Основы статистики. Анатолий Карпов. Институт биоинформатики. Часть 1

1. Введение
1.1 Общая информация о курсе
1.2 Генеральная совокупность и выборка
1.3 Типы переменных. Количественные и номинативные переменные
1.4 Меры центральной тенденции
1.5 Меры изменчивости
1.6 Квартили распределения и график box-plot
1.7 Нормальное распределение
1.8 Центральная предельная теорема
1.9 Доверительные интервалы для среднего
1.10 Идея статистического вывода, p-уровень значимости
stepic.org/course/Основы-стат...
Основы статистики. Часть 1 • Основы статистики. Ана...
Основы статистики. Часть 2 • Основы статистики. Ана...
Основы статистики. Часть 3 • Основы статистики. Ана...
________________________
Анатолий Карпов - выпускник факультета психологии СПбГУ, научный сотрудник, аспирант кафедры общей психологии СПбГУ. Занимается экспериментальными исследованиями в области когнитивной психологии. Преподает курс математической статистики для биологов в Институте биоинформатики.
Курс вводный и рассчитан на слушателей, не обладающих специализированными знаниями в области математики. Он подойдет как тем, кто только начинают познавать тонкости математической статистики, так и тем, у кого уже есть некоторый опыт обработки и анализа данных.
В рамках курса рассматриваются подходы к описанию получаемых в исследованиях данных, основные методы и принципы статистического анализа, интерпретация и визуализация получаемых результатов. Слушатели познакомятся с такими методами статистического анализа как дисперсионный, регрессионный и кластерный анализ. Мы научимся сравнивать группы между собой, рассчитывать коэффициенты корреляции и строить регрессионные уравнения.
Основной акцент делается на математических идеях, интуиции и логике, которые обуславливают методы и расчетные формулы. Изученный материал будет применим для решения широкого круга задач, возникающих в рамках исследовательской работы практически любого направления.
Курс подготовлен на базе программы Института биоинформатики.

[@alekse7433]

Я очень тупой, смотрю в 11й раз, начинаю понимать. Думаю на 20 освою полностью. Курс отличный, советую все записывать. И книжку статистика и котики.

[@Anonymous_starrrr]

тоже удивляют эти псевдозадры кто с первого раза понимает это. на костер их

[@user-fc7mw8pl2e]

У каждого свои опыт, наработанные ранее знания, навыки, связи в мозгу. Тут как в физических тренировках - у каждого свой уровень подготовленности и генетическое наследство, но при этом любой может повысить свои показатели при условии, что уделяет достаточно внимания и времени.

[@captainobvious2928]

Терпи, ты же мужчина!

[@user-yo3sb2qi2l]

Нужно работать с вниманием! Куча техник имеется.

[@ivantereschenko9051]

Получилось освоить?

[@Simpei93]

Спасибо! Офигенная лекция. Все намного понятнее, чем было в наших лекциях в институте.

[@ilyin_sergey]

Шикардосный курс на Stepik. Прелесть в том, что там и задачи есть!

[@hochzeitsagenturalexshow1619]

Молоток парень! Спасибо за курс!

[@starchemistery]

Когда полжизни не знаешь, как понять это СКО, а потом так просто это объясняют, такооой восторг возникает!) Спасибо автору!

[@kirilldemichev7986]

0:01 1. Введение 0:05 1.1 Общая информация о курсе 1:32 1.2 Генеральная совокупность и выборка 6:23 1.3 Типы переменных. Количественные и номинативные переменные 12:24 1.4 Меры центральной тенденции 20:07 1.5 Меры изменчивости 29:08 1.6 Квартили распределения и график box-plot 33:20 1.7 Нормальное распределение 40:08 1.8 Центральная предельная теорема 45:43 1.9 Доверительные интервалы для среднего 53:54 1.10 Идея статистического вывода, p-уровень значимости

[@user-ve9cu2oi9g]

Спасибо! Отличная лекция, а главное все разъяснено и разложено по полочкам. Стало многое ясно, что пытался понять из учебников.

[@venorubick]

Всё хорошо понятно, разложено по полочкам и интересно слушать, смотреть, записывать. Спасибо!

[@alexeyisakov]

Спасибо за видео, после просмотра я начал любить статистику!

[@lozserg1]

Освежил для себя некоторые теоретические моменты. Прекрасное изложение. Спасибо.

[@railotrailot521]

Анатолий Карпов ты крут!

[@lumenone1698]

Блестяще! Понятно, качественно, на примерах.

[@snezhanasaimagambetova7761]

Анатолий, спасибо за курс. Вы просто огромный молодец. Разложили все по полочкам, что не возникло ни одного вопроса. Спасибо вам и огромных успехов!

[@najahajazera]

спасибо, благодаря такому подробному и иллюстрированному объяснению многое проясняется

[@aneelkam3443]

Да сейчас Анатолий развернулся на статистике. Молодец! Успехов

[@elenafridman7294]

Потрясающая лекция!

[@susannakhurshudyan1156]

Спасибо Вам большое! Вы чудо!

[@hannavirginia272]

Супер объяснение!) Даже я понимаю)))

[@bannakok]

Минуте на 30 начал теряться. Но без конспекта оно и не удивительно. Очень хорошо объясняет.

[@user-vo9qu2pd1e]

Правда прекрасный курс -- очень благодарен создателям! Пишу комментарий для лучшего продвижения ролика, в соответствии с алгоритмами ютуба))

[@user-cw3zg9mz6t]

Супер!! Спасибо огромнейшее за весь курс!!!

[@user-io7oh1eb2t]

Отличное объяснение! Молодец!

[@kad1720]

Как хорошо объясняет...все чётко

[@user-ou4hb1rg6c]

Очень информативно, спасибо

[@wayer5204]

Вот ты вообще крутой, прям всё по полочкам разложил. Красава!

[@DL-gl2wb]

Крутейшая лекция, спасибо

[@Cosmicforon]

супер) спасибо. пошел дальше изучать

[@DennisTurbay]

Спасибо огромное!

[@Katrina86]

Молодец, все очень доступно!

[@gennadyfedorow5392]

Просто супер!!!

[@dr_madinasalimova]

супер! спасибо,большое!

[@user-ok4un8sm8f]

Спасибо Шелдон)

[@alexandrbaranezky3029]

Спасибо!

[@tetianatrush9038]

ДЯКУЮ!

[@MrSnuppys]

Роскошный курс

[@Laborantka]

Прям вот сразу плюсанула

[@kl45gp]

это надо смотреть несколько раз, но это охеренно

[@Booogieman]

Вери гуд! Но хорошо бы добавить таймкоды!

[@Fishing_Yuga]

Лайк, чтобы не забыть

[@user-xl1zq2ic5f]

Блестящее объяснение

[@Doroshin123]

Центральн. предельн. теорема - с 40:00

[@Mar-by2lq]

Анатолий, на 57й минуте Вы используете Distribution Caclculator, не смогла найти этот ресурс. Подскажите, пожалуйста, как на него выйти (если это не Ваш код в R).

[@VakaramGolang]

Спасибо.

[@user-nq1ne7uq2t]

Спасибо

[@sabinazzz8874]

Спасибо за видео. Подскажите, пожалуйста, как найти дисперсию признака, если доля мужчин составила 0.55?

[@user-eg3hw5ot1c]

на 32:21 у вас появляется график Box Plot c точками. По оси "y" они расположены в соответствии со значениями роста. А что влияет на их расположение на этом графике по оси "x"? У вас ведь они расположены на разных значениях по оси "x". Закономерности в этом не нашел... Объясните пожалуйста, не понимаю! В остальном спасибо огромное!

[@kl45gp]

21:34 дисперсия(мера изменчивости) и откуда берется квадрат

[@wolfich4684]

Сергей, чем вы там рисовали на рисунках ? стилусом?

[@Moons-Flower]

Интересно, я одна тут, помимо восхищения простотой и доступностью объяснений думаю: «какой же он симпатичный!😍»? 🤣🙈

[@aidaberdaliyeva160]

Походу. Потому что честно говоря вообще мало внимания на это обратила. 😂🤦🏻‍♀️

[@renkinjutsu4664]

Spasibo horoşï çelovek

[@spacetoxicology123]

достойно!

[@9BaroN6]

Добрый день. Отличное видео. Все понятно и доступно. Единственное не совсем понял откуда в задаче(46-47 минута) мю = 1,96se. Как мы вычислили 1,96? Буду признателен за ответ.

[@makszym]

По идее по таблице распределения Стьюдента t(1-0,05) при df=n-1=63 t=1,998.

[@Mar-by2lq]

При объеме выборки более 30 закон распределения Стьюдента близок нормальному закону. Поэтому, если посмотреть в таблице нормального распределения значение площади под кривой плотности, равной 0.975 (или 0,475), как раз будет 1.96 для 95% ДИ.

[@user-xn5qm5ey8x]

Dx*c=Dx*c^2 (на 28:50) это точно так? Мб вы имели ввиду Dx*c=SDx*c^2 ?

[@thepoisonoflegend]

Я правильно понимаю, что цпт работает только если в генеральной совокупности нормальное распределение. А если распределение негауссово, то нужно использовать другие предельные теоремы? То есть перед проверкой гипотезы, нужно сначала узнать подчинена ли генеральная совокупность нормальному распределению?

[@tayamyschka6476]

Как найти таблицу 39:18?

[@user-yt1hu8vy4o]

Это потомок Фейнмана! Талант не пропей, Анатолий!

[@user-qx4lt7cs6u]

Вопрос: может ли медиана на Box plot быть не по середине, а смещенной кверху или книзу? И если да, то в каких случаях?

[@aidaberdaliyeva160]

Я по моему такие данные случайно получала. Вслепую. И меня мой профессор мучил такими вопросами, Варум? А я Дарум. Крч патамушта патамушта был ответ мой. 🤦🏻‍♀️

[@user-nu8pi1tj6c]

Отлично, а есть ссылки на еще части? Часть 1, Часть n, и прочая информация... Может где неувидел

[@user-ub6qo1kn3p]

Более свежее поищите на сайте stepic.org/course/Основы-статистики-76/

[@user-ub6qo1kn3p]

А здесь только три части первого курса найдёте.

[@paulv4282]

Здравствуйте. Объсните, пожалуйста, кто знает, в чем смысл выполнения операции извлечения из корня среднего арифметического квадратов отклонений при нахождении среднего квадратичного отклонения? Зачем так много операций? Чем они обусловлены? Можно ведь также возвести отклонения в третюю степень, а потом извлекать корень кубический из среднего арифметического? Где об этом можно почитать подробнее и доступным простым языком? Спасибо.

[@Filipp0kk]

там же объяснили, что мы возвели в квадрат для того, чтобы избавиться от отрицательных значений. если б мы не возводили в квадрат разность между фактическим и средним во время вычисления дисперсии, то у нас бы не показывался разброс, так как бы некоторые "разности" получались бы отрицательные и при сложении всех этих разниц у нас бы.... эмм.. получалось не то, что нам нужно :D не знаю как сказать. Ну то есть, дисперсия, судя по формуле, это по сути СРЕДНЯЯ РАЗНИЦА МЕЖДУ СРЕДНИМ ЗНАЧЕНИЕМ ПРИЗНАКА И ФАКТИЧЕСКИМ. (капсом, потому что надо вникнуть :D). однако после того как мы придумали, как обозначить эту среднюю разницу, у нас появилась проблема, что эта разница выражена не в оригинальных единицах, а в квадратичных, поэтому мы берем и возвдим под корень. А почему есть такое понятие как дисперсия, если можно сразу использовать sd, то это просто потому, что в некоторых случаях при математических операциях проще использовать именно дисперсию. а в некоторых - sd

[@olegmakarikhin]

для вычисления отклонения нужна метрика - такая функция которой даешь две сущности из множества, а она возвращает одно число (и еще некоторые свойства). в геометрии, в декартовой системе координат "метрического пространства" хорошей, природной, такой функцией является расстояние, которое вычисляется как корень квадратный из суммы квадратов разниц координат. для одномерных сущнстей можно обойтись модулем который и равен sqrt(x^2).

[@user-gt2bi3pu2o]

Где можно достать полную версию видео?

[@user-ol6vb7dj2k]

Это полная. Смотрите также часть 2 и часть 3

[@mashikc3no]

@@user-ol6vb7dj2k подскажите пожалуйста, а курс на сайте сильно отличается от данного видео?

[@xander-on-the-earth]

Средний рост астронавтов, посетивших Луну, просто так подсчитать не получится -- в знаменателе придётся писать ноль.

[@user-ze7jv1vw4b]

23:32 а нафига в квадрат возводить, если можно просто по модулю взять? Это даже легче считать

[@tokkimia]

41:40

[@Dimayu5]

Очень сильно мешает восприятию разница в обозначениях и названиях. Учусь в МГУ, используются другие названия переменных. + тут слишком мало временни дается на сам практический пример и хотелось бы ещё порешать примеры самостоятельно и свериться с ответом

[@Dimayu5]

На 55:55 непонятно как происходят вычисления, так как вроде Среднеквадратическое отклонение и есть стандартное отклонение

[@alexeygrom1834]

имхо лучший кур по статистике и тервер

[@NighttimeSerenity]

по Box Plot косяк

[@NikaSpring]

А зачем отнимать 1 от n в подсчете дисперсии выборки так и не объяснили толком(

[@Terrayko]

Касательно среднеквадратичного отклонения, не понял зачем нам считать его, а не посчитать просто среднее отклонение? Вместо того, чтобы возводить разность значения признака и среднего в квадрат, а потом пытаться вернуть всё через квадратный корень (теряя точность и получая ответ на не совсем понятный вопрос). Мы можем просто использовать МОДУЛЬ разности значения признака и среднего значения. А далее точно так же разделив сумму всего ряда на количество его членов, получим точный ответ на вопрос - на сколько в среднем отклоняются все значения от их среднего значения = ∑ |xᵢ - ẍ| / n. Ни больше ни меньше) Что я упускаю?

[@user-qg9pg7vy4d]

Специально для докладчика: нам Луне не было НИ ОДНОГО ЧЕЛОВЕКА, во всяком случае "астронотера".

[@mishabelyanin3703]

Яхочусистеы

[@5elll960]

+++

[@ahkmedurdiev2123]

Блин наверное хитрый как лис

[@lunarcat6664]

Анатолий Карпов ещё и в матеше шарит, не знал

[@igorchingilidi869]

Без привязки к размеру ген совокупности ничего нельзя говорить об экстраполяции признака выборки на ген совокупность. Если совокупность 64 чел и выборка 64 чел ---- 100% если 2 млрд к 64 чел = это ничего. Ничего нельзя говорить по этой выборке :) Эти все 64 значения могут быть за 3мя сигмами.

[@prinimaushaya_storona]

ну можно попытаться разбить все 2 млрд на равные группы, и уже там смотреть

[@kanatnurgalievich]

Кто пишет все супер и просто вы кто, я вообще не понимаю что происходит

[@user-dk3hz8oo2d]

очень интересно но нужно читать немного медленее

[@Dimon0014]

Установите скорость 0.75 (там где шестеренка изображена(в нижнем правом углу видео)) И будет вам счастье)))

[@user-fp3np5ts2s]

вы для кого читаете?если для новичков, то ваша скорость чтения не воспринимается. нужно читать немного медленее!!!

[@Dimon0014]

Установите скорость 0.75 (там где шестеренка изображена(в нижнем правом углу видео)) И будет вам счастье)))

[@CanalNew1]

как-то слишком просто, где-то подвох

[@N000tme]

Господи как сложно то. Зачем так. Можно же с реальными примерами

[@user-ym9op6xe1n]

убейте меея