Kutatástervezés 1. rész, Hahn István

Átírás

1 Kutatástervezés 1. rész, Hahn István 1. óra Adattípusok 1. A leggyakoribb változók osztályozása 2. A bináris változók jelentősége 3. Borításbecslés bináris mintavételi módszerrel 4. A leíró statisztika alapjai 2. óra Statisztika 1. Néhány jelentős eloszlás 2. Döntéshozó statisztikák 3. óra Kísérletek tervezése 1. Ismétlésszám 2. Randomizáció, kísérleti elrendezések 3. Hibás tervezések, hibás következtetések 0. Tantárgy bevezető 4. óra Hallgatói beszámolók 1. ZH 2. Témaismertetések kísérlettervezési és kiértékelési szempontból

2 Kutatástervezés 2. rész, Pásztor Erzsébet Feladat az első alkalomra: Hogyan alakul át a tudományos munka? Mi lesz az én szerepem? szavas reflexió a kötelező olvasmányra (Human Genome Project: Twenty-five years of big biology) saját google dokumentumba, szerkesztésre megosztva: lizpasztor@gmail.com 1. óra A kutatómunka természete 1. Hogyan alakul át a tudományos munka? Egyéni és csoport teljesítmény. Magányos zseni és kooperatív problémamegoldó. 2. MsC és PhD: hasonlóságok és különbözőségek, MsC és PhD követelmények 3. A kutatás folyamata: a témaválasztástól a publikációig 4. A témaválasztás folyamata,t émagenerálás analógiák, relevancia fák és morfológiai analízis segítségével 5. A potenciális témák értékelése 2. óra Irodalmazás, kapcsolattartás 1. Hogyan legyünk naprakészek: források, kutatói hálózatok, blogok 2. Elektronikusan elérhető szakirodalom 3. Keresés kulcsszavakkal és citációk alapján: a szakirodalom feltérképezése 4. Saját bibliográfia felállítása 5. Hogyan olvassunk és mit dokumentáljunk? 3. óra Tervezés és végrehajtás 1. Miért van szükség a tervezésre? 2. Hálótervek készítése 3. Elkerülhető és elkerülhetetlen problémák a végrehajtás során 4. A témavezetővel való kapcsolattartás módjairól 5. A szükséges pozitív hozzáállásról 4. óra Milyen lesz az én szakdolgozatom? 1. Cím 2. Irodalmazás, témaelemzés 3. Alkalmazott módszerek 4. Adatbázis, elemzés 5. Diszkusszió 6. Összefoglaló (absztrakt)

3 Kutatástervezés 3. rész, Miklósi Ádám Felkészülés az előző héten Feladat: Téma absztraktjának beküldése (doc), Előadás elküldése (ppt) 1. óra perces előadás saját témából ppt + kérdések 2. Absztraktírás átbeszélése 3. Cikk, mint a kutatói munka alapja 4. HÁZI: Absztrakt javítása 5. HÁZI: 1 kézirat feldolgozása előadásra (ppt) 2. óra 1. Kutatói munka: együttműködés és verseny 2. Egyéb kutatói tevékenységek, karrier 3. Hogyan (miért) bírálunk cikket 4. Házi: 1 kézirat bírálatának elkészítése 3. óra perces előadás a kéziratból ppt + kérdések 2. Pályázatírás szempontjai 3. Házi: Pályázat írása, és bírálata 4. Óra 1. Pályázat bemutatása, bírálatok megbeszélése

4 Védelmi lapok aláírása Közös dokumentum megosztása, biometriai előélet megadása Gyakorlati jegy szerzése

5 Változótípusok Skála Definíció Példák Nominális 1.kvalitatív, nevekből áll 2.nincs rangsor ivar, betegség, fajnév, cselekvési típus, prezencia-abszencia adatok Ordinális Intervallum Arány/ hányados 1.kvalitatív, rangsor lehetséges 2.értékek közti távolság tetszőleges 1.kvantitatív, rangsor, értékek közti különbség mutatja a távolságot 2.önkényes nulla pont 3.arányok nem értelmezhetők 1.kvantitatív, rangsor, értékek közti intervallum mutatja a távolságot 2.valódi nullapont 3.arányok értelmezhetőek agresszivitás: erős, közepes, gyenge, borítás skálák, W-értékek, rangok C hőmérséklet, IQ testsúly, magasság, életkor, mért értékek A megkülönböztetés fontos: kváziátlagok a statisztikában általában mérhető és megállapítható változókat különböztetnek meg. Közöttük egyirányú konverzió lehetséges folytonos vagy diszkrét közöttük átmenet: Simon Levin statisztikus véleménye (termésszám-terméssúly) bináris (előnyei-hátrányai) - borításbecslés

6 Klonális növekedési formák: Falanx Az egyed fogalma nehezen értelmezhető, terepen nem számolható. Egyedszám helyett használható: -Hajtásszám -Biomassza -Borítás Gerilla

7 Tömegesség megadása: borításbecslés bináris értékek sorozatával Elvileg járható út, terepen nem alkalmazható időigényes volta miatt

8 Feladat: pontok kijelölésével próbáld megbecsülni, hogy a piros (nyomtatva fekete) foltok a négyzet hány százalékát foglalják el! A lap oldalán tízesével írjál 0-t vagy 1-et, 10x10-et, és számold ki az 1 /összes hányadost tízesével! Készíts ábrát, ahol a az elemszám függvényében ábrázolod a hányadost!

9 Excel bináris borításbecslés

10 Fehér: 42% piros 58%

11 arány Van-e értelme önmagában egy bináris adatsornak? Vízigény megoszlás egy szigetközi területen W Fajszámok alapján borítások alapján

12 A matematikai statisztika elemei illetve ezek felelevenítése David B. Allison, Andrew W. Brown, Brandon J. George, Kathryn A. Kaiser Reproducibility: A tragedy of errors Nature, 03 February 2016 To consult the statistician after an experiment is finished is often merely to ask him to conduct a post mortem examination. He can perhaps say what the experiment died of. Sir Ronald Aylmer Fisher ( ) angol statisztikus és biológus

13 STATISZTIKAI ALAPFOGALMAK: Átlag, szórás Legyenek valamely n elemű populáció egy x változójának mért vagy számított értékei: x, 1 x2,..., x n x x 1 x 2... n x n. i 1 (s.d.) s n x i n 1 x 2 Számtani átlag szórás A biológiai minták variabilitása nagy

14 Módusz A leggyakrabban előforduló érték. Középérték további mutatói: Medián A sorba rendezett adatok középső értéke. Ha n páratlan, akkor az értékek közül a nagyság szerint rendezett sorban a középső, ha n páros, akkor a két középső érték számtani közepe. Számtani átlag Mértani átlag Az alapadatok szorzatának annyiadik gyöke, ahány adat van. Harmonikus átlag A reciprok adatok átlagának reciproka. Kváziátlag: ordinális változókból számolt átlag

15 Szóródási tendencia további mutatói: Terjedelem A legnagyobb és a legkisebb érték közötti különbség. Szórás A várható értéktől való eltérés várható értéke dimenziója az eredeti Variancia A szórás négyzete. - számításokhoz Variációs együttható dimenzió nélküli szám V s x, Megadás: az alapadatoknál eggyel több értékes jegyre

16 Egyszerű esetek: Pénz, kocka Bonyolult esetek: más (dobómalac) Valószínűségek megadása A priori a posteriori A nagy számok törvénye A nagy számok törvénye a valószínűségszámítás egyik alapvető tétele. A törvény azt mondja ki, hogy egy kísérletet sokszor elvégezve az eredmények átlaga egyre közelebb lesz a várható értékhez (v.ö. borításbecslés). Nem jelenti ugyanakkor azt, hogy az esélyek kiegyenlítődnek Kapcsolata a mintavételi elemszámmal

17 Egy rövid tűt egy vonalas lapra leejtve, mi a valószínűsége annak, hogy az keresztezni fog egy vonalat? - vetette fel a kérdést George Louis Leclerc, Buffon grófja 1777-ben. Legyen a szakaszok (tűk) hossza L= 49 mm, a vonalak egymástól való távolsága d = 60 mm. Georges-Louis Leclerc ( ), Buffon grófja francia természettudós

18 Ha L d, annak a valószínűsége, hogy a leejtett L hosszúságú tű metszi valamelyik vonalat: 2 * L p = * d SZÁMOLÁS!

19 Pi= 3,

20 Szegélyhatás a mintavételi egységeknél Transzektbe/kvadrátba esés valószínűségének megadása ismert alakú foltok esetében.

21 Valószínűségek összeadása, függetlenség, szorzás Ide kellenek egyszerű számolási feladatok kockával, érmével

22 Valószínűségek megadása számításokkal Binomiális eloszlás 2 lehetséges kimenetel, egyik bekövetkezési valószínűsége p, a másiké q, p+q=1. Annak valószínűsége, hogy n db kiválasztáskor éppen k esetben következik be a p valószínűségű esemény: p k *(1-p) n-k a lehetséges sorozatok száma (ismétléses permutáció) n!/((k!*(n-k)!) P k n k k n k * p (1 p) Az eloszlásnak két paramétere van, n és p. Ez végtelen mintákra vonatkozik, egy egyszerűbb véges urnamodell analóg kérdése

23 Egy urnában levő N darab golyó közül M piros, és visszatevés nélkül kiválasztunk n darabot, mi a valószínűsége annak, hogy a mintában éppen k darab piros golyó lesz? Az eloszlás hipergeometrikus, ha n és s elég nagy, az eloszlás jól közelíthető a binomiálissal. Olyan esetekben használatis, ahol a a kiválasztott elem a vizsgálat során elhasználódik, azaz nem lehet visszatevéses mintavételnek tekinteni. Ha M tart a végtelenhez, akkor a a hipergeometrikus előszlással számolt valószínűség tart a binomiálissal számolthoz.

24 Tételezzük fel, hogy p nagyon kicsi, de n tart a végtelenhez úgy, hogy szorzatuk konstans: n*p= Poisson eloszlás: annak a valószínűsége, hogy éppen k-szor következik be az esemény: P(k)=(( k )/k!)*e - Az eloszlásnak egy paramétere van,, ami egyben az eloszlás várható értékét és varianciáját is adja. Annak a valószínűsége, hogy egy t-vel jellemezhető intervallumra (pl. szakasz, terület, térfogat, idő) éppen k darab eset jut: P(kt)=(( kt )/k!)*e - t A mintavételezés egyik referencia-eloszlása, ezzel lehet leírni a térbeli és az időbeli véletlen folyamatokat.

25 Három pontmintázat típus: szabályos véletlenszerű csoportosulásos

26 Helyi feladat: véletlen pontmintázat előállítása Helyi feladat: véletlen számsor előállítása Írjatok 1 és 100 között (a szélső értékek is beleértendők) száz egész számot, törekedve a véletlenszerűségre. Értékelés: Ábrázoljátok oszlopdiagrammon 1. Az 1-10, 11-20, 21-30, stb. tartományba eső számok darabszámát. 2. Az 1, 2, 3, stb. végződésű számok darabszámát. 3. Csináljatok egy ezen adatokból 1-1 összesített diagrammpárt!

27 előfordulás véletlen számok végződései (10 hallgató) végződés

28 előfordulás összesített véletlenszámok végződés

29 A megszokott 10-es számrendszer rányomja bélyegét az eredményekre:

30 (Csak előrevéve:) The twenty commonest censusing sins William J. Sutherland School of Biological Sciences, University of East Anglia

31 1. NOT SAMPLING RANDOMLY. It is very satisfying to sample rarities or rich patches but it ruins the exercise. One common error is just to visit the beat sites and use the data to estimate population size. 2. COLLECTING FAR MORE SAMPLES THAN CAN POSSIBLY BE ANALYSED. This is a waste of time and may raise ethical and conservation issues. 3. CHANGING THE METHODOLOGY IN MONITORING. Unless there is a careful comparison of the different methods, changing the methodology prevents comparisons between years. 4. COUNTING THE SAME INDIVIDUAL IN TWO LOCATIONS AND COUNTING IT AS TWO INDIVIDUALS. 5. NOT KNOWING YOUR SPECIES. Knowing your species is essential for considering biases and understanding the data. 6. NOT HAVING CONTROLS IN MANAGEMENT EXPERIMENTS. This is the greatest problem in interpreting the consequences of management. 7. NOT STORING INFORMATION WHERE IT CAN BE RETRIEVED IN THE FUTURE. The new warden of a national nature reserve in England could find out from old work programmes the days on which his predecessor had counted a rare orchid but could find no record of the actual numbers!

32 Számítógépes algoritmusak Igazi véletlenszám generátorok: Radioaktív bomlás alapján

33 kísérleti elrendezések Randomizáció Véletlen számok és mintázatok problematikája - cél: a statisztikai populáció tagjai egyenlő eséllyel kerülhessenek a mintába - használható zavaró tényezők, tendenciák hatásának kiszűrésére - a reprezentativitás legfőbb biztosítéka - torz minta: - bizonyos egyedek nagyobb valószínűséggel kerülnek a mintába - bizonyos egyedek bekerülése befolyásolja más egyedek bekerülését Példa: botanika-kvadrát Térbeli autokorreláció Tobler amerikai geográfus első törvénye: Minden mindennel összefügg, de a közelebbi dolgok erősebben hatnak egymásra. Azaz várhatóan az egymáshoz közel levő helyek jobban hasonlítanak egymásra, mint a távoliak. Időben is: a holnapi időjárás legnagyobb valószínűséggel olyan, mint a mai. ál-ismétlés A véletlenszerűség igen gyakran statisztikai követelmény Haphazard (találomra, vaktában) mintavétel Problémái, szisztematikus és szemiszisztematikus mintavétel

34 Szemiszisztematikus (helytelen) neve térben rétegezett elrendezés

35 Sziklagyepek a képen ördögszántás

36 Kísérleti elrendezések a véletlenszerűség biztosítására véletlen blokkelrendezés: az ismétlések blokkokba vannak osztva úgy, hogy a blokkok minél homogénebbek legyenek előny: egyszerű hátrány: tízféle vagy több kezelésnél nehezen biztosítható a blokkon belüli homogenitás ekkor jobb a tökéletlen, azaz a blokkon belüli homogenitás érdekében lemondanak arról, hogy minden blokkban minden kezelés benne legyen példa 1. parcellakísérlet gradiens mentén példa 2. laborkísérlet időben: pl. vérszérum elemzés box: Ali fotoszintézis vizsgálatai: napi és évi ciklus

37 Latin-négyzet Az elnevezés Eulertől származik, aki latin betűket használt szimbólumokként. Matematikai elmélete van. Régen a misztikában, jelenleg a kísérlettervezésben és a kódolásban alkalmazzák. ha a kezelések száma egyenlő az ismétlésszámmal, soronként és oszloponként 1-1 lehet. mágikus és szupermágikus latin négyzetek latin tégla a kezelésszám az ismétlésszám többszöröse kell legyen

38 Normális eloszlás - család 2 paraméter: A várható érték (m) és a szórás (σ) A görbék magasságai azért különbözőek, hogy a görbe alatti terület 1 legyen (teljes valószínűség). Centrális határeloszlás tétel: Független valószínűségi változók összege aszimptotikusan normális eloszlású, ha az összeghez képest kicsik. Galton deszka

39

40 A normális eloszlás (és vizsgálata) a biológiában nagyon gyakori: - Egy-egy tulajdonságot sok genetikai és környezeti tényező határoz meg - Gyakran vizsgálunk olyan jelenséget, amit sok körülmény határoz meg -A mérési/becslési hibák általában normális eloszlásúak - Egyes statisztikai próbák megkövetelik az adatsorok normális eloszlását Standard normális eloszlás Az adatsor minden egye eleméből kivonjuk az adatsor átlagát, és elosztjuk a szórásával. Az eredmény eloszlás normális marad, de átlaga=0, szórása=1.

41 Hipotézisvizsgálatok Nullhipotézis Populáció, minta. Elméleti és tapasztalati középértékek és szóródási mutatók. Szabadsági fok A döntéshozó statisztikai próbák eredménye nem egy egyértelmű ítélet, hanem annak a valószínűsége, hogy egy nullhipotézis igaz avagy hamis. Konfidenciaintervallumok Azt az intervallumot, amelyik egy ismeretlen értéket (középérték, medián, szórás, variációs együttható, relatív gyakoriság, stb.) egy meghatározott valószínűséggel tartalmaz, megbízhatósági tartománynak vagy konfidencia-intervallumnak nevezzük.

42

43 Szignifikanciaszint általában 5% (p<0,05) első- és másodfajú hiba. Elsőfajú: elvetjük a nullhipotézist, pedig igaz. Mértéke ismert. Másodfajú: megtartjuk a nullhipotézist, pedig hamis. Mértéke ismeretlen. Nullhipotézis: az alany nem terhes. Mennyire lehet automatikasan igazodni az 5%--os határhoz? Minél jelentősebb egy felfedezés, annál erősebb alátámasztás kell. Nem életidegen a változó határ? (szerencsejáték csalás esélye)

44

45 próbák ereje Egymintás t-próba Kétmintás t-próba F-próba Maximális F, vagy Bartlett-próba Egyszempontos varianaciaanalízis elve Statisztikai próba-határozó

46 A t-eloszlás táblázata és az egymintás t-próba próbastatisztikája

47 Magyar tudomány cikk Science cikk

48 A t-eloszlás táblázata és az egymintás t-próba próbastatisztikája

49 Kétmintás t-próba n n s n s n n n n n Y Y n s n s Y Y A kapott próbastatisztika n 1 +n 2-2 szabadsági fokú t-eloszlású Ha a minták függetlenek, normális eloszlásúak és szórásaik nem különböznek szignifikánsan, tekinthetjük egyetlen minta két részének. Ez alapján a magasabb elemszám miatt jobb becslését adhatjuk a szórásnak.

50 A t-próba feltételei: Egymintás esetben: a valószínűségi változók normális eloszlásúak a mintaelemek függetlenek Kétmintás esetben ezeken felül: a két valószínűségi változó szórása azonos

51 Welsch-próba Ha a két minta varianciája nem azonos, a próbastatisztika: d= Y 1 s n Y 2 s n Ha a null-hipotézis igaz a próbastatisztika közelítőleg t-eloszlású a szabadsági fok függ a varianciák közötti különbségtől is Nem paraméteres: Mann-Whitney próba

52 F-próba Két variancia összehasonlítása a mintából kapott becslések alapján Követelmény: normális eloszlás. F= s s Mindig a nagyobbat kell a kisebbel osztani. Maximális F, Bartlett-próba

53 Egyszempontos varianciaanalízis elvi vázlata Alapja egyetlen F-próba, ami az átlagok eltérésére karakterisztikus csoportok közötti varianciát veti össze a random ingadozást leíró csoportokon belüli varianciával. Kezeléstípusok a b c d e f g Alapadatok varianciák Belső- és külső varianciák elemszámmal súlyozott sorozatának összevetése EGYETLEN F-próbával. Nem paraméteres: Kruskal-Wallis próba

54 Khi-négyzet próbával végezhető szignifikanciavizsgálatok: Homogenitásvizsgálat Összefüggésvizsgálat Illeszkedésvizsgálat Ide kéne új dia példatáblázatokkal, esetleg ábrákkal

55 A Khi 2 eloszlás táblázata Aggregációs index pl. a helyi feladat eredményének szignifikanciavizsgálatához.

56 ZH-minta feladatok Megadandó az alkalmazandó statisztikai próba neve, elvégzésének feltétele vagy feltételei, továbbá, ha a kérdés eldöntésére többféle eljárás is alkalmas, akkor ezeknek mi a rangsora. Utóbbi alatt azt értem, hogy melyik lenne a legjobb, de ha az nem végezhető valami miatt, akkor mi lenne a következő, stb. 1. A Szerencsejáték Rt. Honlapjáról letölthetők az eddigi lottóhúzások néhány statisztikája, pl. az, hogy melyik számot hányszor húzták ki eddig összesen. Hogyan lehetne megvizsgálni, nem volt-e esetleg csalás, azaz nem szerepeltek-e egyes számok az elvárhatónál szignifikánsan többször vagy kevesebbszer? 2. Egy cég új reagenst kínál, amelyről azt állítja, hogy az eddig forgalmazottnál hatékonyabban növeli egy oldat vezetőképességét (teljesen mindegy, hogy miért és hogyan, ). Milyen módszerrel (vagy módszerekkel!!!) lehet eldönteni, hogy igaz-e az állítás? 3. Egy vállalkozó olyan segédanyagot forgalmaz, mely (állítása szerint) növeli a búza terméseredményét. Milyen módszerrel (vagy módszerekkel!!!) lehet eldönteni, hogy igaz-e az állítás? 4. Kutyafajták termetét akarjuk összehasonlítani. Tételezzük fel, hogy létezik egy szempontrendszer, melynek segítségével 0-től 4-ig osztályozni lehet a megvizsgált állatokat: 0 - mini, 1 - kicsi, 2 - közepes - 3 nagy, 4 - hatalmas. Nyolc kiválasztott fajta 366 példányának eredményéből milyen statisztikai próbával lehet a fajták között meglevő méretkülönbség meglétét kimutatni avagy elvetni?

57 Adatvesztés Stewart Brand 2001: Amíg világ a világ: idő és felelősség a hosszú most órája. Vince Kiadó, Budapest könyvtári

58 - Hardverhiba (meghibásodás, eltűnés) - Hardver inkompatibilitás - Szoftver inkompatibilitás - legend hiánya Okok: Védekezés: - Biztonsági másolatok független helyeken - Szoftver nemzedékváltáskor az adatformátumot is frissíteni kell - A bárhogyan is tárolt adatokat úgy kell feliratozni/kommentálni, hogy - Sokkal később és esetleg mások számára is egyértelműen értelmezhető legyen