Výběrová šetření - NMST438

• Anglický název: Survey Sampling
• Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2022
• Semestr: zimní
• E-Kredity: 5
• Rozsah, examinace: zimní s.:2/2, Z+Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština
• Způsob výuky: prezenční
• Garant: RNDr. Pavel Charamza, CSc.
• Vyučující: RNDr. Pavel Charamza, CSc.
• Třída: M Mgr. PMSE; M Mgr. PMSE > Povinně volitelné
• Kategorizace předmětu: Matematika > Pravděpodobnost a statistika
• Prerekvizity : NMSA407
• Je záměnnost pro: NSTP166, NSTP027

Anotace

čeština

Základní metody výběru z konečného souboru. Odhad charakteristik konečného souboru. Aplikace na výběrová šetření.

Poslední úprava: G_M (28.05.2013)

angličtina

Basic methods of probability sampling from finite populations. Estimation of characteristics of finite populations. Applications in sampling surveys.

Poslední úprava: T_KPMS (12.05.2014)

Cíl předmětu

čeština

Seznámit studenty se základními principy a metodami vyběrů z konečného souboru a aplikacemi na výběrová šetření.

Poslední úprava: Zichová Jitka, RNDr., Dr. (12.04.2018)

angličtina

To explain basic concepts and methods of finite populations sampling and applications to sample survey.

Poslední úprava: Zichová Jitka, RNDr., Dr. (12.04.2018)

Podmínky zakončení předmětu

Podmínkou pro udělení zápočtu a zakončení předmětu je minimálně 80% účast na cvičení a prezentace v rámci cvičení na tématické okruhy:

1) faktorová analýza, zpracování dat výběrových šetření

2) porovnání statistických chyb

3) výběrový plán

4) vážení

Poslední úprava: Zichová Jitka, RNDr., Dr. (18.04.2018)

Literatura

Cochran, W. G. (1977). Sampling Techniques. Wiley, New York. Third Edition

Čermák, V.: Výběrové statistické zjišťování. SNTL Praha, 1980

Särndal, C.-E., Swensson, B., and Wretman, J. (1992). Model Assisted Survey Sampling. Springer, New York.

Vorlíčková, D. (1985). Výběry z konečných souborù. Univerzita Karlova. Skripta

Poslední úprava: T_KPMS (12.05.2014)

Metody výuky

čeština

Přednáška+cvičení.

Poslední úprava: T_KPMS (12.05.2014)

angličtina

Lecture+exercises.

Poslední úprava: T_KPMS (12.05.2014)

Požadavky ke zkoušce

K úspěšnému složení zkoušky je potřeba zvládnout učivo v odpředneseném rozsahu a to zejména oblasti

1) Základní pojmy a definice z oblasti výběrových šetření

2) Metody odhadu úhrnu a průměru při různých výběrových plánech (prostý, poissonovský, zamítací, postupný, systematický, oblastní, vícestupňový)

3) Metody odhadu chyby odhadů úhrnu a průměru

4) Asymptotické vlastnosti odhadů

5) Poměrové odhady

6) Reprezentativita výběru a algoritmy vážení

Zkouška je ústní. Posluchači musí prokázat pochopení problematiky a schopnost odvodit základní vztahy odpřednesené na přednášce. Důraz bude kladen na aplikace látky zejména v oblasti výzkumů veřejného mínění.

Poslední úprava: Zichová Jitka, RNDr., Dr. (18.04.2018)

Sylabus

čeština

1. Základní pojmy: Populace, výběrový plán, opora výběru, populační a výběrový úhrn a průměr.

2. Prostý náhodný výběr bez vracení.

3. Systematický výběr.

4. Výběry s nestejnými pravděpodobnostmi - Poissonovský výběr a jeho modifikace.

5. Stratifikovaný (oblastní) výběr, optimální alokace.

6. Odhady s využitím modelu ("Model assisted estimation") - poměrový odhad, regresní odhad, kalibrační model.

7. Skupinový a vícestupňový výběr .

8. Nonresponse.

Poslední úprava: T_KPMS (12.05.2014)

angličtina

1. Basic concepts: Population, sampling frame. population vs. sampling total and mean.

2. Simple random sampling without replacement.

3. Systematic sampling.

4. Sampling with unequal probabilities - Poisson sampling and its modifications.

5. Stratified sampling and optimal allocation.

6. Model assisted estimation - ratio and regression estimators, calibration model.

7. Cluster and two-stage sampling.

8. Nonresponse.

Poslední úprava: T_KPMS (12.05.2014)

Vstupní požadavky

čeština

Předpokládá se znalost základů teorie pravděpodobnosti a matematické statistiky v rozsahu pro první ročník magisterského studia. Základní pojmy: rozdělení, charakteristiky rozdělení, podmíněná střední hodnota a rozptyl. Dále se předpokládá základní znalost jazyka R nebo Python, zejména s ohledem na zpracování dat - základní datové objekty, regresní analýza, základní zpracování dat (Box-Whisker, histogram, ...).

Poslední úprava: Zichová Jitka, RNDr., Dr. (14.05.2019)

angličtina

The basics of Probability Theory and Mathematical Statistics based on the first year of Master Program. Notions: probability distribution, distribution characteristics, conditional expectation and variance. Further it is assumed the knowledge of the basics of R or Python environment with respect to the data exploration - basic objects, regression analysis, exploratory analysis (Box-whisker plots, histograms, ...).

Poslední úprava: Zichová Jitka, RNDr., Dr. (14.05.2019)