Pārlekt uz galveno saturu
Studiju programma
Vadītājs
Madara Miķelsone

Studiju kursa apraksts

Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:6.00
Kursa apraksta apstiprināšanas datums:28.01.2020
Par studiju kursu
Kursa kods:SL_017LKI līmenis:7. līmenis
Kredītpunkti:4.00ECTS:6.00
Zinātnes nozare:Matemātika; Varbūtību teorija un matemātiskā statistikaMērķauditorija:Māszinības
Studiju kursa vadītājs
Kursa vadītājs:Madara Miķelsone
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)24Nodarbību ilgums (akadēmiskās stundas)2Kopā nodarbību kontaktstundas48
Kopā kontaktstundas48
Studiju kursa apraksts
Priekšzināšanas:
Vidējās izglītības līmenim atbilstošas zināšanas matemātikā un informātikā.
Mērķis:
Iegūt pamatzināšanas un prasmes statistiskajās datu apstrādes metodēs (aprakstošā statistika, slēdzienstatistikas metodes atšķirību novērtēšanai un analītiska statistika), kas nepieciešamas noslēguma darba izstrādei un statistisko rādītāju pielietošanai savā specialitātē.
Tēmu saraksts (pilna laika studijas)
Nr.TēmaĪstenošanas formaSkaitsNorises vieta
1Ievads statistikā, statistikas loma pētījuma procesā.Nodarbības1.00datorklase
2Datu veidi, mērskalas, datu ievade, datu sagatavošana MS Excel.Nodarbības1.00datorklase
3Iepazīšanās ar IBM SPSS. Pamatdarbības ar datiem IBM SPSS programmā.Nodarbības1.00datorklase
4Aprakstošās statistikas rādītāji MS Excel un IBM SPSS.Nodarbības2.00datorklase
5Normālsadalījums un tā raksturojošie aprakstošās statistikas rādītāji.Nodarbības1.00datorklase
6Tabulu un diagrammu veidošana, to atbilstoša noformēšana.Nodarbības1.00datorklase
7Statistiskās hipotēzes, to veidi. Hipotēžu pārbaude. P vērtība.Nodarbības1.00datorklase
8Parametriskas datu apstrādes metodes kvantitatīvajiem datiem. Atkarīgu un neatkarīgu izlašu salīdzināšana.Nodarbības2.00datorklase
9Neparametriskas datu apstrādes metodes kvantitatīvajiem datiem. Neatkarīgu un atkarīgu izlašu salīdzināšana.Nodarbības2.00datorklase
10Kvalitatīvo datu apstrāde. Atkarīgas un neatkarīgas izlases.Nodarbības2.00datorklase
11Uzticamības analīze. Skalas saskaņotības koeficients (Kronbaha Alfa).Nodarbības1.00datorklase
12Korelācijas analīze. Regresijas analīze (Lineārā regresija).Nodarbības2.00datorklase
13Regresijas analīze (Binārā loģistiskā regresija).Nodarbības2.00datorklase
14Zinātnisko publikāciju analīze.Nodarbības2.00datorklase
15Patstāvīgais darbs ar datiem IBM SPSS.Nodarbības2.00datorklase
16Patstāvīgā 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 pa pāriem – katram pārim tiks sagatavoti pētījuma datu faili (vai students var izmantot sava pētījuma datus) ar nodefinētiem pētījuma uzdevumiem – vajadzēs statistiski apstrādāt datus, lai sasniegtu nodefinētos uzdevumus, izmantojot aprakstošās statistikas metodes, slēdzienstatistikas un/vai analītiskās statistikas metodes, aprakstīt iegūtos rezultātus noslēguma darbā Powerpoint prezentācijas formā un prezentēt iegūtos rezultātus pēdējā nodarbībā.
Vērtēšanas kritēriji:
Līdzdalība praktiskajās nodarbībās. Par katru kavēto nodarbību – prakstisks darba uzdevums. Studiju kursa beigās rakstisks eksāmens: 1. Patstāvīgā darba mutiska prezentācija. 2. Zinātniskās publikācijas mutiska prezentācija. 3. Daudzatbilžu tests ar teorētiskiem un praktiskiem jautājumiem statistikā.
Gala pārbaudījums (pilna laika studijas):Eksāmens (Rakstisks)
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 MS Excel un IBM SPSS piedāvātas iespējas datu ievadē un 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 IBM SPSS; * izveidot tabulas un diagrammas MS Excel un IBM SPSS programmās ar 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 IBM SPSS programmatūru, praktiski pielietot apgūtās statistiskās pamatmetodes pētījumu datu apstrādē.
Bibliogrāfija
Nr.Atsauce
Obligātā literatūra
1Petrie A. & Sabin C. Medical Statistics at a Glance, 3rd edition, 2009. ISBN: 978-1-405-18051-1
2Field A. Discovering Statistics using IBM SPSS Statistics, 4th edition, ISBN-13: 978-1446249185, 2013.
3Teibe U. Bioloģiskā statistika. Rīga: LU 2007 - 156 lpp