.
Biostatistika
Studiju kursa apraksts
Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:24.00
Kursa apraksta apstiprināšanas datums:26.08.2024 16:15:33
Par studiju kursu | |||||||||
Kursa kods: | SL_001 | LKI līmenis: | 7. līmenis | ||||||
Kredītpunkti: | 2.00 | ECTS: | 3.00 | ||||||
Zinātnes nozare: | Matemātika; Varbūtību teorija un matemātiskā statistika | Mērķauditorija: | Ārstniecība | ||||||
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, statistikarsu[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) | 12 | Nodarbību ilgums (akadēmiskās stundas) | 3 | Kopā nodarbību kontaktstundas | 36 | ||||
Kopā kontaktstundas | 36 | ||||||||
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 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. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
1 | Ievads statistikā, statistikas loma pētījuma procesā. Datu veidi, mērskalas, datu ievade, datu sagatavošana MS Excel. Iepazīšanās ar IBM SPSS. Pamatdarbības ar datiem IBM SPSS programmā. | Nodarbības | 1.00 | datorklase | |||||
2 | Aprakstošās statistikas rādītāji. | Nodarbības | 1.00 | datorklase | |||||
3 | Normālsadalījums un tā raksturojošie aprakstošās statistikas rādītāji. Ticamības intervāli. | Nodarbības | 1.00 | datorklase | |||||
4 | Statistiskās hipotēzes, to veidi. Hipotēžu pārbaude. P vērtība. Izlases lieluma aprēķināšana. Kvalitatīvo datu apstrāde. Atkarīgas un neatkarīgas izlases. | Nodarbības | 1.00 | datorklase | |||||
5 | Parametriskas datu apstrādes metodes kvantitatīvajiem datiem. Neatkarīgo un atkarīgo izlašu salīdzināšana. | Nodarbības | 1.00 | datorklase | |||||
6 | Neparametriskas datu apstrādes metodes kvantitatīvajiem datiem un datiem ordinālā skalā. Neatkarīgo un atkarīgo izlašu salīdzināšana. | Nodarbības | 1.00 | datorklase | |||||
7 | Korelācijas analīze. Regresijas analīze (Lineārā regresija). | Nodarbības | 1.00 | datorklase | |||||
8 | Regresijas analīze (Binārā loģistiskā regresija). ROC līknes. | Nodarbības | 1.00 | datorklase | |||||
9 | Kopsavilkums un praktiskais darbs ar datiem IBM SPSS. | Nodarbības | 1.00 | datorklase | |||||
10 | Zinātnisko publikāciju analīze. | Nodarbības | 1.00 | datorklase | |||||
11 | Dzīvildzes analīze. | Nodarbības | 1.00 | datorklase | |||||
12 | Patstāvīgais darbs ar datiem IBM SPSS. | Nodarbības | 1.00 | datorklase | |||||
Vērtēšana | |||||||||
Patstāvīgais darbs: | 1. Individuālais darbs ar literatūru – sagatavošanās katrai nodarbībai, atbilstoši tematiskajam plānam. 2. Patstāvīga zinātniskās publikācijas analīze - katram studentam patstāvīgi jāsameklē pilna teksta zinātniskā publikācija, kurā izmantota kāda no kursā apgūtajām datu analīzes metodēm, un jāuzstājas ar 5-7 minūšu prezentāciju par statistikas metožu izmantošanu, rezultātu atspoguļošanu un korektu slēdzienu formulēšanu. 3. Patstāvīgais darbs – katram studentam būs jāizpilda četri uzdevumi, kuros būs iekļauti slēgta un atvērta tipa jautājumi, iekļaujot aprakstošās statistikas rādītājus un slēdzienstatistiku. A. Lūgums pēc kursa apguves izpildīt anketu un sniegt mums atgriezenisko saiti par šo kursu, mēs to ļoti novērtēsim! | ||||||||
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 - nodarbības atstrāde pievienojoties citai grupai pie esošā docētāja vai nodarbības temata apguve pašmācības ceļā - obligāti aizpildot pašpārbaudes jautājumus e-studijās. 2. Publikācijas analīzes mutiska prezentācija. Kursa gala vērtējums (atzīme) kumulatīvs: 50% – eksāmens - patstāvīgais darbs. 50% – daudzatbilžu tests ar 30 teorētiskiem un praktiskiem jautājumiem statistikā ar laika limitu 45 minūtes. | ||||||||
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 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 | |||||||||
1 | Peat J. & Barton B. Medical Statistics: A Guide to SPSS, Data Analysis and Critical Appraisal. 2nd edition. John Wiley & Sons, 2014. | ||||||||
2 | Field A. Discovering Statistics using IBM SPSS Statistics. 4th edition. Sage Publications, 2018. | ||||||||
3 | Petrie A. & Sabin C. Medical Statistics at a Glance. 4th edition. Wiley-Blackwell, 2019. | ||||||||
4 | Grech, V. Write a Scientific Paper (WASP): Effective graphs and tables. Early Human Development, 2019. 134, 51-54. DOI: 10.1016/j.earlhumdev.2019.05.013 |