Technologie / Dane i analityka

Statystyka dla naukowców

Pięciodniowe szkolenie ze statystyki dla naukowców i badaczy — projektowanie eksperymentów, dobór próby, testy parametryczne i nieparametryczne, ANOVA, regresja, metody wielowymiarowe, szeregi czasowe, Monte Carlo, bootstrap, wizualizacja wyników naukowych.

Statystyka w nauce to nie „puszczanie testów” — to projektowanie badań, które dadzą wiarygodne wyniki

Najczęstszy błąd naukowców: zbierają dane, a potem szukają testu statystycznego, który „coś pokaże”. Poprawne podejście jest odwrotne: najpierw zaprojektuj eksperyment (hipoteza, power analysis, dobór próby), potem zbieraj dane, potem analizuj zaplanowanymi metodami. Różnica to wiarygodność wyników i reprodukowalność — fundament nauki.

Statystyka dla naukowców to pięciodniowy program szkoleniowy EITT, realizowany w formie stacjonarnej lub zdalnej — w zależności od preferencji uczestników. Program jest przeznaczony dla naukowców i badaczy z podstawową wiedzą matematyczną — zajęcia łączą teorię z intensywnymi ćwiczeniami na zbiorach danych naukowych.

Dla kogo jest to szkolenie?

Dla naukowców, doktorantów i badaczy stosujących statystykę w pracy. Szczególnie gdy:

Planujesz badanie i potrzebujesz dobrać właściwy design eksperymentu, wielkość próby i metody analizy
Używasz testów statystycznych, ale nie jesteś pewien, kiedy stosować parametryczne, a kiedy nieparametryczne
Chcesz wyjść poza podstawowe testy (t-test, ANOVA) i nauczyć się metod wielowymiarowych, szeregów czasowych i metod komputerowych

Pięć dni: od projektowania eksperymentu do publikacji wyników

Dzień 1: Podstawy i DOE — prawdopodobieństwo, statystyka opisowa, projektowanie eksperymentów, dobór próby (power analysis), hipotezy statystyczne, ćwiczenia.

Dzień 2: Testy statystyczne — testy parametryczne (t-Studenta), nieparametryczne (Mann-Whitney, Kruskal-Wallis), chi-kwadrat, weryfikacja założeń, korekta na wielokrotne porównania, ćwiczenia.

Dzień 3: ANOVA i regresja — ANOVA (jedno-, wieloczynnikowa, repeated measures), ANCOVA, regresja liniowa (prosta, wieloraka), regresja logistyczna, GLM, ćwiczenia.

Dzień 4: Metody zaawansowane — PCA, analiza czynnikowa (EFA/CFA), analiza skupień, analiza dyskryminacyjna, szeregi czasowe (ARIMA), ćwiczenia.

Dzień 5: Metody komputerowe i publikacja — Monte Carlo, bootstrap, wnioskowanie bayesowskie (wprowadzenie), wizualizacja danych naukowych, raportowanie wyników (APA), ćwiczenia.

Z ponad 2500 szkoleń w ofercie i oceną 4.8/5, EITT jest zaufanym partnerem w rozwoju kompetencji. Skontaktuj się z nami — organizujemy szkolenia ze statystyki zamknięte dla instytucji badawczych.

Korzyści

Projektować eksperymenty naukowe z uwzględnieniem randomizacji, blokowania i power analysis
Dobierać odpowiednie testy statystyczne (parametryczne vs nieparametryczne) do typu danych i hipotezy
Budować i interpretować modele ANOVA (jedno- i wieloczynnikowa) oraz regresji (liniowa, logistyczna)
Stosować metody wielowymiarowe (PCA, analiza czynnikowa, analiza skupień) do redukcji i eksploracji danych
Wykorzystywać metody komputerowe (Monte Carlo, bootstrap) do estymacji i walidacji wyników
Wizualizować i raportować wyniki statystyczne zgodnie ze standardami publikacji naukowych

Dla kogo jest to szkolenie?

Naukowcy i badacze planujący lub prowadzący badania wymagające analizy statystycznej

Doktoranci przygotowujący rozprawy oparte na danych empirycznych

Studenci studiów magisterskich realizujący prace badawcze z komponentem statystycznym

Specjaliści ds. analizy danych w instytucjach badawczych i laboratoriach

Epidemiolodzy i badacze kliniczni analizujący dane medyczne

Inżynierowie i naukowcy stosujący metody statystyczne w badaniach technicznych

Wymagania wstępne

Podstawowa znajomość matematyki na poziomie uniwersyteckim (rachunek prawdopodobieństwa, algebra liniowa)
Doświadczenie w prowadzeniu badań naukowych lub analizie danych
Podstawowa umiejętność pracy z oprogramowaniem statystycznym (R, SPSS, Python lub Excel)

Program szkolenia

Prawdopodobieństwo — rozkłady (normalny, t-Studenta, chi-kwadrat, F), twierdzenie centralne graniczne, estymacja parametrów
Statystyka opisowa — miary położenia i rozproszenia, kwartyle, box plot, wykrywanie outlierów
Projektowanie eksperymentów — DOE (Design of Experiments), randomizacja, blokowanie, grupy kontrolne, moc testu
Dobór próby — techniki próbkowania (losowe, warstwowe, klasterowe), obliczanie minimalnej wielkości próby (power analysis)
Hipotezy statystyczne — H0 vs H1, błąd I i II rodzaju, p-value, przedziały ufności, wielkość efektu
Ćwiczenia: projektowanie eksperymentu z power analysis i doborem próby

Testy parametryczne — test t-Studenta (jednej próby, dwóch prób, par), założenia (normalność, homogeniczność wariancji)
Testy nieparametryczne — Manna-Whitneya, Wilcoxona, Kruskala-Wallisa, Friedmana — kiedy stosować zamiast parametrycznych
Test chi-kwadrat — test niezależności, test zgodności, korekta Yatesa, dokładny test Fishera
Weryfikacja założeń — test Shapiro-Wilka (normalność), test Levene'a (homogeniczność), transformacje danych
Korekta na wielokrotne porównania — Bonferroni, Holm-Bonferroni, FDR (Benjamini-Hochberg), kiedy którą stosować
Ćwiczenia: dobór i przeprowadzenie testów statystycznych na zbiorach danych naukowych

Jednoczynnikowa ANOVA — rozkład wariancji, test F, testy post-hoc (Tukey, Scheffé, Dunnett), wielkość efektu (eta-kwadrat)
Wieloczynnikowa ANOVA — interakcje, efekty główne, faktorialne, repeated measures ANOVA, mixed design
ANCOVA — kowarianty, kontrola zmiennych zakłócających
Regresja liniowa — prosta i wieloraka, założenia, diagnostyka modelu (residua, VIF, Cook's distance)
Regresja nieliniowa — regresja logistyczna, regresja Poissona, modele uogólnione (GLM)
Ćwiczenia: budowanie modeli ANOVA i regresji na danych badawczych, interpretacja wyników

Analiza głównych składowych (PCA) — redukcja wymiarowości, scree plot, interpretacja komponentów, biplot
Analiza czynnikowa — eksploracyjna (EFA) vs konfirmacyjna (CFA), rotacja (Varimax, Promax), ładunki czynnikowe
Analiza skupień — k-means, hierarchiczne, DBSCAN, dobór liczby klastrów (silhouette, elbow method)
Analiza dyskryminacyjna — klasyfikacja, LDA, walidacja krzyżowa
Szeregi czasowe — dekompozycja (trend, sezonowość, szum), autokorelacja, modele ARIMA, prognozowanie
Ćwiczenia: PCA i analiza skupień na wielowymiarowych danych naukowych

Metody Monte Carlo — symulacja, estymacja przedziałów ufności, testy permutacyjne
Bootstrap — nieparametryczna estymacja przedziałów ufności, bootstrap dla regresji, jackknife
Metody bayesowskie — podstawy wnioskowania bayesowskiego, prior i posterior, porównanie z podejściem częstościowym
Wizualizacja danych naukowych — zasady skutecznej wizualizacji, wykresy dla publikacji (R/ggplot2, Python/matplotlib)
Raportowanie wyników statystycznych — standardy APA, tabele wyników, reporting effect sizes, reprodukowalność
Ćwiczenia: wizualizacja i raportowanie wyników analizy statystycznej w formacie publikacyjnym

Formy realizacji

Online

Wygoda uczestnictwa z dowolnego miejsca
Interaktywne sesje na żywo z trenerem
Materiały dostępne przez 30 dni
Brak kosztów dojazdu

Stacjonarnie

Bezpośredni kontakt z trenerem i grupą
Intensywne warsztaty praktyczne
Networking z innymi uczestnikami
Pełne skupienie na nauce

Tematy szkolenia

Najczęściej zadawane pytania

W jakim oprogramowaniu pracujemy?

Ćwiczenia mogą być realizowane w R, Python lub SPSS — w zależności od preferencji grupy. Przy szkoleniach zamkniętych dobieramy narzędzie do tego, co uczestnicy używają w swojej pracy badawczej. Szkolenie uczy METOD statystycznych, nie obsługi konkretnego oprogramowania.

Czy szkolenie jest dla konkretnej dziedziny nauki?

Nie — metody statystyczne są uniwersalne. Program jest używany przez naukowców z biologii, medycyny, fizyki, psychologii, ekonomii i inżynierii. Przy szkoleniach zamkniętych dostosowujemy przykłady i zbiory danych do dziedziny uczestników.

Jaki poziom matematyki jest wymagany?

Wymagana jest matematyka na poziomie I roku studiów uniwersyteckich — podstawy rachunku prawdopodobieństwa i algebry liniowej. Szkolenie nie wymaga zaawansowanej wiedzy matematycznej — skupia się na ZASTOSOWANIU metod, nie na dowodach twierdzeń.

W jakim formacie i jak długo trwa szkolenie?

Szkolenie trwa 5 dni (9:00-16:00), dostępne online i stacjonarnie. Intensywne ćwiczenia praktyczne na zbiorach danych naukowych — od projektowania eksperymentu po wizualizację wyników.

Czy po szkoleniu otrzymam certyfikat?

Tak, każdy uczestnik otrzymuje imienny certyfikat ukończenia szkolenia wydany przez EITT.