Moocable is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Основы статистики

Bioinformatics Institute via Stepik

Description

В рамках трехнедельного курса рассматриваются подходы к описанию получаемых в исследованиях данных, основные методы и принципы статистического анализа, интерпретация и визуализация получаемых результатов. Слушатели познакомятся с такими методами статистического анализа как дисперсионный, регрессионный и кластерный анализ. Мы научимся сравнивать группы между собой, рассчитывать коэффициенты корреляции и строить регрессионные уравнения.
Основной акцент делается на математических идеях, интуиции и логике, которые обуславливают методы и расчетные формулы. Изученный материал будет применим для решения широкого круга задач, возникающих в рамках исследовательской работы практически любого направления.

Electrical Engineering Social Media Marketing

Syllabus

Введение

1.1 Общая информация о курсе

1.2 Генеральная совокупность и выборка

1.3 Типы переменных. Количественные и номинативные переменные

1.4 Меры центральной тенденции

1.5 Меры изменчивости

1.6 Квартили распределения и график box-plot

1.7 Нормальное распределение

1.8 Центральная предельная теорема

1.9 Доверительные интервалы для среднего

1.10 Идея статистического вывода, p-уровень значимости

Сравнение средних

2.1 T-распределение

2.2 Сравнение двух средних; t-критерий Стьюдента

2.3 Проверка распределения на нормальность, QQ-Plot

2.4 Однофакторный дисперсионный анализ

2.5 Множественные сравнения в ANOVA

2.6 Многофакторный ANOVA

Корреляция и регрессия

3.1 Понятие корреляции

3.2 Условия применения коэффициента корреляции

3.3 Регрессия с одной независимой переменной

3.4 Гипотеза о значимости взаимосвязи и коэффициент детерминации

3.5 Условия применения линейной регрессии с одним предиктором

3.6 Применение регрессионного анализа и интерпретация результатов

3.7 Задача предсказания значений зависимой переменной

3.8 Регрессионный анализ с несколькими независимыми переменными

3.9 Выбор наилучшей модели

3.10 Классификация: логистическая регрессия и кластерный анализ

3.11 Заключение