Informatyka II
Chemia biologiczna
Wykład 1 (25.10.2010)
Godz. 1400-1530
Egzamin końcowy!!!
Proszę zarezerwować sale na egzamin pisemny (2 godziny).
Terminy wykładów i ćwiczeń z Informatyki dla II roku chemii biologicznej
Zagadnienia z Wykładu_X obowiązują na Laboratorium_X
8poniedziałek/9wtorek/10środa listopad 2010
Wykład_1 25 paz
dziernik 2010 Laboratorium_1
Wykład_2 8 listopad 2010 Laboratorium_2 22poniedziałek/23wtorek/24środa listopad 2010
Wykład_3 22 listopad 2010 Laboratorium_3
29poniedziałek/30wtorek/listopad 1środa/grudzień
Wykład_4 29 listopad 2010 Laboratorium_4 6poniedziałek/7wtorek/8środa grudzień
Wykład_5 6 grudzień 2010 Laboratorium_5 13poniedziałek/14wtorek/15środa grudzień
Wykład_6 13 grudzień 2010 Laboratorium_6
20poniedziałek/21wtorek grudzień 5środa/styczeń
Wykład_7 10 styczeń 2011 Laboratorium_7 12środa/17poniedziałek/18wtorek/ styczeń
Wykład_� 8 17 styczeń 2011 Laboratorium_� 8 19środa/24poniedziałek/25wtorek/ styczeń
1. Wprowadzenie do statystyki.
1. Wprowadzenie do statystyki.
2. Statystyka opisowa  rodzaje i sposoby obliczania
2.
parametrów statystycznych.
3. Pojęcie prawdopodobieństwa, generowanie zmiennych
3.
losowych, funkcje gęstości rozkładu prawdopodobieństwa
4. Wizualizacja danych statystycznych.
4.
5. Techniki wnioskowania statystycznego  testowanie hipotez
5.
6. Analiza zależności zmiennych ilościowych  podstawy
6.
korelacji i regresji.
7. Regresja wieloraka.
7.
1) Marek Dobosz  Statystyczna analiza wyników badań
Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001
2) Andrzej Stanisz  Przystępny kurs statystyki
StatSoft, Kraków 2006
3) Adam A
omnicki  Wprowadzenie do statystyki dla przyrodników
PWN, Warszawa 2007
4) Jacek Koronacki, Jan Mielniczuk  Statystyka dla studentów kierunków
technicznych i przyrodniczych ,
Wydawnictwo Naukowo-Techniczne, Warszawa 2006
5) Wiesława Regiel  Statystyka matematyczna w programie Matlab
PWN, Warszawa 2007
6) Daniel T. Larose  Odkrywanie wiedzy z danych
PWN, Warszawa 2006
Statystyka
Liczby opisujące fakty Dyscyplina naukowa
1 2
Nauka zajmująca się:
na II r. ChB jest 67 studentów,
zbieraniem,
średnia ocen ostatniej sesji dla
organizacją,
II r. ChB wyniosła 3.8,
prezentacją i
2 studentów nie uzyskało
analizą danych, oraz
zaliczenia z laboratorium
wyciąganiem wniosków i
z podstaw chemii.
podejmowaniem decyzji
na ich podstawie.
Podział statystyki jako dyscypliny naukowej na:
" statystykę teoretyczną i
" statystykę stosowaną.
Podział statystyki stosowanej na:
" statystykę opisową opartą na zestawie metod
stosowanych w organizacji, prezentacji
i opisie danych poprzez tabele, wykresy
i sumaryczne miary.
" statystykę wnioskowania indukcyjnego opartą na
zestawie metod, które pozwalają na podstawie wyników
dla próby podjąć decyzję lub przewidzieć wyniki
próby
próby
dla populacji.
populacji
populacji
Populacja (populacja generalna) - zbiór wszystkich
elementów będących przedmiotem badań statystycznych.
Przykład: Badania demograficzne - spis powszechny.
Próba  część populacji wybrana do badań statystycznych.
Przykład: Badania opinii publicznej na przykładzie
grupy respondentów.
Próba reprezentatywna dane reprezentacyjne (ankieta).
Próba reprezentatywna - poszczególne cechy populacji są
poprawnie oszacowane na podstawie próby.
Przykładowo, po wylosowaniu próby spośród wszystkich
osób mających prawo głosu (populacja), ankieter będzie
chciał oszacować z pewną dokładnością poparcie dla partii
politycznych w całej populacji.
Próba
Ankieta
Populacja
Spis, pełne badanie statystyczne
Właściwości próby:
Reprezentatywna  próba, której cechy są
maksymalnie podobne do cech opisujących populację.
Wybór losowy - próba wygenerowana przy założeniu,
że każdy element populacji ma taką samą szansę być
wylosowanym. Struktura takiej próby jest podobna do
struktury całej populacji. Wraz ze wzrostem liczebności
próby wzrasta jej stopień reprezentatywności.
Techniki losowania w wyborze losowym
Losowanie niezależne (zwrotne)  po każdym
losowaniu element wraca do populacji.
Losowanie zależne (bezzwrotne)  po każdym
losowaniu element nie wraca do populacji, tzn.
nie bierze udziału w dalszym losowaniu.
Metoda stosowana w przypadku małych populacji.
Zakład prosty polega na wytypowaniu przez grającego
6 liczb ze zbioru liczb od 1 do 49
http://www.sjc.edu/rdegray/Math110F03/applets/randomsample.html
Na ćwiczenia:
Każdy student przygotowuje, opisuje na kartce,
propozycję dla populacji i próby.
" W opisie statystycznym analizujemy badaną
populację lub próbę za pomocą odpowiednich
miar.
" Wnioskowanie statystyczne dotyczy badań
reprezentatywnych przeprowadzonych na
próbie losowej.
" Wyniki są uogólniane na całą populację
generalną, z której pobrano próbę.
Element
Specyficzny obiekt, dla którego są gromadzone informacje.
Zmienne
Różne wartości posiadane przez różne elementy.
Obserwacja/opis/pomiar/
Rejestracja wartości zmiennych elementów.
Zestaw danych
Zestaw danych pomiarowych/obserwacji dla jednej lub wielu zmiennych.
Przykład zestawu danych dla 5 elementów opisanych jedną zmienną.
Jedna zmienna
Student Średnia
Anka 4.7
Jurek 3.8
5 obserwacji/pomiarów
5 elementów Zosia 4.3
Mirek 4.1
Paweł 4.5
Zmienne - to wielkości, które mierzymy, kontrolujemy
lub którymi manipulujemy w trakcie badań.
Zmienne
Jakościowe
Ilościowe
- specjalność na
kierunku chemia,
Dyskretne Ciągłe
- kolor włosów,
- liczba domów, - długość,
- płeć
- wiek,
- liczba wypadków,
- liczba wylosowanych - czas, itp.
oczek, itp.
Zmienne jakościowe (nazywane również kategorycznymi,
czynnikowymi), to zmienne przyjmujące określoną liczbę
wartości (najczęściej nie liczbowych),
binarne, np. płec (kobieta/mężczyzna),
nominalne, np. marka samochodu,
porządkowe, np. wykształcenie (podstawowe / średnie /
wyższe).
Zmienne ilościowe, opisują ilość. Wyróżnia się skale:
licznikowa (liczebność wystąpień pewnego zjawiska,
opisywana przez liczby naturalne), np. liczba lat nauki,
przedziałowa (nazywana też interwałową), skala w której
zmienna może przyjmować dowolne wartości z określonego
przedziału, np. temperatura w stopniach Celsjusza,
ilorazowa, to skala licznikowa, w której dodatkowo
zachowane są proporcje (a wiec skala ma zero absolutne),
np. temperatura w stopniach Kelvina, wzrost w
centymetrach itp.
Przykład zestawu danych gdzie do opisu 10 elementów wybrano 2 zmienne (m,f)
Ł
m
3 6 8 4 4 8 1 2 6 5
f
7 3 7 10 9 9 7 4 5 2
m2
f2
mf
mf2
m2f
Należy obliczyć następujące wartości:
Łm; Łf; Łmf; Łm2f; Łmf2; (Łm)2; Łf2; (Łmf)2
Macierz s
tensor
2x10x70
2x10x69
for i=1:70
for k=1:10
2x10x3
2x10x2
for l=1:2
2x10x1
s(l,k,i)=round(rand(1,1)*10);
end
end
Numer na liście obecności
end
na wykładzie
Analiza danych pierwotnych (raw data)
Dane pierwotne  dane zapisane w kolejności gromadzenia
przed zastosowaniem jakiekolwiek procedury porządkującej.
Przykład: 50 studentów spotkanych w klubie Wydziału Chemii podało swój wiek
>> w=(round(rand(1,50)*10)+18)';
>> wiek=reshape(w,5,10)
>> wiek=reshape((round(rand(1,50)*10)+18)',5,10)
wiek =
wiek =
26 19 20 24 21 23 26 26 21 27
23 22 25 27 19 25 23 19 19 20
25 19 19 18 24 21 25 22 23 21
20 24 18 26 28 22 27 26 23 25
26 24 22 25 27 19 20 23 24 28
23 23 24 26 23 23 27 26 24 24
18 19 19 26 20 21 26 22 28 24
24 27 28 22 24 27 21 22 26 24
22 24 28 27 22 20 22 24 22 22
24 20 27 21 26 22 23 22 21 21
Zmienna ciągła, ilościowa
>> w=reshape(sort(wiek(:)),10,5)'
w =
18 18 19 19 19 19 19 19 20 20
20 20 21 21 21 21 21 22 22 22
22 22 22 22 22 23 23 23 24 24
24 24 24 24 24 25 25 25 26 26
26 26 26 26 27 27 27 28 28 28
Rozkład częstości zmiennych  liczebność zbioru danych w poszczególnych
kategoriach/klasach.
Należy:
- uporządkować rosnąco wartości zmiennej;
- zliczyć liczbę wystąpień wartości według kategorii/klas;
- obliczyć częstość występowania dla każdej kategorii/klasie;
>> k=0;
>> for i=min(wiek(:)):max(wiek(:))
k=k+1;
f(k)=sum(wiek(:)==i);
end
>>
>> sum(f)
ans =
50
>> klasa=min(wiek(:)):max(wiek(:))
klasa =
18 19 20 21 22 23 24 25 26 27 28
>> rozklad=[klasa;f]
rozklad =
18 19 20 21 22 23 24 25 26 27 28
2 6 4 5 8 3 7 3 6 3 3
Liczba wystąpień wartości zmiennej w danej klasie
Względna częstość klasy =
Liczba wystąpień wszystkich wartości zmiennej
Procentowa względna częstość klasy= Względna częstość klasy * 100
>> rozklad
rozklad =
18 19 20 21 22 23 24 25 26 27 28
2 6 4 5 8 3 7 3 6 3 3
0.04 0.12 0.08 0.1 0.16 0.06 0.14 0.06 0.12 0.06 0.06
4 12 8 10 16 6 14 6 12 6 6
>> bar(rozklad(1,:),rozklad(3,:))
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
18 19 20 21 22 23 24 25 26 27 28
klasa (wiek)
Wzgl
ę
dna cz
ę
sto
ść
klasy/liczebno
ść
klasy
>> bar(rozklad(1,:),rozklad(4,:),1);axis tight
16
14
12
10
8
6
4
Histogram
2
0
18 19 20 21 22 23 24 25 26 27 28
Klasa (wiek)
Wzgl
ę
dna cz
ę
sto
ść
klasy/liczebno
ść
klasy
>> pie(rozklad(3,:),[0 0 0 1 0 0 0 0 0 0 0],{'18' ,'19','20','21','22','23','24','25','26','27','28'})
18
28
27
19
26
20
25
21
24
22
23
Numer na liście obecności
na wykładzie