LV EN RU DE FR

Pētījumu metodoloģija un biometrija II

Kursa izstrādātāji

Priekšzināšanas

MežZ4106, Pētījumu metodoloģija un biometrija I

Kursa anotācija

Kursa ietvaros studenti risina induktīvās izziņas reprezentativitātes problēmu, apskata empīrisko datu matemātiskās apstrādes un analīzes metodes un iespējas tās praktiski pielietot statistisko rādītāju aprēķināšanā un hipotēžu pārbaudē.

Kursa rezultāti un to vērtēšana

1. Students zina galvenās empīrisko datu apstrādes metodes (semināri, praktiskie darbi un kontroldarbi).
2. Izmantojot loģisko analīzi, prot izvēlēties datu specifikai piemērotākās matemātiskās metodes, kā arī ir kompetents empīrisko datu apstrādes pamatmetožu pielietošanā un praktiskā to realizācijā, risinot pētnieciskos uzdevumus mežzinātnē. (semināri, praktiskie darbi un kontroldarbi).

Kursa saturs(kalendārs)

1. Izziņas deduktīvais un induktīvais risinājums. Empīriskās informācijas apstrāde un matemātiskā modelēšana. (2 stundas)
2. Mērīšanas kļūdas. Statistiskās kopas, to veidi un dimensionalitāte. Paraugkopas reprezentativitāte. (2 stundas)
3. Statistiskie rādītāji, to klasifikācija. Vidējie rādītāji. (2 stundas)
4. Izkliedes rādītāji. Reprezentativitātes rādītāji. (2 stundas)
5. Satistiskā vērtēšana. Vidējās vērtības, standartnovirzes un dispersijas reprezentācijas intervāli. (2 stundas)
6. Teorētisko sadalījumu klasifikācija. Normālais sadalījums. (2 stundas)
7. Binomiālais sadalījums. Puasona sadalījums. Stjūdenta sadalījums. (2 stundas)
8. Hipotēžu pārbaude. Nulles hipotēze. (2 stundas)
9. Empīriskā un normālā sadalījuma atbilstības pārbaude. Paraugkopu salīdzināšana. Paraugkopu apvienošana. (2 stundas)
10. Dispersijas sadalīšanas nosacījumi un interpretācija. Statistikais komplekss. Dispersijas analīzes uzdevumi. (2 stundas)
11. Faktora ietekmes būtiskuma pārbaude. Gradācijas klašu salīdzināšana. (2 stundas)
12. Pazīmju atkarība un infrastruktūra. Korelācijas veidi. Izkliedes diagramma. Korelācijas ciešuma rādītāji. (2 stundas)
13. Korelācijas koeficienta reprezentācijas intervāls. Korelācijas koeficientu salīdzināšana un apvienošana. (2 stundas)
14. Regresijas jēdziens. Regresijas analīzes uzdevumi. Regresijas veida izvēle. Regresijas koeficientu aprēķināšana. (2 stundas)
15. Regresijas vienādojuma statistiskā vērtēšana. Nelineārā regresija. (2 stundas)

16. Multiplā lineārā regresija. Linearitātes pārbaude, koeficientu aprēķināšana un statistiskā vērtēšana.(2 stundas)

Prasības kredītpunktu iegūšanai

Kursa galavērtējums - ieskaite ar atzīmi.
Jābūt sagatavotai detalizētai sava pētījuma (bakalaura darba) sadaļas: materiāli un metodes. Praktiskajiem darbiem jābūt apmeklētiem un sekmīgi jāuzraksta 4 kontroldarbi. Jāizpilda un jāaizstāv 6 laboratorijas darbi (vērtējums ieskaitīts/neieskaitīts). Noslēgumā akumulējoša ieskaite ar atzīmi, vērtējums veidojas no kontroldarbu atzīmēm un izstrādātas sava pētījuma daļas vērtējuma.
Kavēto laboratorijas darbu un semināru izpilde un neieskaitīto kontroldarbu pārrakstīšana Mežkopības katedras noteiktajā laikā.

Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums

Sistemātiskas teorijas studijas, kontroldarbu un laboratorijas dabu kārtošana. Sagatavošanās praktiskajiem darbiem, praktisko darbu uzdevumu un rezultējošā darba – sava pētījuma sadaļu – sagatavošana un aizstāvēšana.

Studiju rezultātu vērtēšanas kritēriji

Zināšanu, prasmju un kompetences vērtēšana notiek 10 ballu skalā. Mutiska vai rakstveida atbilde ir sekmīga, ja vismaz 50% no jautājumiem atbildēti pareizi.
Kursa gala vērtējumu veido 2 kontroldarbu (katrs 30 %) un pētījuma sadaļas “Materiāli un metodes” (40 %) vērtējums.
Kontroldarbus vērtē saskaņā ar noteikto kārtību – pēc atbildēm uz jautājumi, kuri doti metodiskajos aprakstos katra studiju posma sākumā, savukārt praktisko darbu vērtēšana notiek dabā, cik kompetenti students spēj iegūtās teorētiskās zināšanas un prasmes pielietot.

Obligātā literatūra

1. Levine D. M., Ramsey P.P., Smitd R.K. Applied statistics for Engineers and Scientists: Using Microsoft Excel and MINITAB. Upper Saddle River, New Jersey: Prentice Hall, 2001. 671 p.

Papildliteratūra

1. Johnson R.A., Wichern D.W. Applied Multivariate Statistical Analysis. 6th ed. Upper Saddle River: Pearson Education, Inc., 2007. 773 p.
2. Zar J.H. Biostatistical Analysis. 4th edition. Upper Saddle River: Prentice Hall, 1999. 663 p. 3. Everitt B.S., Der A. A handbook of statistical analysis using SAS. London: Chapman & Hall, 1996. 157 p.

Periodika un citi informācijas avoti

1. Biometrics. Journal of the International Biometric Society. ISSN 1541-0420.
2. The Journal of Modern Applied Statistical Methods (United States). ISSN 1538-9472. 3. Biometrika (United Kingdom. ISSN 1464-3510.

Piezīmes

Akadēmiskās bakalaura studiju programmas “Ilgtspējīga mežsaimniecība” studentiem