МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ
ВЛАДИВОСТОКСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ЭКОНОМИКИ И СЕРВИСА
ИНСТИТУТ ИНФОРМАТИКИ ИННОВАЦИЙ И БИЗНЕС-СИСТЕМ
КАФЕДРА ЭКОЛОГИИ И ПРИРОДОПОЛЬЗОВАНИЯ
Статистическая обработка экологических данных
Рабочая программа учебной дисциплины
020801.65 ЭКОЛОГИЯ
Владивосток
Издательство ВГУЭС
2014
ББК 20
Учебная программа по дисциплине «Статистическая обработка экологических данных» составлена в соответствии с требованиями ГОС ВПО. Предназначена для студентов специальности 020801.65 Экология
Составитель: , доцент кафедры «Экологии и природопользования»
Утверждена на заседании кафедры «Экологии и природопользования» 19 февраля 2014 г., протокол
Рекомендована к изданию учебно-методической комиссией Института информатики, инноваций и бизнес-систем.
© Издательство Владивостокский
государственный университет
экономики и сервиса, 2014
ВВЕДЕНИЕ
Дисциплина «Статистическая обработка экологических данных» входит в цикл факультативных дисциплин специальности 020801.65 - Экология. Обладание базовыми знаниями в области фундаментальных разделов математики в объеме, необходимом для владения математическим аппаратом экологических наук, позволяет более оперативно обрабатывать большое количество информации, анализировать полученные результаты и моделировать различные процессы в области экологии и природопользования.
Освоение дисциплины «Статистическая обработка экологических данных» являются подготовкой к научно-исследовательской деятельности, связанной с изучением и численным описанием явлений в области рационального природопользования, а также в смежных областях. Экологическую изменчивость можно достаточно адекватно описать соответствующим распределением вероятностей. Правильно выбрав план эксперимента, можно выявить как влияние каждого из многочисленных факторов в отдельности, так и одновременное влияние нескольких факторов на исследуемую величину. Альтернативные гипотезы можно сравнивать на количественной основе, используя соответствующие критерии статистической значимости.
Для понимания и освоения данной дисциплины помимо знания основ экологии, химии, математической статистики, необходимо изучение современных компьютерных технологий обработки информации. Практические занятия с использованием пакета Statistica, предусмотренные данной программой, способствуют приобретению навыков работы с программными средствами анализа и моделирования процессов в экологических системах.
Программа дисциплины составлена на основе Государственного образовательного стандарта высшего профессионального образования.
1. ОРГАНИЗАЦИОННО-МЕТОДИЧЕСКИЕ УКАЗАНИЯ
1.1. Цели освоения учебной дисциплины
Дисциплина «Статистическая обработка экологических данных» имеет целью изучение основных методов математической статистики, используемых в экологических исследованиях, связанных с изучением природных и антропогенных экосистем и их отдельных компонентов.
Основной задачей теоретической части дисциплины является освоение элементарных методов обработки экологических данных (дескриптивная статистика, диаграмма рассеивания, гистограмма, установление закона распределения, выявление статистических взаимосвязей между переменными), методов дисперсионного анализа (параметрического, непараметрического, номинального), корреляционно-регрессионного анализа (линейные и нелинейные модели), анализа выживаемости, а также ознакомление с основными идеями многомерных методов (дискриминантный, факторный, канонический, кластерный анализы и анализ главных компонент).
Практическими задачами дисциплины являются: на основе полученных теоретических знаний четко формулировать цели и задачи конкретного исследования, проводить статистический анализ данных и анализировать полученные результаты, а также ориентироваться в современных компьютерных технологиях обработки информации и умело пользоваться статистическим пакетом прикладных программ Statistica.
1.2 Место дисциплины в структуре ООП (связь с другими дисциплинами)
Дисциплина базируется на следующих дисциплинах ООП: высшая математика, общая экология.
1.3 Основные виды занятий и особенности их проведения
Общая трудоёмкость дисциплины 180 часов, из них 51 час отводится на аудиторные занятия (17 часов лекции, 51 час лабораторные занятия, 112 часов – на самостоятельную работу. Промежуточная аттестация – экзамен.
Для понимания лекционного материала студент должен владеть специальной терминологией, основная часть которой дается на занятиях, остальную студент изучает самостоятельно с помощью предложенной литературы по указанным темам. Знание специальной терминологии облегчает усвоение материала, и, дает возможность вовлечь слушателя в учебный процесс. Дисциплиной не предусмотрено повторное изучение разделов высшей математики, экологии, информатики, знание которых необходимо для понимания излагаемого материала. Их следует планировать в качестве самостоятельной работы студентов при подготовке к лекционным и практическим занятиям.
Средствами активизации выступают отдельные вопросы к аудитории, организация дискуссии. Таким образом, в процессе лекции обеспечивается работа обучающегося совместно с преподавателем.
На практических занятиях студенты выполняют практические работы по заданной теме с использованием пакета прикладных программ Statistica на ПЭВМ. Целью практических занятий является разбор и закрепление на конкретных исходных данных основной части лекционного материала. Итогом выполнения поставленных задач является отчет в формате *.rtf, на основе которого студент должен дать всесторонне обоснованный анализ полученного результата.
При подготовке к практическим занятиям студент самостоятельно отвечает на контрольные вопросы, предлагаемые в каждой практической работе, используя материалы лекций, специальную литературу, Интернет, презентации, размещенные в хранилище презентационных материалов ВГУЭС.
Самостоятельная работа студентов включает работу с учебной и научной литературой при подготовке к практическим занятиям и к экзамену. Самостоятельная работа проводится с целью: систематизации и закрепления, углубления и расширения теоретических знаний и практических умений, приобретаемых студентами в ходе аудиторных занятий; формирования умений использовать специальную литературу; развития познавательных способностей и активности обучающихся; формирования самостоятельности мышления, способности к саморазвитию, самосовершенствованию и самореализации; развития исследовательских умений. Самостоятельная работа при изучении дисциплины «Статистическая обработка экологических данных» подразделяется на три вида: 1) аудиторная самостоятельная работа (выполнение контрольных работ, тестов, отчеты по практическим работам); 2) самостоятельная работа под контролем преподавателя (творческие контакты, плановые консультации, экзамен); 3) внеаудиторная самостоятельная работа при выполнении студентом домашних заданий учебного и творческого характера (подготовка к лекциям, индивидуальные работы по отдельным разделам содержания дисциплины, подготовка к экзамену).
1.4 Виды контроля и отчетности по дисциплине
Контроль успеваемости студентов осуществляется в соответствии с рейтинговой системой оценки знаний.
Текущий контроль успеваемости содержит задания, способствующие развитию компетенций профессиональной деятельности, к которой готовится студент и включает:
- проверку уровня самостоятельной подготовки при выполнении индивидуального задания, при подготовке к лекциям и практическим работам;
- участие в дискуссиях по основным моментам изучаемой темы;
- защиту отчетов по практическим занятиям.
Текущий контроль предусматривает:
- решение контрольных работ и практических задач по разделам изучаемого материала;
- тестирование.
Промежуточная аттестация осуществляется в форме компьютерного тестирования (СИТО).
2. СТРУКТУРА, СОДЕРЖАНИЕ УЧЕБНОЙ ДИСЦИПЛИНЫ
2.1 Темы лекций
Тема 1. Дескриптивные программы обработки данных (4 часa)
1.1. Введение
Предмет, цели и задачи дисциплины. Статистика, как наука. Особенности применения методов математической статистики в экологических исследованиях.
1.2. Обзор компьютерных средств обработки данных
Обзор современных пакетов статистической обработки данных. Преимущества использования некоторых пакетов для обработки экологической информации на ПЭВМ. Основные принципы записи информации, создание баз данных. Наглядное представление результатов статистического анализа.
1.3. Описательные статистики
Основные статистики одной и нескольких переменных: среднее, медиана, мода, дисперсия, среднее геометрическое, стандартное отклонение, асимметрия, эксцесс, размах, центральные моменты и др. Кумулятивная кривая, гистограмма, диаграмма и др.
1.4. Основные законы распределения
Наиболее известные законы распределения. Нормальное распределение и его свойства. Распределения Пирсона, Стьюдента, Фишера, биноминальное распределение и др.
1.5. Статистическая проверка гипотез
Критерий Стьюдента. Критерий хи-квадрат и его применение. Критерий Колмагорова-Смирнова. Множественные ранговые тесты. Сравнение дисперсий: критерий Кохрана, Бартлета, Краскела-Уоллиса.
Тема 2. Корреляционный анализ (2 часa)
Коэффициент корреляции Пирсона. Корреляция порядковых признаков. Корреляция номинальных признаков.
Тема 3. Регрессионный анализ (4 часа)
1.1. Регрессионный анализ (линейная модель).
1.2. Множественный регрессионный анализ.
1.3. Нелинейное оценивание.
Тема 4. Дисперсионный анализ (4 часа)
1.1. Однофакторный дисперсионный анализ.
1.2. Многофакторный дисперсионный анализ.
1.3. Непараметрический дисперсионный анализ.
1.4. Номинальный дисперсионный анализ.
Тема 5. Анализ выживаемости (2 часа)
Расчет выживаемости. Стандартная ошибка и доверительные интервалы. Сравнение двух кривых выживаемости. Лоранговый критерий. Критерий Гехана. Выбор типа критерия. Чувствительность и объем выборки.
Тема 6. Многомерные методы (1 час)
Описание основных многомерных методов, используемых в области экологии и природопользовании, их суть и задачи, решаемые с их помощью. Применение метода главных компонент, кластерного анализа, факторного анализа, дискриминантного анализа и канонического анализа.
2.2. Перечень тем практических занятий
1. Работа с данными и описательные статистики (9 часов)
Знакомство с пакетом статистических программ Statistica. Рабочее окно системы. Структура файла данных. Создание файла с исходными данными. Формирование отчета и рабочей книги. Расчет описательных статистик, построение таблицы частот и корреляционной матрицы. Простейшие графики и анализ результатов.
2. Основные законы распределения (4 часа)
Запуск вероятностного калькулятора для работы с наиболее известными законами распределения. Подбор закона распределения. Примеры, игровые задачи. Генерация случайных чисел.
3. Статистическая проверка гипотез (9 часов)
Критерий Стьюдента сравнения средних: для независимых выборок, для независимых выборок с группирующей переменной, для зависимых выборок, простые выборки. Проверка на нормальность: тесты Колмогорова-Смирнова, Шапиро-Уилкса.
5. Линейный регрессионный анализ (9 часов)
Простая регрессия: проверка гипотезы, построение модели, анализ остатков. Множественная регрессия.
6. Линеаризующие преобразования (6 часа)
Множественный линейный регрессионный анализ с линеаризованной моделью: преобразование независимых переменных, построение корреляционной матрицы, выбор метода, построение модели, оценка адекватности модели.
7. Нелинейное оценивание (6 часа)
Определяемая пользователем регрессия с квадратичной функцией ошибок. Регрессия и функция ошибки, определяемые пользователем. Бинарные модели (логит и пробит регрессия). Экспоненциальная регрессия. Кусочно-линейная регрессия.
8. Дисперсионный анализ (8 часов)
Однофакторный и многофакторный дисперсионный анализ. Апостериорные сравнения средних. Сравнение дисперсий. Дисперсионный анализ с повторными измерениями.
3. ОБРАЗОВАТЕЛЬНЫЕ ТЕХНОЛОГИИ
По дисциплине предусмотрено проведение лекционных, практических занятий и самостоятельная работа.
Основные виды занятий:
1. Лекции, на которых дается основной систематизированный материал по дисциплине «Статистическая обработка экологических данных». При изложении теоретического материала используются активные методы проведения занятий – каждая лекция начинается с блиц-опроса по материалам предыдущей лекции.
2. Практические работы являются активной формой занятий, на которых студенты овладевают навыками работы с пакетом прикладных программ Statistica, выполняя ряд контрольных работ по основным темам лекционных занятий, что способствует формированию у студентов грамотного подхода к анализу имеющейся информации и выбору метода решения конкретных задач в области экологии и природопользования.
3. Самостоятельные занятия под руководством преподавателя обеспечивают более эффективную подготовку и качество усвоения теоретического материала, приобретение определенных практических навыков студентов. Основная задача самостоятельной работы - привить умение учиться. По результатам самостоятельных работ проводятся интерактивные занятия – студенты работают в группах, каждая группа выполняет определенное задание по выбранной теме, представители других групп задают вопросы и выставляют оценки выступающим.
4. Консультации включают помощь при самостоятельном освоении материала.
Для выполнения и оформления домашних работ студенту необходимы пакеты программ Microsoft Office (Excel, Word), Internet Explorer, или других аналогичных.
В образовательном процессе используются инновационные технологии обучения: активная дискуссия, семинары в диалоговом режиме, практические работы на ПЭВМ с установленным пакетом прикладных программ Statistica. Удельный вес занятий, проводимых в интерактивной форме, составляет 20%.
4. МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ ПО ИЗУЧЕНИЮ КУРСА
4.1. Перечень и тематика самостоятельных работ студентов по дисциплине
1. Обзор прикладных статистических программ для обработки данных (10 часов).
2. Статистический анализ данных с помощью пакета Statistica (10 часов).
3. Дескриптивные статистики (10 часов).
4. Таблица частот, как простейший метод анализа категориальных переменных (10 часов).
5. Нормальное распределение, характеристики, свойства (10 часов).
6. Основные законы распределения: Пирсона, Стьюдента, Фишера, биномиальное и др (10 часов).
7. Сравнение групп: параметрические, непараметрические и номинальные методы (10 часов).
8. Корреляционный анализ: корреляция количественных признаков, корреляция порядковых признаков, корреляция номинальных признаков (10 часов).
9. Регрессионный анализ (10 часов).
10. Дисперсионный анализ: параметрический, непараметрический и номинальный (10 часов).
11. Многомерные методы анализа данных (12 часов).
4.2. Контрольные вопросы для самостоятельной оценки качества освоения учебной дисциплины
1. Перечислите наиболее популярные компьютерные средства обработки данных.
2. Дайте краткое описание основных характеристик пакета Statistica.
3. Опишите структуру данных, используемую в статистических пакетах.
4. Какие программы обработки данных называются дескриптивными?
5. Дайте определения основным понятиям дескриптивной статистики.
6. Объясните в чем различия между дискретной вариацией и непрерывной.
7. Что называют вариационным рядом?
8. Дайте определение понятия «кумулятивная кривая».
9. Какие средние величины вы знаете?
10. Какие показатели вариации вы знаете?
11. Перечислите основные свойства дисперсии.
12. Центральные и начальные моменты.
13. Для чего используют первичный анализ данных?
14. .Перечислите основные статистические распределения и их свойства.
15. Каковы особенности нормального распределения.
16. Какие тесты для проверки на нормальность вы знаете?
17. Для чего используются таблицы частот?
18. Какие существуют критерии для проверки гипотезы о законе распределения?
19. Что такое уровень значимости?
20. Для чего используют тест Колмогорова-Смирнова?
21. Сформулируйте правило применения критерия хи-квадрат.
22. Критерий Стьюдента для сравнения средних значений двух нормальных выборок.
23. Для чего используется критерий Фишера?
24. Какие критерии называются параметрическими?
25. В каких случаях применяются непараметрические критерии?
26. Дайте определения следующим понятиям: корреляция, ковариация.
27. Перечислите коэффициенты для измерения связи.
28. Дайте основные характеристики множественным ранговым тестам.
29. Опишите следующие методы для сравнения дисперсий: методы Кохрана, Бартлета, Краскела-Уоллеса.
30. В чем заключается сущность однофакторного дисперсионного анализа?
31. Для чего используется F-отношение в дисперсионном анализе?
32. В чем заключается сущность многофакторного дисперсионного анализа?
33. Каковы особенности дисперсионного анализа с несколькими наблюдениями в каждой ячейке?
34. В чем основное отличие параметрического, непараметрического и номинального дисперсионных анализов?
35. Какова сущность корреляционного анализа?
36. Чем характеризуется корреляционная зависимость?
37. Для чего используется регрессионный анализ?
38. Перечислите нелинейные модели регрессии.
39. Каково отличие бинарных моделей?
40. Перечислите этапы проведения регрессионного анализа.
41. Что показывает коэффициент детерминации?
42. Какой метод используется для оценки коэффициентов регрессии?
43. Для чего используется статистика Дурбина-Ватсона?
44. Сформулируйте основную идею множественного регрессионного анализа.
45. Сущность анализа выживаемости.
46. Три основные функции анализа выживаемости.
47. Для чего используются лоранговый критерий и критерий Гехана?
48. Перечислите многомерные методы статистического анализа.
49. В чем заключается основная идея метода главных компонент?
50. Каковы особенности кластерного анализа?
51. Какие задачи решают с помощью факторного анализа?
52. В чем заключается основная идея дискриминантного анализа?
53. Для каких целей используют канонический анализ?
Контрольные вопросы по пакету Statistica
54. В каком виде организованы данные в пакете Statistica?
55. Какие встроенные языки программирования есть в пакете Statistica?
56. Для чего используется механизм двойной записи?
57. С помощью какого модуля можно провести первичную обработку данных, выяснить их структуру и определить зависимость между данными?
58. Где отражаются результаты Блоковых статистик?
59. Для чего используют Вероятностный калькулятор?
60. Что такое отчет?
61. Что отражается в таблице частот?
62. Какие нелинейные модели можно оценить с помощью модуля Нелинейное оценивание?
63. Для чего используется корреляционная матрица?
64. Какими четырьмя процедурами представлен критерий Стьюдента для сравнения средних?
65. Для чего используется критерий Левина в дисперсионном анализе?
66. С помощью какого критерия проверяется нулевая гипотеза в регрессионном и дисперсионном анализах?
67. Для чего проводят анализ остатков в регрессионном анализе?
68. Каковы графические возможности пакета Statistica?
69. Что такое пиктографик?
70. Для чего используется инструмент Кисть?
4.3. Методические рекомендации по организации СРС
Самостоятельная работа студента оценивает освоение дисциплины на уровне «знания», «умения», «навыки». Она представлена case-заданиями, содержание которых предполагает применение комплекса умений, для того чтобы студент мог самостоятельно сконструировать способ решения, комбинируя известные ему способы и привлекая знания из разных дисциплин.
Самостоятельная работа включает подготовку к практическим занятиям, домашним работам, к аттестационным испытаниям по дисциплине и самостоятельное изучение ряда тем. На практических занятиях студенты закрепляют полученные знания, поэтому при подготовке к практическим занятиям необходимо, прежде всего, изучить теорию вопроса, знать возможности и владеть навыками работы с пакетом прикладных программ Statistica.
При самостоятельном изучении теоретических вопросов студенты могут использовать рекомендуемую литературу и литературу по математической статистике, а также Интернет. По каждой теме, отведенной на самостоятельное обучение, преподаватель предоставляет студентам подробный план, помогающий ориентироваться в большом объеме информации.
В конце семестра целесообразно проводить тематический контроль по дисциплине с помощью тестирования. Цель тематического контроля – установить, насколько успешно обучаемые владеют системой определенных знаний, каков общий уровень их усвоения, отвечает ли он требованиям программы по разным дидактическим единицам. По результатам данного тестирования можно провести одно, два занятия для повторного объяснения, изучения плохо усвоенных дидактических единиц.
При самостоятельном изучении теоретических вопросов студенты могут использовать рекомендуемую литературу и Интернет.
4.4. Рекомендации по работе с литературой
В процессе изучения дисциплины «Статистическая обработка экологических данных» студент должен овладеть основами математической статистики. Для этого предлагается учебник «Статистика» [3], где описаны предмет и методы статистики, даны основные понятия описательной статистики, основы выборочного наблюдения, рассмотрены методы изучения взаимосвязей, виды рядов распределения и др.
В учебнике [5] дано представление о повторных независимых испытаниях, случайных величинах, изложены основные законы распределения, закон больших чисел, а также элементы теории случайных процессов и теории массового обслуживания. Приведены характеристики вариационных рядов, ключевые положения математической теории выборочного метода, сформулирована методика проверки статистических гипотез. Рассмотрены особенности дисперсионного, корреляционного и регрессионного анализа.
В учебном пособии [6] приведены базовые положения статистики, освещены прикладные вопросы статистической обработки данных. Перечислены основные статистические показатели, изложены элементы теории вероятностей, описаны методы анализа взаимосвязи, рядов динамики, проверки статистических гипотез. Представлен материал по изучению выборочного метода, указаны особенности прогнозирования, интерполяции, моделирования временных рядов, многомерного статистического анализа, факторного анализа. Особое внимание уделено практическому освоению на компьютере пакета Statistica, что необходимо для проведения практических занятий.
Для практического освоения статистических методов анализа экологических данных необходимо получить навыки работы на компьютере. В книге «Основы статистического анализа. Практикум по статистическим методам и исследованию операций с использованием пакетов Statistica и EXCEL» [2] приведены необходимые теоретические сведения и подробно рассматривается решение задач прикладной статистики с использованием пакета Statistica.
Рекомендуемые журналы:
«Теория вероятностей и ее применения», «Итоги науки и техники. Серия «Теория вероятностей. Математическая статистика. Теоретическая кибернетика»», «Экономика, статистика и информатика. Вестник УМО», «Теория вероятностей и математическая статистика», «Вопросы статистики», «STATISTICS AND COMPUTING», «Экология и жизнь», «Охрана и улучшение городской среды», «Технологические аспекты охраны окружающей среды».
5. УЧЕБНО – МЕТОДИЧЕСКОЕ И ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ
5.1. Основная литература
1. , , Рукосуев вероятностей и математическая статистика: учебник для студентов вузов. – М.: Дашков и К*, 2010. – 473 с.
2. Вуколов статистического анализа. Практикум по статистическим методам и исследованию операций с использованием пакетов Statistica и EXCEL: учебное пособие для студентов вузов. – М.: ФОРУМ: ИНФРА-М, 2013. – 464 с.
3. Годин : Учебник. – М.: Издательско-торговая корпорация «Дашков и Ко», 2012. – 452 с.
4. Гмурман вероятностей и математическая статистика: учебное пособие для бакалавров. - М.: Юрайт: ИД Юрайт, 2012. – 479 с.
5. Теория вероятностей и математическая статистика: учебник. -Издательство: ЮНИТИ-ДАНА, 2012 г. – 551 с.
6. Основы эконометрики в пакете Statistica: учебное пособие для вузов. – М.: Вузовский учебник, 2011. – 297 с.
5.2. Дополнительная литература
7. Теория вероятностей и математическая статистика: учебное пособие. - Издательство: Флинта, 2011 г. – 220 с.
8. , Скитович по теории вероятности и математической статистики: учебное пособие для вузов. – СПб: Лань, 2007. – 336 с.
9. Ермолицкая обработка экологических данных: Практикум. - Владивосток: Изд-во ВГУЭС, 2006. – 48 с.
10. Мятлев вероятностей и математическая статистика. Математические модели: учебное пособие для студ. высш. учеб. заведений. – М.: Издательский центр «Академия», 2009. – 320 с.
11. Основы эконометрики в пакете Statistica: учебное пособие для вузов. – М.: Вузовский учебник, 2011. – 297 с.
12. Теория вероятностей и математическая статистика: учебное пособие для студентов вузов / под ред. . – М.: ИНФРА-М, 2012. – 287 с.
13. Statistica 6.Статистический анализ данных. 3-е изд. Учебник. – М.: -Пресс», 2007. – 512 с.
14. , Гераськин : учебное пособие для вузов. – М.: РИОР: ИНФРА-М, 2012. – 311 с.
5.3 Полнотекстовые базы данных
Электронные библиотеки, режимы доступа:
http://www.elibrary.ru/
http://www. *****
http://znanium.com
Архивы журналов издательства SAGE Publications (компания Sage Publications известна своими журналами в области материаловедения, биологии, географии, химии), режим доступа: http://online. /
5.4 Интернет-ресурсы
Единое окно доступа к образовательным ресурсам: window. *****
Общероссийский математический портал: http://www. *****
Российский гидрометеорологический энциклопедический словарь (Под ред. ). 2008 Том 1, Том 2, Том 3
Электронный учебник по пакету Statistica: http://www. *****/home/textbook/esc. html
Сайты:
Росгидромета: *****
Владивостокского государственного университета экономики и сервиса: http://www.vvsu.ru/
Министерства природных ресурсов и экологии Российской Федерации http://www. *****
Федеральной службы по экологическому, технологическому и атомному надзору http://www. *****
Гильдии экологов http://www. *****
Гринпис Российское представительство http://www. greenpeace. org/russia/ru/
WWF (Всемирный фонд дикой природы) http://www. *****/
Центр экологической политики России и др. сайты государственных и общественных экологических организаций http://www. *****
Современные профессиональные базы данных, информационные, справочные и поисковые системы: Aquatic Conservation, Biodiversity and Conservation, Ecological Research, Ecosystems, Ecotoxicology, Environmental and Ecological Statistics, Environmental International, Environmental Health, Environmental Management, Environmental Manager, Environmental Monitoring and Assessment, Environmental Pollution, Environmental Science and Technology, Environmetrics, European Environment, European Journal of Forest Research, Evolutionary Ecology, Journal of Environmental Monitoring, Journal of Chemical Ecology, Journal of Health and Place, Journal of Plant Research, Land Degradation and Rehabilitation, Landscape and Ecological Engineering, Landscape and Urban Planing, Naturwissenschaften, Population Ecology, Urban Ecosystems.
На территории кампуса ВГУЭС студент может воспользоваться указанными ресурсами посредством Wi-Fi. Доступ к ресурсам Интернет-ресурсам возможен через ПК, установленные в библиотеке ВГУЭС.
6. МАТЕРИАЛЬНО-ТЕХНИЧЕСКОЕ ОБЕСПЕЧЕНИЕ
ДИСЦИПЛИНЫ
StatSoft Statistica, Microsoft Office (Excel, Word, Acrobat Reader), Internet explorer, или другое аналогичное.
б) техническое обеспечение
Для проведения лекционных и практических занятий аудитория должна быть оснащена мультимедийным оборудованием. При изучении теоретической части курса можно пользоваться размещеннми в Интернете электронными учебниками ("Единое окно доступа к образовательным ресурсам" (window. *****)).
Для выполнения практических работ рекомендуется использовать электронный учебник по пакету Statistica, размещенный по адресу: http://www. *****/home/textbook/esc. html, а также информацию сайта http://www. *****/.
7. СЛОВАРЬ ОСНОВНЫХ ТЕРМИНОВ
Вариационный ряд - совокупность значений варьирующего признака и соответствующих им численностей единиц совокупности.
Частота варианта есть число, показывающее, сколько раз встречается вариант в ряде наблюдений.
Накопленная частота показывает, сколько наблюдалось элементов со значением признака меньшим или равным данному варианту.
Медианой – это значение признака, который делит ранжированный ряд наблюдений на две равные по объему группы (или значение признака, приходящееся на середину ранжированного ряда наблюдений).
Модой называется такое значение признака, которое наблюдалось наибольшее число раз.
Вариационный размах является показателем вариации, равным разности между экстремальными значениями вариационного ряда.
Дисперсией называется средняя арифметическая квадратов отклонений от их средней арифметической.
Коэффициентом асимметрии называется отношение центрального момента третьего порядка к кубу среднего квадратического отклонения.
Эксцессом или коэффициентом крутости называется уменьшенное на 3 единицы отношение центрального момента четвертого порядка к четвертой степени среднего квадратического отклонения.
Начальным моментом порядка q является средняя арифметическая q-х степеней вариантов.
Центральным моментом порядка q называется средняя арифметическая q-х степеней отклонений вариантов от их средней арифметической.
Коэффициент корреляции - мера зависимости двух величин или мера взаимной согласованности в изменчивости двух или нескольких признаков, явлений.
Коэффициент детерминации - доля общего разброса данных (относительно выборочного среднего), которую объясняет построенная регрессионная прямая.
Дискретная вариация – это вариация, при которой отдельные значения признака отличаются друг от друга на некоторое конечное, обычно целое число.
Непрерывная вариация – это вариация, при которой значения признака могут отличаться одно от другого сколько угодно мало.
Среднее линейное отклонение – есть средняя арифметическая абсолютных величин отклонений вариантов от их средней арифметической.
Средним квадратическим отклонением является арифметическое значение корня квадратного из дисперсии.
Случайной называется величина которая принимает в результате испытания то или иное возможное значение, заранее неизвестное, меняющееся от испытания к испытанию и зависящее от случайных обстоятельств.
Законом распределения случайной величины называется всякое соответствие между возможными значениями случайной величины и соответствующими им вероятностями.
Корреляционный анализ – анализ для установления степени связи между двумя или бо́льшим числом стохастических переменных, а также для определения степени стохастической зависимости, существующей между ними.
Регрессионный анализ изучает зависимость случайной зависимой переменной от одной или нескольких независимых переменных.
Дисперсионный анализ - способ качественного и количественного изучения влияния одной или нескольких переменных на результаты эксперимента.
Дискриминантный анализ дает возможность на основе измерения различных характеристик объекта классифицировать его, т. е. отнести к одной из нескольких групп некоторым оптимальным способом.
Кластерный анализ - позволяет объединить в однородные группы различные признаки с помощью некоторой метрики.
Кластер – это группа объектов, обладающая свойством плотности (плотность объектов внутри кластера выше, чем вне его), дисперсией, отделимостью от других кластеров, формой, размером.
Кумулятивная кривая - это кривая накопленных частот или частостей.
Факторный анализ - выявление действия различных факторов и их комбинаций на величину результативного признака.
Анализ главных компонент позволяет перейти от описания некоторого множества изучаемых объектов, заданных большим числом косвенно измеряемых признаков, к описанию меньшим числом максимально информативных переменных, отражающих наиболее информативные свойства явления.
Уровень значимости представляет собой вероятность допустить ошибку первого рода.
Отклонением или остатком является разница между наблюдаемыми значениями и предсказанными.
