.
Statistikas pamati
Studiju kursa apraksts
Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:10.00
Kursa apraksta apstiprināšanas datums:12.08.2022 09:14:13
| Par studiju kursu | |||||||||
| Kursa kods: | SL_016 | LKI līmenis: | 6. līmenis | ||||||
| Kredītpunkti: | 2.00 | ECTS: | 3.00 | ||||||
| Zinātnes nozare: | Matemātika; Varbūtību teorija un matemātiskā statistika | Mērķauditorija: | Māszinības | ||||||
| Studiju kursa vadītājs | |||||||||
| Kursa vadītājs: | Madara Miķelsone | ||||||||
| Studiju kursa īstenotājs | |||||||||
| Struktūrvienība: | Statistikas mācību laboratorija | ||||||||
| Struktūrvienības vadītājs: | |||||||||
| Kontaktinformācija: | Baložu iela 14, A kurpuss, Rīga, +371 67060897, statistika rsu[pnkts]lv, www.rsu.lv/statlab | ||||||||
| Studiju kursa plānojums | |||||||||
| Pilns laiks - 1. semestris | |||||||||
| Lekcijas (skaits) | 0 | Lekciju ilgums (akadēmiskās stundas) | 0 | Kopā lekciju kontaktstundas | 0 | ||||
| Nodarbības (skaits) | 16 | Nodarbību ilgums (akadēmiskās stundas) | 2 | Kopā nodarbību kontaktstundas | 32 | ||||
| Kopā kontaktstundas | 32 | ||||||||
| Studiju kursa apraksts | |||||||||
| Priekšzināšanas: | Vidējās izglītības līmenim atbilstošas zināšanas matemātikā un informātikā. | ||||||||
| Mērķis: | Iegūt pamatzināšanas un prasmes statistiskajās datu apstrādes metodēs (aprakstošā statistika un slēdzienstatistikas metodes), kas nepieciešamas noslēguma darba izstrādei un statistisko rādītāju pielietošanai izvēlētajā specialitātē. | ||||||||
| Tēmu saraksts (pilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Ievads statistikā, statistikas loma pētījuma procesā. Datu veidi, mērskalas. | Nodarbības | 1.00 | datorklase | |||||
| 2 | Datu sagatavošana datu bāzes izveidei. Iepazīšanās ar IBM SPSS. Pamatdarbības ar datiem IBM SPSS programmā. | Nodarbības | 1.00 | datorklase | |||||
| 3 | Aprakstošās statistikas rādītāji un to ieguves veidi IBM SPSS programmā. | Nodarbības | 1.00 | datorklase | |||||
| 4 | Normālsadalījums un to raksturojošie aprakstošās statistikas rādītāji. | Nodarbības | 1.00 | datorklase | |||||
| 5 | Tabulu un diagrammu izveide IBM SPSS atbilstoši datu veidam. | Nodarbības | 1.00 | datorklase | |||||
| 6 | Statistiskās hipotēzes, to veidi. Hipotēžu pārbaude. P vērtība. Ticamības intervāli. | Nodarbības | 1.00 | datorklase | |||||
| 7 | Parametriskās datu apstrādes metodes kvantitatīviem datiem 2 atkarīgu vai neatkarīgu izlašu salīdzināšanai. | Nodarbības | 1.00 | datorklase | |||||
| 8 | Neparametriskās datu apstrādes metodes kvantitatīviem vai ordināliem datiem 2 atkarīgu vai neatkarīgu izlašu salīdzināšanai. | Nodarbības | 1.00 | datorklase | |||||
| 9 | Parametriskās un neparametriskās datu apstrādes metodes vismaz 3 atkarīgu vai neatkarīgu izlašu salīdzināšanai. | Nodarbības | 1.00 | datorklase | |||||
| 10 | Kvalitatīvo datu apstrāde atkarīgām un neatkarīgām izlasēm. Izredžu attiecība, relatīvais risks. | Nodarbības | 1.00 | datorklase | |||||
| 11 | Uzticamības analīze. Skalas saskaņotības koeficients (Kronbaha Alfa). | Nodarbības | 1.00 | datorklase | |||||
| 12 | Praktiskais darbs ar datiem IBM SPSS. | Nodarbības | 2.00 | datorklase | |||||
| 13 | Publikācijas analīze. | Nodarbības | 1.00 | datorklase | |||||
| 14 | Patstāvīgais darbs ar datiem IBM SPSS. | Nodarbības | 1.00 | datorklase | |||||
| 15 | Noslēguma darba prezentācija. | Nodarbības | 1.00 | datorklase | |||||
| Vērtēšana | |||||||||
| Patstāvīgais darbs: | 1. Individuālais darbs ar literatūru – sagatavošanās katrai nodarbībai atbilstoši tematiskajam plānam. 2. Patstāvīgais darbs pa pāriem – katram studentu pārim tiks sagatavots pētījuma datu fails (ir atļauts izmantot savu pētījumu datus) ar nodefinētiem pētījuma uzdevumiem. Studentiem vajadzēs statistiski apstrādāt datus, lai sasniegtu nodefinētos uzdevumus, izmantojot aprakstošās statistikas metodes un slēdzienstatistikas metodes, noformēt darbu atbilstoši prasībām un prezentēt iegūtos rezultātus pēdējā nodarbībā. | ||||||||
| Vērtēšanas kritēriji: | Lai sekmīgi apgūtu studiju kursa vielu un sagatavotos studiju kursa gala pārbaudījumam, studējošais veic sekojošas aktivitātes (obligātas, netiek vērtētas ar atzīmi): 1. Līdzdalība praktiskajās nodarbībās. Par katru kavēto nodarbību – prakstisks darba uzdevums. 2. Patstāvīgā darba mutiska prezentācija. Studiju kursa beigās eksāmens - vērtējums (atzīme) kumulatīvs: 50% – tests ar praktiskiem darba uzdevumiem, izmantojot datu bāzes, 50% – eksāmens (daudzatbilžu tests ar teorētiskiem un praktiskiem jautājumiem statistikā). | ||||||||
| Gala pārbaudījums (pilna laika studijas): | Eksāmens | ||||||||
| Gala pārbaudījums (nepilna laika studijas): | |||||||||
| Studiju rezultāti | |||||||||
| Zināšanas: | Pēc studiju kursa prasību izpildes studējošie būs apguvuši zināšanas, kas ļaus: * atpazīt statistisko terminoloģiju un izmantotās pamatmetodes dažāda veida publikācijās; * pārzināt IBM SPSS piedāvātās iespējas datu apstrādē; * pārzināt kritērijus datu apstrādes metožu izmantošanai; * pareizi interpretēt svarīgākos statistiskos rādītājus. | ||||||||
| Prasmes: | Studiju kursa apguves rezultātā studenti pratīs: * ievadīt un rediģēt datus datorprogrammās MS Excel un IBM SPSS; * korekti sagatavot datus statistiskai apstrādei; * izvēlēties piemērotas datu apstrādes metodes, t.sk., spēs veikt statistisko hipotēžu pārbaudes; * statistiski apstrādāt pētījuma datus, izmantojot IBM SPSS programmatūru; * izveidot tabulas un diagrammas IBM SPSS programmā ar iegūtajiem rezultātiem; * korekti aprakstīt iegūtos pētījuma rezultātus. | ||||||||
| Kompetences: | Studiju kursa apguves rezultātā studenti būs spējīgi argumentēti pieņemt lēmumu par statistiskās datu apstrādes metožu izmantošanu pētījuma mērķa sasniegšanai un, izmantojot IBM SPSS programmatūru, praktiski pielietot apgūtās statistiskās pamatmetodes pētījumu datu apstrādē. | ||||||||
| Bibliogrāfija | |||||||||
| Nr. | Atsauce | ||||||||
| Obligātā literatūra | |||||||||
| 1 | Andy Field. Discovering Statistics using IBM SPSS Statistics. 5th edition, 2018. | ||||||||
| 2 | Statistics for Nursing: A Practical Approach. Elizabeth Heavey. Burlington, MA: Jones & Bartlett Learning, 2019. | ||||||||
| 3 | Suresh. K. Sharma. Nursing Research and Statistics. Elsevier, 2nd edition, 2014. | ||||||||
