TECHNIKI DOBORU PRÓBY (SAMPLING)

Wielkość: px
Rozpocząć pokaz od strony:

Download "TECHNIKI DOBORU PRÓBY (SAMPLING)"

Transkrypt

1 TECHNIKI DOBORU PRÓBY (SAMPLING) 1

2 DOBÓR PRÓBY (sampling) Etap badania obejmujący proces wyboru odpowiednich (moŝliwie jak najbardziej reprezentatywnych) elementów populacji do badań pozwalający na generalizowanie z wystarczająco wysoką pewnością uzyskanych wyników na całą populację, bez konieczności badania wszystkich jej desygnatów. Procedura doboru próby odejmuje następujące kroki: 1. zdefiniowanie populacji 2. zdefiniowanie zakresu doboru próby 3. określenie techniki doboru próby 4. określenie wielkości próby 5. dobór elementów próby 6. zebranie danych wyznaczonych elementów 2

3 KIEDY STOSUJEMY DOBÓR PRÓBY? Nie jesteśmy w stanie przebadać całości stanowiącej jednostkę badań MoŜemy przebadać całość, ale jest to postępowanie nieefektywne lub nieekonomiczne (zbyt wysoki koszt badań) Gdy zaleŝy nam na wyraźnym określeniu pewności i dokładności naszych wyników, gdy chodzi nam o osiągnięcie reprezentatywności statystycznej Niekiedy sama metoda wymaga zastosowania doboru próby nie moŝna przeprowadzić sensownych badań eksperymentalnych bez doboru porównywalnych prób Niektóre rodzaje badań zakładają wielokrotny kontakt z jednostką badań. Wówczas by nie męczyć zbiorowości moŝemy dobierać z niej kilka porównywalnych prób 3

4 TERMINOLOGIA ZWIĄZANA Z DOBOREM PRÓBY Element: obiekt o którym zbieramy informacje i który dostarcza podstaw do analiz. W badaniach sondaŝowych to najczęściej ludzie lub typy ludzi (np. robotnicy), ale mogą być nimi takŝe rodziny, firmy, stowarzyszenia, tytuły prasowe itp. (np. Polacy, studenci UAM w Poznaniu) Populacja (Theoretical population): określony teoretycznie zbiór elementów badania wykazujących określone cechy; zbiór lub grupa na temat której chcemy generalizować (np. zbiorowość wszystkich ludzi mieszkających w Polsce; zbiorowość studentów socjologii UAM) Populacja badana (Study population): zbiór elementów, z którego próba jest faktycznie pobrana; Najczęściej jest to zbiór elementów o do których moŝemy zdobyć dostęp (np. osoby figurujące w spisach meldunkowych/ ksiąŝkach telefonicznych; lista studentów socjologii UAM Lista/operat (The Sampling Frame): lista dostępnej części populacji, z której jest pobierana próba (np. spis telefonów w ksiąŝce telefonicznej w przypadku sondaŝowych wywiadów telefonicznych) Próba (The Sample): część zbiorowości, której elementy dobierane są przy zachowaniu określonych zasad warunkujących zarówno liczbę owych elementów, jak i relację występującą pomiędzy próbą a populacją. Elementy wybrane do danych badań. Jednostka doboru próby: pojedynczy obiekt z populacji, z której będzie pobierana próba. Uwaga: obiekt nie zawsze równy jest osobie np. rodziny wielkomiejskich robotników, województwa, szkoły, gminy, gospodarstwa domowe. 4

5 RODZAJE DOBORU PRÓBY Probabilistyczny/ losowy - bardziej reprezentatywny niŝ inne rodzaje doboru próby - reprezentatywność statystyczna (oszacowana na podstawie rachunku prawdopodobieństwa) = moŝliwość matematycznego obliczenia poziomu błędu i poziomu dokładności oszacowań - wymaga wiedzy i kwalifikacji - stosunkowo wysokie koszty Nieprobabilistyczny/ nielosowy - mniejsza reprezentatywność niŝ przy doborze losowym - reprezentatywność typologiczna = niemoŝliwość matematycznego obliczenia poziomu błędu i poziomu dokładności oszacowań. Nigdy nie wiadomo w jakim stopniu skonstruowana próba odzwierciedla skład populacji. - łatwy do przeprowadzenia - stosunkowo niski koszt 5

6 NAJWAśNIEJSZE RODZAJE PRÓB NIEPROBABILISTYCZNYCH 1. dobór oparty na dostępności danych/ dobór wg wygody/ próba łatwego dostępu/próba wygodnościowa (accidental, haphazard or convenience sampling) 2. dobór kwotowy/udziałowy próba kwotowa (quota sampling); 3. dobór celowy (purposive sampling) 4. dobór ekspercki/ dobór próby złoŝonej z sędziów kompetentnych (export/judgemental sampling) 5. metoda kuli śnieŝnej (snowball sampling) 6. dobór parami 6

7 Ad.1. Dobór oparty na dostępności danych Dobór próby poprzez np. zatrzymywanie ludzi na ulicy lub w innym miejscu Uzasadniona gdy chcemy zbadać cechy osób przechodzących w określonych porach w danych miejscach lub gdy nie ma innych moŝliwości doboru jednostek badanych. Zalety: poręczność; niskie koszty realizacji Słabość: brak kontroli nad reprezentatywnością, nigdy nie mamy dowodu Ŝe próba jest reprezentatywna dla populacji 7

8 Ad 2.Dobór kwotowy/udziałowy Bierzemy pod uwagę kilka wybranych cech społecznodemograficznych i/lub konsumenckich głównie tych które znamy, do których moŝemy dotrzeć (najczęściej płeć, wiek, miejsce zamieszkania, wykształcenie). Tworzymy macierz/tabele uwzględniającą odpowiednie kwoty próby, proporcjonalne do rozkładu tych cech w zbiorowości generalnej. Gdy uwzględnia się kilka cech jednocześnie muszą być one poszukiwane w formie wiązanej KaŜda potencjalna osoba, która spełnia wyznaczone kryteria moŝe stać się respondentem. WaŜne - ankieter sam szuka osób, które odpowiadają załoŝonej konfiguracji cech (nie ma losowania!) Reprezentatywność doboru kwotowego nie jest mierzona poziomem istotności ani przedziałem ufności Słabe strony: osoby badane najczęściej pochodzą ze środowiska społecznego, z którego pochodzi ankieter; problem niedoborów przy tym doborze próby raczej nie ma niedoborów; cechy na podstawie których dokonano podziału kwotowego mogą być powiązane z przedmiotem badania tylko pośrednio 8

9 Ad.3.Dobór celowy/arbitralny Dopuszczalny gdy prowadzi się badania wybranych indywidualnych przypadków Nie musi być zachowany wymóg reprezentatywności; nierzadko poszukuje się jednostek/zbiorowości nietypowych w celu poznania ich problemów i faktów. Powinien być jednak znany stopień nietypowości badanych obiektów Badana zbiorowość powinna tworzyć całość społeczną, nie moŝe to być luźny agregat jednostek/grup Zbiorowość ta winna być takŝe względnie izolowana, samodzielna, pełna. Badanie winno określić stopień jej typowości 9

10 Ad.4. Dobór ekspercki Idea doboru próby podobna do doboru celowego Stosujemy przy niektórych odmianach FGI oraz przy tworzeniu narzędzi badawczych, np. skali Thurstone a. Istnieją zasadniczo dwa powody dla których wybieramy ten rodzaj doboru próby: 1. gdy chcemy poznać punkt widzenia jednostek posiadających doświadczenie i wiedzę w interesującej nas sferze 2. gdy chcemy dokonać oceny wiarygodności i trefności zastosowanej techniki lub narzędzia badawczego 10

11 Ad.5.Metoda kuli śniegowej Stosuje się ją przy badaniu sieci powiązań relacji międzyludzkich, tworzenia i funkcjonowania więzi sąsiedzkich towarzyskich oraz innych układów nieformalnych. Dopuszczalna, gdy trudno odszukać przedstawicieli jakiejś specyficznej populacji (np. bezdomni, nielegalni emigranci, homoseksualiści) Polega na realizacji wywiadów w poszczególnych badanych grupach, gdzie uzyskuje się informacje o innych respondentach wchodzących w skład sieci społecznych (kaŝda odszukana osoba podaje kolejne) Poznaje się wtedy naturalne kręgi, powiązania między jednostkami Wymaga dokładnej wiedzy o badanej populacji Dobór próby jest równoznaczny z samą realizacją badań 11

12 Rzadko stosowany Ad 6.Dobór parami Technika stosowana w badaniach eksperymentalnych oraz porównawczych Wybieramy dwie próby: eksperymentalną i kontrolną lub próby z dwóch zbiorów, pomiędzy którymi dokonuje się porównań ZróŜnicowanie wewnętrzne prób(proporcje) zaleŝy tutaj od zróŝnicowania populacji bądź celu badań 12

13 PROBABILISTYCZNY DOBÓR PRÓBY ZASADY I ZAŁOśENIA 1. Próba jest losowa gdy: a. kaŝda jednostka skończonej populacji generalnej niezaleŝnie od posiadanych cech - ma równą, dającą się obliczyć szansę na znalezienie się w próbie. b. próba posiada taką samą zmienność jak populacja 2. Jakość próby zaleŝna jest od jakości listy (operatu) z którego próba jest losowana 3. Prawidłowo wylosowana nieobciąŝona próba moŝe być reprezentatywna w róŝnym stopniu z powodu statystycznych fluktuacji. Skład próby nie odzwierciedla nigdy ściśle charakterystyki całej populacji. W doborze losowym moŝemy jednak obliczyć prawdopodobieństwo popełnienia błędu wynikającego z losowej natury próby. 13

14 RACHUNEK PRAWDOPODOBIEŃSTWA A DOBÓR LOSOWY PRÓBY Parametr: syntetyczny opis jakiejś zmiennej w populacji (np. rozkład wykształcenia Polaków lub miesięczna średnia zarobków dla jednego członka rodziny). Estymator parametru z populacji: jest to wielkość, dzięki której moŝna szacować rozkład danej cechy w populacji generalnej Statystyka z próby: rozkład cechy interesującej badacza, której wynik otrzymujemy po realizacji badań z przykładowo dobranej cechy (zmiennej); syntetyczny opis zmiennej w próbie. 14

15 Wiele tak dobranych prób tworzy rozkład zbliŝony do rozkładu normalnego: 15

16 Rachunek prawdopodobieństwa 1. mówi nam, Ŝe statystyki z prób są rozproszone wokół parametru w pewien znany sposób; prawdziwa wartość jest w pobliŝu 50% 2. Dostarcza wzoru dla oszacowania na ile blisko statystyki z określonych prób są skupione wokół prawdziwej wartości = pozwala oszacować tzw. błąd losowy z próby/ błąd statystyczny/ błąd standardowy/odchylenie standardowe rozkładu z prób 16

17 Ad1. Pewne frakcje estymatorów mieszczą się w określonych odległościach w 68% prób estymatory odchylają się +/- o 1 błąd statystyczny 95% prób mieści się w granicach +/- 2 błędów standardowych 99,7 % prób mieści się +/- w granicach 3 błędów standardowych 17

18 Ad2.Wzór na błąd losowy z próby σx odchylenie standardowe, które oblicza się wg następującego wzoru: x średnia parametru w próbie σ 2 rozproszenie populacji generalnej (wariancja) N - liczebność populacji generalnej n - liczebność próby 18

19 Z tego wzoru wynika, Ŝe wielkość błędu z próby jest funkcją parametru populacji i wielkości próby: σx jest tym większe, im większe σ 2. Im większa zgodność w populacji (brak zmienności) tym bardziej otrzymujemy takie same wartości estymatorów z kaŝdej próby. σx jest tym mniejsze im większe jest n, czyli gdy wielkość próby rośnie, próby skupiają się bliŝej prawdziwej wartości. By błąd z próby zmalał o połowę, trzeba 4 krotnie zwiększyć wielkość próby W przypadku kiedy próba stanowi małą część badanej zbiorowości wartości pod 2 pierwiastkiem moŝna pominąć 19

20 W przypadku wystarczająco licznej próby odpowiednią wartością szacunkową rozproszenia zbiorowości generalnej moŝe być rozproszenie w próbie 20

21 W przypadku cech dychotomicznych. rozproszenie z próby wynosi: s 2 = p (1-p) = p x q Przy czym p oznacza udział jednej wartości danej cechy, q udział drugiej wartości; σ p wynosi wówczas UWAGA: Wobec zmiennych jakościowych przyjmujących więcej niŝ dwie wartości stosuje się dychotomizację i wówczas p oznacza udział jednej wartości, q udział wszystkich pozostałych wartości 21

22 PRZYKŁAD 1 W reprezentatywnej próbie mieszkańców Poznania stwierdzamy, Ŝe średnia liczba lat nauki w szkole x wynosi 12, rozproszenie zaś s = 16, zatem po podstawieniu do wzoru σx = 0,1. Jest to szacunkowa wartość odchylenia dla wszystkich moŝliwych prób. Na tej podstawie moŝemy powiedzieć, Ŝe wartość rzeczywista z prawdopodobieństwem 68,3% mieści się w granicach 12 +/- 1x 0,1 a więc między 11,9 a 12,1, lub z prawdopodobieństwem 95,5% między 12 +/- 2 x 0,1 czyli pomiędzy 11,8 a 12,2, lub z prawdopodobieństwem 99,7% między 12 +/- 3 x 0,1 czyli pomiędzy 11,7 a 12,3. 22

23 PRZYKŁAD 2 ZałóŜmy, Ŝe poszukując odpowiedzi na pytanie, jaki procent ludności Wielkopolski woli szkoły publiczne, jaki zaś szkoły prywatne, posłuŝyliśmy się próbą n=100 i Ŝe 80 osób w tej próbie opowiedziało się za szkołami publicznymi, a 20 za szkołami prywatnymi. Wówczas: p = 0,8 q = 0,2 s 2 = p q = 0,16 PoniewaŜ z racji wielkości zbiorowości generalnej czynnik korygujący moŝna pominąć, więc σ p= 0,04. Z prawdopodobieństwem 99,9% moŝna więc stwierdzić, Ŝe rzeczywisty udział zwolenników szkół publicznych waha się w granicach 0,8 +/- 3 x 0,04, a więc między 68% a 92%. Przedział ufności jest tak wielki, poniewaŝ próba n=100 jest relatywnie mała. Przy próbie wynoszącej n=1600 udział ten moŝna z tym samym prawdopodobieństwem określić jako wahający się między 77% a 83%. 23

24 Jak obliczać niezbędną wielkość próby 24

25 We wzorze tym: n = poszukiwana wielkość próby t = współczynnik będący funkcją odpowiedniego poziomu istotności współczynnika ufności. Dla prawdopodobieństwa = 0,95 t=1,96 dla prawdopodobieństwa = 0,99 t=2,58. p = oszacowanie frakcji osób w danej populacji posiadających daną cechę 1-p = oszacowanie frakcji osób w danej populacji, nie posiadających danej cechy d = półprzedział ufności, a więc dopuszczalna przez nas róŝnica między parametrem populacji a statystyką próby (róŝnicę tę wyraŝamy w % lub 25 ułamkach np. 3% lub 0,03).

26 Przykład 3 Jak wielka powinna być próba, aby frakcje z niej uzyskane mogły być uogólnione na populację z prawdopodobieństwem 0,95 nie popełniania błędu większego niŝ +/- 3%? Tak więc próba niezbędna dla takich badań winna liczyć teoretycznie 1066 osób, zaś w praktyce winna ona się mieścić w przedziale od 1000 do 1100 osób. 26

27 Tablica niezbędnych wielkości próby przy p=0,50 dla współczynnika ufności 0,95.. Wielkość półprzedziału ufności d= Wielkość próby n przy współczynniku ufności = 0,95 (t=1,96 1% % % % 600 5% 384 6% 260 7% 244 8% 196 9% % 96 27

28 Tablica niezbędnych wielkości próby przy p=0,50 dla współczynnika ufności 0,99.. Wielkość półprzedziału ufności d= Wielkość próby n przy współczynniku ufności = 0,99 (t=2,58) 1% % % % % 666 6% 430 7% 340 8% 205 9% %

29 RODZAJE PROBABILISTYCZNEGO DOBORU PRÓBY A1. prosty dobór losowy (simple random sampling) A2. dobór systematyczny (systematic random sampling) A3. dobór warstwowo-losowy (stratificated random sampling) A4. dobór grupowy/gronowy/wiązkowy (cluster sampling) A5. losowanie wielostopniowe (multistage sampling) 29

30 A1.Prosty dobór losowy Dobry do badań masowych postaw, opinii, cech indywidualnych pobierany przy niewielkiej wiedzy o rzeczywistości badanej. Jest to sytuacja najbardziej poprawna statystycznie ( tylko wtedy moŝna stosować bez zastrzeŝeń reguły wnioskowania statystycznego) moŝe być stosowany nawet wówczas gdy dysponujemy jedynie wiedzą o liczebności populacji stosujemy wówczas kiedy mamy przekonanie o jednorodności badanej populacji ujmuje jednostki niepowiązane z sobą, wyrwane ze społecznego kontekstu wyłania mniej reprezentatywne próby niŝ dobory zwarstwowane; dokładność pomiaru zawsze zaleŝna od przedziału ufności +/- 2 błędy standardowe. Próba losowana z ponumerowanego operatu przy uŝyciu tablic liczb losowych lub komputera 30

31 Tablice liczb losowych 31

32 Przykład Dla populacji 100 osób zarejestrowanych w urzędzie bezrobotnych próba ma wynosić 10 osób Numerujemy owe osoby na operacie losowym od 001 do 100 i następnie wybieramy osoby posługując się zredukowaną tablicą liczb losowych Potem wybieramy poszukiwane 10 osób według schematu: * * * 010* * * * 053* * 007(2. raz) * 32

33 A.2. Dobór systematyczny dobór jej polega na włączeniu do badań co k-tej jednostki. Interwał losowania (k) uzyskuje się z ilorazu N/n, gdzie N jest równe liczebności populacji generalnej a n odpowiada wielkości próby. nie jest tutaj konieczne kolejne ponumerowanie operatu pierwszy element wybierany z uŝyciem tablic liczb losowych! próba taka jest najbardziej adekwatna w sytuacji, gdy operat jest uporządkowany według kryteriów nieznanych badaczowi łatwiejsza od losowej prostej (z tablic korzysta się tylko raz) próba jest rozłoŝona równomiernie wzdłuŝ całej populacji, co moŝe poprawiać reprezentatywność o ile cecha wg której uporządkowana jest lista ma związek z badaniem MoŜliwość wystąpienia zniekształceń, gdy 1. uporządkowanie jednostek w operacie wykazuje pewien trend; 2. interwał losowania współgra z cyklicznością ułoŝenia operatu 33

34 A3.Dobór warstwowo-losowy Stosujemy wówczas gdy populacja badana jest heterogeniczna dzieli się na wyraźnie wyodrębnione podzbiory Podzbiory te wydziela się w taki sposób, by elementy naleŝące do jednej grupy były do siebie bardziej podobne niŝ elementy naleŝące do populacji jako całości Celem badań jest przeprowadzenie analizy porównawczej miedzy warstwami i wyjaśnienie zaobserwowanych róŝnic Gdy badana zbiorowość jest wyraźnie zróŝnicowana i gdy jednocześnie niewielka uprzednia wiedza o badanej zbiorowości nie pozwala przeprowadzić bardziej skomplikowanych zabiegów przygotowawczych, poza jej podziałem na warstwy śadna z interesujących badacza grup nie zostanie pominięta KaŜda z grup będzie reprezentowana w próbie w sposób reprezentatywny Reprezentatywność próby przy uzasadnionym merytorycznie podziale na warstwy - będzie większa niŝ w prostej próbie losowej Istnieje moŝliwość nadreprezentacji wybranych warstw losowanie warstwowe z nierównym prawdopodobieństwem. Pamiętać trzeba jednak na poziomie analizy o zwaŝeniu uzyskanych odpowiedzi. Dobór warstwowo-losowy stanowi najskuteczniejsze narzędzie zmniejszania błędu statystycznego. W szerszym stopniu moŝliwe są teŝ analizy porównawcze 34

35 A3.a. Próba warstwowo-losowa z alokacja optymalną Liczebności jednostek losowanych z poszczególnych warstw są proporcjonalne do wewnętrznego zróŝnicowania tychŝe warstw. Zalety: Zwiększa się reprezentatywność próby Zmniejsza się liczebność próby Pozwala na wyodrębnienie frakcji o znanym wewnętrznie zróŝnicowaniu Pozwala na przeprowadzenie uzasadnionych analiz porównawczych 35

36 A4. Dobór grupowy/ gronowy/wiązkowy Podział populacji na szereg grup i losowanie spośród tych grup. Nie losujemy jednostek badania, ale losujemy grupy takich jednostek Następnie badamy wszystkie jednostki w wybranych grupach (d. g. jednostopniowy) lub dalej losujemy subgrupy (d.g.wielostopniowy) Celem jest by osoby naleŝące do tej samej próby miały większe szanse znalezienia się razem w próbie niŝ osoby z innych grup 36

37 GŁÓWNE TRUDNOŚCI SPOTYKANE PRZY DOBORZE PRÓBY 1. Nieaktualne i niekompletne operaty 2. Imienna próba osób, adresowa próba osób, grupa gospodarstw - róŝnice 3. Dopuszczalne przyczyny niezrealizowania wywiadu 4. Kategorie osób wykluczonych z badań kwestionariuszowych 5. WaŜenie odpowiedzi 37

38 Próba imienna osób Znane są dane personalne konkretnych osób z próby, wskazane jednoznacznie. Nie moŝna na jej miejsce wybrać kogoś innego Jeśli wylosowana osoba nie mieszka pod wskazanym adresem ankieter na własną rękę podejmuje próbę ustalenia aktualnego adresu. JeŜeli badany mieszka w rejonie badań ankietera, wówczas przeprowadza z nim wywiad; jeśli mieszka w innym rejonie, ankieter informuje instytut badawczy o tym a ten zleca wykonanie badania innemu ankieterowi 38

39 2 fazy doboru próby: 1. losowanie adresów gospodarstw domowych (realizuje instytut bad.) Próba adresowa osób 2. wybór respondenta spośród członków danego gospodarstwa domowego wg ustalonej z góry procedury (realizuje ankieter, ale jego rola jest bierna) * Wylosowanej osoby nie moŝna zastąpić inną. Procedury doboru w 2. fazie Formularz składu gospodarstwa domowego: Ankieter wpisuje rozpoczynając od osoby najstarszej, nadając im odpowiednie numery porządkowe. Za pomocą tablicy liczb losowych lub tzw. tablic Kischa zamieszczonych w formularzu dokonuje wyboru osoby. Wymóg ułoŝenia osób w formularzu wg instrukcji! Reguła ustalenia płci i wieku osób, spośród których wylosowany będzie badany. Wybór wg reguły decyzji np. jeśli respondenta wybieramy spośród 2 osób, 2 K- starsza K, 1 M i 1K K; 2 M młodszy M. RóŜni ankieterzy otrzymują róŝne wytyczne Reguła wyboru osoby która ostatnio obchodziła urodziny 39

40 Próba gospodarstw Jednostkami losowania nie osoby ale gospodarstwa domowe Czynna rola ankietera w doborze osób do badania Dopuszczalna zastępowalość osób spełniających kryteria doboru przez osoby spełniające je w mniejszym stopniu! Dobór wg wytycznych, np.: * głowa gospodarstwa * osoba dokonująca zakupów dóbr codziennego uŝytku * róŝne bloki pytań dla róŝnych osób (kompetencja w danej kwestii) * dowolna osoba z gospodarstwa domowego 40

41 Metoda ustalonej ścieŝki (random route) SłuŜy odnalezieniu mieszkania/domu z którego zostanie dobrany respondent do badań Punkt wyjścia ankieter posiada konkretny adres ( adres startowy ), na podstawie którego szukać będzie innego adresu wg ustalonej z góry procedurym np. do adresu startowego (ul. Jaśminowa 7) doliczyć 2 kolejne adresy (Jaśminowa 8 i 9) i pod drugim ustalonym adresem dobrać respondenta zgodnie z wytycznymi zapisanymi kwestionariuszu rekrutacyjnym. KaŜdy ankieter stosując się do wyznaczonej procedury powinien dobrać badanego pod tym samym adresem docelowym. Ankieterowi nie wolno zmieniać zasad doboru w trakcie realizacji badania. 41

42 Ad 3.DOPUSZCZALNE PRZYCZYNY NIEZREALIZOWANIA WYWIADU Nieistniejący adres wylosowanej osoby/gospodarstwa Błędne dane personalne wylosowanej osoby Wylosowana osoba nie Ŝyje Wylosowana osoba nie naleŝy do badanej zbiorowości Niedostępność badanej osoby w terminie realizacji badania Wyczerpanie wymaganej liczby prób skontaktowania się z wylosowaną osobą Odmowa uczestnictwa w badaniu 42

43 AD.4. KATEGORIE OSÓB WYKLUCZONYCH Z BADAŃ KWESTIONARIUSZOWYCH Osoby, których wykonywany zawód i prowadzona działalność kolidują z tematyką badań Osoby pracujące dla konkurencji Osoby które w ostatnim czasie uczestniczyły (z reguły 6 miesięcy) juŝ w innych badaniach 43

W8. Metody doboru próby w badaniach rynkowych

W8. Metody doboru próby w badaniach rynkowych W8. Metody doboru próby w badaniach rynkowych 1 Wielkość próby a błąd pomiaru Statystyka matematyczna Centralne twierdzenie graniczne-średnia wielkość błędu estymacji jest odwrotnie proporcjonalna do pierwiastka

Bardziej szczegółowo

Metody doboru próby do badań. Dr Kalina Grzesiuk

Metody doboru próby do badań. Dr Kalina Grzesiuk Metody doboru próby do badań Dr Kalina Grzesiuk Proces doboru próby 1. Ustalenie populacji badanej 2. Ustalenie wykazu populacji badanej 3. Ustalenie liczebności próby 4. Wybór metody doboru próby do badań

Bardziej szczegółowo

DOBÓR PRÓBY. Czyli kogo badać?

DOBÓR PRÓBY. Czyli kogo badać? DOBÓR PRÓBY Czyli kogo badać? DZISIAJ METODĄ PRACY Z TEKSTEM I INNYMI Po co dobieramy próbę? Czym róŝni się próba od populacji? Na czym polega reprezentatywność statystyczna? Podstawowe zasady doboru próby

Bardziej szczegółowo

Pobieranie prób i rozkład z próby

Pobieranie prób i rozkład z próby Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.

Bardziej szczegółowo

Badania sondażowe. Schematy losowania. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa

Badania sondażowe. Schematy losowania. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa Badania sondażowe Schematy losowania Agnieszka Zięba Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa 1 Próba jako miniatura populacji CELOWA subiektywny dobór jednostek

Bardziej szczegółowo

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd. Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru

Bardziej szczegółowo

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd. Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru

Bardziej szczegółowo

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012

Bardziej szczegółowo

Testowanie hipotez statystycznych. Wnioskowanie statystyczne

Testowanie hipotez statystycznych. Wnioskowanie statystyczne Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy

Bardziej szczegółowo

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu

Bardziej szczegółowo

Zad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:

Zad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności: Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela

Statystyka w pracy badawczej nauczyciela Statystyka w pracy badawczej nauczyciela Wykład 1: Terminologia badań statystycznych dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka (1) Statystyka to nauka zajmująca się zbieraniem, badaniem

Bardziej szczegółowo

Rodzaje badań statystycznych

Rodzaje badań statystycznych Rodzaje badań statystycznych Zbieranie danych, które zostaną poddane analizie statystycznej nazywamy obserwacją statystyczną. Dane uzyskuje się na podstawie badania jednostek statystycznych. Badania statystyczne

Bardziej szczegółowo

SEMINARIUM DYPLOMOWE dr hab., prof. nzw. Janusz Gierszewski ZAGADNIENIE:

SEMINARIUM DYPLOMOWE dr hab., prof. nzw. Janusz Gierszewski ZAGADNIENIE: SEMINARIUM DYPLOMOWE dr hab., prof. nzw. Janusz Gierszewski ZAGADNIENIE: 1 DOBÓR PRÓBY MINIMALNEJ : Reprezentatywność: Próbę uznamy za reprezentatywną dla populacji, z której została dobrana, jeśli zagregowane

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.

Bardziej szczegółowo

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl

Bardziej szczegółowo

Cz. II. Metodologia prowadzonych badań. Rozdz. 1. Cele badawcze. Rozdz. 2. Metody i narzędzia badawcze. Celem badawczym niniejszego projektu jest:

Cz. II. Metodologia prowadzonych badań. Rozdz. 1. Cele badawcze. Rozdz. 2. Metody i narzędzia badawcze. Celem badawczym niniejszego projektu jest: Cz. II. Metodologia prowadzonych badań Rozdz. 1. Cele badawcze Celem badawczym niniejszego projektu jest: 1. Analiza zachowań zdrowotnych, składających się na styl życia Wrocławian: aktywność fizyczna,

Bardziej szczegółowo

Praktyczne aspekty doboru próby. Dariusz Przybysz Warszawa, 2 czerwca 2015

Praktyczne aspekty doboru próby. Dariusz Przybysz Warszawa, 2 czerwca 2015 Praktyczne aspekty doboru próby Dariusz Przybysz Warszawa, 2 czerwca 2015 Określenie populacji Przed przystąpieniem do badania, wybraniem sposobu doboru próby konieczne jest precyzyjne określenie populacji,

Bardziej szczegółowo

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów

Bardziej szczegółowo

Badania marketingowe

Badania marketingowe Wiesz już co chcesz osiągnąć w badaniu marketingowym i jak to (idealnie) zorganizować. Ale jakimi metodami? Skąd pewność, że będą efektywne? Ćwiczenie: jaką metodą zbadasz co koledzy/koleżanki na sali

Bardziej szczegółowo

DOBÓR PRÓBY. Czyli kogo badać?

DOBÓR PRÓBY. Czyli kogo badać? DOBÓR PRÓBY Czyli kogo badać? DZISIAJ METODĄ PRACY Z TEKSTEM I INNYMI Po co dobieramy próbę? Czym różni się próba od populacji? Na czym polega reprezentatywność statystyczna? Podstawowe zasady doboru próby

Bardziej szczegółowo

Badania marketingowe. Omówione zagadnienia. Społeczna Wyższa Szkoła Przedsiębiorczości i Zarządzania

Badania marketingowe. Omówione zagadnienia. Społeczna Wyższa Szkoła Przedsiębiorczości i Zarządzania Społeczna Wyższa Szkoła Przedsiębiorczości i Zarządzania kierunek: Zarządzanie Badania marketingowe Wykład 5 Opracowanie: dr Joanna Krygier 1 Omówione zagadnienia Ograniczenia wtórnych źródeł informacji

Bardziej szczegółowo

1. Projektowanie badania. 2. Dobór próby. 3. Dobór metody i budowa instrumentu. 4. Pomiar (badanie) 5. Redukcja danych. 6.

1. Projektowanie badania. 2. Dobór próby. 3. Dobór metody i budowa instrumentu. 4. Pomiar (badanie) 5. Redukcja danych. 6. 1. Projektowanie badania 2. Dobór próby 3. Dobór metody i budowa instrumentu badawczego 4. Pomiar (badanie) 5. Redukcja danych 6. Analiza danych 7. Przygotowanie raportu (prezentacja wyników) Określenie

Bardziej szczegółowo

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej

Bardziej szczegółowo

Zadania ze statystyki cz. 8 I rok socjologii. Zadanie 1.

Zadania ze statystyki cz. 8 I rok socjologii. Zadanie 1. Zadania ze statystyki cz. 8 I rok socjologii Zadanie 1. W potocznej opinii pokutuje przekonanie, że lepsi z matematyki są chłopcy niż dziewczęta. Chcąc zweryfikować tę opinię, przeprowadzono badanie w

Bardziej szczegółowo

Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej

Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

STATYSTYKA INDUKCYJNA. O sondaŝach ach i nie tylko

STATYSTYKA INDUKCYJNA. O sondaŝach ach i nie tylko STATYSTYKA INDUKCYJNA O sondaŝach ach i nie tylko DWA DZIAŁY ESTYMACJA Co na podstawie wyników w z próby mogę powiedzieć o wynikach w populacji? WERYFIKACJA HIPOTEZ Czy moje przypuszczenia uczynione przed

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych Temat Testowanie hipotez statystycznych Kody znaków: Ŝółte wyróŝnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Idea i pojęcia teorii testowania hipotez

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 3. Populacje i próby danych

STATYSTYKA MATEMATYCZNA WYKŁAD 3. Populacje i próby danych STATYSTYKA MATEMATYCZNA WYKŁAD 3 Populacje i próby danych POPULACJA I PRÓBA DANYCH POPULACJA population Obserwacje dla wszystkich osobników danego gatunku / rasy PRÓBA DANYCH sample Obserwacje dotyczące

Bardziej szczegółowo

Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1

Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1 Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie

Bardziej szczegółowo

WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH

WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład

Bardziej szczegółowo

Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych

Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Sebastian Kokot XXI Krajowa Konferencja Rzeczoznawców Majątkowych, Międzyzdroje 2012 Rzetelnie wykonana analiza rynku nieruchomości

Bardziej szczegółowo

Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/

Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

METODY STATYSTYCZNE W BIOLOGII

METODY STATYSTYCZNE W BIOLOGII METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

Czy, jak i właściwie dlaczego można badać opinię publiczną?

Czy, jak i właściwie dlaczego można badać opinię publiczną? Czy, jak i właściwie dlaczego można badać opinię publiczną? Instytut Socjologii UO// Kształtowanie i badanie opinii publicznej // lato 2013/14 dr Magdalena Piejko Jak badać opinię publiczną? Co to jest

Bardziej szczegółowo

Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych.

Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych. Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych. Statystyka zajmuje się prawidłowościami zaistniałych zdarzeń. Teoria prawdopodobieństwa dotyczy przewidywania, jak często mogą zajść

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje

Bardziej szczegółowo

zbieranie porządkowanie i prezentacja (tabele, wykresy) analiza interpretacja (wnioskowanie statystyczne)

zbieranie porządkowanie i prezentacja (tabele, wykresy) analiza interpretacja (wnioskowanie statystyczne) STATYSTYKA zbieranie porządkowanie i prezentacja (tabele, wykresy) analiza interpretacja (wnioskowanie statystyczne) DANYCH STATYSTYKA MATEMATYCZNA analiza i interpretacja danych przy wykorzystaniu metod

Bardziej szczegółowo

Estymacja parametro w 1

Estymacja parametro w 1 Estymacja parametro w 1 1 Estymacja punktowa: średniej, odchylenia standardowego i frakcji µ - średnia populacji h średnia z próby jest estymatorem średniej populacji = - standardowy błąd estymacji średniej

Bardziej szczegółowo

Wykład 3 Hipotezy statystyczne

Wykład 3 Hipotezy statystyczne Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza

Bardziej szczegółowo

Wydział Matematyki. Testy zgodności. Wykład 03

Wydział Matematyki. Testy zgodności. Wykład 03 Wydział Matematyki Testy zgodności Wykład 03 Testy zgodności W testach zgodności badamy postać rozkładu teoretycznego zmiennej losowej skokowej lub ciągłej. Weryfikują one stawiane przez badaczy hipotezy

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010

STATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010 STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z

Bardziej szczegółowo

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie

Bardziej szczegółowo

Doświadczalnictwo leśne. Wydział Leśny SGGW Studia II stopnia

Doświadczalnictwo leśne. Wydział Leśny SGGW Studia II stopnia Doświadczalnictwo leśne Wydział Leśny SGGW Studia II stopnia Treści i efekty kształcenia Treści: Statystyka matematyczna, planowanie eksperymentu Efekty kształcenia: student potrafi opisywać zjawiska za

Bardziej szczegółowo

Badania rynkowe 2016_4. Krzysztof Cybulski Katedra Marketingu Wydział Zarządzania Uniwersytet Warszawski

Badania rynkowe 2016_4. Krzysztof Cybulski Katedra Marketingu Wydział Zarządzania Uniwersytet Warszawski Badania rynkowe 2016_4 Krzysztof Cybulski Katedra Marketingu Wydział Zarządzania Uniwersytet Warszawski Ramowy program konwersatorium 1. Formułowanie oraz wyjaśnianie tematyki badań 2. Identyfikacja oraz

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów

STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów

Bardziej szczegółowo

Wykład 2: Tworzenie danych

Wykład 2: Tworzenie danych Wykład 2: Tworzenie danych Plan: Statystyka opisowa a wnioskowanie statystyczne Badania obserwacyjne a eksperyment Planowanie eksperymentu, randomizacja Próbkowanie z populacji Rozkłady próbkowe Wstępna/opisowa

Bardziej szczegółowo

Jeśli powyższy opis nie jest zrozumiały należy powtórzyć zagadnienie standaryzacji zanim przejdzie się dalej!

Jeśli powyższy opis nie jest zrozumiały należy powtórzyć zagadnienie standaryzacji zanim przejdzie się dalej! CO POWINNIŚMY WIEDZIEĆ (I ROZUMIEĆ) ZABIERAJĄC SIĘ DO CZYTANIA 1. Jeśli mamy wynik (np. z kolokwium) podany w wartościach standaryzowanych (np.: z=0,8) to wiemy, że aby ustalić jaki był wynik przed standaryzacją

Bardziej szczegółowo

IV WYKŁAD STATYSTYKA. 26/03/2014 B8 sala 0.10B Godz. 15:15

IV WYKŁAD STATYSTYKA. 26/03/2014 B8 sala 0.10B Godz. 15:15 IV WYKŁAD STATYSTYKA 26/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 4 Populacja generalna, próba, losowanie próby, estymatory Statystyka (populacja generalna, populacja próbna, próbka mała, próbka duża, reprezentatywność,

Bardziej szczegółowo

W1. Wprowadzenie. Statystyka opisowa

W1. Wprowadzenie. Statystyka opisowa W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład

Bardziej szczegółowo

Badania marketingowe. Omówione zagadnienia

Badania marketingowe. Omówione zagadnienia Społeczna Wyższa Szkoła Przedsiębiorczości i Zarządzania kierunek: Zarządzanie Badania marketingowe Wykład 4 Opracowanie: dr Joanna Krygier 1 Omówione zagadnienia Informacje wtórne definicja Pojęcie wtórnych

Bardziej szczegółowo

Zagadnienia: wprowadzenie podstawowe pojęcia. Doświadczalnictwo. Anna Rajfura

Zagadnienia: wprowadzenie podstawowe pojęcia. Doświadczalnictwo. Anna Rajfura Zagadnienia: wprowadzenie podstawowe pojęcia Doświadczalnictwo 1 Termin doświadczalnictwo Doświadczalnictwo planowanie doświadczeń oraz analiza danych doświadczalnych z użyciem metod statystycznych. Doświadczalnictwo

Bardziej szczegółowo

Proces badawczy schemat i zasady realizacji

Proces badawczy schemat i zasady realizacji Proces badawczy schemat i zasady realizacji Agata Górny Wydział Nauk Ekonomicznych UW Warszawa, 28 października 2014 Najważniejsze rodzaje badań Typy badań Podział wg celu badawczego Kryteria przyczynowości

Bardziej szczegółowo

Przedwyborcze sondaŝe telefoniczne Fakty i mity

Przedwyborcze sondaŝe telefoniczne Fakty i mity Przedwyborcze sondaŝe telefoniczne Fakty i mity Marketing polityczny, sondaŝ i manipulacja Konferencja, WyŜsza Szkoła Promocji, 27.09.2010 Kuba Antoszewski, Millward Brown SMG/KRC KaŜdy się myli Błąd pomiaru

Bardziej szczegółowo

Weryfikacja przypuszczeń odnoszących się do określonego poziomu cechy w zbiorowości (grupach) lub jej rozkładu w populacji generalnej,

Weryfikacja przypuszczeń odnoszących się do określonego poziomu cechy w zbiorowości (grupach) lub jej rozkładu w populacji generalnej, Szacownie nieznanych wartości parametrów (średniej arytmetycznej, odchylenia standardowego, itd.) w populacji generalnej na postawie wartości tych miar otrzymanych w próbie (punktowa, przedziałowa) Weryfikacja

Bardziej szczegółowo

166 Wstęp do statystyki matematycznej

166 Wstęp do statystyki matematycznej 166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej

Bardziej szczegółowo

Wykorzystanie Propensity Score do poprawy wnioskowań z wyników badań marketingowych.

Wykorzystanie Propensity Score do poprawy wnioskowań z wyników badań marketingowych. SESJA: II Respondent jako dobro rzadkie. TEMAT Wykorzystanie Propensity Score do poprawy wnioskowań z wyników badań marketingowych. OPRACOWANY PRZEZ LILIANĘ STOŁOWSKĄ LECHA KOMENDANTA WŁODZIMIERZA DAAB

Bardziej szczegółowo

Wnioskowanie statystyczne. Statystyka w 5

Wnioskowanie statystyczne. Statystyka w 5 Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających

Bardziej szczegółowo

KARTA KURSU. (do zastosowania w roku akademickim 2015/16) Kod Punktacja ECTS* 3. Dr hab. Tadeusz Sozański

KARTA KURSU. (do zastosowania w roku akademickim 2015/16) Kod Punktacja ECTS* 3. Dr hab. Tadeusz Sozański KARTA KURSU (do zastosowania w roku akademickim 2015/16) Nazwa Statystyka 2 Nazwa w j. ang. Statistics 2 Kod Punktacja ECTS* 3 Koordynator Dr hab. Tadeusz Sozański (koordynator, konwersatorium) Zespół

Bardziej szczegółowo

Wyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności

Wyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności Wyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności Statystyka indukcyjna pozwala kontrolować i oszacować ryzyko popełnienia błędu statystycznego

Bardziej szczegółowo

Podstawowe pojęcia statystyczne

Podstawowe pojęcia statystyczne Podstawowe pojęcia statystyczne Istnieją trzy rodzaje kłamstwa: przepowiadanie pogody, statystyka i komunikat dyplomatyczny Jean Rigaux Co to jest statystyka? Nauka o metodach ilościowych badania zjawisk

Bardziej szczegółowo

Charakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej)

Charakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej) Charakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej) 1 Podział ze względu na zakres danych użytych do wyznaczenia miary Miary opisujące

Bardziej szczegółowo

Zadania ze statystyki cz.8. Zadanie 1.

Zadania ze statystyki cz.8. Zadanie 1. Zadania ze statystyki cz.8. Zadanie 1. Wykonano pewien eksperyment skuteczności działania pewnej reklamy na zmianę postawy. Wylosowano 10 osobową próbę studentów, których poproszono o ocenę pewnego produktu,

Bardziej szczegółowo

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej

Bardziej szczegółowo

Analiza niepewności pomiarów

Analiza niepewności pomiarów Teoria pomiarów Analiza niepewności pomiarów Zagadnienia statystyki matematycznej Dr hab. inż. Paweł Majda www.pmajda.zut.edu.pl Podstawy statystyki matematycznej Histogram oraz wielobok liczebności zmiennej

Bardziej szczegółowo

Wykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu

Wykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)

Bardziej szczegółowo

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę

Bardziej szczegółowo

Liczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną

Liczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia

Bardziej szczegółowo

Badania eksploracyjne Badania opisowe Badania wyjaśniające (przyczynowe)

Badania eksploracyjne Badania opisowe Badania wyjaśniające (przyczynowe) Proces badawczy schemat i zasady realizacji Agata Górny Demografia Wydział Nauk Ekonomicznych UW Warszawa, 4 listopada 2008 Najważniejsze rodzaje badań Typy badań Podział wg celu badawczego Badania eksploracyjne

Bardziej szczegółowo

Wnioskowanie statystyczne i weryfikacja hipotez statystycznych

Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.

Bardziej szczegółowo

Statystyka matematyczna

Statystyka matematyczna Statystyka matematyczna Wykład 8 Magdalena Alama-Bućko 7 maja 2018 Magdalena Alama-Bućko Statystyka matematyczna 7 maja 2018 1 / 19 Przypomnijmy najpierw omówione na poprzednim wykładzie postaci przedziałów

Bardziej szczegółowo

Spis treści 3 SPIS TREŚCI

Spis treści 3 SPIS TREŚCI Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe

Bardziej szczegółowo

Charakterystyka liczbowa opisującą właściwości zbioru danych (np. średnia, mediana, odchylenie standardowe)

Charakterystyka liczbowa opisującą właściwości zbioru danych (np. średnia, mediana, odchylenie standardowe) Dyscyplina naukowa zajmująca się sposobami (metodami i narzędziami) gromadzenia i opisywania danych ilościowych oraz wyprowadzania na ich podstawie wniosków odnoszących się do procesów masowych Charakterystyka

Bardziej szczegółowo

Metody Statystyczne. Metody Statystyczne.

Metody Statystyczne. Metody Statystyczne. gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja

Bardziej szczegółowo

4. NA CZYM POLEGA PRACA ANKIETERA? PRZYGOTOWANIE DO PRACY W CHARAKTERZE ANKIETERA - Franciszek Sztabiński

4. NA CZYM POLEGA PRACA ANKIETERA? PRZYGOTOWANIE DO PRACY W CHARAKTERZE ANKIETERA - Franciszek Sztabiński WPROWADZENIE - Zbigniew Sawiński, Paweł B. Sztabiński 1. RYNEK BADAŃ - Zbigniew Sawiński 1.1 Rodzaje badań 1.2 Instytuty badawcze 1.3 Metody jakościowe i ilościowe 1.4 Projekty badawcze 1.5 Wielkość i

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VIII: Przestrzenie statystyczne. Estymatory 1 grudnia 2014 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji r(x, Z) = 0, 986 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji

Bardziej szczegółowo

Kontekstowe wskaźniki efektywności nauczania - warsztaty

Kontekstowe wskaźniki efektywności nauczania - warsztaty Kontekstowe wskaźniki efektywności nauczania - warsztaty Przygotowała: Aleksandra Jasińska (a.jasinska@ibe.edu.pl) wykorzystując materiały Zespołu EWD Czy dobrze uczymy? Metody oceny efektywności nauczania

Bardziej szczegółowo

Statystyka opisowa. Literatura STATYSTYKA OPISOWA. Wprowadzenie. Wprowadzenie. Wprowadzenie. Plan. Tomasz Łukaszewski

Statystyka opisowa. Literatura STATYSTYKA OPISOWA. Wprowadzenie. Wprowadzenie. Wprowadzenie. Plan. Tomasz Łukaszewski Literatura STATYSTYKA OPISOWA A. Aczel, Statystyka w Zarządzaniu, PWN, 2000 A. Obecny, Statystyka opisowa w Excelu dla szkół. Ćwiczenia praktyczne, Helion, 2002. A. Obecny, Statystyka matematyczna w Excelu

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady statystyk z próby Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny

Bardziej szczegółowo

Wyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności

Wyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności Wyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności Statystyka indukcyjna pozwala kontrolować i oszacować ryzyko popełnienia błędu statystycznego

Bardziej szczegółowo

Próba własności i parametry

Próba własności i parametry Próba własności i parametry Podstawowe pojęcia Zbiorowość statystyczna zbiór jednostek (obserwacji) nie identycznych, ale stanowiących logiczną całość Zbiorowość (populacja) generalna skończony lub nieskończony

Bardziej szczegółowo

Statystyka matematyczna i ekonometria

Statystyka matematyczna i ekonometria Statystyka matematyczna i ekonometria Wykład 5 Anna Skowrońska-Szmer lato 2016/2017 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją jako prawdziwą

Bardziej szczegółowo

weryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)

weryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja) PODSTAWY STATYSTYKI. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na

Bardziej szczegółowo

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego

Bardziej szczegółowo

Badania sondażowe. Dobór próby do badania Rodzaje błędów w badaniach. Agnieszka Zięba

Badania sondażowe. Dobór próby do badania Rodzaje błędów w badaniach. Agnieszka Zięba Badania sondażowe Dobór próby do badania Rodzaje błędów w badaniach Agnieszka Zięba Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa 1 Konstrukcja próby badawczej 2 Dobór

Bardziej szczegółowo

STATYSTYKA INDUKCYJNA. O sondażach i nie tylko

STATYSTYKA INDUKCYJNA. O sondażach i nie tylko STATYSTYKA INDUKCYJNA O sondażach i nie tylko DWA DZIAŁY ESTYMACJA Co na podstawie wyników z próby mogę powiedzieć o wynikach w populacji? WERYFIKACJA HIPOTEZ Czy moje przypuszczenia uczynione przed badaniami

Bardziej szczegółowo

R-PEARSONA Zależność liniowa

R-PEARSONA Zależność liniowa R-PEARSONA Zależność liniowa Interpretacja wyników: wraz ze wzrostem wartości jednej zmiennej (np. zarobków) liniowo rosną wartości drugiej zmiennej (np. kwoty przeznaczanej na wakacje) czyli np. im wyższe

Bardziej szczegółowo

Statystyka matematyczna i ekonometria

Statystyka matematyczna i ekonometria Statystyka matematyczna i ekonometria Wykład 5 dr inż. Anna Skowrońska-Szmer zima 2017/2018 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją

Bardziej szczegółowo

LABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.

LABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja

Bardziej szczegółowo

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów

Bardziej szczegółowo

Teoria błędów pomiarów geodezyjnych

Teoria błędów pomiarów geodezyjnych PodstawyGeodezji Teoria błędów pomiarów geodezyjnych mgr inŝ. Geodeta Tomasz Miszczak e-mail: tomasz@miszczak.waw.pl Wyniki pomiarów geodezyjnych będące obserwacjami (L1, L2,, Ln) nigdy nie są bezbłędne.

Bardziej szczegółowo

Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.

Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde

Bardziej szczegółowo

Szczegółowy opis badania - badanie CAPI na ogólnopolskiej próbie stowarzyszeń i fundacji

Szczegółowy opis badania - badanie CAPI na ogólnopolskiej próbie stowarzyszeń i fundacji Zapytanie ofertowe Stowarzyszenie Klon/Jawor od 2002 roku prowadzi ogólnopolski projekt badawczy dotyczący funkcjonowania organizacji pozarządowych. W ramach tego przedsięwzięcia, w regularnych odstępach

Bardziej szczegółowo

Wnioskowanie bayesowskie

Wnioskowanie bayesowskie Wnioskowanie bayesowskie W podejściu klasycznym wnioskowanie statystyczne oparte jest wyłącznie na podstawie pobranej próby losowej. Możemy np. estymować punktowo lub przedziałowo nieznane parametry rozkładów,

Bardziej szczegółowo

Weryfikacja przypuszczeń odnoszących się do określonego poziomu cechy w zbiorowości (grupach) lub jej rozkładu w populacji generalnej,

Weryfikacja przypuszczeń odnoszących się do określonego poziomu cechy w zbiorowości (grupach) lub jej rozkładu w populacji generalnej, Szacownie nieznanych wartości parametrów (średniej arytmetycznej, odchylenia standardowego, itd.) w populacji generalnej na postawie wartości tych miar otrzymanych w próbie (estymacja punktowa, przedziałowa)

Bardziej szczegółowo

Proces badawczy schemat i zasady realizacji

Proces badawczy schemat i zasady realizacji Proces badawczy schemat i zasady realizacji Agata Górny Zaoczne Studia Doktoranckie z Ekonomii Warszawa, 14 grudnia 2014 Metodologia i metoda badawcza Metodologia Zadania metodologii Metodologia nauka

Bardziej szczegółowo