Data
Official data in SubjectManager for the following academic year: 2019-2020
Course director
-
Dr. Pótó László
habilitált docens,
Bioanalitikai Intézet -
Number of hours/semester
lectures: 14 hours
practices: 14 hours
seminars: 0 hours
total of: 28 hours
Subject data
- Code of subject: OFA-FI1-T
- 2 kredit
- Fogorvos
- Alapozó modul
- Tavaszi
-
Course headcount limitations
min. 1
Topic
A diplomamunka elkészítéséhez szükséges számítógépes és adatkezelési (adatgyűjtési és statisztikai értékelési) ismeretek oktatása és gyakorlati használatának bemutatása/begyakoroltatása.
A tárgy nagyobb tananyag-blokkja a hallgatói számára első statisztikai kurzusként az alábbi főbb területeket öleli fel: Adatok kezelése számítógéppel, adatok áttekintése és jellemzése grafikus és számszerű eszközökkel, a valószínűség és a statisztikai következtetés/döntés, az orvostudományban és orvosi gyakorlatban leggyakrabban használt statisztikai alapmódszerek.
Fő cél a statisztikai gondolkodásmód megismertetése és alapjainak begyakoroltatása. Ezzel a hallgatók most találkoznak először az oktatásuk során. Jelentőségét aláhúzza, hogy az orvoslásban (a tudományban és a hétköznapi munkában is) ezek a módszerek és készségek nélkülözhetetlenné váltak az utóbbi években. Ennek jegyében új tananyag részként az orvosi döntéshozás alapvető jellemzőivel is elkezdünk ismerkedni a kurzuson.
Lectures
- 1. Alapvető hardver ismeretek, operációs rendszerek, a számítógép fő felhasználási területei - Dr. Pótó László
- 2. Szövegszerkesztő programok használata - Dr. Pótó László
- 3. Szövegszerkesztő programok használata - Dr. Pótó László
- 4. Szövegszerkesztő programok használata - Dr. Pótó László
- 5. Szövegszerkesztő programok használata - Dr. Pótó László
- 6. Adatok kezelése számítógéppel - Dr. Pótó László
- 7. Adatok kezelése számítógéppel - Dr. Pótó László
- 8. Adatok kezelése számítógéppel - Dr. Pótó László
- 9. Adatok kezelése számítógéppel - Dr. Pótó László
- 10. Adatok kezelése számítógéppel - Dr. Pótó László
- 11. Adatok kezelése számítógéppel - Dr. Pótó László
- 12. Adatok kezelése számítógéppel - Dr. Pótó László
- 13. Adatok kezelése számítógéppel - Dr. Pótó László
- 14. Adatok kezelése számítógéppel - Dr. Pótó László
Practices
- 1. Windows XP használata, Programok indítása.
- 2. A Word szövegszerkesztő program felülete, menüi, eszköztárak használata. Szövegbeviteli és szerkesztési műveletek.
- 3. Formázások.
- 4. Táblázatok készítése és formázása
- 5. Stílusok és sablonok használata. Oldalszámozás, tartalomjegyzék.
- 6. Adattípusok, adatbevitel, kódolás. Az SPSS program. Adatok ábrázolása, áttekintése.
- 7. Leíró statisztika, Átlag, szórás.
- 8. Eloszlások. A normális eloszlás.
- 9. Az átlag eloszlása. A megbízhatósági intervallum.
- 10. A hipotézistesztelés elve. Egymintás és páros t próba.
- 11. Kétmintás t próba
- 12. Folytonos változók közti kapcsolat elemzése. A lineáris regresszió és korreláció módszere.
- 13. Gyakorisági adatok, kontingencia táblázat. Kategorikus változók közti kapcsolat elemzése. A khinégyzet próba.
- 14. Feladatmegoldás, kitekintés: nemparaméteres próbák, ANOVA
Seminars
Reading material
Obligatory literature
Moore, D. S. The Basic Practice of Statistics, 7th ed., W.H. Freeman, 2015
Literature developed by the Department
Pótó L.: Biometria, munkafüzet, PTE ÁOK 2018.
Notes
Recommended literature
Conditions for acceptance of the semester
Aktív részvétel a foglalkozásokon, legfeljebb két alkalom mulasztása.
A vizsga három részből áll: egy beugró teszt, egy számítógéppel (SPSS-el) megoldandó feladat és két elméleti kérdés (az egyik elméleti kérdés az OD témakörből).
A sikeres vizsgához mindhárom rész legalább elégséges teljesítése szükséges.
Mid-term exams
A félév során két Zh teljesítése, mindegyik minimum 50%-os eredménnyel, szükséges a vizsgára bocsátásához. Az egyik Zh egyszeri javítására van lehetőség.
Az első tananyagblokkból egy beadandó házi munka elkészítése és beküldése.
Making up for missed classes
Egy pótló foglalkozás
Exam topics/questions
Egy 'beugró' teszt, egy gyakorlati feladat (megoldandó számítógéppel) és két elméleti kérdés az alábbiak közül (az egyik elméleti kérdés az OD témakörből):
OD-1 Orvosi döntések - alapelvek 1
Mutassa be a statisztikai döntések fogalmait és elveit (Ho, 1-fajú és 2-fajú hibakockázatok, az alfa döntési szint választása, tünetek és klinikai tesztek értékelése - a 4 mérőszám, és a pozitív illetve negatív eredmény megbízhatósága különböző vizsgálati helyzetekben: klinikán illetve szűrő tesztnél;) egy egyszerű orvosi vagy hétköznapi életből vett döntési helyzetben.
Használja a számolási vizsgafeladat példát vagy válasszon egy saját példát a bemutatásra.
(háttér: főleg a 8. és a 11-12. előadás)
OD-2 Orvosi döntések - alapelvek 2
Mutassa be a statisztikai döntések fogalmait és elveit (vizsgálati eredmények beválási valószínűségei, klinikai bizonyítékok, valószínűségek, kezelési küszöb, további vizsgálati lehetőségek ...) egy egyszerű orvosi döntési helyzetben.
Használja a számolási vizsgafeladat példát vagy válasszon egy saját példát a bemutatásra.
(háttér: főleg a 11-12 és a 14. előadások)
1. A biometria/biostatisztika fő feladata
A kétféle gondolkodási modellről - mik a főbb különbségek?
Mutassa be, hogyan egészítik ki egymást, s hogyan kap mindkét gondolkodásmód szerepet a tudományos és az orvosi munkában. Integrálja az elemző gondolkodás és az OD alapok főbb megállapításait is.
(háttér: főleg az 1., a 3., a 6-7-8., a 11-12. és a 14. előadások)
2. A statisztikai gondolkodásmód fő jellegzetessége: a valószínűség
Mutassa be a fogalmat egyszerű példán. Mikor számolható és mikor nem számolható az értéke? Igazolja példákkal, hogy mindkét megközelítés alkalmazható a gyakorlati (orvosi) feladatoknál.
(háttér: főleg az 1., a 2. a 6-7-8. és a 12. előadások)
3. A valószínűség-eloszlás fogalma - a diszkrét eloszlások - 1,
Mutassa be a binomiális eloszlás példáján, hogyan lehet a "számolható valószínűség" (szerencsejáték helyzetek) megközelítést valós élethelyzetekben alkalmazni. Az eloszlás ábrázolása. Mutassa be, hogy kap szerepet ez a megközelítés a döntéshozásban.
(háttér: főleg a 2. a 6-7-8. és a 12. előadások)
4. A valószínűség-eloszlás fogalma - a diszkrét eloszlások - 2,
Vonjon párhozamot a binomiális és a Poisson eloszlás között: hasonlóságok és különbségek, alkalmazási példákkal alátámasztva. Mutassa be a diszkrét eloszlások jelentőségét példákkal. (Mely hipotézistesztelési eljárások alapulnak ezen a megközelítésen?)
(háttér: főleg a 2. a 6-7-8. és a 12. előadások)
5. A statisztikai gondolkodás alapelvei - az adatoktól a döntésig
A döntéshozáshoz vezető út - és a buktatói. (mintaméret, reprezentativitás, rejtett változók, valószínűségi ítélet, hibakockázat, - és kezelésük)
(háttér: főleg a 3. és a 6-7-8. előadások)
6. Adat- (változó-) típusok és az adatok ábrázolásának különböző módjai
A három leggyakoribb adattípus és összefoglaló bemutatásuk lehetőségei.
Az egyes diagramfajták alkalmazási köre - erősségük és korlátaik. Milyen speciális információkat tud megjeleníteni egy-egy diagramtípus? Mikor melyiket érdemes választani?
(háttér: főleg a 3. előadás)
7. A minta és az alapsokaság
Mutassa be mindkét alapfogalmat többféle adattípus esetén. Hogyan jellemezhető (képszerűen és számszerűen) ezen példákban a minta és a sokaság? Mutassa be a két fogalom alapvető szerepét a statisztikai következtetés és döntés gondolatmenetében.
(háttér: főleg a 3. a 6-7-8. és a 12. előadások)
8. Folytonos adatok számszerű jellemzése
Vonjon párhuzamot az "öt szám"-os és a "három szám"-os adatjellemzés között. Mikor melyik alkalmazható/alkalmazandó?
Igazolja példákkal, hogy a kétféle jellemzés alapvető szerepet kap a döntési (pl. hipotézistesztelési) módszer kiválasztásában.
(háttér: főleg a 4. a 6-7-8. és a 12. előadások)
9. A valószínűség-eloszlás fogalma - a folytonos eloszlások
Szimmetrikus és ferde eloszlások. Hogyan tükröződik az eloszlás alakja a mintajellemzőkben? A fentiek bemutatása a normális és ferde eloszlású példákon. Igazolja a megkülönböztetés jelentőségét a döntéshozási módszerek feltételein keresztül.
(háttér: főleg a 4. a 6-7-8. és a 12. előadások)
10. A normális eloszlás 1.
Jellemzői. Miért használható gyakran, különösen a biológiában és az orvostudományban?
Alkalmazási példák (referencia tartomány, stb.).
Hogyan támasztja alá az alapvető jelentőségét a "normális közelítés" módszere? (alkalmazási példákkal) - és hogyan a hipotézisvizsgálati módszerek feltételei?
(háttér: főleg a 4., az 5., a 6-7-8-9. és a 12. előadások)
11. A normális eloszlás 2.
Hogyan támasztja alá jelentőségét az "átlag eloszlása"? Igazolja, hogy az átlag eloszlása alapvető szerepet kap a statisztikai következtetés és döntés során.
(háttér: főleg a 4., az 5. és a 6-7-8-9-10. előadások)
12. A statisztikai következtetés
A statisztikai következtetés, mint a statisztikai gondolkodásmód kulcslépése. Vesse össze a pontbecslés és intervallumbecslés módszerét e szempontból. Mutassa be, hogyan használható mindkét megközelítés a várható értékre adható intervallumbecslés során (a várható értékre adható p% megbízhatóságú intervallumbecslés - konfidencia intervallum).
(háttér: főleg az 5.és a 6. előadások)
13. Az átlag megbízhatósági intervalluma
A legtöbb általunk megismert SPSS eredménylistán szerepel a "95% CI" kifejezés? Mi ez és miért ilyen gyakori a statisztikai vizsgálatokban? Mondjon példákat, hogy melyik eredménylistán miért szerepel, mire jó a feltűntetése?
(háttér: főleg az 5. és a 6-tól végig, szinte mindegyik előadás)
14. A hipotézisvizsgálat alap gondolatmenete
Mutassa be az "öt lépéses" gondolatmenet származtatását és alkalmazhatóságát hétköznapi valamint szakmai vonatkozású példákon. Melyek az "öt lépés" egyszerű, kötött pontjai, s melyek azok, amelyek egyéni mérlegelést igényelnek? Ez utóbbi jelentőségének igazolása a példákon.
(háttér: a 7-től végig, szinte mindegyik előadás)
15. Az egymintás és a páros t próba
A hipotézisvizsgálat alap gondolatmenete milyen adatok és kérdések esetén vezet ezen módszerekhez? A két módszer hasonlósága és különbsége. Mi a teendő, ha az alkalmazási feltételek nem teljesülnek? Miért nem érdemes minden esetben ezen utóbbi módszereket használni?
(háttér: főleg a 6-7-8-9. és a 12. előadások)
16. A megbízhatósági intervallum és a hipotézisvizsgálat összevetése
Értékelje a két módszert a hasonlóságok és különbözőségek, az erősségek és gyengeségek alapján.
A fentieket konkrét példa felhasználásával mutassa be.
(háttér: főleg a 6-7-8 előadás)
17. Döntési hibakockázatok és a teszt ereje
Ismertesse a statisztikai döntéshozás lényegi sajátosságát, a döntési hibakockázatokat. Hogyan lehet ezeket kezelni? Mikor kell ezeket kezelni?
Mutassa be példákon, hogy mikor nyújt segítséget a döntési hibakockázat értéke (vagy legalább változása) és mikor a teszt ereje az adott kérdés megválaszolásában?
(háttér: főleg a 8. és a 9. előadás)
18. A két- (független-) mintás t próba
Mi a különbség a páros és a kétmintás t próba között? Milyen kérdésre kapható válasz az utóbbi módszerrel? Mi a módszer sajátos feltétele - és hogy kezelhető ez az F próba segítségével?
(Mi a megoldás "ára"? Miért nem használjuk mindig a kevesebb feltételt támasztó megoldást?)
(háttér: főleg a 9. előadás)
19. Két változó kapcsolatának vizsgálata - folytonos adatok esetén
Hasonlítsa össze az egy változó - két minta és a két változó - adatpárok ("egy minta") esetét. Milyen tipikus kérdésekre keresünk választ a két esetben?
Ismertesse példákon a lineáris regresszió és korreláció vizsgálat módszerének gondolatmenetét. Mutassa be azokat a pontokat, ahol a statisztikai gondolkodásmód lényegi szerephez jut benne.
Hipotézisvizsgálat-e ez a módszer?
(háttér: főleg a 10. előadás)
20. Két változó kapcsolatának vizsgálata - kategorikus adatok esetén
Mennyiben hasonló és mennyiben eltérő a "két változó" vizsgálata kérdéskör a folytonos és a kategorikus adatok esetén? Milyen adatokat (számokat) kell az utóbbi helyzetben kezelni?
Mi az a hipotézisvizsgálati módszer, amely erre alkalmas? Mutassa be ennek az öt lépését egy példán. Mik a módszer alkalmazásának feltételei és mi a teendő, ha ezek nem teljesülnek?
(háttér: főleg a 11. és a 12. előadás)
21. A gyakorisági adatok kezelése és értékelése - 1.
Miért gyakori az orvosi gyakorlatban, hogy a khi-négyzet próba nem alkalmazható? Milyen lehetőségek kínálkoznak ilyenkor? Mikor kell ezek közül a Fisher teszthez folyamodni? Miért szerepel (mire utal) ennek a nevében az "egzakt" jelző?
(háttér: főleg a 11. és a 12. előadás)
22. A gyakorisági adatok kezelése és értékelése - 2.
Egy diagnosztikai teszt minősítése. Mely kérdésekre ad választ a "szenzitivitás", a "specificitás" valamint a pozitív és a negatív teszteredmény jósló- ("prediktív-") ereje?
Az arány megbízhatósági intervalluma. Igazolja ennek alapján, miért lesz eredménytelen a khi-négyzet próba alkalmazása néha az orvosi adatértékeléseknél!
(háttér: főleg a 11. és a 12. előadás)
23. A nem-paraméteres próbák - 1.
Milyen helyzetben kell választani a t próba helyett valamely más módszert - és mikor jön szóba az előjel próba? Mutassa be a hipotézisvizsgálat ötlépéses módszerét az előjelpróba alkalmazásával egy példán. Mi a hasonlóság és a különbözőség ezen módszer és a megfelelő paraméteres módszer között? Mi a módszer erőssége és mi a gyengéje?
(háttér: főleg a 2. a 7. és a 12. előadás)
24. A nem-paraméteres próbák - 2.
Milyen helyzetben kell választani a t próba helyett valamely más módszert - és mikor jön szóba a Wicoxon és a Mann-Whitney próba? Mutassa be mindkét módszer alkalmazását egy-egy példán. Mi a hasonlóság és a különbözőség ezen módszerek és a megfelelő paraméteres módszerek között? Mi ezen módszerek erőssége és mi a gyengéje?
(háttér: főleg a 7., a 9. és a 12. előadás)
25. Az ANOVA elve
Mutassa be példákon, hogy mi a variancia-analízis alkalmazásának alaphelyzete.
Mi az értékelés elve? Mutassa be ezt a több csoportátlag összehasonlításának példáján.
Mi az előnye ennek a módszernek a páronkénti t-próbák alkalmazásával szemben?
(háttér: főleg a 2. a 8., a 9. és a 13. előadás)
Adatkezelési készség:
Egy adatértékelési feladat megoldása SPSS-el.
Examiners
- Borbásné Dr. Farkas Kornélia
- Dr. Pótó László
Instructor / tutor of practices and seminars
- Borbásné Dr. Farkas Kornélia
- Dr. Pótó László
- Kőnigné Dr. Péter Anikó