Pārlekt uz galveno saturu
Vadītājs
Māra Grēve

Studiju kursa apraksts

Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:9.00
Kursa apraksta apstiprināšanas datums:30.08.2019
Par studiju kursu
Kursa kods:SL_001LKI līmenis:7. līmenis
Kredītpunkti:2.00ECTS:3.00
Zinātnes nozare:Matemātika; Varbūtību teorija un matemātiskā statistikaMērķauditorija:Ārstniecība
Studiju kursa vadītājs
Kursa vadītājs:Māra Grēve
Studiju kursa īstenotājs
Struktūrvienība:Statistikas mācību laboratorija
Struktūrvienības vadītājs:Andrejs Ivanovs
Kontaktinformācija:Kapseļu iela 23, 2.stāvs, Rīga, +371 67060897, statistikaatrsu[pnkts]lv, www.rsu.lv/statlab
Studiju kursa plānojums
Pilns laiks - 1. semestris
Nodarbības (skaits)Lekciju ilgums (akadēmiskās stundas)Kopā lekciju kontaktstundas0
Nodarbības (numurs)14Nodarbību ilgums (akadēmiskās stundas)3Kopā nodarbību kontaktstundas42
Kopā kontaktstundas42
Study course description
Zināšanas:
Vidējās izglītības līmenim atbilstošas zināšanas matemātikā un informātikā.
Mērķis:
Iegūt pamatzināšanas un prasmes statistiskajās datu apstrādes metodēs (aprakstošā statistika, slēdzienstatistikas metodes starpgrupu atšķirību novērtēšanai un saistību izpētei starp dažādiem mainīgajiem), kas nepieciešamas zinātniski pētnieciskā darba izstrādei un statistisko rādītāju pielietošanai savā specialitātē.
Tēmu saraksts (pilna laika studijas)
Nr.TēmaĪstenošanas formaSkaitsNorises vieta
1Ievads statistikā, statistikas loma pētījuma procesā. Datu veidi, mērskalas, datu ievade, datu sagatavošana MS Excel. Iepazīšanās ar IBM SPSS. Pamatdarbības ar datiem IBM SPSS programmā.Nodarbības1.00datorklase
2Aprakstošās statistikas rādītāji MS Excel un IBM SPSS.Nodarbības1.00datorklase
3Normālsadalījums un tā raksturojošie aprakstošās statistikas rādītāji. Ticamības intervāli.Nodarbības1.00datorklase
4Statistiskās hipotēzes, to veidi. Hipotēžu pārbaude. P vērtība. Izlases lieluma aprēķināšana.Nodarbības1.00datorklase
5Parametriskas datu apstrādes metodes kvantitatīvajiem datiem. Neatkarīgo un atkarīgo izlašu salīdzināšana.Nodarbības1.00datorklase
6Neparametriskas datu apstrādes metodes kvantitatīvajiem datiem un datiem ordinālā skalā. Neatkarīgo un atkarīgo izlašu salīdzināšana.Nodarbības1.00datorklase
7Kvalitatīvo datu apstrāde. Atkarīgas un neatkarīgas izlases.Nodarbības1.00datorklase
8Korelācijas analīze. Regresijas analīze (Lineārā regresija).Nodarbības1.00datorklase
9Regresijas analīze (Binārā loģistiskā regresija). ROC līknes.Nodarbības1.00datorklase
10Dzīvildzes analīze (Kaplana-Meiera metode un Koksa regresija).Nodarbības1.00datorklase
11Kopsavilkums un praktiskais darbs ar datiem IBM SPSS.Nodarbības1.00datorklase
12Zinātnisko publikāciju analīze.Nodarbības1.00datorklase
13Patstāvīgais darbs ar datiem IBM SPSS.Nodarbības1.00datorklase
14Patstāvīgā darba prezentācija.Nodarbības1.00datorklase
Vērtēšana
Patstāvīgais darbs:
1. Individuālais darbs ar literatūru – sagatavošanās katrai nodarbībai atbilstoši tematiskajam plānam. 2. Patstāvīga zinātniskās publikācijas analīze. 3. Patstāvīgais darbs pāros – katram pārim tiks sagatavoti pētījuma datu faili (vai studenti var izmantot sava pētījuma datus) ar nodefinētiem pētījuma uzdevumiem. Studentam vajadzēs apstrādāt datus, lai sasniegtu nodefinētos uzdevumus, izmantojot aprakstošās statistikas un slēdzienstatistikas metodes, aprakstīt iegūtos rezultātus noslēguma darbā, noformēt darbu atbilstoši prasībām un prezentēt iegūtos rezultātus pēdējā nodarbībā.
Vērtēšanas kritēriji:
Līdzdalība praktiskajās nodarbībās. Par katru kavēto nodarbību – prakstisks darba uzdevums. Studiju kursa beigās ieskaite: 1. Publikācijas analīzes mutiska prezentācija. 2. Patstāvīgā darba mutiska prezentācija. 3. Daudzatbilžu tests ar teorētiskiem un praktiskiem jautājumiem statistikā. 30 jautājumi, no kuriem 17 ir jābūt pareizi atbildētiem, lai saņemtu ieskaiti testā.
Gala pārbaudījums (pilna laika studijas):Ieskaite
Gala pārbaudījums (nepilna laika studijas):
Studiju rezultāti
Priekšzināšanas:Pēc studiju kursa prasību izpildes studējošie būs apguvuši zināšanas, kas ļaus: * atpazīt statistisko terminoloģiju un izmantotās pamatmetodes dažāda veida publikācijās; * pārzināt biežāk lietotās MS Excel un IBM SPSS piedāvātās iespējas datu apstrādē; * pārzināt kritērijus datu apstrādes metožu izmatošanai; * 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 datorprogrammas MS Excel un IBM SPSS; * izveidot tabulas un diagrammas MS Excel un IBM SPSS programmās iegūtajiem rezultātiem; * korekti aprakstīt iegūtos pētījuma rezultātus.
Kompetences:Studiju kursa apguves rezultātā studenti būs spējīgi argumentēti pieņemt lēmumu par statistiskas datu apstrādes metožu izmantošanu pētījuma mērķa sasniegšanai un, izmantojot datorprogrammas MS Excel un IBM SPSS, praktiski pielietot apgūtās statistiskās pamatmetodes pētījumu datu apstrādē.
Bibliogrāfija
Nr.Atsauce
Obligātā literatūra
1Peat J. & Barton B. Medical Statistics: A Guide to SPSS, Data Analysis and Critical Appraisal, 2nd edition, John Wiley & Sons, 2014. ISBN-13: 978-1118589939
2Field A. Discovering Statistics using IBM SPSS Statistics, 4th edition, Sage Publications, 2013. ISBN-13: 978-1446249185
3Petrie A. & Sabin C. Medical Statistics at a Glance, 4th edition, Wiley-Blackwell, 2019. ISBN: 978-1-119-16781-5