|
|
|
||
|
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)
|
|
||
|
To explain basic concepts and methods of finite populations sampling and applications to sample survey. Last update: Zichová Jitka, RNDr., Dr. (12.04.2018)
|
|
||
|
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 Last update: Zichová Jitka, RNDr., Dr. (18.04.2018)
|
|
||
|
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)
|
|
||
|
Lecture+exercises. Last update: T_KPMS (12.05.2014)
|
|
||
|
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. Last update: Zichová Jitka, RNDr., Dr. (18.04.2018)
|
|
||
|
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)
|
|
||
|
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)
|