1 wprowadzenie do statystyki statystyka opisowaid 10378

background image

Wprowadzenie do statystyki

Jerzy Wołek

1

Wykład na temat

:

Studia stacjonarne licencjackie

III rok Biologii

background image

1. Wprowadzenie

2

Zalecana literatura
• podstawowa:
W

OŁEK

J

ERZY

2006: Wprowadzenie do statystyki dla

biologów. Wydawnictwo Naukowe Akademii Pedagogicznej,

Kraków
S

TANISZ

A. 2006.

Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. T. 1 & 2.

StatSoft,

Kraków

• uzupełniająca:
K

ENDALL

M.G. & B

UCKLAND

W.R. 1986.

Słownik terminów statystycznych. Państwowe Wydawnictwo Ekonomiczne,

Warszawa
R

ADHAKRISHNA

R

AO

C. 1994. Statystyka i prawda. Wydawnictwo Naukowe PWN Sp. z o.o., Warszawa

background image

Dlaczego znajomość statystyki jest ważna dla badacza?

• Statystyka – to nauka, która pozwala wydawać sądy o

całości

na

podstawie

części

tej

całości. Ta całość, o której wydajemy sąd, to

populacja

(zbiorowość)

statystyczna

, a

część, na podstawie której

wnioskujemy o populacji, to

próba

.

• Metody statystyczne pozwalają wykryć w zbiorze danych określone

prawidłowości

,

tj.

wzorce

zachowań, wzorce występowania

organizmów w przestrzeni i w czasie, wzorce występowania
pewnych zjawisk, np. fizycznych, chemicznych, biochemicznych,
fizjologicznych,

genetycznych,

cytologicznych

itp.,

w

ściśle

określonych warunkach, itd.

• Statystyka jest najbardziej uniwersalnym narzędziem badacza,

ponieważ jej metody mają zastosowanie zawsze, gdy

liczymy

i

mierzymy

(

podejście ilościowe

stosowane w metodzie naukowej

w naukach przyrodniczych).

3

background image

• Statystykę dzieli się, tradycyjnie, na dwa działy:

statystykę

opisową

i

wnioskowanie statystyczne

. Aby

móc właściwie

wykorzystywać metody statystyczne niezbędna jest znajomość
podstaw

rachunku

prawdopodobieństwa

– wykorzystywanych,

przede

wszystkim,

we

wnioskowaniu

statystycznym

– oraz

doświadczalnictwa

.

• Należy pamiętać, że

WSZYSTKIE

metody statystycznego

opisu

i

wnioskowania

oraz metody stosowane w

doświadczalnictwie

oparte

są na

ściśle określonych założeniach

,

które

powinny

być

spełnione

, by metody te w

ogóle mogły być stosowane.

Wiele

osób nie zdaje sobie z tego sprawy, dlatego prawdopodobnie

tak

często słyszymy, że

statystyka

kłamie

, czy

też, że za pomocą

statystyki

można wszystko udowodnić

.

Nie, nie wszystko!

4

Przedmiot statystyki

background image

Badania

naukowe można prowadzić stosując podejścia (strategie)

jakościowe

lub

ilościowe

. Podejścia te opierają się na

różnych

podstawach

teoretycznych.

Podejście ilościowe opiera się na

filozofii pozytywistycznej

,

która zakłada, że:

świat istnieje

obiektywnie

;

poznanie

świata jest

obiektywne

;

bada

się tylko to, co można

zmierzyć

i

policzyć

;

przedmiotem badania

są tylko

fakty

(wyniki

pomiarów), przy czym nie mogą to

być pojedyncze fakty lecz ich

zbiory

;

w tych zbiorach danych poszukuje

się

prawidłowości statystycznych

,

które

– po zweryfikowaniu – mogą być wykorzystywane do celów prognostycznych;

rezultaty

badań ilościowych są

intersubiektywnie sprawdzalne

;

w badaniu

ilościowym, musi być ściśle określone

co

i

jak

będzie badane

.

5

Podejście ilościowe

background image

Podejście

JAKOŚCIOWE

wykracza poza to, co obiektywne, mierzalne i

policzalne

. W ramach tego podejścia podejmowana jest tematyka związana

z

ocenami

,

wartościami

,

przeżyciami

. Zakłada ono, że:

brak jest dualnego

podziału na

poznającego

i

poznawany

świat;

przedmiotem badania jest

pojedynczy

przypadek

(

nie ich

zbiór!

)

– osoba,

instytucja, zjawisko kulturowe, grupa ludzi, stowarzyszenie itp.)

– ponieważ

zakłada się, że

każdy

przypadek

jest

wyjątkowy

,

niepowtarzalny

;

własna wiedza badacza i poznanie świata są subiektywne;

rezultaty

badań jakościowych

nie

są intersubiektywnie

sprawdzalne.

Podejście jakościowe stosuje się wtedy, gdy

:

chcemy

poznać, jak jawi się świat badanym jednostkom;

chcemy

poznać losy pojedynczych przypadków, np. osób (motywy ich

postępowania, podejmowanych decyzji, oceny sytuacji) lub dotrzeć w „głąb”
badanych zjawisk.

6

Podejście jakościowe

background image

7

Podejście jakościowe może się opierać się na teoretycznych podstawach

:

Fenomenologii

Hermeneutyki

Interakcjonizmu symbolicznego

Wspólne dla tych trzech teoretycznych podstaw jest

bezzałożeniowość

, tj.

rezygnacja z hipotez badawczych. W badaniach

jakościowych obowiązuje

dyrektywa

Idź i patrz!

” Hipotezy mogą pojawiać się w trakcie badania

jakościowego lub jako wynik tego badania i wtedy mogą być one punktem
wyjścia dla badań ilościowych.

Podejście

jakościowe

jest bardzo popularne w naukach humanistycznych (np.

socjologia,

psychologia,

pedagogika,

historia).

Podejście

ilościowe

stosowane jest

głównie w naukach przyrodniczych (np. biologia, chemia,

fizyka, biochemia, biofizyka).

Narzędzi przydatnych do analizy danych –

faktów zebranych za pomocą podejścia ilościowego dostarcza, m. in.,
statystyka.

Podejście jakościowe (cd.)

background image

8

2. Statystyka opisowa

background image

Populacja statystyczna

, to

zbiór elementów –

jednostek

statystycznych

,

wyróżnionych ze względu na jedną

charakterystykę –

cechę

, lub na wiele cech.

Liczebność

populacji oznaczamy

literą

N

.

Populacja może być:
• jednowymiarowa – badana jest

jedna

cecha;

• dwuwymiarowa – badane są

dwie

cechy;

• Wielowymiarowa – badanych jest

wiele

cech.

9

Populacja statystyczna

background image

Populacja może być:

nieskończona

– np. zbiorowość wszystkich

możliwych

wyników pomiarów temperatury (populacja teoretyczna);

skończona

np.

zbiorowość

wszystkich

kobiet

zameldowanych

w Krakowie (populacja naturalna).

10

Populacja statystyczna (cd.)

background image

Próba

, to

podzbiór

jednostek statystycznych

lub

ściślej mówiąc –

skończony zbiór wyników

pomiarów

wykonanych

na

jednostkach

statystycznych

tego

podzbioru.

Liczebność próby oznacza się literą

n

.

• Aby można było stosować metody statystycznego

wnioskowania o populacji na podstawie

próby, próba ta

musi

reprezentować

populację, z której została

pobrana. Taka

próba, to

próba reprezentatywna

.

Mówiąc krótko, „

próba reprezentatywna, to miniatura

populacji

”.

11

Próba

background image

Losowanie

Losowanie

jest

najłatwiejszym

sposobem

uzyskania

próby reprezentatywnej. Istnieje wiele

schematów losowania próby losowej.

Najprostszy z nich, to schemat

prowadzący do

uzyskania

prostej

próby losowej

. Jest to

zarazem

ważny schemat losowania, ponieważ

testy statystyczne i metody estymacji

opierają

się na założeniu, że:

z populacji pobrano prostą próbę losową

.

12

background image

Prosta próba losowa

Prostą próbę losową uzyskujemy wtedy, gdy:
• losowanie

jednostek

statystycznych

do

próby

dokonywane

jest

z

całej

populacji

(losowanie

nieograniczone);

• każda jednostka ma jednakowe prawdopodobieństwo

dostania

się do próby (losowanie indywidualne);

• prawdopodobieństwo to nie zmienia się w trakcie

losowania.

13

background image

Prosta próba losowa (c.d.)

• Schematu

losowania

prostej

próby

nie

można

stosować w przypadku

populacji

nieskończonej

. Z

taką

populacją

mamy

do

czynienia

w

badaniach

eksperymentalnych

.

W tym przypadku,

mówiąc o populacji nieskończonej, mamy na myśli

wyniki

nieograniczonych w czasie i przestrzeni

pomiarów. W sensie, o

którym mowa, populacją nieskończoną mogą być np. wyniki pomiaru masy

ciała królików doświadczalnych, które żyły, żyją i żyć będą.

14

background image

Prosta próba losowa (c.d.)

W

badaniach eksperymentalnych

, za

próbę losową

prostą

przyjmuje

się więc takie wyniki pomiarów, które

uzyskano:

• w ściśle określonych warunkach, w których działają

czynniki

mające wpływ na jedną badaną zmienną lub

wiele badanych zmiennych;

• przy założeniu, że wszystkie zmienne losowe są

niezależne.

15

background image

Inne schematy losowania

Losowanie:

warstwowe

– próba warstwowa

zespołowe

(

jednostopniowe

wielostopniowe

)

– próba

zespołowa (gronowa)

Losowanie

bez zwracania

– losowanie

ze zwracaniem

.

W praktyce stosuje

się schemat losowania

bez zwracania

.

16

background image

Zmienna losowa vs zmienna losowa w

sensie zwykłym (cecha statystyczna)

Zmienna losowa

– zmienna, która może przyjmować każdą

wartość ze zbioru wszystkich możliwych wartości z określonym

prawdopodobieństwem.

Zmienna w sensie zwykłym

(

cecha statystyczna

)

– zmienna,

która może przyjmować każdą wartość ze zbioru wszystkich

możliwych wartości, ale prawdopodobieństwo wystąpienia tej

wartości nie jest znane.

• UWAGA: wartości, które przyjmuje dana zmienna nazywamy

realizacjami

tej zmiennej.

17

background image

Cecha statystyczna

niemierzalna

(jakościowa)

 To cecha,

której kategorii nie da się wyrazić za pomocą liczb, natomiast

można to uczynić słownie, np. kolor włosów, płeć, zawód,
wykształcenie, pochodzenie itp.

mierzalna

(ilościowa): skokowa i ciągła

 Zmienna

skokowa

(

dyskretna

)

– dane pochodzą z policzenia, więc

zmienna ta przybiera

wartości całkowite: 0, 3, 6, 11, itd., np. liczba

dzieci w rodzinie, liczba

uczniów w klasie, liczba płatków korony, liczba

krów na pastwisku, liczba chromosomów w komórce.

 Zmienna

ciągła

– dane pochodzą z pomiaru, więc zmienna ta przyjmuje

wartości należące do określonego przedziału skali ciągłej. W skali
ciągłej mierzymy czas, długość, masę, temperaturę, lata itp.

18

background image

Pomiar

Dokładność

pomiaru

– gdy mamy do czynienia ze zmienną

ciągłą

,

każdy pomiar można wykonać z różną dokładnością. W efekcie,
liczba

możliwych wyników jest teoretycznie nieskończona i

nieprzeliczalna. Ale

UWAGA

: jest to

założenie idealne, ponieważ –

dla

różnej dokładności pomiaru – liczba możliwych wyników pomiaru

dla danego

przedziału skali będzie zawsze skończona choć różna.

Błędy

pomiaru

Błędy systematyczne

Błędy grube

Błędy przypadkowe

19

background image

Skale pomiarowe

Nominalna

– dla cech

niemierzalnych

(jakościowych) polega na

wyróżnieniu kategorii (klas) cechy jakościowej, np. dla cechy „płeć”

można wyróżnić dwie kategorie: samce i samice.

Tabela 1.

Wyniki klasyfikacji próby osób (n = 125) ze względu na

dwie

cechy: kolor włosów i wzrost (skala nominalna)

Wzrost

Kolor włosów

Razem

blondyni

bruneci

rudzi

Niski

14

10

1

25

Średni

40

35

2

77

Wysoki

15

8

0

23

Razem

69

53

3

n = 125

20

(za: Wołek 2006)

background image

Skale

pomiarowe

Porządkowa

– dla cech mierzalnych ciągłych polegający na (1)

ocenie

natężenia poziomu badanej cechy, (2)

uporządkowaniu

jednostek

według wzrostu/malenia natężenia poziomu tej cechy,

np.

uporządkowaniu uczniów według wzrostu, (3)

przypisaniu

uporządkowanym jednostkom numerów, czyli

rang

.

Przedziałowa

– dla cech mierzalnych ciągłych;

arbitralny

początek

skali, np. pomiar temperatury w skali Celsjusza, kalendarz, skala
ocen.

Ilorazowa

– dla cech mierzalnych ciągłych;

nie arbitralny

początek

skali, np. pomiar temperatury w skali Kelwina, pomiar masy,
wzrostu itp.

Przekształcanie skal pomiarowych

polega na

przekształcaniu

wyników pomiaru uzyskanych za pomocą skal mocniejszych na
wyniki

pomiaru

właściwe

skalom

słabszym,

np.

pomiar

przedziałowo-ilorazowy możemy przekształcić na porządkowy lub
nominalny.

21

background image

Statystyki, parametry, estymatory

Statystyka

– charakterystyka próby; statystyka zmienia

się od próby do próby jest więc

zmienną losową

.

Statystyki

określa się ogólnie jako miary statystyczne.

Parametr

– charakterystyka populacji; parametr jest

wielkością

stałą

.

Estymator

– statystyka, która służy do oceny nieznanej

wartości parametru. Proces oceny, to estymacja.
Estymacja

może być

punktowa

lub

przedziałowa

.

22

background image

Miary statystyczne

• Najczęściej stosowane

miary statystyczne

, to miary:

położenia

 rozproszenia,
 korelacji,
 asymetrii,
 kurtozy.

UWAGA

:

Każda skala pomiaru ma „

swoje

”, specyficzne

miary statystyczne.

23

background image

Miary

statystyczne

x

Tabela 2.
Zestawienie

niektórych miar

statystycznych i ich symboli

24

Nazwa miary

Oznaczenie

dla próby

(

statystyka

)

dla populacji

(

parametr

)

Miary położenia

kategoria modalna

p

m

ζ

m

wartość modalna

mo

μo

wartość medialna

me

μe

średnia arytmetyczna

μ

Miary rozproszenia

dyspersja względna klasyfikacji

h

χ

wariancja

s

2

σ

2

odchylenie standardowe

s

σ

Miary korelacji

współczynnik siły związku

r

p

ρ

p

współczynnik korelacji rang
Spearmana

r

s

ρ

s

współczynnik korelacji rang
Kendalla

r

k

(τ)

ρ

k

współczynnik konkordancji

r

w

ρ

w

stosunek korelacyjny

e

2

η

2

współczynnik korelacji
liniowej Pearsona

r

ρ

(za: Wołek 2006)

background image

Miary statystyczne

Tabela 3.

Najczęściej stosowane miary statystyczne, specyficzne dla różnych skal

pomiaru.

Skala

Miary statystyczne

położenia

rozproszenia

korelacji

nominalna

-kategoria modalna

-dyspersja względna

klasyfikacji

-współczynniki siły związku

porządkowa

-obiekt medialny
-obiekty kwartylowe

-współczynniki korelacji rang
-współczynnik konkordancji

przedziałowa

pozycyjne

-wartość modalna
-wartość medialna
-wartości kwartylowe

bezwzględne

-rozstęp międzykwartylowy
-odchylenie kwartylowe

-stosunek korelacyjny
-współczynnik korelacji

liniowej

-współczynnik korelacji
cząstkowej i wielorakiej

klasyczne

-średnia arytmetyczna
-średnia arytmetyczna

ważona

bezwzględne

-wariancja
-odchylenie standardowe

ilorazowa

klasyczne

-średnia geometryczna
-średnia harmoniczna

względne

-współczynnik zmienności

25

(za: Wołek 2006)

background image

Miary położenia

Skala nominalna

– kategoria modalna

Skala porządkowa

– obiekt medialny

Skala przedziałowo-ilorazowa

Miary pozycyjne

Wartość modalna

Wartość medialna

Wartości kwartylowe

Miary klasyczne

Średnia arytmetyczna

26

background image

Miary rozproszenia

Skala nominalna

dyspersja względna klasyfikacji

Skala porządkowa

do oceny rozproszenia wykorzystuje się

obiekty kwartylowe: dolny (Q

1

) i górny (Q

3

)

Skala przedziałowo-ilorazowa

Miary pozycyjne

Rozstęp międzykwartylowy (Q

3

Q

1

)

 Odchylenie kwartylowe

Pozycyjny współczynnik zmienności (miara względna)

Miary klasyczne

 Wariancja (s

2

)

 Odchylenie standardowe (s)

Współczynnik zmienności (miara względna)

27

background image

Miary korelacji

Skala nominalna

– współczynniki siły związku

Skala porządkowa

– współczynniki korelacji rang

 Dla

dwu

skal

porządkowych

(

współczynnik

Kendalla

,

współczynnik Spearmana

)

 Dla

więcej

dwu

skal

porządkowych

(

współczynnik

konkordancji Kendalla

)

Skala przedziałowo-ilorazowa

współczynnik korelacji liniowej Pearsona, r

współczynnik korelacji wielorakiej (wielokrotnej), R

współczynnik korelacji cząstkowej

28

background image

Rozkłady empiryczne

Szereg statystyczny

szczegółowy:

wyniki

nie są pogrupowane

nieuporządkowany: 5, 3, 7, 0, 10, 8, 2

uporządkowany: 0, 2, 3, 5, 7, 8, 10

rozdzielczy

(rozkład liczebności): wyniki są pogrupowane

 typu punktowego

typu przedziałowego

frekwencja

(f) vs

frakcja

(w)

29

background image

Przedział klasowy

• granica dolna / górna:
• zamknięty (są obie granice); otwarty (nie ma dolnej lub

górnej granicy)

• domykanie przedziałów klasowych

-

lewostronnie

domknięty:

x

0i

x

i

< x

1i

-

prawostronnie

domknięty:

x

0i

< x

i

x

1i

-

obustronnie

domknięty:

x

0i

x

i

x

1i

• środek przedziału klasowego:

30

Rozkłady

empiryczne

rozdzielcze

i

i

x

x

1

0

,

x

background image

Szeregi rozdzielcze

31

Wysokość źdźbeł w

cm

(przedział klasowy)

Frekwencje

Frakcje

Środek

przedziału

Kumulowane

frekwencje

Kumulowane

frakcje

32,5–47,5

1

0,01

40,0

1

0,01

47,5–62,5

5

0,05

55,0

6

0,06

62,5–77,5

7

0,07

70,0

13

0,13

77,5–92,5

15

0,15

85,0

28

0,28

92,5–107,5

30

0,30

100,0

58

0,58

107,5–122,5

25

0,25

115,0

83

0,83

122,5–137,5

10

0,10

130,0

93

0,93

137,5–152,5

5

0,05

145,0

98

0,98

152,5–167,5

2

0,02

160,0

100

1,00

R

AZEM

=100

1,00

x

cum

w

n

Liczba ziarn

grochu w strąku

Frekwencje

Frakcje

Kumulowane

frekwencje

Kumulowane

frakcje

0

3

0,03

3

0,03

1

8

0,08

11

0,11

2

28

0,28

39

0,39

3

33

0,33

72

0,72

4

18

0,18

90

0,90

5

10

0,10

100

1,00

R

AZEM

= 100

1,00

f

n

f

w

cum

f

cum

w

n

Szereg rozdzielczy typu

punktowego

(dla zmiennej skokowej)

Szereg rozdzielczy typu

przedziałowego

(dla zmiennej ciągłej i

skokowej)

cum

f

x

n

f

w

f

(za: Wołek 2006)

background image

Graficzna prezentacja szeregu rozdzielczego typu

przedziałowego

• histogram liczebności

– frekwencji lub frakcji

• wielobok liczebności

– frekwencji lub frakcji (diagram)

32

(za: Wołek 2006)

background image

Graficzna prezentacja szeregu rozdzielczego typu

przedziałowego (c.d.)

• histogram kumulowanych liczebności

– frekwencji lub frakcji

• wielobok kumulowanych liczebności

– frekwencji lub frakcji

33

(za: Wołek 2006)

background image

Graficzna prezentacja szeregu rozdzielczego typu

przedziałowego (c.d.)

34

• krzywa liczebności

– frekwencji lub frakcji

(za: Wołek 2006)

background image

Typy rozkładów liczebności

A

– rozkład

asymetryczny

prawostronny

B

– rozkład

symetryczny

C

– rozkład

asymetryczny

lewostronny

35

(za: Wołek 2006)

background image

Typy rozkładów liczebności

A, B, C

– rozkłady asymetryczne; D, E – rozkłady symetryczne;

A, B, D

– rozkłady jednomodalne; F – rozkład dwumodalny;

G

– rozkład wielomodalny; H – rozkład antymodalny

36

(za: Wołek 2006)

background image

Graficzna prezentacja danych

Wykres:

• liniowy, słupkowy, kołowy (cyklogram)
• dwuwymiarowy, trójwymiarowy (przestrzenny)
• wykres pudełkowy

37

background image

Graficzna prezentacja danych

Wykres liniowy

PUNKTY vs. OCENY

Średnie liczby punktów grupowane względem przedmiotowych ocen semetralnych

Średnia
Min-Maks

2

3

4

5

OCENY SEMETRALNE

20

22

24

26

28

30

32

34

36

38

PUNKTY U

ZYSK

ANE

PRZEZ U

CZN

IÓW W

TEŚCIE

OS

IĄG

NI

ĘĆ

38

(Opracowanie własne )

background image

Graficzna prezentacja danych

Wykres liniowy

PUNKTY vs. OCENY

PUNKTY = 13,250 + 4,6992 * OCENY

Wsp. korelacji = 0,95457

OCENY SEMETRALNE

PUNKTY UZ

YS

KA

NE

PR

Z

EZ UC

ZNI

ÓW W

TEŚCIE

OS

IĄG

NIĘĆ

Regresja
95% p.ufności

2

3

4

5

20

24

28

32

36

40

39

(Opracowanie własne )

background image

Graficzna prezentacja danych

Wykres

słupkowy

Wykres słupkowy

OCENA

19%

38%

21%

17%

6%

bardzo dobry

dobry

dostateczny

dopuszczający niedostateczny

0

2

4

6

8

10

12

14

16

18

20

L

ICZBA

O

BS

ERWACJI

(frekw

e

n

c

ja)

19%

38%

21%

17%

6%

40

(Opracowanie własne )

background image

Graficzna prezentacja danych

Wykres kołowy (cyklogram)

Wykres kołowy (cyklogram)

OCENA

bardzo dobry; 9; 19%

niedostateczny; 3; 6%

dopuszczający; 8; 17%

dostateczny; 10; 21%

dobry; 18; 38%

bardzo dobry; 9; 19%

niedostateczny; 3; 6%

dopuszczający; 8; 17%

dostateczny; 10; 21%

dobry; 18; 38%

41

(Opracowanie własne )

background image

Graficzna prezentacja danych

Wykres dwuwymiarowy 3W (przestrzenny)

Rozkład dwuwymiarowy

PYTANIE NR 18: PODGRUPA vs. DZIECI

42

(Opracowanie własne )

background image

Graficzna prezentacja danych

Wykres ramkowy (pudełkowy)

Objaśnienia:

GWR

-

górna wartość ramki, np.

średnia + 1.0*błąd standardowy lub

kwartyl górny (= percentyl 75%)

DWR

-

dolna wartość ramki, np.

średnia – 1.0*błąd standardowy lub
kwartyl dolny (= percentyl 25%)

H

= |GWR

– DWR|

• współczynnik dla obserwacji

odstających

wynosi 1,5

• współczynnik dla obserwacji

ekstremalnych

wynosi 3,0

43

(za: STATISTICA)

background image

Dziękuję za uwagę

44


Wyszukiwarka

Podobne podstrony:
Ryszard Zielinski 7 wykladow wprowadzajacych do statystyki matematycznej
1 Statystyka opisowa Wprowadze Nieznany (2)
Przykłady do rozwiązania - tablica korelacyjna, Informatyka i Ekonometria SGGW, Semestr 2, Statystyk
Zadania-analiza struktury-do obliczeń praca własna, Informatyka i Ekonometria SGGW, Semestr 2, Staty
Przyklady do rozwiazania - tablica korelacyjna, Informatyka i Ekonometria SGGW, Semestr 2, Statystyk
STATYSTYKA opisowa do nauki
1 Statystyka opisowa Wprowadze Nieznany (2)
Metodologia z elelmentami statystyki dr Izabela Krejtz wyklad 7 Wprowadzenie do analizy war
Metodologia Statystyka Grzegorz Sędek kurs podstawowy wykład 3 Wprowadzenie do procesu
Metodologia z elelmentami statystyki dr Izabela Krejtz wyklad 15 Wprowadzenie do regresji w
wprowadzenie do zagadnień statystycznych

więcej podobnych podstron