Pārlekt uz galveno saturu
Vadītājs
Madara Miķelsone

Studiju kursa apraksts

Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:4.00
Kursa apraksta apstiprināšanas datums:26.09.2019
Par studiju kursu
Kursa kods:SL_016LKI līmenis:6. līmenis
Kredītpunkti:2.00ECTS:3.00
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)5Lekciju ilgums (akadēmiskās stundas)2Kopā lekciju kontaktstundas10
Nodarbības (numurs)11Nodarbību ilgums (akadēmiskās stundas)2Kopā nodarbību kontaktstundas22
Kopā kontaktstundas32
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.TēmaĪstenošanas formaSkaitsNorises vieta
1Ievads statistikā, statistikas loma pētījuma procesā. Datu veidi, mērskalas.Lekcijas1.00datorklase
2Datu sagatavošana datu bāzes izveidei. Iepazīšanās ar IBM SPSS. Pamatdarbības ar datiem IBM SPSS programmā.Lekcijas1.00datorklase
3Aprakstošās statistikas rādītāji un to ieguves veidi IBM SPSS programmā.Nodarbības1.00datorklase
4Normālsadalījums un to raksturojošie aprakstošās statistikas rādītāji.Lekcijas1.00datorklase
5Tabulu un diagrammu izveide IBM SPSS atbilstoši datu veidam.Nodarbības1.00datorklase
6Statistiskās hipotēzes, to veidi. Hipotēžu pārbaude. P vērtība. Ticamības intervāli.Lekcijas1.00datorklase
7Parametriskās datu apstrādes metodes kvantitatīviem datiem 2 atkarīgu vai neatkarīgu izlašu salīdzināšanai.Nodarbības1.00datorklase
8Neparametriskās datu apstrādes metodes kvantitatīviem vai ordināliem datiem 2 atkarīgu vai neatkarīgu izlašu salīdzināšanai.Nodarbības1.00datorklase
9Parametriskās un neparametriskās datu apstrādes metodes vismaz 3 atkarīgu vai neatkarīgu izlašu salīdzināšanai.Nodarbības1.00datorklase
10Kvalitatīvo datu apstrāde atkarīgām un neatkarīgām izlasēm. Izredžu attiecība, relatīvais risks.Nodarbības1.00datorklase
11Uzticamības analīze. Skalas saskaņotības koeficients (Kronbaha Alfa).Lekcijas1.00datorklase
12Praktiskais darbs ar datiem IBM SPSS.Nodarbības2.00datorklase
13Publikācijas analīze.Nodarbības1.00datorklase
14Patstāvīgais darbs ar datiem IBM SPSS.Nodarbības1.00datorklase
15Noslēguma darba prezentācija.Nodarbības1.00datorklase
Vērtēšana
Patstāvīgais darbs:
1. Individuālais darbs ar literatūru – sagatavošanās katrai nodarbībai atbilstoši tematiskajam plānam. 2. Patstāvīga zinātniskās publikācijas analīze, kas jāprezentē pēdējā nodarbībā. 3. Patstāvīgais darbs – katram studentam tiks sagatavots pētījuma datu fails (vai students var izmantot sava pētījuma datus) ar nodefinētiem pētījuma uzdevumiem. Studentam vajadzēs statistiski apstrādāt datus, lai sasniegtu nodefinētos uzdevumus, izmantojot aprakstošās statistikas metodes, slēdzienstatistikas un/vai analītiskās statistikas metodes, noformēt darbu atbilstoši prasībām un prezentēt iegūtos rezultātus pēdējā nodarbībā.
Vērtēšanas kritēriji:
Līdzdalība praktiskajās nodarbībās. Par katru kavēto nodarbību – praktiskais darbs un kontroljautājumi par kavētās nodarbības tēmu. Studiju kursa beigās ieskaite: 1. Zinātniskās publikācijas analīzes un patstāvīgā darba mutiska prezentācija. 2. Daudzatbilžu tests ar teorētiskiem 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 datorprogrammas IBM SPSS; * izveidot tabulas un diagrammas IBM SPSS programmās 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
1Teibe U. Bioloģiskā statistika. Rīga: LU 2007 - 156 lpp.
2Petrie A. & Sabin C. Medical Statistics at a Glance, 3rd edition, 2009. ISBN: 978-1-405-18051-1
3Field A. Discovering Statistics using IBM SPSS Statistics, 4th edition, ISBN-13: 978-1446249185, 2013.