Lekce 1: Důležitost dat a jejich typy

Jaké typy dat existují aneb data nemusí být pouze čísla

Realitu můžeme popisovat různými typy dat, každý z nich se specifickými vlastnostmi, výhodami a nevýhodami a také vlastní sadou využitelných statistických metod. Pro statistické zpracování se měřítka dat v základu dělí na kvalitativní a kvantitativní.

• Kvalitativní data – nečíselná data pomocí kterých popisujeme slovně kvalitu věcí a jevů. Někdy se pro ně používá pojem „měkká data“.
• Kvantitativní data – číselná data pomocí kterých definujeme nebo měříme věci nebo jevy. Někdy se pro ně používá pojem „tvrdá data“.

A. Binární data – proměnná¹, která může nabývat pouze dvou hodnot.

• Pravda x nepravda
• Ano x ne
• 0 x 1 (dvojková soustava)
• Žena x muž
• ...

B. Nominální data – jedná se o kategoriální data, která mohou nabývat počtu hodnot, pro které neexistuje přirozené pořadí. Hodnoty nominálních dat umožňují pouze třídění, jsou unikátní, a tudíž nejsou vzájemně porovnatelné. Nelze s nimi provádět matematické operace (sčítání, odčítání, násobení, dělení). Používají se pro klasifikaci dat.

• Barvy (červená x zelená x modrá)
• Studijní obory středních či vysokých škol
• ...

Ze statistického hlediska lze u těchto dat počítat četnost, modus (nejčastější hodnota) nebo jejich procentuální zastoupení v celku (např. ze vzorku respondentů).

C. Ordinální data – nominální proměnná, pro kterou ale existuje jasné pořadí kategorií. Lze je uspořádat a určit, která hodnota je lepší, horší, větší, menší. Nelze s nimi provádět matematické operace a neposkytují informaci o vzdálenostech mezi hodnotami neboli rozdílech mezi nimi. Užívají se při stanovení pořadí podle určitého kritéria.

• Subjektivní hodnocení (např. jako ve škole, kde 1 = nejlepší a 5 = nejhorší)
• Časová četnost (např. 1 = nikdy, 2 = někdy, 3 = vždy)
• Stupně vzdělání (bez vzdělání, neúplné základní vzdělání, základní vzdělání, nižší střední vzdělání atd.)
• Pořadí žadatelů o dotaci (první, druhý, třetí atd.)
• …

Ze statistického hlediska lze u těchto dat počítat medián (hodnota, jež dělí řadu vzestupně seřazených výsledků na dvě stejně početné poloviny), aritmetický průměr či směrodatnou odchylku (rozptyl od průměru hodnot).

¹Proměnná = znak, který může nabývat různých hodnot

A. Intervalová data – jedná se o spojitou proměnnou, u které můžeme určit rozdíl mezi kategoriemi (o kolik je jedna hodnota větší/menší než druhá). Vzdálenosti mezi jednotlivými hodnotami v intervalech jsou stejné. Nemá pevně danou nulovou hodnotu (absolutní nula u těchto dat nedává smysl). Lze s nimi provádět matematické operace (pouze sčítaní a odčítání, násobení a dělení nikoliv).

• Věk
• Počet dětí v rodině
• Měsíční/roční příjem osoby/domácnosti
• Cena
• IQ
• Přirozený přírůstek/úbytek
• Migrační přírůstek/úbytek
• …

Ze statistického hlediska je pro tato data nejčastěji počítán průměr.

B. Poměrová data – jedná se o intervalovou proměnnou, u které má smysl určovat podíly jednotlivých kategorií. Lze u nich měřit, kolikrát je jedna hodnota větší/menší než druhá. U této stupnice je nulový bod již pevně zadán a vyjadřuje naprostou nepřítomnost dané hodnoty. Poměrová data nemohou nabývat záporných hodnot (výjimkou je teplota, protože nulovým bodem u teploty je absolutní nula, tzn. -273,15 °C). Lze s nimi provádět všechny statistické i matematické operace.

• Všechny fyzikální veličiny definované v souladu se soustavou SI
• Fertilita (porodnost), mortalita (úmrtnost)
• …

Další možnosti dělení dat:

• Statická (neměnná) vs dynamická (měnící se v čase) – ukázkovým příkladem mohou být data o počtech turistů vztažená k jednomu konkrétnímu roku (statická data) a data o počtu turistů sbíraná v reálném čase pomocí moderních metod sběru dat, např. sčítačů (dynamická data)
• Statistická vs relační data (vzájemně propojená data) – za statistická data považujeme hodnotu nějakého jevu, za relační data můžeme považovat např. data o počtu pohybů z jednoho obce do jiné obce
• Prostorová vs neprostorová data – prostorová data lze vztáhnout a vizualizovat do určitého prostoru, prostorová data mohou být statická, dynamická, statistická i relační

Speciálním typem dat jsou prostorová data (tzv. GIS data), tj. data, která můžeme lokalizovat do prostoru, ať už bodově, liniově či plošně. U prostorových dat je nutné rozlišovat část polohovou, tj. zprostředkovávající informaci o poloze a část popisnou, tj. sdělující informace o vlastnostech určitého prvku. Polohu prvku můžeme popsat pomocí čísel (souřadnic). Pro tyto účely využíváme zeměpisnou délku a zeměpisnou šířku. Díky souřadnicovému systému tak lze každý bod přesně umístit na kterékoliv místo na povrchu Země. GPS souřadnice v českém prostředí zapisujeme nejčastěji pomocí WGS-84 (např. zápisem ve formátu 50.0000, 15.0000, kde prvně jmenovaný značí zeměpisnou šířku a druhý zeměpisnou délku) nebo S-JTSK (Systém jednotné trigonometrické sítě katastrální) a to ve formátu (ukázka dle aplikace mapy.cz):

• jtsk: 801310.09, 1077249.26
• -801310.09, -1077249.26
• Y: 801310.09, X: 1077249.26

Pro zápis souřadnic lze využít OLC (Open Location Code). OLC je systém identifikace polohy jakéhokoliv místa na zemi navržený Googlem. Byl navržen především proto, aby bylo možné identifikovat lépe i místa, kde není žádný zavedený systém, například zde chybí názvy ulic, popisná, orientační či evidenční čísla nebo PSČ. OLC lze ukázkově zapsat ve formátu 9F2Q6R5H+7X.

GIS nástroje a aplikace, které jsou využívány pro práci s prostorovými daty, jako ArcGIS či QGIS jsou užitečné pro podporu rozhodovacích procesů. Jejich detailnější popis bude následovat ve třetí lekci.