Kursa kods MateD005

Kredītpunkti 2

Lietišķās daudzvariāciju metodes I

Zinātnes nozareMatemātika

Kopējais stundu skaits kursā80

Lekciju stundu skaits16

Semināru un praktisko darbu stundu skaits16

Studenta patstāvīgā darba stundu skaits48

Kursa apstiprinājuma datums04.09.2019

Atbildīgā struktūrvienībaVadības sistēmu katedra

Kursa izstrādātāji

author prof.

Līga Paura

Dr. agr.

author prof.

Irina Arhipova

Dr. sc. ing.

Kursa anotācija

Doktoranti apgūst daudzvariāciju datu apstrādes metodes, kā arī metožu pieņēmumu izpildes pārbaudi. Studiju kurss orientēts uz daudzvariāciju metožu izvēles principu apgūšanu un metožu salīdzināšanu. Metožu apgūšanai pielietos reālos piemērus saistītos ar bioloģijas, lauksamniecības u.c. zinātnēm. Uzdevumu atrisināšanai izmantos statistisko analīžu datorprogrammas. Kursā ir ietvertas sekojošās tēmas: parametriskās un neparametriskās datu apstrādes metodes, dispersijas analīze, dispersijas analīze ar atkārtotiem mērījumiem, GLM.

Kursa rezultāti un to vērtēšana

Pēc studiju kursa studijām doktorantam būs:
• zināšanas par daudzvariāciju datu apstrādes metožu aktuālajam zinātniskajām teorijām, atziņām un to pielietošanu pētījumos saistītos ar profesionālo jomu (praktisko nodarbību laikā analizētas un izvērtētas nepieciešamās datu apstrādes metodes promocijas darba hipotēzes pārbaudei);
• prasmes patstāvīgi izvērtēt un izvēlēties zinātniskiem pētījumiem atbilstošas daudzvariāciju metodes, īstenojot būtiska apjoma oriģinālu pētījumu, no kura daļa ir starptautiski citējamu publikāciju līmenī (praktisko nodarbību laikā izvēlētas nepieciešamās datu apstrādes metodes promocijas darba datu analīzei);
• kompetences sadarbībā ar promocijas darba vadītāju veikt patstāvīgu, kritisku analīzi un izvērtēšanu, risināt nozīmīgus pētnieciskus vai inovāciju uzdevumus, patstāvīgi izvirzīt pētījuma ideju (izstrādāts un aizstāvēts mājas darbs).

Kursa plāns

1. Ievads studiju kursā.
2. Statistisko datorprogrammu novērtējums.
3. Hipotēžu pārbaude. Hipotēžu pārbaudes pieejas. Pirmā un otrā veida kļūda.
4. Parametriskās datu apstrādes metodes. Metožu izmantošanas pieņēmumu pārbaude.
5. Neparametriskās datu apstrādes metodes un to izmantošana zinātniskajos pētījumos.
6. Parametriskās divu paraugkopu analīzes metodes. Saistītās un nesaistītās paraugkopas.
7. Neparametriskās statistiskās metodes divu nesaistīto paraugkopu datu salīdzināšanai.
8. Neparametriskās statistiskās metodes divu saistīto paraugkopu datu salīdzināšanai.
9. Parametriskās vairāku paraugkopu analīzes metodes.
10. Viena, divu un daudzfaktoru dispersijas analīze (ANOVA).
11. Dispersijas analīzes pieņēmumu pārbaude.
12. Gradācijas klašu salīdzināšanas metodes.
13. Neparametriskās vairāku paraugkopu analīzes metodes.
14. Atkārtoto mērījumu Dispersijas analīze.
15. Lineārais modelis un tā sastādīšana (GLM).
16. Mājas darba aizstāvēšana.

Prasības kredītpunktu iegūšanai

Izstrādāts un aizstāvēts mājas darbs. Mājas darbā ir jāizmanto vismaz trīs dažādas statistiskās metodes reālo datu apstrādei.

Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums

Patstāvīgā darba organizācija semestra laikā notiek patstāvīgi studējot literatūru, izmantojot mācībspēka konsultācijas.

Studiju rezultātu vērtēšanas kritēriji

Studiju rezultātu vērtējums ir atkarīgs no mājas darba izstrādes pakāpes. Minimālā studiju rezultātu vērtējumā iegūšanai nepieciešams, balstoties uz promocijas darba datiem, formulēt un pārbaudīt hipotēzes, izmantojot vismaz 3 statistiskās metodes: parametriskās vai neparametriskās divu vai vairāku kopu analīzes metodes, ANOVA, atkārtoto mērījumu ANOVA vai GLM.

Pamatliteratūra

1. Are Hugo Pripp. (2013) Statistics in food science and nutrition. New York : Springer, 66 pp.
2. François Chollet & J.J. Allaire (2018) Deep learning with R. Shelter Island, NY: Manning Publications Co., 335 pp.
3. James Gareth, at al. (2017) An introduction to statistical learning: with applications in R. New York : Springer, 426 pp.
4. Joseph F. Hair, Jr., William C. Black, Barry J. Babin, Rolph E. Anderson (2014) Multivariate data analysis. Harlow, Essex: Pearson, 734 pp.
5. Robert I. Kabacoff (2015) R in action: data analysis and graphics with R. Shelter Island, NY: Manning, 579 pp.
6. Siegmund Brandt. (2014) Data analysis: statistical and computational methods for scientists and engineer. Springer, 523 pp.

Papildliteratūra

1. John H. Schuenemeyer, Lawrence J. Drew. (2011). Statistics for Earth and Environmental Scientists. Hoboken, New Jersey: John Wiley & Sons, 407 pp.
2. Joseph F. Hair [et al.] (2010) Multivariate data analysis: a global perspective. Upper Saddle River [etc.]: Pearson, 800 pp.
3. Klaus Backhaus, Bernd Erichson, Wulff Plinke, Rolf Weiber (2000) Multivariate Analysemethoden: eine anwendungsorientierte Einführung. Berlin etc.: Springer, 661 pp.
4. Massimiliano Bonamente. (2013) Statistics and analysis of scientific data. New York: Springer, 301 pp.
5. Nathabandu T. Kottegoda, Renzo Rosso (2008) Applied statistics for civil and environmental engineers. Oxford; Malden, MA: Blackwell Publishing, 718 pp.

Periodika un citi informācijas avoti

1. Statistical Analysis and Data Mining.Hoboken, Wiley-Blackwell. ISSN:1932-1864. E-ISSN:1932-1872
2. Electronic Journal of Applied Statistical Analysis. ESE - Salento University Publishing. ISSN:2070-5948

Piezīmes

izvēles kurss LLU doktora studiju programmām