Datu statistiskā analīze

KURSA MĒRĶIS: apgūt statistikas pamatjēdzienus, idejas un metodes uz kurām balstās statistisko hipotēžu pārbaude, populāciju parametru novērtējums, korelācijas analīze, regresijas analīze un dispersiju analīze; apgūt šo teoriju praktisko pielietošanu risinot uzdevumus un interpretējot iegūtos rezultātus.

KURSA UZDEVUMI: veidot prasmi zinātnisko datu apstrādes pamatos,
attīstīt spēju studentiem patstāvīgi lietot mūsdienu datorprogrammas datu apstrādē, veidot prasmi rīkoties ar moderniem datu apstrādes paņēmieniem, datu apstrādes veikšana, izmantojot MS Excel un SPSS programmatūru, spējas analizēt iegūtos rezultātus.

 Datu resursu vadības tehnoloģiju attīstības tendences un perspektīvas. Informācijas glabāšanas metožu pilnveidošana 
2. Informācijas ieguves metožu veidi: statistiskās metodes, neironu tīkli, ģenētiskie algoritmi, evolūcijas algoritmi. 
3. Datu analīzei izmantojamās paketes. IBM SPSS Statistics. 
4. Datu faila struktūras izveidošana SPSS vidē. Datu ievadīšana failā. 
5. Mērījumu skalas. Aprakstošā statistika. Centrālo tendenču rādītāji. Mainīgi lielumi. Asimetrija un ekscess. Standartkļūdas. Empīrisko datu grafiskie attēli. 
6. Statistisko hipotēžu pārbaude ar SPSS palīdzību: p-varbūtība. Parametriskie un neparametriskie testi. Normālais sadalījums. Kolmogorova – Smirnova un Šapiro – Vilksa testi. Asimetrijas un ekscesa standartkļūdu analīze. D'Agostino – Pirsona tests. Histogrammas ar normālo līkni.
7. Neatkarīgas izlases. Levina tests, t- testi, U-Manna-Vitneja tests. Atkarīgas izlases (t- test, Vilkoksona tests).
8. Korelācijas diagrammas. Pirsona, Spirmena, τ-Кendalla korelācijas koeficienti. Daļēja korelācija. Vienkārša lineāra un nelineāra regresija. Determinācijas koeficients.
9. Biežuma analīze. Pirsona “Hī”-kvadrāta, Fišera (leņķu pārveidojums) kritēriji.
10. Regresijas analyze. Lineārā pāru regresija. Nelineārā pāru regresija. Daudzfaktoru (multiplā) regresija Binārā loģistiskā regresija 
11. . Multinominālā loģistiskā regresija 
12. Klasifikāciju analīze. Klāsteranalīze. Hierarhiskā klasteranalīze (Hierarchical Cluster Analysis). K-vidējo klasteranalīze (K-Means Cluster Analysis
13. Divpakāpju klasteranalīze (TwoStep Cluster Analysis). 
14. Faktoranalīze Izpētošā faktoranalīze (EFA). 
15. Apstiprinošā faktoranalīze (CFA).
16. Dinamikas rindas, to izlīdzināšana. Prognoze. 

Dalībai programmā klātienē un attālināti nepieciešams:

• dators ar stabilu interneta pieslēgumu;
• tīmekļa pārlūkprogramma;
• videokamera, mikrofons un austiņas attālinātajām nodarbībām;
• piekļuve mācību platformai un videokonferenču rīkam;
• tīmekļvietņu izstrādei nepieciešamā programmatūra un koda redaktors;
• iespēja instalēt mācību procesā nepieciešamās bezmaksas lietotnes.

Klātienes nodarbībās datortehniku, interneta pieslēgumu un nepieciešamo programmatūru nodrošina Daugavpils Universitāte. Ja dalībnieks izmanto savu datoru, tam jāatbilst programmatūras tehniskajām prasībām.

Vispārējā vidējā izglītība (atestāts par vispārējo vidējo izglītību)