Klíčová slova prediktory absolvování studia medicíny, logistická regrese, ROC křivky
|
|
- Ján Veselý
- před 8 lety
- Počet zobrazení:
Transkript
1 STUDIUM SOUVISLOSTÍ MEZI ÚSPĚŠNOSTÍ STUDIA MEDICÍNY, ZNÁMKAMI STUDENTŮ NA STŘEDNÍ ŠKOLE A VÝSLEDKY PŘIJÍMACÍCH ZKOUŠEK 1 Čestmír Štuka, Petr Šimeček Anotace Studie analyzuje úspěšnost studentů přijatých v letech na 1. lékařskou fakultu UK. Ukazuje, že počet bodů získaných u přijímacích zkoušek je nepříliš dobrým prediktorem úspěšnosti studia, a navrhuje, jak přijímací řízení zefektivnit využitím znalosti známek ze střední školy. Klíčová slova prediktory absolvování studia medicíny, logistická regrese, ROC křivky Cílem naší studie bylo zhodnocení vlivu jednotlivých faktorů známých v době přijetí studenta na vysokou školu na úspěšnost (=úspěšné dokončení) studia medicíny. Při stanovení metodiky jsme se inspirovali předchozími pracemi Kožený et al. (2001) a Stránský, Štefanová (1998). Výše zmíněné práce studovaly pouze vzájemnou souvislost po dvojicích veličin, tedy obvykle nějakým způsobem kvantifikovanou závislost úspěšnosti a jednoho z faktorů. Interpretace takovýchto výsledků může být snadno zavádějící, viz známý příklad průkazné korelace mezi porodností a čapí populací v daném regionu z Disman (2002). V této studii ukazujeme, že samotný počet bodů u přijímacích zkoušek je nepříliš dobrým prediktorem úspěšnosti, a s využitím logistické regrese analyzujeme, co jsou skutečné předpoklady úspěšného absolvování studia medicíny. Naše závěry by mohly být užitečné například při racionalizaci přijímacího řízení. Práce je rozdělena do čtyř kapitol: V první kapitole se věnujeme popisu a přípravě dat. Druhá kapitola shrnuje použité metody. Ve třetí kapitole jsou uvedeny a ve čtvrté kapitole spolu s diskuzí interpretovány dosažené výsledky. Veškeré statistické analýzy byly provedeny ve volně dostupném prostředí R 2.1.1, grafy ROC křivek jsou nakresleny v SPSS. 1. Popis dat Data pochází od 673 českých a slovenských studentů 2, jež započali magisterské studium všeobecného lékařství nebo stomatologie na 1. lékařské fakultě Univerzity Karlovy v letech a toto 1 Tato práce byla podpořena z grantu GA ČR 201/05/H Pokud je autorům známo, jedná se o nejrozsáhlejší studii prediktorů úspěšnosti studia medicíny v ČR.
2 studium do roku 2005 ať již úspěšně či neúspěšně zakončili. Sedm (1%) studentů, jež mají studium přerušeno či stále ještě studují, není do studie zahrnuto. Pakliže studenti započali studium v tomto období vícekrát, je započítán pouze jejich první pokus. Navíc bylo ze studie vyřazeno 46 (7%) jedinců, o nichž nemáme dostupné všechny potřebné údaje, neboť se neúčastnili všech částí přijímací zkoušky (4 jedinci), údaje o jejich středoškolském studium jsou zjevně neadekvátní (9 jedinců) nebo na jejich přihlášce ke studiu chybějí známky z některých předmětů (33 jedinců). Vybraná populace se tedy skládá z 626 studentů, z nichž 463 (74%) studium úspěšně absolvovalo a 163 (26%) studia zanechalo. Z úspěšných studentů 341 ukončilo studium v řádném termínu (6 let), zatímco 122 jich potřebovalo dobu delší. Sledovanými atributy jsou pohlaví, typ středoškolského vzdělání (gymnaziální/jiné), počet bodů na jednotlivých částech přijímacích zkoušek (biologie, chemie, fyzika), průměrné známky za středoškolské studium z matematiky, fyziky, chemie, biologie a českého jazyka a průměrné známky z jednotlivých ročníků. Z těchto údajů byl dále dopočten součet bodů za přijímací zkoušky celkově, průměr z průměrů za jednotlivé ročníky a rozdíl průměrů v posledním a prvním ročníku střední školy zrcadlící zlepšení či zhoršení žáka během studia. Popisné statistiky jsou uvedeny v příloze. Před tím, než přistoupíme k samotné analýze, podívejme se podrobněji na jednotlivé faktory a vztahy mezi nimi. Pokud aplikuje podle Johnson, Wichern (2002) shlukovou analýzu nebo biplot na výsledky přijímacích zkoušek a známky ze střední školy (Obrázek 1), zjistíme, že jednotlivé části přijímacích zkoušek souvisejí více spolu navzájem než se středoškolskými známkami z odpovídajících předmětů. Zdá se tedy, že známky na vysvědčení nesou informaci do značné míry odlišnou od výsledků přijímacích zkoušek. SS.M SS.F SS.CJ SS.CH SS.B BODY.F BODY.CH BODY.B Dendrogram Vzdalenost Biplot Comp.1 Comp SS.M SS.F SS.CH SS.B SS.CJ BODY.CH BODY.B BODY.F absolvoval neabsolvoval Obr. 1: Dendrogram shlukové analýzy (Eukl. vzdálenost, úplné spoj.) a biplot
3 2. Přehled použitých metod Nejprve se budeme ve shodě s předchozími pracemi zabývat předpovědí úspěšnosti studia na základě jediného faktoru. K hodnocení jsme zvolili absolutní hodnotu Kruskalova gamma koeficientu (viz Agresti (2002), str.58). Tento koeficient nabývá hodnot z intervalu [ 1,1] a lze jej do jisté míry považovat za neparametrickou obdobu Pearsonova korelačního koeficientu: pakliže by všichni úspěšní studenti měli hodnotu zkoumaného faktoru vyšší (resp. nižší) než neúspěšní, byla by jeho hodnota 1 (resp. 1). Naopak pro kritéria s úspěchem studia nesouvisející by jeho hodnota měla být blízko 0. Podrobněji schopnost predikce vyšetříme pomocí tzv. ROC křivky, viz např. Zvárová (1998), tj. grafu, kde na osu x nanášíme podíl ze studentů neschopných dokončit studium, jež by byli přijati, a na osu y nanášíme podíl ze studentů schopných absolvovat, jež by byli přijati, při měnící se hraniční mezi klasifikace podle daného kritéria. Křivka tedy začíná v bodě [0,0] (nepřijmeme nikoho) a míří do bodu [1,1] (přijmeme všechny). Plochu pod ROC křivkou (AUC) lze interpretovat jako ukazatel kvality prediktoru. Výše uvedené metody nevypovídají nic o tom, jaké atributy zvolit, když se nechceme při predikci omezovat jen na jeden faktor. Kupříkladu to, že středoškolská známka z matematiky je dobrým prediktorem úspěšného studia, nevypovídá nic o tom, zda je užitečné tuto známku zahrnout do predikčního modelu, když již do něj zařadili známku z fyziky. Mnohem užitečnější se ukazuje přidat do modelu rozdíl mezi průměrem známek v posledním a prvním ročníku střední školy, což je sám o sobě poměrně špatný prediktor, nese ale "novou" informaci. Pro konstrukci predikcí na základě více faktorů budeme užívat logistickou regresi, tj. modely, u kterých je logit (logaritmus poměru šancí) na úspěšné dokončení studia popsán jako lineární kombinace prediktorů, viz např. Agresti (2002). Modely budeme porovnávat na základě Akaikeho informačního kritéria (AIC). Prediktor γ (s.e.) AUC (s.e.) Prediktor γ (s.e.) AUC (s.e.) SŠ matematika 0,31 (0,06) 0,64 (0,03) SŠ rozdíl ,05 (0,05) 0,53 (0,03) SŠ fyzika 0,35 (0,05) 0,66 (0,03) Body fyzika 0,28 (0,05) 0,64 (0,03) SŠ biologie 0,36 (0,06) 0,65 (0,03) Body biologie 0,12 (0,06) 0,56 (0,03) SŠ chemie 0,35 (0,05) 0,66 (0,03) Body chemie 0,31 (0,05) 0,65 (0,03) SŠ čes. jazyk 0,28 (0,06) 0,63 (0,03) Body celkem 0,28 (0,05) 0,64 (0,03) SŠ průměr 0,33 (0,05) 0,66 (0,03) Tab. 1: Kruskalovo gamma a plocha pod ROC křivkou u jednotlivých prediktorů
4 3. Výsledky V Tabulce 1 na předchozí straně je přehled Kruskalových gamma koeficientů a ploch pod ROC křivkami pro jednotlivé prediktory. Povšimněme si, že známky ze střední školy se zdají být lepšími prediktory než body z přijímacích zkoušek. To potvrzuje i Obrázek 2. Podíl přijatých z úspěšných studentů ROC Podíl přijatých z neúspěšných studentů Obr. 2: ROC křivky Referenční přímka Body celkem Body fyzika Body biologie Body chemie SŠ průměr SŠ čes. jazyk SŠ biologie SŠ chemie SŠ fyzika SŠ matematika U logistické regrese začneme modelem s výsledky přijímacích zkoušek. Koeficienty modelu predikce úspěchu studia v závislosti na bodech z biologie, chemie a fyziky, můžete vidět v Tab. 2. Povšimněme si znaménka u koeficientu b 1 značícího, že při daném výsledku přijímacího testu z fyziky a chemie, je test z biologie nejen neužitečný, ale dokonce matoucí (čím méně bodů, tím spíše bude student úspěšný)! logit(pst_úspěchu) = b 0 b 1 body_biologie b 2 body_fyzika b 3 body_chemie Koeficient Odhad s.e. Z hodnota p hodnota B 0-3, , , B 1-0, , ,082 0, B 2 0, , , B 3 0, , , Tab. 2: Model závislosti prav. úspěchu na výsledcích přijímacích zkoušek Model nyní obohatíme o zbylé prediktory a postupně budeme vyřazovat ty, jejichž odebrání vede ke snížení AIC (viz Tabulka 3) až získáme model předpovídající logit úspěšnosti studia na základě bodů z přijímacího testu z fyziky a chemie, průměrné středoškolské známky z biologie a chemie a rozdílu mezi průměrem v čtvrtém a prvním ročníku střední školy (viz Tabulka 4, podrobněji v příloze). Zdůrazněme ještě jednou, že nezařazení ostatních faktorů, tj. průměrné středoškolské známky z matematiky, českého jazyka a biologie, bodů za přijímací zkoušky z biologie,... do modelu v žádném případě neznamená, že by snad tyto s úspěšností studia nesouvisely. Jen jejich znalost není užitečná, pokud již známe faktory do modelu zahrnuté.
5 Veličiny v modelu pohlaví, body_fyzika, body_chemie, sš_matematika, sš_fyzika, sš_chemie, 653,52 sš_biologie, sš_čes_jazyk, typ_školy,sš_prům._prospěch, sš_rozdíl_prům. pohlaví, body_fyzika, body_chemie, sš_fyzika, sš_chemie, sš_biologie, 651,52 sš_čes_jazyk, typ_školy, sš_prům._prospěch, sš_rozdíl_prům. pohlaví, body_fyzika, body_chemie, sš_fyzika, sš_chemie, sš_biologie, 650,73 sš_čes_jazyk, typ_školy, sš_rozdíl_prům. body_fyzika, body_chemie, sš_fyzika, sš_chemie, sš_biologie, 648,97 sš_čes_jazyk, typ_školy, sš_rozdíl_prům. body_fyzika, body_chemie, sš_fyzika, sš_chemie, sš_biologie, typ_školy, 647,29 sš_rozdíl_prům. body_fyzika, body_chemie, sš_fyzika, sš_chemie, sš_biologie, 645,78 sš_rozdíl_prům. body_fyzika, body_chemie, sš_chemie, sš_biologie, sš_rozdíl_prům. 645,68 Tab. 3: Postupný výběr modelu na základě AIC kritéria Výsledek je poměrně robustní vůči drobným modifikacím. Pokud do modelu přidáme libovolný dříve vyloučený prediktor, hodnota AIC se zvýší. Dále pokud místo průměrů známek do modelu zahrneme čtverce těchto průměrů (progresivně znevýhodníme horší známky), výše popsaná procedura nalezne opět tentýž model. Stejně tomu bude, pokud závislost logitu pravděpodobnosti úspěchu na bodech z přijímacích zkoušek modelujeme (realističtěji) jako kvadratický polynom. logit(pst_úspěchu) = b 0 b 1 body_fyzika b 2 body_chemie b 3 sš_chemie b 4 sš_biologie b 5 rozdíl_mezi_4_a_1_průměrem Koeficient Odhad s.e. Z hodnota p hodnota b 0-2, , ,100 0, b 1 0, , ,949 0, b 2 0, , , b 3-0, , ,361 0, b 4-0, , ,934 0, b 5-0, , ,025 0, Tab. 4: Model závislosti logitu pravděpodobnosti úspěchu na zvolených prediktorech Abychom demonstrovali jakého zlepšení lze s pomocí tohoto modelu dosáhnout, zvažme úlohu klasifikace našich 626 studentů na dvě skupiny o 463 a 163 studentech (odpovídá počtu úspěšných a neúspěšných jedinců). V případě klasifikace podle bodů za přijímací zkoušky se dopustíme 272 (42%) chyb, podle průměrného prospěchu 176 chyb (28%), konečně podle navrženého kritéria jen 158 chyb (25%). Pokud vybereme z populace subpopulaci studentů, kteří studium dokončili, a "úspěšnými" pro tuto chvíli nazveme pouze ty z nich, kterým se to podařilo v 6 letech, můžeme zkoumat, jaké jsou prediktory AIC
6 absolvování studia v řádném termínu. Provedeme-li výběr modelu metodou analogickou k výše popsané, zjistíme, že mezi absolvujícími studenty je jednoznačným ukazatelem na včasné zakončení studia úspěch ve fyzice (jak na střední škole, tak u přijímacích zkoušek). 4. Závěr Naše studie poukázala na dva znepokojivé aspekty přijímacího řízení na 1. lékařské fakultě UK v letech Za prvé se zdá, že kvalita testů z biologie byla velice nízká a jejich přidaná hodnota k testům z fyziky a chemie zanedbatelná. Dále, výsledky studentů na střední škole byly zcela ignorovány, přestože tyto výsledky u studentů přijatých ke studiu predikují úspěšnost lépe než body z přijímacích zkoušek a kombinací obojího lze dosáhnout dalšího zlepšení. Je pochopitelně diskutabilní, a autoři této studie jsou si toho vědomi, nakolik je hodnocení prediktorů na základě přijatých studentů zobecnitelné na (nové) studenty ke studiu se hlásící, dále nakolik by změna přijímacího řízení mohla vést k deformaci hodnocení studentů na středních školách, zvláště těch hlásících se na medicínu, a do jaké míry lze úspěch studenta hodnotit jen základě schopnosti školu dokončit (a ne již např. podle studijních výsledků). Toto by spolu s lepším ošetřením chybějících pozorování a vícekrát ke studiu přijatých studentů mělo být předmětem dalšího výzkumu. Bližší zkoumání by si také zasluhovalo, proč právě studenti úspěšní ve fyzice spíše absolvují studium v řádném termínu a proč bylo ke studiu přijato i několik studentů s výrazně nižším počtem bodů na přijímacích zkouškách 3. Čestmír Štuka, stuka@cesnet.cz, 1. LF UK, Na Bojišti???, Praha. Petr Šimeček, 5r@matfyz.cz, ÚTIA AV ČR, Pod Vodárenskou věží 4, Praha. Reference: [1] A. Agresti: Categorical Data Analysis. Wiley, [2] M. Disman: Jak se vyrábí sociologická znalost. Karolinum, [3] R.A. Johnson, D.W. Wichern: Applied Multivariate Statistical Analysis, Wiley, [4] J. Kožený et al.: Akademická úspěšnost na střední škole: prediktor absolvování studia medicíny, Čs. psychol. 45, [5] P. Stránský, S. Štefanová: Mohou výsledky přijímacího řízení predikovat studijní výsledky v pregraduálním studiu medicíny? XXI. dny lékařské biofyziky, Horní Poříčí, [6] J. Zvárová: Základy statistiky pro biomed. obory. Karolinum, Rozdělení počtu bodů z přijímacích zkoušek má těžký levý chvost. Pokud se zaměříme na 12 (2%) studentů s méně než 200 body, zjistíme, že v řádném termínu z nich studium nedokončil nikdo a později jen jeden z nich.
7 Příloha popisné statistiky a kvalita navrženého kritéria Popisné statistiky: SŠ matematika SŠ fyzika SŠ chemie SŠ biologie SŠ čes. jazyk Body chemie Body biologie Body fyzika Body celkem SŠ průměr SŠ rozdíl prům. Popisné statistiky Minimum Maximum Průměr Sm. odchylka 1 4 2,01,705 4,00 1,7916, , ,664563, ,42,477 4,00 100, ,61 11, ,86 8, ,42 9, ,88 25, ,1500 1,552097, ,76 1,40,0259,28993 žena muž Pohlaví Frekvence % , , ,0 Typ středoškolského vzdělání gym. jiné Frekvence % ,8 26 4, ,0 Porovnání klasifikace na základě kritéria z modelu v Tab. 4 s průměrným prospěchem na střední škole a počtem bodů na přijímacích zkouškách: Kritérium = 0,02313 body_fyzika 0,03651 body_chemie 0,52205 sš_chemie 0,53240 sš_biologie 0,66876 rozdíl_mezi_4_a_1_průměrem Podíl přijatých z úspěšných studentů ROC Referenční přímka Námi navržené skóre Body celkem SŠ průměr Prediktor γ AUC Nové kritérium 0,45 0,72 SŠ průměr 0,33 0,66 Body přij. zkoušky 0,28 0,64 Tab. 5: Srovnání dle γ a AUC Podíl přijatých z neúspěšných studentů Obr. 3: Srovnání námi navrženého kritéria, průměru na střední škole a bodů z přijímacích zkoušek podle ROC křivek
Odhalení skryté struktury a vnitřních vazeb dat vícerozměrnou statistickou analýzou pitné vody
Odhalení skryté struktury a vnitřních vazeb dat vícerozměrnou statistickou analýzou pitné vody Prof. RNDr. Milan Meloun, DrSc, Katedra analytické chemie, Univerzita Pardubice, 532 10 Pardubice, milan.
VícePravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
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
VíceSOUHRNNAÁ ZAÁVEČ RECČNAÁ ZPRAÁVA DODATEK
III. MATERIÁL SOUHRNNAÁ ZAÁVEČ RECČNAÁ ZPRAÁVA DODATEK Pilotní ověřování organizace přijímacího řízení do oborů vzdělání s maturitní zkouškou s využitím centrálně zadávaných jednotných testů Zíka Jiří
VíceCvičení 12: Binární logistická regrese
Cvičení 12: Binární logistická regrese Příklad: V roce 2014 konalo státní závěrečné zkoušky bakalářského studia na jisté fakultě 167 studentů. U každého studenta bylo zaznamenáno jeho pohlaví (0 žena,
VíceSouvisí úspěšnost studia na vysoké škole se středoškolským prospěchem?
Pedagogická orientace 3, 2009 89 Souvisí úspěšnost studia na vysoké škole se středoškolským prospěchem? Jana Rubešová Abstrakt: Cílem příspěvku je seznámit s problematikou zjišťování predikční validity
VíceNezaměstnanost absolventů škol se středním a vyšším odborným vzděláním 2015. Mgr. Martin Úlovec
Nezaměstnanost absolventů škol se středním a vyšším odborným vzděláním 2015 Mgr. Martin Úlovec Praha 2015 1 OBSAH 1. Úvodní poznámky... 3 2. Nezaměstnanost absolventů škol a hospodářská krize... 4 3. Počty
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 2.1 Tvorba lineárních regresních modelů při analýze dat Autor práce: Přednášející:
VíceAbsolventi středních škol a trh práce DOPRAVA A SPOJE. Odvětví: Ing. Mgr. Pavla Paterová Mgr. Gabriela Doležalová a kolektiv autorů
Absolventi středních škol a trh práce Odvětví: DOPRAVA A SPOJE Ing. Mgr. Pavla Paterová Mgr. Gabriela Doležalová a kolektiv autorů Praha 2015 Obsah 1. Úvodní slovo... 3 2. Nově přijatí žáci a absolventi
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
VícePREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION
PREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION Lucie Váňová 1 Anotace: Článek pojednává o předpovídání délky kolony v křižovatce. Tato úloha je řešena v programu
VíceMgr. 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
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
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
VíceAbsolventi středních škol a trh práce ZEMĚDĚLSTVÍ. Odvětví:
Absolventi středních škol a trh práce Odvětví: ZEMĚDĚLSTVÍ Mgr. Pavla Chomová Mgr. Gabriela Doležalová Ing. Jana Trhlíková Ing. Jiří Vojtěch a kolektiv autorů Praha 2014 Obsah 1. Úvodní slovo... 3 2. Nově
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
VíceJaromír Běláček, Ivana Kuklová, Petr Velčevský, Ondřej Pecha, Marek Novák
PACIENTI SE SEXUÁLNĚ PŘENOSNÝMI NEMOCEMI S RIZIKOVÝM CHOVÁNÍM V PRAŽSKÉ POPULACI 2007-8 PACIENTI SE SEXUÁLNĚ PŘENOSNÝMI NEMOCEMI S RIZIKOVÝM CHOVÁNÍM V PRAŽSKÉ POPULACI 2007-8 (PRŮŘEZOVÁ STUDIE) Jaromír
VíceAnalýza a vyhodnocení. zdravotního stavu. obyvatel. města TŘEBÍČ. Zdravá Vysočina, o.s. ve spolupráci se Státním zdravotním ústavem
Analýza a vyhodnocení zdravotního stavu obyvatel města TŘEBÍČ Zdravá Vysočina, o.s. ve spolupráci se Státním zdravotním ústavem MUDr. Stanislav Wasserbauer Hana Pokorná Jihlava, září 2012 Obsah: 1 Úvod...4
VíceKULTURA A VZDĚLÁVÁNÍ
STUDIE Tematické oddělení B Strukturální politika a politika soudržnosti ANALÝZA AKADEMICKÉ A ODBORNÉ KARIÉRY ABSOLVENTŮ EVROPSKÝCH ŠKOL SHRNUTÍ KULTURA A VZDĚLÁVÁNÍ 2008 CS Generální ředitelství pro
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
VíceÚmrtnostní tabulky příjemců příspěvku na péči
Úmrtnostní tabulky příjemců příspěvku na péči Datum: listopad 2011 Verze: 2.2 Zadavatel: Aktivita č. 12 Autor: Jan Alexa 1 Jan Alexa vystudoval Přírodovědeckou fakultu University Karlovy a Fakultu sociálních
VíceKOMENTOVANÁ ANALÝZA VÝSLEDKŮ
Příloha č. 3 SOUHRNNÁ ZÁVĚREČNÁ ZPRÁVA Pilotní ověřování organizace přijímacího řízení do oborů vzdělání s maturitní zkouškou s využitím centrálně zadávaných jednotných testů KOMENTOVANÁ ANALÝZA VÝSLEDKŮ
VíceOrganizační 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/
VíceAplikovaná statistika v R - cvičení 2
Aplikovaná statistika v R - cvičení 2 Filip Děchtěrenko Matematicko-fyzikální fakulta filip.dechterenko@gmail.com 5.6.2014 Filip Děchtěrenko (MFF UK) Aplikovaná statistika v R 5.6.2014 1 / 18 Přehled Rkových
VíceVícerozměrné metody. PSY117/454 Statistická analýza dat v psychologii Přednáška 12. Schematický úvod
PSY117/454 Statistická analýza dat v psychologii Přednáška 12 Vícerozměrné metody Schematický úvod Co je na slově statistika tak divného, že jeho vyslovení tak často způsobuje napjaté ticho? William Kruskal
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE VYUŽITÍ LOGISTICKÉ REGRESE VE VÝZKUMU TRHU
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Fakulta informatiky a statistiky Studijní program: Kvantitativní metody v ekonomice Studijní obor: Statistické a pojistné inženýrství Diplomant: Hana Brabcová Vedoucí diplomové
VíceAbsolventi středních škol a trh práce OBCHOD. Odvětví:
Absolventi středních škol a trh práce Odvětví: OBCHOD Mgr. Pavla Chomová Mgr. Gabriela Doležalová Ing. Jana Trhlíková Ing. Jiří Vojtěch a kolektiv autorů Praha 2014 Obsah 1. Úvodní slovo... 3 2. Nově přijatí
VíceJana Vránová, 3. lékařská fakulta, UK Praha
Jana Vránová, 3. lékařská fakulta, UK Praha Byla navržena v 60tých letech jako alternativa k metodě nejmenších čtverců pro případ, že vysvětlovaná proměnná je binární Byla především používaná v medicíně
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
VíceOSOBNÍ ANGAŽOVANOST SOCIÁLNÍHO PRACOVNÍKA
OSOBNÍ ANGAŽOVANOST SOCIÁLNÍHO PRACOVNÍKA Tomáš Kocyan OBSAH PREZENTACE Představení výzkumu Popis analyzovaných dat Analýza Asociace Fundovaná implikace Interpretace výsledků Rozhodovací stromy Výběr atributů
VíceVyhodnocení dotazníkového šetření v rámci projektu Pedagog lektorem, reg. č.: CZ.1.07/3.2.11/03.0062.
Vyhodnocení dotazníkového šetření v rámci projektu Pedagog lektorem, reg. č.: CZ.1.07/3.2.11/03.0062. Názory studentů a pracujícáích edagogů na Další vzdělávání pedagogických pracovníků (projekt je spolufinancován
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
VíceUniverzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Semestrální práce Licenční studium Galileo Předmět Nelineární regrese Jiří Danihlík Olomouc, 2016 Obsah... 1 Hledání vhodného
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
VíceDopad operace levostranné dislokace slezu metodou omentopexe na užitkovost a reprodukci dojnic holfštýnského typu
Dopad operace levostranné dislokace slezu metodou omentopexe na užitkovost a reprodukci dojnic holfštýnského typu Jan Šterc 1, Jaroslav Marek 2 1 Křídlovecká 16 603 00 Brno e-mail: 1 stercj@cervus.cz,
Více6. T e s t o v á n í h y p o t é z
6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně
VíceVyhodnocení cenového vývoje drahých kovů na světových burzách v období let 2005 2010
Vyhodnocení cenového vývoje drahých kovů na světových burzách v období let 2005 2010 Martin Maršík, Jitka Papáčková Vysoká škola technická a ekonomická Abstrakt V předloženém článku autoři rozebírají vývoj
VíceTvorba nelineárních regresních modelů v analýze dat
Univerzita Pardubice Fakulta chemicko-technologická, Katedra analytické chemie Licenční studium GALILEO Interaktivní statistická analýza dat Semestrální práce z předmětu Tvorba nelineárních regresních
VícePříloha P.1 Mapa větrných oblastí
Příloha P.1 Mapa větrných oblastí P.1.1 Úvod Podle metodiky Eurokódů se velikost zatížení větrem odvozuje z výchozí hodnoty základní rychlosti větru, definované jako střední rychlost větru v intervalu
VícePopisná statistika. Komentované řešení pomocí MS Excel
Popisná statistika Komentované řešení pomocí MS Excel Vstupní data Máme k dispozici data o počtech bodů z 1. a 2. zápočtového testu z Matematiky I v zimním semestru 2015/2016 a to za všech 762 studentů,
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
VíceStudenti s trvalým bydlištěm na území Moravskoslezského kraje na českých vysokých školách v roce 2013. Kde a co studují?
Studenti s trvalým bydlištěm na území Moravskoslezského kraje na českých vysokých školách v roce 2013 Kde a co studují? říjen 2014 RPIC-ViP, s.r.o. Observatoř konkurenceschopnosti a trhu práce Moravskoslezského
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceUNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA. KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE
UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE Testy dobré shody Vedoucí diplomové práce: RNDr. PhDr. Ivo
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)
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 3.3 v analýze dat Autor práce: Přednášející: Prof. RNDr. Milan Meloun, DrSc Pro
VíceZNALOSTI A DOVEDNOSTI ČESKÝCH MUŽŮ V OBLASTI INFORMAČNÍ BEZPEČNOSTI - VÝSLEDKY STATISTICKÉ ANALÝZY
ZNALOSTI A DOVEDNOSTI ČESKÝCH MUŽŮ V OBLASTI INFORMAČNÍ BEZPEČNOSTI - VÝSLEDKY STATISTICKÉ ANALÝZY Knowledge and skills of Czech men in the field of information security - the results of statistical analysis
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
VícePraktikum III - Optika
Oddělení fyzikálních praktik při Kabinetu výuky obecné fyziky MFF UK Praktikum III - Optika Úloha č. 17 Název: Měření absorpce světla Pracoval: Matyáš Řehák stud.sk.: 13 dne: 17. 4. 008 Odevzdal dne:...
VíceStatistické metody v marketingu. Ing. Michael Rost, Ph.D.
Statistické metody v marketingu Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Úvodem Modelování vztahů mezi vysvětlující a vysvětlovanou (závisle) proměnnou patří mezi základní aktivity,
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
VíceMULTIFAKTOROVÁ ANALÝZA DOPRAVNÍ NEHODOVOSTI
MULTIFAKTOROVÁ ANALÝZA DOPRAVNÍ NEHODOVOSTI metodika provádění Tato metodika byla zpracována v rámci výzkumného projektu Identifikace a řešení kritických míst a úseků v síti pozemních komunikací, které
VíceIBM SPSS Decision Trees
IBM Software IBM SPSS Decision Trees Jednoduše identifikujte skupiny a predikujte Stromově uspořádané postupné štěpení dat na homogenní podmnožiny je technika vhodná pro exploraci vztahů i pro tvorbu rozhodovacích
VíceZápadočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky. Bakalářská práce. Výsledky vstupních testů z matematiky a úspěšnost studia
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky Bakalářská práce Výsledky vstupních testů z matematiky a úspěšnost studia Plzeň, 2014 Zuzana Rábová Prohlášení Prohlašuji, že
VíceMěření kritického myšlení a studijních schopností studentů středních škol na Slovensku
Měření kritického myšlení a studijních schopností studentů středních škol na Slovensku Analytická zpráva podzim 2014 Zpracoval: Jan Hučín, www.scio.cz, s. r. o. (prosinec 2014) Datové podklady: odpovědi
VíceSRG Přírodní škola, o.p.s. Orientace v Přírodě. Bez kompasu
SRG Přírodní škola, o.p.s. Orientace v Přírodě Bez kompasu Záměr práce Autor: André Langer Vedoucí práce: Štěpán Macháček Datum odevzdání: 8. 3 2010 Záměr práce není, protože jsem tuto práci dostal přidělenou.
VíceAplikovaná statistika v R - cvičení 3
Aplikovaná statistika v R - cvičení 3 Filip Děchtěrenko Matematicko-fyzikální fakulta filip.dechterenko@gmail.com 5.8.2014 Filip Děchtěrenko (MFF UK) Aplikovaná statistika v R 5.8.2014 1 / 10 Lineární
VíceVŠB Technická univerzita Ostrava BIOSTATISTIKA
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: BIOSTATISTIKA Zadání 11 DATUM ODEVZDÁNÍ DOMÁCÍ ÚKOL 1: DOMÁCÍ ÚKOL
VícePříklad 2: Určení cihlářských surovin na základě chemické silikátové analýzy
Příklad 2: Určení cihlářských surovin na základě chemické silikátové analýzy Zadání: Deponie nadložních jílových sedimentů SHP byla testována za účelem využití v cihlářské výrobě. Z deponie bylo odebráno
VícePočet volných pracovních Počet nezaměstnaných/ 1 volné pracovní místo
Kraj Celková nezaměstnanost v kraji - V dubnu 2010 činila míra v kraji 9,6 % 1 a celkový počet dosahoval 26 039 evidovaných na úřadech práce. Ve srovnání se stejným obdobím roku 2009 je zaznamenán nárůst
VíceRozhodovací stromy a lesy
Rozhodovací stromy a lesy Klára Komprdová Leden 2012 Příprava a vydání této publikace byly podporovány projektem ESF č. CZ.1.07/2.2.00/07.0318 Víceoborová inovace studia Matematické biologie a státním
VíceKORELACE. Komentované řešení pomocí programu Statistica
KORELACE Komentované řešení pomocí programu Statistica Vstupní data I Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná
VíceAnalýza školních vzdělávacích programů 2007
Analýza školních vzdělávacích programů 2007 (Analýza ŠVP zpracovaných na základě rámcových vzdělávacích programů v pilotních školách projektu Pilot S) PhDr. Olga Kofroňová, PhD. Ing. Jiří Vojtěch Praha
VíceKorelační a regresní analýza. 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza
Korelační a regresní analýza 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza Pearsonův korelační koeficient u intervalových a poměrových dat můžeme jako
Vícekatedra statistiky PEF, Vysoká škola zemědělská, 165 21 Praha 6 - Suchdol
STATISTICKÁ ANALÝZA PŘIJÍMACÍHO ŘÍZENÍ NA PEF PRO AKADEMICKÝ ROK 1994/1995 Bohumil Kába, Libuše Svatošová katedra statistiky PEF, Vysoká škola zemědělská, 165 21 Praha 6 - Suchdol Anotace: Příspěvek pojednává
VíceGrafický a číselný popis rozložení dat 3.1 Způsoby zobrazení dat Metody zobrazení kvalitativních a ordinálních dat Metody zobrazení kvan
1 Úvod 1.1 Empirický výzkum a jeho etapy 1.2 Význam teorie pro výzkum 1.2.1 Konstrukty a jejich operacionalizace 1.2.2 Role teorie ve výzkumu 1.2.3 Proces ověření hypotéz a teorií 1.3 Etika vědecké práce
VíceJana Vránová, 3. lékařská fakulta UK
Jana Vránová, 3. lékařská fakulta UK Vznikají při zkoumání vztahů kvalitativních resp. diskrétních znaků Jedná se o analogii s korelační analýzou spojitých znaků Přitom předpokládáme, že každý prvek populace
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
VíceSpolečného monitorovacího výboru operačních programů Praha Adaptabilita a Praha Konkurenceschopnost
U S N E S E N Í Společného monitorovacího výboru operačních programů a Praha Konkurenceschopnost (podle čl. 4, ost. 7 Jednacího řádu Společného monitorovacího výboru OPPA a OPPK procedurou per rollam s
VíceEvropské výběrové šetření o zdravotním stavu v ČR - EHIS CR Index tělesné hmotnosti, fyzická aktivita, spotřeba ovoce a zeleniny
Aktuální informace Ústavu zdravotnických informací a statistiky České republiky Praha 22. 12. 2010 70 Evropské výběrové šetření o zdravotním stavu v ČR - EHIS CR Index tělesné hmotnosti, fyzická aktivita,
VíceINSPEKČNÍ ZPRÁVA. Střední průmyslová škola strojnická, Plzeň, Klatovská 109. Klatovská 109, 301 00 Plzeň. Identifikátor školy: 600 100 645
Česká školní inspekce Plzeňský inspektorát INSPEKČNÍ ZPRÁVA Střední průmyslová škola strojnická, Plzeň, Klatovská 109 Klatovská 109, 301 00 Plzeň Identifikátor školy: 600 100 645 Termín konání inspekce:
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
VíceVÝVOJ PREVALENCE KUŘÁCTVÍ V DOSPĚLÉ POPULACI ČR NÁZORY A POSTOJE OBČANŮ ČR K PROBLEMATICE KOUŘENÍ (OBDOBÍ 1997 2007) VÝZKUMNÁ ZPRÁVA
VÝVOJ PREVALENCE KUŘÁCTVÍ V DOSPĚLÉ POPULACI ČR NÁZORY A POSTOJE OBČANŮ ČR K PROBLEMATICE KOUŘENÍ (OBDOBÍ 1997 2007) VÝZKUMNÁ ZPRÁVA Autorský kolektiv: MUDr. Hana Sovinová, PhDr. Petr Sadílek, PhDr. Ladislav
VíceSemestrální práce. 2. semestr
Licenční studium č. 89002 Semestrální práce 2. semestr PŘEDMĚT 2.2 KALIBRACE A LIMITY JEJÍ PŘESNOSTI Příklad 1 Lineární kalibrace Příklad 2 Nelineární kalibrace Příklad 3 Rozlišení mezi lineární a nelineární
VíceMĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ
MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS
VícePro bodový odhad při základním krigování by soustava rovnic v maticovém tvaru vypadala následovně:
KRIGING Krigování (kriging) označujeme interpolační metody, které využívají geostacionární metody odhadu. Těchto metod je celá řada, zde jsou některé příklady. Pro krigování se používá tzv. Lokální odhad.
VíceS E M E S T R Á L N Í
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie S E M E S T R Á L N Í P R Á C E Licenční studium Statistické zpracování dat při managementu jakosti Předmět Určení vnitřní
VíceSTATISTICKÉ METODY; ZÍSKÁVÁNÍ INFORMACÍ Z DRUHOVÝCH A ENVIRONMENTÁLNÍCH DAT
STATISTICKÉ METODY; ZÍSKÁVÁNÍ INFORMACÍ Z DRUHOVÝCH A ENVIRONMENTÁLNÍCH DAT (NE)VÝHODY STATISTIKY OTÁZKY si klást ještě před odběrem a podle nich naplánovat design, metodiku odběru (experimentální vs.
Více9. Úvod do teorie PDR
9. Úvod do teorie PDR A. Základní poznatky o soustavách ODR1 Diferenciální rovnici nazveme parciální, jestliže neznámá funkce závisí na dvou či více proměnných (příslušná rovnice tedy obsahuje parciální
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
VíceCyklické změny v dynamice sluneční konvektivní zóny
Cyklické změny v dynamice sluneční konvektivní zóny P. Ambrož, Astronomický ústav AVČR, Ondřejov, pambroz @asu.cas.cz Abstrakt Na základě analýzy rozsáhlého materiálu evoluce fotosférických pozaďových
VíceÚvodem 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
VíceZpráva o průběhu přijímacího řízení na vysokých školách pro akademický rok 2014 2015 na ČVUT v Praze Fakultě dopravní
Zpráva o průběhu přijímacího řízení na vysokých školách pro akademický rok 2014 2015 dle Vyhlášky MŠMT č. 343/2002 Sb. o průběhu přijímacího řízení na vysokých školách a její změně č. 276/2004 Sb. 1. Informace
VíceTVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie TVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT Semestrální práce Licenční studium Galileo Interaktivní statistická analýza
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 10. Mgr. David Fiedor 27. dubna 2015 Nelineární závislost - korelační poměr užití v případě, kdy regresní čára není přímka, ale je vyjádřena složitější matematickou funkcí
VíceII. Nemoci a zdravotní omezení související s výkonem povolání
II. Nemoci a zdravotní omezení související s výkonem povolání Otázky o nemocech a zdravotních omezeních souvisejících s výkonem stávajícího nebo předcházejícího zaměstnání byly pokládány všem zaměstnaným
VíceVliv vzdělanostní úrovně na kriminalitu obyvatelstva
Ing. Erika Urbánková, PhD. Katedra ekonomických teorií Provozně ekonomická fakulta Česká zemědělská univerzita Mgr. František Hřebík, Ph.D. prorektor pro zahraniční styky a vnější vztahy Katedra managementu
VíceÚKOL 2 1886 22 5,77 5,00 5 2,531,003,056 -,869,113
ÚKOL 2 Jméno a příjmení: UČO: Imatrik. ročník: Úkol 2.1: V souboru EVS99_cvicny.sav zjistěte, zdali rozložení názoru na to, kdo by měl být odpovědný za zajištění bydlení (proměnná q54h), je normální. Řešte
VíceUniverzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie
Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie 12. licenční studium PYTHAGORAS Statistické zpracování dat 3.3 Tvorba nelineárních regresních modelů v analýze dat Semestrální
VíceLINEÁRNÍ REGRESE. Lineární regresní model
LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)
VíceLékaři a další specialisté v oblasti zdravotnictví. Předvídání kvalifikačních potřeb (PŘEKVAP) Výstup projektu
Výstup projektu Předvídání kvalifikačních potřeb (PŘEKVAP) Zpracoval: Fond dalšího vzdělávání, příspěvková organizace Ministerstva práce a sociálních věcí P R O F I L S K U P I N Y P O V O L Á N Í Lékaři
VícePOPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica
POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica Program Statistica I Statistica je velmi podobná Excelu. Na základní úrovni je to klikací program určený ke statistickému zpracování dat.
VíceŠetření akreditovaných a neakreditovaných vzdělávacích programů MŠMT za rok 2011
Šetření akreditovaných a neakreditovaných vzdělávacích programů MŠMT za rok 2011 1 ÚVOD... 5 2 SBĚR DAT... 7 3 STRUKTURA SOUBORU... 10 3.1 Regionální zastoupení... 10 3.2 Struktura dotazovaných organizací
VíceKritéria hodnocení přijímací zkoušky (PZ) 2018/ navazující magisterské studijní obory
Kritéria hodnocení přijímací (PZ) 2018/2019 - navazující magisterské studijní obory Aplikovaná matematika Forma přijímací Písemná zkouška z matematiky - Biofyzika Forma přijímací Písemná zkouška v rozsahu
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
VíceSociologický výzkum I.
Sociologický výzkum I. Fáze výzkumu a procedury VY_32_INOVACE_ZSV3r0107 Mgr. Jaroslav Knesl Sociologický výzkum vs. průzkum Výzkum - bývá intenzivní, zaměřený, systematický, rozsáhlý. Průzkum - sleduje
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie na téma Tvorba nelineárních regresních modelů v analýze dat Vedoucí licenčního studia Prof. RNDr.
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@niax.cz Pravděodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, tyy dat, variabilita, frekvenční analýza
VíceSTÁTNÍ ROZPOČTOVÉ VÝDAJE A DOTACE NA VÝZKUM A VÝVOJ (GBAORD) ANALYTICKÁ ČÁST
STÁTNÍ ROZPOČTOVÉ VÝDAJE A DOTACE NA VÝZKUM A VÝVOJ (GBAORD) ANALYTICKÁ ČÁST 1. Základní údaje V České republice v roce 2013 dosáhly státní rozpočtové výdaje a dotace na výzkum a vývoj (dále jen GBAORD)
Více