &(npduch=1)&(pohlp=2)) mancat4= if (skup7=7)&(pdeti=0) &(pea=0) &(npduch=2)) mancat4= if (skup7=7)&(pdeti=0) &(pea=1) &(npduch=1)) mancat4= if (skup7=7)&(pdeti=0) &(pea=1) &(npduch=2)) mancat4= if (skup7=7)&(pdeti>=1)&((npduch=1)or(npduch=2)))mancat4= do 34 reprezentativních typů. Kód na prvním řádku slouží pouze pro formální kontrolu, že rozklad do níže definovaných skupin je úplný. 3
4 3 APLIKACE NA MODEL SOUHRNNÉHO ROČNÍHO ČISTÉHO PŘÍJMU DOMÁCNOSTÍ Na obr. č.1 je znázorněn empirický histogram rozdělení souhrnných ročních čistých příjmů na reprezentativním vzorku náhodného výběru domácností ČR z šetření o sociální situaci (5 domácností s příjmy nad 1,5mil.Kč bylo pro účely níže uvedené analýzy z původního souboru vyčleněno.) Histogram je uspořádán vzestupně po 2500Kč (středy ekvidistantních příjmových intervalů na horizontální ose) a kumulativně (na vertikální ose) podle 34 výše definovaných typologických skupin domácností. Jako dominantní shledáváme skupiny domácností jednočlenných důchodců-žen (pod kódem ) s odhadnutým průměrným čistým příjmem v r.2000 mírně nad 78tis.Kč a dvoučlenných domácností důchodců (pod kódem ) s ročním průměrem Kč. Na barevné verzi histogramu bychom identifikovali ještě další významně přispívající skupiny domácností jako např. v dolním příjmovém pásmu ještě důchodci-muži s kódem a s průměrem o poznání vyšším než u žen, ve středním příjmovém pásmu např. kategorie domácností přednostů-dělníků/rolníků s ještě další ekonomicky aktivní osobou (bez dětí pod kódem s průměrem Kč anebo s dětmi pod kódem s průměrným čistým celkovým příjmem Kč); ve vyšším příjmovém spektru jde pak zejména o vyšší zastoupení domácností se třemi a více zdroji příjmů (jmenovitě např. pod kódy 40390, a s čistými příjmy vyššími než 350tis.Kč ročně). V zásadě je histogram příjmové struktury domácností (až na náhodné odchylky podmíněné rozsahem výběru domácností a response-kvalitou dat) vytvářen dvěma dominantními skupinami domácností (jednotlivců a dvojic) důchodců a směsí rozdělení na všech ostatních (výše definovaných) skupinách domácností, které se kumulují do jednoho agregačního jednovrcholového rozdělení. Kvantitativní představu o struktuře rozložení četností v jednotlivých položkách definice MANCAT4, o výběrových průměrech (M1) a o směrodatných odchylkách (SD1, které byly odhadnuty standardně odmocninou z výběrového rozptylu), získáme zevrubným prozkoumáním sloupců 2-5 níže uvedené tabulky. Všimněme si nyní, že rozpětí směrodatných odchylek SD1 (ve sloupci 5) je značně variabilní: s nejnižšími hodnotami u všech výše zmíněných skupin domácností důchodců (charakteristické pro řádově stejnocenné výše nominálních důchodů), s nejvyššími ve skupinách domácností s přednostou OSVČ. V předposledním sloupci tabulky jsou uvedeny alternativy/korekce směrodatných odchylek (SD2) pořízené na základě formální matematicko-statistické aproximace histogramu (z obr. č.1) pro každou z 34 výše definovaných skupin domácností. (Parametry každé z 34 modelových křivek byly zvoleny tak, aby zachovávaly střední hodnoty/empirické průměry uvedené ve 4.sloupci tabulky a současně aby minimalizovaly součet čtverců mezi empirickými hodnotami odpovídajících částí histogramu a teoretickými křivkami ze zvolené rodiny standardních dvouparametrických Gamma rozdělení.) Alternativní odhady směrodatných odchylek (SD2) můžeme považovat (oproti konzervativním SD1) za přesnější, neboť lépe odpovídají skutečnému (nenormálnímu) charakteru dat. V posledním sloupci tabulky jsou (v %) vyčísleny podíly SD2/SD1, které vyjadřují úsporu na přesnosti výsledků (např. na intervalech spolehlivosti pro očekávané hodnoty průměrných příjmů ve skupinách), kterou jsme získali prostřednictvím teoretického Gamma modelu. Modelové Gamma křivky nám umožňují vykreslit model teoretického rozložení struktury příjmů domácností. Na obr.2 jsou modelové křivky navrstveny kumulativně ve srovnatelném měřítku s empirickými (z obr.1). Obrázek č.2 průzračně zvýrazňuje již výše popsané nejvýznamnější skupiny domácností. Při optické interpretaci mějme na paměti, že dílčí teoretické Gamma křivky zachovávají strukturu středních hodnot jako ve 4.sloupci níže uvedené tabulky. 4
5 Obr.1: histogram rozdělení ročního čistého příjmu domácností Obr.2: model rozdělení ročního čistého příjmu domácností , , , Obr.3: simulace rozdělení ročního čistého příjmu domácností
6 Tabulka: Výběrové charakteristiky statistické definice/struktury proměnné MANCAT4 MANCAT4 n %n M1(Kč) SD1 SD2 %SD2/SD , ,01% , , ,4 52,95% 10290, ,14% , , ,9 41,05% 11190, ,56% , , ,0 34,26% 11290, ,07% , , ,1 58,08% 12190, ,31% , , ,2 66,00% 12290, ,73% , , ,1 60,72% 20190, ,17% , , ,2 18,72% 20290, ,40% , , ,1 60,25% 21190,0 72 0,68% , , ,2 43,38% 21290, ,34% , , ,2 59,49% 22190, ,05% , , ,0 29,87% 22290, ,10% , , ,3 52,11% 30190, ,83% , , ,9 55,14% 30290, ,56% , , ,5 55,64% 31190, ,40% , , ,7 59,59% 31290, ,90% , , ,6 46,20% 32190, ,04% , , ,2 37,81% 32290, ,82% , , ,7 50,48% 40191, ,24% , , ,0 50,90% 40291, ,22% , , ,1 45,72% 40390, ,39% , , ,4 45,83% 40490, ,05% , , ,2 40,79% 41390, ,68% , , ,8 47,56% 49699, ,58% , , ,0 74,03% 60010, ,62% , , ,7 80,59% 61010, ,61% , , ,1 48,09% 69989, ,09% , , ,4 41,69% 70091, ,00% 89243, , ,0 23,39% 70091, ,34% 78183, ,8 8268,6 34,50% 70092, ,92% , , ,7 49,02% 70191, ,40% , , ,4 49,97% 70192, ,14% , , ,0 49,05% 71991, ,45% , , ,5 38,48% 79997, ,16% , , ,2 56,54% CELKEM % , , Teoretické rozdělení (směs) znázorněné na obr. 2 lze konečně použít jako generátor náhodných veličin reprezentujících příjmovou strukturu domácností libovolně velkého rozsahu. Jedna náhodně vygenerovaná verze simulačního experimentu pro (stratifikovaný) výběr o rozsahu je znázorněna na obr.3. Je zřejmé, že pro dobře postavenou statistickou definici domácnosti optimální ve smyslu zadaných kvalitativních resp. účelových kritérií, může být uvedený model velmi efektivní i pro kvantitativní dopočty na úrovni chybějících pozorování (no-response). Jedinou podmínkou pro úspěšné řešení takovéto úlohy je dostatečně reprezentativní vzorek response-domácností, na kterém lze vymodelovat statistické vazby podstatné pro pevně zadanou soustavu požadavků např. pro předpokládaná výstupní tabelační třídění, záměrné (předem metodicky ujasněné) korektury, přepočty apod. Literatura: [1] Holý D.: Vývoj diferenciace mezd zaměstnanců za období ekonomické transformace, str , Statistika 3/35, ČSÚ, 1998; [2] Příjmy, vydání a spotřeba domácností statistiky rodinných účtů za rok 2002, periodikum ČSÚ; [3] Sčítání lidu, domů a bytů 2001, vybrané informace, ČSÚ, Praha, květen
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.
VíceAnalýza dat na PC I.
CENTRUM BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Analýza dat na PC I. Popisná analýza v programu Statistica IBA výuka Základní popisná statistika Popisná statistika
VíceRobust 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
Více1. Úvod do studia statistiky. 1.1. Významy pojmu statistika
1. Úvod do studia statistiky Andrew Lang o politikovi: Používá statistiku jako opilý člověk pouliční lampu spíš na podporu než na osvětlení. Benjamin Disraeli o lži: Jsou tri stupně lži - lež, nehanebná
Více1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.
2. Některá důležitá rozdělení Diskrétní rozdělení. Alternativní rozdělení Ap) Bernoulli) je diskrétní rozdělení, kdy náhodná veličina X nabývá pouze dvou hodnot a a pro její pravděpodobnostní funkci platí:
VíceÚvod do problematiky měření
1/18 Lord Kelvin: "Když to, o čem mluvíte, můžete změřit, a vyjádřit to pomocí čísel, něco o tom víte. Ale když to nemůžete vyjádřit číselně, je vaše znalost hubená a nedostatečná. Může to být začátek
VíceAnalýza vývoje příjmů a výdajů domácností ČR v roce 2015 a predikce na další období. (textová část)
I. Analýza vývoje příjmů a výdajů domácností ČR v roce 2015 a predikce na další období (textová část) Obsah strana Metodika a zdroje použitých dat... 1 A. Základní charakteristika příjmové a výdajové situace
Více4. MZDY Úplné náklady práce Výkaznictví ČSÚ Strukturální mzdová statistika
4. MZDY Pod souhrnným výrazem mzda budeme v dalším textu rozumět také plat v nepodnikatelské sféře, budeme hovořit vždy o hrubých částkách, tedy před snížením o pojistné na všeobecné zdravotní pojištění
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VíceZápočtová práce STATISTIKA I
Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru
VíceIII. Sociální stratifikace rodin respondentů ve věku 25-44 let a jejich dětí do 15 let
III. Sociální stratifikace respondentů ve věku 25-44 let a jejich dětí do 15 let Propojení údajů ze standardní části výběrového šetření o velikosti y, ekonomické aktivitě respondentů a jejich postavení
Více1. ZÁKLADNÍ ÚDAJE O ŠETŘENÍ
1. ZÁKLADNÍ ÚDAJE O ŠETŘENÍ Název šetření: Podoba formuláře: Roční šetření o výzkumu a vývoji Výkaz o výzkumu a vývoji VTR 5 01 je distribuován ve dvou mutacích podle sektorů provádění VaV: mutace (a)
VíceAnalýza vývoje příjmů a výdajů domácností ČR v roce 2014 a predikce na další období. (textová část)
I. Analýza vývoje příjmů a výdajů domácností ČR v roce 2014 a predikce na další období (textová část) Obsah strana Metodika a zdroje použitých dat... 1 A. Základní charakteristika příjmové a výdajové situace
VíceZískávání znalostí z dat
Získávání znalostí z dat Informační a komunikační technologie ve zdravotnictví Získávání znalostí z dat Definice: proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné informace
VíceCenová statistika ve stavebnictví
Ing. Martin NOVÝ, CSc. KONCES, spol. s r.o., Brno Cenová statistika ve stavebnictví Připravovaný vstup České republiky do Evropské unie vyžaduje transformaci statistické služby tak, aby odpovídala požadavkům
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceMEZINÁRODNÍ SROVNÁNÍ MZDOVÝCH ÚROVNÍ A STRUKTUR
MEZINÁRODNÍ SROVNÁNÍ MZDOVÝCH ÚROVNÍ A STRUKTUR Za referenční rok 2002 bylo provedeno pan-evropské strukturální šetření mezd zaměstnanců (SES) ve všech dnešních členských státech Evropské unie kromě Malty
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceMinimální hodnota. Tabulka 11
PŘÍLOHA č.1 Výsledné hodnoty Výsledky - ženy (SOŠ i SOU, maturitní i učební obory) Aritmetický průměr Maximální hodnota Minimální hodnota Medián Modus Rozptyl Směrodatná odchylka SOM 0,49 2,00 0,00 0,33
VíceJEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica
JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu
VíceObsah přednášky Jaká asi bude chyba modelu na nových datech?
Obsah přednášky Jaká asi bude chyba modelu na nových datech? Chyba modelu Bootstrap Cross Validation Vapnik-Chervonenkisova dimenze 2 Chyba skutečná a trénovací Máme 30 záznamů, rozhodli jsme se na jejich
VíceStatistika. Program R. popisná (deskriptivní) statistika popis konkrétních dat. induktivní (konfirmatorní) statistika. popisná statistika
Statistika Cvičení z matematické statistiky na PřF Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy léto 2012 Základní dělení popisná (deskriptivní)
VíceMnohorozměrná statistická data
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistický znak, statistický soubor Jednotlivé objekty nebo subjekty, které jsou při statistickém
Více(Auto)korelační funkce. 2. 11. 2015 Statistické vyhodnocování exp. dat M. Čada www.fzu.cz/ ~ cada
(Auto)korelační funkce 1 Náhodné procesy Korelace mezi náhodnými proměnnými má široké uplatnění v elektrotechnické praxi, kde se snažíme o porovnávání dvou signálů, které by měly být stejné. Příkladem
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceVÝVOJ VYBRANÝCH UKAZATELŮ ŽIVOTNÍ ÚROVNĚ V ČESKÉ REPUBLICE V LETECH 1993 2012. Zpracoval Odbor analýz a statistik (65)
M I N I S T E R S T V O P R Á C E A S O C I Á L N Í C H V Ě C Í VÝVOJ VYBRANÝCH UKAZATELŮ ŽIVOTNÍ ÚROVNĚ V ČESKÉ REPUBLICE V LETECH 1993 2012 VÝVOJ VYBRANÝCH UKAZATELŮ ŽIVOTNÍ ÚROVNĚ V ČESKÉ REPUBLICE
VíceMožný přístup k odhadu spotřeby elektřiny v ČR a jednotlivých regionech
Možný přístup k odhadu spotřeby elektřiny v ČR a jednotlivých regionech Euroenergy, spol. s r.o. 21. září 2011 XIV. Podzimní konference AEM Úvod Předešlé práce a tato prezentace byly zpracovány s využitím:
VíceSTATISTICA Téma 8. Regresní a korelační analýza, regrese prostá
STATISTICA Téma 8. Regresní a korelační analýza, regrese prostá 1) Lineární i nelineární regrese prostá, korelace Naeditujeme data viz obr. 1. Obr. 1 V menu Statistika zvolíme submenu Pokročilé lineární/nelineární
VíceZpracování a vyhodnocování analytických dat
Zpracování a vyhodnocování analytických dat naměřená data Zpracování a statistická analýza dat analytické výsledky Naměř ěřená data jedna hodnota 5,00 mg (bod 1D) navážka, odměřený objem řada dat 15,8;
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
VícePRO VNITROSTÁTNÍ STATISTICKÉ ORGÁNY A PRO STATISTICKÝ ÚŘAD SPOLEČENSTVÍ
PRO VNITROSTÁTNÍ STATISTICKÉ ORGÁNY A PRO STATISTICKÝ ÚŘAD SPOLEČENSTVÍ přijatý přijatý Výborem Výborem pro pro Evropský Evropský statistický statistický systém systém dne dne 28. 28. září září 2011 2011
VíceSAMOSTATNÁ 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(n, m) (n, p) (p, m) (n, m)
48 Vícerozměrná kalibrace Podobně jako jednorozměrná kalibrace i vícerozměrná kalibrace se používá především v analytické chemii Bude vysvětlena na příkladu spektroskopie: cílem je popis závislosti mezi
VíceDOJÍŽĎKA A VYJÍŽĎKA DO ZAMĚSTNÁNÍ DO/Z HL. M. PRAHY
DOJÍŽĎKA A VYJÍŽĎKA DO ZAMĚSTNÁNÍ DO/Z HL. M. PRAHY Analýza základních charakteristik a vývoje Ing. Jiří Mejstřík září 2012 Dojížďka a vyjížďka do zaměstnání do/z hl. m. Prahy aktualizace 2012 Analýza
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceVOLBY 2013 - LIBERECKÝ KRAJ
VOLBY 2013 - LIBERECKÝ KRAJ zpráva z předvolebního výzkumu veřejného mínění VOLEBNÍ POTENCIÁL STRAN a POSTOJ K NEMOCNIČNÍ PÉČI Období sběru dat:18. 9. 2013 23. 9. 2013 ZÁKLADNÍ METODOLOGICKÉ INFORMACE
VíceSYSTÉM TECHNICKO-EKONOMICKÉ ANALÝZY VÝROBY TEKUTÉHO KOVU - CESTA KE SNIŽOVÁNÍ NÁKLADŮ
SYSTÉM TECHNICKO-EKONOMICKÉ ANALÝZY VÝROBY TEKUTÉHO KOVU - CESTA KE SNIŽOVÁNÍ NÁKLADŮ FIGALA V. a), KAFKA V. b) a) VŠB-TU Ostrava, FMMI, katedra slévárenství, 17. listopadu 15, 708 33 b) RACIO&RACIO, Vnitřní
VíceVybraná rozdělení náhodné veličiny
3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.
VíceANALÝZA (OBDOBÍ 1991 2006) A PROGNÓZA (OBDOBÍ 2007 2030) VÝVOJE OBYVATELSTVA MĚSTA PODĚBRADY
ANALÝZA (OBDOBÍ 1991 26) A PROGNÓZA (OBDOBÍ 27 23) VÝVOJE OBYVATELSTVA MĚSTA PODĚBRADY Východiska, předpoklady a základní výsledky RNDr. Boris Burcin RNDr. Tomáš Kučera, CSc. Doc. RNDr. Zdeněk Čermák,
VíceSystém řízení energetického hospodářství
Systém řízení energetického hospodářství Návrh kroků a opatření vedoucích k zavedení energetického managementu Projekt je zaměřený na zavedení energetického managementu pro potřeby města Pardubice V Pardubicích
VíceVýrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy
Výrobní produkce divizí Ice Cream Polo ha planet Rozložený výsečový 3D graf Bublinový graf Ice Cream 1 15% Ice Cream 2 12% Ice Cream 3 18% Ice Cream 4 20% Statistika 40 30 20 Ice Cream 6 19% Ice Cream
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
Více2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat
2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat Anotace Realitu můžeme popisovat různými typy dat, každý z nich se specifickými vlastnostmi,
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
Vícemodul příjemci důchodů. pro měření kvality pro základní systém ESSPROS a pro PŘIJALA TOTO NAŘÍZENÍ:
13.11.2007 Úřední věstník Evropské unie L 294/5 NAŘÍZENÍ KOMISE (ES) č. 1322/2007 ze dne 12. listopadu 2007, kterým se provádí nařízení Evropského parlamentu a Rady (ES) č. 458/2007 o Evropském systému
VíceNáhodná proměnná. Náhodná proměnná může mít rozdělení diskrétní (x 1. , x 2. ; x 2. spojité (<x 1
Náhodná proměnná Náhodná proměnná může mít rozdělení diskrétní (x 1, x 2,,x n ) spojité () Poznámky: 1. Fyzikální veličiny jsou zpravidla spojité, ale změřené hodnoty jsou diskrétní. 2. Pokud
VícePraktická statistika. Petr Ponížil Eva Kutálková
Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo
VíceSimulační modely. Kdy použít simulaci?
Simulační modely Simulace z lat. Simulare (napodobení). Princip simulace spočívá v sestavení modelu reálného systému a provádění opakovaných experimentů s tímto modelem. Simulaci je nutno považovat za
VíceZáklady popisné statistiky
Základy popisné statistiky Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 8. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 26 Obsah 1 Základy statistického zpracování dat 2
VíceSEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
VíceVYBRANÉ MOŽNOSTI SNIŽOVÁNÍ EMISÍ SO2 U STÁVAJÍCÍCH UHELNÝCH ZDROJŮ
VYBRANÉ MOŽNOSTI SNIŽOVÁNÍ EMISÍ SO2 U STÁVAJÍCÍCH UHELNÝCH ZDROJŮ Oldřich Mánek, Pavel Slezák, Petr Julínek Příspěvek shrnuje vybrané možnosti snižování emisí oxidu siřičitého SO 2 u stávajících zdrojů
VíceAbsolventi středních škol a trh práce PEDAGOGIKA, UČITELSTVÍ A SOCIÁLNÍ PÉČE. Odvětví:
Absolventi středních škol a trh práce Odvětví: PEDAGOGIKA, UČITELSTVÍ A SOCIÁLNÍ PÉČE Ing. Mgr. Pavla Paterová Mgr. Gabriela Doležalová a kolektiv autorů Praha 2015 Obsah 1. Úvodní slovo... 3 2. Nově přijatí
VíceÚloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:
Úloha č. 1 - Kvantily a typická hodnota (bodově tříděná data): Určete typickou hodnotu, 40% a 80% kvantil. Tabulka hodnot: Varianta Četnost 0 4 1 14 2 17 3 37 4 20 5 14 6 7 7 11 8 20 Typická hodnota je
VíceMINISTERSTVO 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
VíceAnalýza časových řad. John Watters: Jak se stát milionářem.
5.2 Analýza časových řad Nechal jsem si udělat prognózu růstu své firmy od třech nezávislých odborníků. Jejich analýzy se shodovaly snad pouze v jediném - nekřesťanské ceně, kterou jsem za ně zaplatil.
VíceBodové a intervalové odhady parametrů v regresním modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model Mějme lineární regresní model (LRM) Y = Xβ + e, kde y 1 e 1 β y 2 Y =., e
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
VícePořízení licencí statistického SW
Pořízení licencí statistického SW Zadavatel: Česká školní inspekce, Fráni Šrámka 37, 150 21 Praha 5 IČO: 00638994 Jednající: Mgr. Tomáš Zatloukal Předpokládaná (a maximální cena): 1.200.000 vč. DPH Typ
VíceObnovitelné zdroje energie v roce 2005
Obnovitelné zdroje energie Obnovitelné zdroje energie v roce 2005 Výsledky statistického zjišťování srpen 2006 Sekce koncepční Odbor surovinové a energetické politiky Oddělení surovinové a energetické
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceHraniční duby určení věku
Hraniční duby určení věku Úvodem. Panem starostou ing. Petrem Hejlem jsem byl upozorněn na mohutné duby, rostoucí na hranici mezi Suchdolem a Roztoky. Mohlo by se jednat o hraniční duby, které by si pak
VíceAnalýza přežití čertic a čertů
StatSoft Analýza přežití čertic a čertů Vzpomeňme si na pohádku s Čerty nejsou žerty. V ní Lucifer (dále jen Lůca) pověřil čerta Janka, aby přinesl Dorotu Máchalovou do pekla, poněvadž míra jejích hříchů
VíceIII. Charakteristika výsledků 4. čtvrtletí 2005
III. Charakteristika výsledků 4. čtvrtletí 2005 Prezentované výsledky šetření charakterizují (v souladu s uplatněnými mezinárodními metodickými přístupy) populaci žijící pouze ve vybraných bytech. Situace
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
VíceKLASIFIKACE EKONOMICKÝCH ČINNOSTÍ (CZ-NACE)
METODIKA Ročník 2008 Klasifikace a číselníky Praha, 24. ledna 2008 Kód publikace: 0216-08 Č. j.: 50 / 2008-21 KLASIFIKACE EKONOMICKÝCH ČINNOSTÍ (CZ-NACE) Zpracoval: Ředitel odboru: Oddělení informačních
VíceVýkaz zisku a ztráty ÚZEMNÍ SAMOSPRÁVNÉ CELKY, SVAZKY OBCÍ, REGIONÁLNÍ RADY REGIONŮ SOUDRŽNOSTI. sestavený k 31.12.2010. (v tis.
Výkaz zisku a ztráty ÚZEMNÍ SAMOSPRÁVNÉ CELKY, SVAZKY OBCÍ, REGIONÁLNÍ RADY REGIONŮ SOUDRŽNOSTI sestavený k 31.12.2010 (v tis. Kč) Název účetní jednotky: Sdružení obcí pro vybudování a provozování skládky
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceRegresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
VíceKombinatorika, pravděpodobnost a statistika, Posloupnosti a řady
Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník 3 hodiny týdně PC a dataprojektor Kombinatorika Řeší jednoduché úlohy
VíceKDO JE CHUDÝ A KDO JE BOHATÝ? CO VYPLÝVÁ Z DAT STATISTIKY RODINNÝCH ÚČTŮ
KDO JE CHUDÝ A KDO JE BOHATÝ? CO VYPLÝVÁ Z DAT STATISTIKY RODINNÝCH ÚČTŮ WHO ARE THE POOR AND WHO ARE THE RICH? WHAT CAN WE DERIVE FROM THE HOUSEHOLD BUDGET SURVEY Robert Jahoda Anotace Příspěvek se snaží
VíceKOMPRESE OBRAZŮ. Václav Hlaváč. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání. hlavac@fel.cvut.
1/24 KOMPRESE OBRAZŮ Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac KOMPRESE OBRAZŮ, ÚVOD 2/24 Cíl:
VícePoznámky k předmětu Aplikovaná statistika, 9.téma
Poznámky k předmětu Aplikovaná statistika, 9téma Princip testování hypotéz, jednovýběrové testy V minulé hodině jsme si ukázali, jak sestavit intervalové odhady pro některé číselné charakteristiky normálního
VíceMěření regionálních rozdílů ve finanční dostupnosti bydlení v České republice
Měření regionálních rozdílů ve finanční dostupnosti bydlení v České republice Ing. Mgr. Martin Lux, Ph.D. Jilská 1 110 00 Praha 1 martin.lux@soc.cas.cz Oddělení socioekonomie bydlení Struktura prezentace
VíceTéma 9: Vícenásobná regrese
Téma 9: Vícenásobná regrese 1) Vytvoření modelu V menu Statistika zvolíme nabídku Vícerozměrná regrese. Aktivujeme kartu Detailní nastavení viz obr.1. Nastavíme Proměnné tak, že v příslušném okně viz.
VíceVLIV DOSAŽENÉHO VZDĚLÁNÍ NA UPLATNĚNÍ MLADÝCH LIDÍ NA TRHU PRÁCE
VLIV DOSAŽENÉHO VZDĚLÁNÍ NA UPLATNĚNÍ MLADÝCH LIDÍ NA TRHU PRÁCE Ondřej Nývlt Dagmar Bartoňová Abstract Uplatnění mladých lidí na trhu práce se stále více dostává do popředí zájmu politiků, ekonomů a širší
VíceKomplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady
Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník a oktáva 3 hodiny týdně PC a dataprojektor, učebnice
VícePomocný analytický přehled
Pomocný analytický přehled Název účetní jednotky: MĚSTO TÝNIŠTĚ NAD ORLICÍ Sídlo: Mírové náměstí 90 517 21 Týniště nad Orlicí Právní forma: územní samosprávný celek IČO : 00275468 Část I: Počáteční a koncové
VíceLINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica
LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná
VíceVYSOK A ˇ SKOLA POLYTECHNICK A JIHLAVA Katedra matematiky Statistick a anal yza a ˇ casov e ˇ rady v pˇ r ıkladech Stanislava Dvoˇ r akov a 2015
VYSOKÁ ŠKOLA POLYTECHNICKÁ JIHLAVA Katedra matematiky Statistická analýza a časové řady v příkladech Stanislava Dvořáková 2015 Stanislava Dvořáková STATISTICKÁ ANALÝZA A ČASOVÉ ŘADY V PŘÍKLADECH 1. vydání
VíceSTATISTIKA I Metodický list č. 1 Název tématického celku:
STATISTIKA I Metodický list č. 1 Analýza závislostí Základním cílem tohoto tématického celku je seznámit se s pokročilejšími metodami zpracování statistických údajů.. 1. kontingenční tabulky 2. regresní
VíceTechnisches Lexikon (cz.) 16/10/14
Technický lexikon Pojmy z techniky měření sil a točivých momentů a d a tových listů GTM Technisches Lexikon (cz.) 16/10/14 Úvod V tomto Technickém lexikonu najdete vysvětlení pojmů z techniky měření síly
VíceDynamické metody pro predikci rizika
Dynamické metody pro predikci rizika 1 Úvod do analýzy časových řad Časová řada konečná posloupnost reálných hodnot určitého sledovaného ukazatele měřeného v určitých časových intervalech okamžikové např
VíceSemestrální 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
VícePEGAS NONWOVENS SA ZPRÁVA ZA 1. ČTVRTLETÍ 2016
PEGAS NONWOVENS SA ZPRÁVA ZA 1. ČTVRTLETÍ 2016 26. května 2016 Konsolidované neauditované finanční výsledky za první čtvrtletí 2016 PEGAS NONWOVENS SA oznamuje své neauditované konsolidované finanční výsledky
VíceÚvod. 1.1. Vymezení a členění sektoru kultury
Úvod Satelitní účet kultury ČR (dále také účet kultury ) byl, v návaznosti na úkol vyplývající z usnesení vlády ČR č. 1452 z roku 2008, poprvé v ověřovacím provedení zpracován za referenční rok 2009 1.
VíceSlužby v BOZP, PO, ochraně životního prostředí. www.oikosgroup.cz, tel.: 737 309 406
Služby v BOZP, PO, ochraně životního prostředí. www.oikosgroup.cz, tel.: 737 309 406 Zařazení objektu/zařízení, ve kterém jsou umístěny vybrané nebezpečné chemické látky podle zákona 59/2006 Sb., o prevenci
VícePRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)
PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA) Reprezentativní náhodný výběr: 1. Prvky výběru x i jsou vzájemně nezávislé. 2. Výběr je homogenní, tj. všechna x i jsou ze stejného
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství
1 PŘÍLOHA KE KAPITOLE 11 2 Seznam příloh ke kapitole 11 Podkapitola 11.2. Přilité tyče: Graf 1 Graf 2 Graf 3 Graf 4 Graf 5 Graf 6 Graf 7 Graf 8 Graf 9 Graf 1 Graf 11 Rychlost šíření ultrazvuku vs. pořadí
VíceCitlivostní analý za pojistna sazba
Popis výsledků citlivostní analýzy pojistná sazba Zadání Na základě požadavku Odborné komise pro důchodovou reformu se níže uvedená citlivostní analýza zabývá dopady změny sazby pojistného na důchodové
VíceBodové a intervalové odhady parametrů v regresním modelu
Bodové a intervalové odhady parametrů v regresním modelu 1 Odhady parametrů 11 Bodové odhady Mějme lineární regresní model (LRM) kde Y = y 1 y 2 y n, e = e 1 e 2 e n Y = Xβ + e, x 11 x 1k, X =, β = x n1
VíceNÁVR NOVELY JEDNACÍHO ŘÁDU STRANY ZELENÝCH
NÁVR NOVELY JEDNACÍHO ŘÁDU STRANY ZELENÝCH Návrh na novelu jednacího a volebního řádu schváleného Republikovou radou Strany zelených dne 15. ledna 2006 v Pardubicích s účinností od 31.1.2006, ve znění
VíceInovace bakalářského studijního oboru Aplikovaná chemie http://aplchem.upol.cz
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Sedm základních nástrojů řízení kvality Doc. RNDr. Jiří Šimek,
VícePlánování experimentu
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces
Více7. SEMINÁŘ DESKRIPTIVNÍ STATISTIKA
7. SEMINÁŘ DESKRIPTIVNÍ STATISTIKA Oblasti využití statistiky v medicíně Zvládání variability Variabilita: biologická, podmínek, měřících přístrojů - hodnocení variability, variabilita náhodná x nenáhodná
VíceVÝVOJ VYBRANÝCH UKAZATELŮ ŽIVOTNÍ ÚROVNĚ V ČESKÉ REPUBLICE V LETECH 1993-2013. Zpracoval Odbor analýz a statistik (65) MPSV ČR
VÝVOJ VYBRANÝCH UKAZATELŮ ŽIVOTNÍ ÚROVNĚ V ČESKÉ REPUBLICE V LETECH 1993-2013 Zpracoval Odbor analýz a statistik (65) MPSV ČR Praha, červenec 2014 MPSV ČR, Praha 2014 ISBN 978-80-7421-078-5 O B S A H strana
VíceKorelace. Komentované řešení pomocí MS Excel
Korelace Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A2:B84 (viz. obrázek) Prvotní představu o tvaru a síle závislosti docházky a počtu bodů nám poskytne
Více