ΓΕΩΠΟΝΙΚΟ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
Τμήμα Επιστήμης
Φυτικής Παραγωγής

Στατιστική Ανάλυση Δεδομένων με Χρήση Η/Υ

Περιεχόμενο Μαθήματος

Ενότητες Περιεχομένου:
1) Στατιστικά πακέτα (τι προσφέρουν, κοινά χαρακτηριστικά, πώς τα χρησιμοποιούμε).
2) Eπισκόπηση βασικών θεμάτων στατιστικής συμπερασματολογίας:
o Στατιστική σημαντικότητα.
o Διαστήματα εμπιστοσύνης (α) για τον μέσο ενός πληθυσμού (β) για τη διαφορά των μέσων δύο πληθυσμών με ανεξάρτητα δείγματα και με ζευγαρωτές παρατηρήσεις (γ) για το ποσοστό ενός (διωνυμικού) πληθυσμού δ) για τη διαφορά δύο ποσοστών ε) για τη διακύμανση ενός πληθυσμού στ) για το λόγο των διακυμάνσεων δύο πληθυσμών.
o Στατιστικοί έλεγχοι (α) για τον μέσο ενός πληθυσμού (β) για τη σύγκριση των μέσων δύο πληθυσμών με ανεξάρτητα δείγματα και με ζευγαρωτές παρατηρήσεις (γ) για το ποσοστό ενός (διωνυμικού) πληθυσμού και (δ) για τη σύγκριση δύο ποσοστών ε) για τη διακύμανση ενός πληθυσμού στ) για το λόγο των διακυμάνσεων δύο πληθυσμών.
o Ανάλυση Διακύμανσης (α) με έναν παράγοντα (β) με δύο παράγοντες με και χωρίς αλληλεπίδραση. Έλεγχοι πολλαπλών συγκρίσεων.
o Έλεγχος X2 (καλής προσαρμογής, ανεξαρτησίας).
3) Πώς γίνεται ο έλεγχος των αναγκαίων για την εφαρμογή των παραμετρικών στατιστικών ελέγχων υποθέσεων/παραδοχών.
o Έλεγχοι κανονικότητας ενός πληθυσμού (Kolmogorov-Smirnov test, Anderson-Darling test, κτλ.).
o Έλεγχοι ισότητας διασπορών (Bartlett test, Cochran test, κτλ.).
o Διαγράμματα υπολοίπων, Normal probability plot κτλ..
4) Τι επιλογές έχουμε στις περιπτώσεις που δεν ικανοποιούνται οι αναγκαίες για την εφαρμογή των παραμετρικών στατιστικών ελέγχων υποθέσεις/παραδοχές.
o Μη παραμετρικοί έλεγχοι (Sign test, Mann-Whitney test, Wilcoxon test, Kruskal-Wallis test, Friedman test, κτλ.).
5) Ανάλυση παλινδρόμησης.
o Απλή γραμμική παλινδρόμηση και συσχέτιση.
o Πολλαπλή παλινδρόμηση και συσχέτιση.
6) Διαγνωστικά εργαλεία για τον έλεγχο των προϋποθέσεων της ανάλυσης Παλινδρόμησης.
o Διαγράμματα υπολοίπων για την ανίχνευση αποκλίσεων.
7) Μη γραμμικά μοντέλα και μετασχηματισμοί δεδομένων.

Μαθησιακά Αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος, ο φοιτητής/τρια αναμένεται να:

  • Μπορεί να μεταφράσει ένα ερευνητικό ερώτημα σε κατάλληλο (ους) έλεγχο (ους) υποθέσεων ή/και στην κατασκευή κατάλληλου μοντέλου παλινδρόμησης, δοθέντων των δεδομένων και του τρόπου συλλογής τους (του πειραματικού σχεδίου ή του σχεδίου δειγματοληψίας) και εντός των ορίων του περιεχομένου του μαθήματος.
  • Μπορεί να εφαρμόζει στατιστικούς ελέγχους υποθέσεων και να κατασκευάζει διαστήματα εμπιστοσύνης που επιλέγει κατάλληλα για την εξαγωγή συμπερασμάτων από πειραματικά ή δειγματοληπτικά δεδομένα (και εντός των ορίων του περιεχομένου του μαθήματος).
  • Μπορεί να κατασκευάζει κατάλληλα μοντέλα παλινδρόμησης για να διερευνήσει τησχέση δύο ή περισσότερων μεταβλητών.
  • Έχει (επί)γνωση των προϋποθέσεων που απαιτούνται για την εφαρμογή των στατιστικών μεθόδων που επιλέγει καθώς και της αναγκαιότητας ελέγχου των προϋποθέσεων αυτών.
  • Μπορεί να ελέγχει τις προϋποθέσεις που απαιτούνται για την εφαρμογή των στατιστικών μεθόδων που επιλέγει και αν αυτές δεν ικανοποιούνται μπορεί να επιλέγει εναλλακτικές μεθόδους (και εντός των ορίων του περιεχομένου του μαθήματος).
  • Αντιλαμβάνεται και ερμηνεύει σωστά τη στατιστική σημαντικότητα.
  • Μπορεί να διατυπώνει συμπεράσματα για στοχαστικά φαινόμενα και πειράματα και να τα ερμηνεύει σωστά και με όρους του φυσικού προβλήματος και όχι κατ’ ανάγκη με χρήση στατιστικής ορολογίας.
  • Έχει (επί)γνωση της αβεβαιότητας (και του μεγέθους της) που αναπόδραστα εμπεριέχεται στα συμπεράσματα που αφορούν στοχαστικά φαινόμενα και πειράματα.
  • Μπορεί να κρίνει και να αξιολογεί ισχυρισμούς και συμπεράσματα που βασίζονται σε πειραματικά ή δειγματοληπτικά δεδομένα.
  • Μπορεί να επιλέγει και να εφαρμόζει τις κατάλληλες μεθόδους στατιστικής συμπερασματολογίας που απαιτούνται για την ολοκλήρωση μιας ερευνητικής εργασίας (εντός των ορίων του περιεχομένου του μαθήματος).
  • Μπορεί να χρησιμοποιεί κατάλληλο λογισμικό (στατιστικά πακέτα) για την περιγραφή και τη στατιστική ανάλυση και επεξεργασία πειραματικών ή δειγματοληπτικών δεδομένων.
  • Έχει γνώση των θεμάτων δεοντολογίας και ηθικής που σχετίζονται με τη συλλογή και
  • χρήση δεδομένων και τη δημοσιοποίηση των συμπερασμάτων που εξάγονται από αυτά.

Βιβλιογραφία

1. Κούτρας, Μ. Β. και Ευαγγελάρας Χ., Ανάλυση Παλινδρόμησης-Θεωρία και Εφαρμογές, Εκδόσεις ΤΣΟΤΡΑΣ ΑΝ ΑΘΑΝΑΣΙΟΣ, 2018.
2. Κολυβά - Μαχαίρα Φωτεινή, Μπόρα - Σέντα Ευθυμία, Μπράτσας Χαράλαμπος, ΣΤΑΤΙΣΤΙΚΗ: Θεωρία – Εφαρμογές – Παραδείγματα στην R, Εκδόσεις Ζήτη Πελαγία & Σια Ι.Κ.Ε., 2018
3. Σωτήριος Μπερσίμης, Φραγκίσκος Μπερσίμης, Αθανάσιος Σαχλάς, Εισαγωγή στη στατιστική και στις πιθανότητες, Εκδόσεις Τζιόλα, 2022
4. Watt, T. A., McCleery, R. H. and Hart, T., Introduction to Statistics for Biology, Chapman and Hall/CRC, Third Edition, 2007.
5. Zar, J. H., Biostatistical Analysis, Prentice Hall, Fifth Edition, 2010

Διδάσκοντες

+30 2105294629
katsileros@aua.gr
ΕΔΙΠ, με γνωστικό αντικείμενο "Βελτίωση Φυτών και Γεωργικός Πειραματισμός" Σπούδασε στο Τμήμα Επιστήμης Φυτικής […]

NEWSLETTER

Το Τμήμα Επιστήμης Φυτικής Παραγωγής (ΕΦΠ) του Γεωπονικού Πανεπιστημίου Αθηνών (ΓΠΑ) είναι το πρώτο αμιγές Πανεπιστημιακό Τμήμα Φυτικής Παραγωγής στην Ελλάδα και ιδρύθηκε τον Ιούνιο του 1989 (Π.Δ. 377/16-6-89, ΦΕΚ 166Α΄)
linkedin facebook pinterest youtube rss twitter instagram facebook-blank rss-blank linkedin-blank pinterest youtube twitter instagram Μετάβαση στο περιεχόμενο