Survey Sampling - NMST438

• Title: Výběrová šetření
• Form of teaching: practicals
• Guaranteed by: Department of Probability and Mathematical Statistics (32-KPMS)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2026
• Duration in semesters: 1
• Semester: summer
• E-Credits: 5
• Hours per week, examination: summer s.:0/4, C [HT]
• Capacity: unlimited
• Maximum number of enrolled students: unlimited
• Min. number of students: unlimited
• 4EU+: no
• Virtual mobility / capacity: no
• State of the course: taught
• Language: Czech
• Teaching methods: full-time
• Repeated enrollment: 2 / 2 / 2 / 2
• Guarantor: RNDr. Pavel Charamza, CSc.
• Class: M Mgr. PMSE; M Mgr. PMSE > Povinně volitelné
• Classification: Mathematics > Probability and Statistics
• Pre-requisite : NMSA407
• Is interchangeable with: NSTP166, NSTP027

Annotation

English

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

Last update: T_KPMS (12.05.2014)

Czech

Studenti formou samostatné projektové práce vytvoří vytvoří reprodukovatelný studijní a analytický dokument v systému TeX zaměřený na problematiku výběrových šetření. Materiál by měl pokrývat zejména základní pojmy a principy výběrových šetření, základní metody výběru, lineární odhady, dovažování výběrů a principy optimálních výběrů.

Last update: Omelka Marek, doc. Ing., Ph.D. (22.05.2026)

Aim of the course

English

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

Last update: Zichová Jitka, RNDr., Dr. (12.04.2018)

Czech

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

Last update: Zichová Jitka, RNDr., Dr. (12.04.2018)

Course completion requirements

Podmínkou pro udělení zápočtu a zakončení předmětu je minimálně 80% aktivní účasti na cvičení.

Dále pak předání závěrečného dokumentu, který bude dokazovat porozumění studenta problematice výběrových šetření, včetně zdrojových kódů k řešení konkrétních praktických úloh probíraných v rámci cvičení.

Last update: Zichová Jitka, RNDr., Dr. (22.05.2026)

Literature

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

Last update: T_KPMS (12.05.2014)

Teaching methods

English

Exercises.

Last update: Zichová Jitka, RNDr., Dr. (27.04.2026)

Czech

Cvičení.

Last update: Zichová Jitka, RNDr., Dr. (27.04.2026)

Course assessment methods and requirements for successful completion, grading scheme

T

Last update: Zichová Jitka, RNDr., Dr. (22.05.2026)

Syllabus

English

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.

Last update: T_KPMS (12.05.2014)

Czech

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.

Last update: T_KPMS (12.05.2014)

Course registration requirements

English

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, ...).

Last update: Zichová Jitka, RNDr., Dr. (14.05.2019)

Czech

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, ...).

Last update: Zichová Jitka, RNDr., Dr. (14.05.2019)