فایل آموزشی نرم افزار R
178 page

@statistics_uma

▪️کاربرد آمار در داروسازی:
در سال‌‌های اخیر با پیشرفت علوم آماری در حوزه‌های مختلف و پررنگ‌تر شدن همبستگی بین علوم، استفاده از آمار و مفاهیم آماری به جزئی جدایی‌ناپذیر در فرایند توسعه دانش بشری تبدیل‌شده است؛ در این بین علوم پزشکی و در زیرمجموعه آن دانش داروسازی (pharmaceutical sciences) یکی از تأثیرپذیرترین حوزه‌ها در استفاده از علوم آماری است که این امر هم در بخش‌های پژوهشی و تحقیقاتی مانند کارآزمایی‌های بالینی (Clinical trials) و هم در حوزه‌ صنعت داروسازی (industrial pharmaceutics) همچون طراحی آزمایش (Design of experiments) و همچنین در تجاری‌سازی دارو به‌راحتی قابل درک است.

⬅️ در زیرشاخه فارماکولوژی و بیوفارمسی (pharmacology & Biopharmacy) و تحقیقاتی که در حوزه اثربخشی، عوارض جانبی، فارماکوکینتیک، فارماکودینامیک، فرایند‌های جذب، متابولیسم و دفع دارو انجام می‌پذیرد، استفاده از مفاهیم مختلف آماری، طراحی آزمایش، نمونه‌برداری، تعمیم نتایج به جامعه موردمطالعه و... از اهمیت بسیاری برخوردار است؛ به‌عنوان یک مثال ساده، دوز مؤثر دارو (Effective dose) بر اساس مفاهیمی همچون ED50 (Median effective dose) و یا ED95 (به ترتیب دوزی از دارو که منجر به بروز پاسخ درمانی مدنظر در 50 و یا 95 درصد از جمعیت موردمطالعه می‌شود) و همچنین دوز کشنده دارو (Lethal dose) که بر اساس مفهوم LD50 (Median lethal dose) گزارش‌شده و بیانگر دوزی از داروی تجویزی است که منجر به بروز سمیت و مرگ در نیمی از جمعیت تحت مطالعه می‌گردد؛ بنابراین تبیین مشخصات یک دارو و تعریف پروفایل دارویی کاملاً وابسته به استفاده از آمار در این حوزه است.

⬅️ از سوی دیگر در حوزه داروسازی صنعتی، سابقاً بیشتر مطالعات مربوط به ابداع سیستم‌های نوین دارورسانی به‌صورت تغییر یک فاکتور معین در یک‌زمان مشخص انجام می‌‌پذیرفت؛ درحالی‌که فاکتورهای دیگر مقادیری ثابت در نظر گرفته می‌شدند. به این‌گونه مطالعات، Changing Only one Separate factor at the Time اطلاق می‌گردد. این‌گونه مطالعات، نیازمند انجام تعداد زیادی آزمایش و صرف وقت و هزینه قابل‌توجهی می‌باشند. از طرفی دیگر، به علت عدم در نظر گرفتن تداخلات بین دو فاکتور رسیدن به سیستم کاملاً بهینه بسیار دشوار است. جهت برطرف کردن این مشکلات، در سال‌های اخیر استفاده از روش‌های آماری طراحی آزمایش در ابداع سیستم‌های دارورسانی مطرح گردیده است که به کمک نرم‌افزارهای آماری ازجمله Design Expert و Minitab انجام می‌شود. غربالگری (Screening) و بهینه‌سازی (Optimization) دو کاربرد مهم این تکنیک می‌باشند. غربالگری عمدتاً توسط روش‌های Factorial مانند Two-level Factorial design وPlacket Berman انجام می‌گیرد که این تکنیک به شناسایی فاکتورهای مؤثر بر خصوصیات سیستم دارورسانی کمک می‌نماید و در بهینه‌سازی که عمدتاً توسط روش‌های رویه پاسخ (RSM) مانندCentral composite design وBox-behneken design انجام می‌گیرد، روش‌های رویه پاسخ، مجموعه‌ای از تکنیک‌های ریاضی و آماری برای مدل‌سازی تجربی است. در طراحی دقیق آزمایش‌ها، هدف، بهینه‌سازی پاسخ یا متغیر خروجی (dependent variable) است که تحت تأثیر متغیرهای مستقل ورودی (independent variables) مختلفی قرار دارد. در اصل، RSM به‌منظور مدل کردن به پاسخ‌های تجربی ایجاد شد و بعد به مدل‌سازی عددی آزمایش‌ها تعمیم داده شد. بر این اساس و با اتکا به مفاهیم و دانش آماری، شرایط بهینه برای ساخت سیستم‌های دارورسانی با خواص فیزیکوشیمیایی مطلوب حاصل می‌آید.
بنابراین نقش آمار در حوزه‌های مختلف دانش داروسازی بسیار چشمگیر است و بر همین اساس در طی سال‌های اخیر سازمان‌ها و ژورنا‌ل‌های حرفه‌ای در این زمینه شروع به کارکرده‌اند که ازجمله آن‌ها می‌توان به موارد زیر اشاره کرد:
• Journal of Pharmaceutical Statistics
• Journal of Statistics in Medicine
• Statisticians in the Pharmaceutical Industry (PSI)
• European Federation of Statisticians in the Pharmaceutical Industry (EFSPI)


References:
 Spina D. Statistics in pharmacology. British journal of pharmacology. 2007 Oct 1;152(3):291-3.
 Box GE, Behnken DW. Some new three level designs for the study of quantitative variables. Technometrics. 1960;2(4):455-75.
 Montgomery DC. Design and analysis of experiments: John Wiley & Sons; 2008.
 Anderson M, Whitcomb P. DOE Simplified: Practical Tools for Effective Experimentation, 2000, Portland, OR: Productivity. Inc.
 Whitcomb PJ, Anderson MJ. RSM simplified: optimizing processes using response surface methods for design of experiments: CRC press; 2004.
@statistics_uma

فيلم آموزشي
#تابع_نويسي
#function

@statistics_uma

کد های ضروری R

@statistics_uma

فایل آموزشی آزمونهای ناپارامتری
به وسیله نرم افزار spss

46 page
@statistics_uma

🔹 تفاوت آمار پارامتریک و ناپارامتریک 🔹
_____________________________________________________________
#آمار_پارامتریک. آزمون‌های آماری با دو رویکرد کلی ساخته شده و ساخته می‌شوند. یک رویکرد این است که بر اساس توزیع‌های آماری موجود آزمون‌های آمار ساخته شوند. مثلا آزمونی بر مبنای توزیع نرمال، پواسون و ... ساخته شود. در این موارد آزمون ساخته شده در شرایطی که داده‌ها توزیع مفروض آزمون آماری را داشته باشند، نتایج دقیقی ایجاد خواهد کرد. اما در شرایطی که داده‌ها دارای توزیع مفروض نباشند، دیگر نمی‌توان بر درستی نتایج بدست آمده بوسیله آن آزمون اعتماد کرد.
به آزمون‌هایی از این جنس که بر مبنای توزیع‌های آماری ساخته می‌شوند، آزمون‌های پارامتریک می‌گویند. در کل نیز این شاخه آمار پارامتریک نام دارد.
_____________________________________________________________
#آمار_ناپارامتریک. رویکرد دیگر در ساخت آزمون‌های آماری این است که آزمون‌ها بر مبنای توزیع آماری خاصی ساخته نمی‌شوند. یعنی توزیع خاصی را مفروضه کار قرار نمی‌دهند و نیازی نیست که داده‌ها دارای توزیع خاصی باشند. به این نوع آزمون‌ها، آزمون‌ها ناپارامتریک یا آزاد-توزیع می‌گویند. این شاخه علم آمار نیز، آمار ناپارامتریک نام دارد.
_____________________________________________________________

☑️ چه زمانی بایستی از آمار پارامتریک و چه زمانی از آمار ناپارامتریک استفاده کنیم؟
زمانی که از روایی و اعتبار داده‌های بدست آمده از ابزارهای اندازه‌گیری اطمینان داشته باشیم و داده‌ها دارای توزیع مفروض آزمون آماری مد نظر باشند، آنگاه مجاز به استفاده از آزمون پارامتریک مد نظر هستیم. اما زمانی که داده‌ها دارای توزیع مفروض نباشند و یا داده‌های به دست آمده بوسیله ابزار اندازه‌گیری روایی و اعتبار بالایی نداشته باشند (به صورتی که نتوان حداقل فاصله‌ای بودن مقیاس داده‌ها را تأیید کرد. نه اینکه روایی و اعتبار پایین داشته باشند) آنگاه ما مجاز به استفاده از آزمون‌ها پارامتریک نیستیم و بایستی از آزمون‌ها ناپارامتریک استفاده کنیم.
در شرایطی که از روایی و اعتبار داده‌های بدست آمده از ابزارهای اندازه‌گیری اطمینان داشته باشیم اما توزیع مفروض داده‌ها برقرار نباشد آنگاه اگر امکانش باشد که با یک تبدیل‌های غیرخطی توزیع داده‌ها را به توزیع مد نظر تبدیل کرد، در این شرایط نیز می‌توان از آزمون‌های پارامتریک استفاده کرد.
_____________________________________________________________

منبع:
MacFarland, T. W., & Yates, J. M. (2016). Introduction to nonparametric statistics for the biological sciences using R. Springer.
Agresti, A., & Franklin, C. (2017). The art and science of learning from data. Upper Saddle River, NJ: Prentice Hall.

_____________________________________________________________
@statistics_uma

حساب دیفرانسیل و انتگرال و هندسه تحلیلی_جلد اول_قسمت اول
تالیف:جورج توماس،راس فینی
مترجمان:مهدی بهزاد،سیامک کاظمی،علی کافی
@statistics_uma

حساب دیفرانسیل و انتگرال و هندسه تحلیلی_جلد اول_قسمت دوم
تالیف:جورج توماس،راس فینی
مترجمان:مهدی بهزاد،سیامک کاظمی،علی کافی
@statistics_uma

حساب دیفرانسیل و انتگرال و هندسه تحلیلی_جلد دوم
تالیف:جورج توماس،راس فینی
مترجمان:مهدی بهزاد،سیامک کاظمی،علی کافی
@statistics_uma

آنالیز ریاضی رودین
@statistics_uma

⬆️ حل تمرین فارسی اصول آنالیز ریاضی رودین و برگزیده مسایل آنالیز ریاضی آپوستل و اصول آنالیز حقیقی بارتل

@statistics_uma

دیکشنری جامع آمار

@statistics_uma

کنترل کیفیت مونت گومری

@statistics_uma

کنترل کیفیت مونت گومری ترجمه رسول نورالنسا
@statistics_uma

❇️ زبان R به جایگاه ۵ام رتبه بندی IEEE رسید و پایتون در رتبه سوم.👌👍👏
لینک:
https://goo.gl/D1jJPk

@statistics_uma

رگرسیون به زبان ساده

رگرسيون چيست؟
رگرسيون يعنی بازگشت. يعنی پيش بينی و بيان تغييرات يک متغير بر اساس اطلاعات متغير ديگر.

همبستگی و رگرسيون
اينکه ما می توانيم از رگرسيون متغير y بر روي متغير x صحبت کنيم به دليل همبستگی بين دو متغير می باشد. بنابراين مفهوم همبستگی نيز در اينجا اهميت دارد. همبستگی يعنی تغيير در y چقدر بر روی تغيير بر x تاثير می گذارد. به عبارت ديگر تغيير در يک متغير چقدر با تغيير در متغير ديگر هماهنگ است. مثلا تغيير در قد چقدر با تغيير در وزن هماهنگی دارد. در اين مثال بديهی است که همبستگی مثبت است. زيرا معمولا افراد قد بلندتر دارای وزن بيشتری می باشند. همبستگی را با ضريبی به نام ضريب همبستگی پيرسون اندازه گيری می کنند که عددی بين صفر و يک است. هر چه مقدار همبستگی به عدد يک نزديک تر باشد، همبستگی بين دو متغير بيشتر است و هر چه به صفر نزديک تر باشد، همبستگی بالاتر خواهد بود. همبستگی برابر يک يعنی رابطه خطی و صد درصدی. همبستگی می تواند مثبت و يا منفی باشد. با رسم نمودار پراکنش که در اکسل نيز قابل ترسيم است، ميزان همبستگی دو متغير ديده می شود.
@statistics_uma

ضريب تعيين
ضريب تعيين معلوم می کند که چند درصد از تغييرات متغير y ناشی از تغييرات متغير x است.

نکته: اگر ضريب همبستگی را به توان دو برسانيد، ضريب تعيين بدست خواهد آمد که باز هم عددی بين صفر و يک است. به عنوان مثال چنانچه ضريب تعيين عدد 0.65 بدست آيد، يعنی ما می توانيم 65 درصد از تغييرات در متغير y را با تغييرات متغير x بيان کنيم.

برازش خط رگرسيون y بر x
لازم است تعريف کنيم چنانچه بخواهيم متغير y را بر اساس متغير x پيش بينی و بيان کنيم، به متغير x متغير مستقل و به متغير y متغير وابسته می گوييم.
براي محاسبه معادله رگرسيون خطی در اينجا لازم است به سراغ نرم افزاری آماری مانند اس پی اس اس يا SPSS برويم.

انواع رگرسيون
محقق گرامی؛ رگرسيونی که در اينجا به شرح آن پرداختيم، رگرسيون خطی ساده با دو متغير بود. رگرسيون حالات و انواع ديگری نيز دارد که به آن اشاره می کنيم. می توان به جاي يک متغير وابسته (y) و يک متغير مستقل (x)، يک متغير وابسته داشت و چندين متغير مستقل. يا اينکه به جای رابطه خطی بين متغيرها، به دنبال کشف و بيان رابطه غير خطی باشيم. برخی مواقع متغير وابسته فقط مقادير صفر يا يک را می گيرد و يا اينکه متغيرها مقادير گسسته يا رتبه ای داشته باشند.
@statistics_uma

کارآگاهِ آمار و عاشق پرنده‌ها!

دانشکده‌ی آمار دانشگاه ایالتی آیوا رتبه‌ی بالایی در امریکا داره و این ترم یه درس ارائه کرده به نام «روش‌های آماری برای پژوهشگران». کتابی که برای این درس معرفی شده، اسمش هست: «کارآگاه آمار» و توسط پروفسور فِرِد رمزی، یکی از فارغ التحصیلان قدیمی این دانشکده نوشته شده و قیمتش حدود ۱۰۰ دلاره!

زمینه‌ی تحقیقاتی فِرِد در دانشگاه ایالتی اورگن و جان هاپکینز، کاربرد آمار در حیات وحش بوده؛ خصوصاً تخمین جمعیت جانداران و حیوانات. بعد از بازنشستگی، فِرِد مشغول شده به ادامه‌ی کار روی کتاب کارآگاه آمار و ملت رو به سفرهای حیات وحش و دیدنِ پرندگان میبره! یه کتاب هم داره در مورد پرندگان ایالت اورگن و راهنما برای فعالیتی که طرفداران خاص خودش رو داره: دید زدنِ پرنده‌ها یا birding


@statistics_uma

مختصری از آمار فضایی(spatial statistics)👇
سابقه طولانی برایش درنظر میگیرند.شاخه ای از آمار که شامل هر یک از روش و تکنیکهای قراردادی برای بررسی و مطالعه در مورد هرچیزی با استفاده از خواص جغرافیایی،هندسی و توپولوژیکی(مکان شناسی) آن باشد.شاید دکتر جان اسنو پزشکی اهل🇬🇧،از اولین نفراتی بود که با نقشه ای برگرفته از تعریف آمارفضایی، برای تشخیص منبع شیوع بیماری وبا و جلوگیری از آن در لندن کوشید.در آمار فضایی با داده های فضایی مواجه هستیم،یعنی داده های مربوط به همه اشیا و عناصر حاضر در یک فضای جغرافیایی. هم چنین با نمونه گیری فضایی، یعنی مشخص سازی تعدادی محدود از فضاهای جغرافیایی برای اندازه گیری درست پدیده هایی که شامل وابستگی و ناهمگونی هستند.
یا با مفهوم وابستگی فضایی که شاید در ادبیات آماری، "رونالد فیشر"، اولین شخصی بود که آن را به رسمیت شناخت، وقتی بحث از بلوک ها و تکه های یک زمین در طرح آزمایش های کشاورزی بود، او اظهار داشت که تکه هایی از زمین که در مجاورت هم اند می توان این قضاوت را داشت که بازدهی محصولات آنها بیشتر شبیه به هم میباشد تا آنهایی که دورتر از هم قراردارند.درهرصورت، مفاهیم و نکات بسیار وسیع تری در آمار فضایی خواهیم داشت.کتاب پروفسور دیوید برایان رایپلی(استاد بازنشسته آکسفورد)، کمک شایانی به علاقمندان خواهد کرد.(spatial statistics 1981)
@statistics_uma

🔹انواع متغیرها براساس نقش آنها در تحقیق عبارتند از:

1️⃣ #متغیر_مستقل ( Independent variable )
متغیر مستقل متغیری است که در پژوهش‌های تجربی به وسیله پژوهشگر دستکاری می‌شود تا تاثیر( یا رابطه) آن بر روی پدیده دیگری بررسی شود.

2️⃣ #متغیر_وابسته ( Dependent variable )
متغیر وابسته، متغیری است که تأثیر (یا رابطه) متغیر مستقل بر آن مورد بررسی قرار می‌گیرد. به عبارت دیگر پژوهشگر با دستکاری متغیر مستقل درصدد آن است که تغییرات حاصل را بر متغیر وابسته مطالعه نماید.

3️⃣ #متغیر_میانجی ( Mediator vartiable )
این متغیر به عنوان رابط بین متغیر مستقل و متغیر وابسته قرار می‌گیرد. متغیر میانجی جهت یا شدت رابطه متغیر مستقل و وابسته را به صورت غیرمستقیم تحت‌تاثیر قرار دهد. در یک تحلیل آماری اثرات متغیر میانجی به عنوان اثرمستقیم مورد تحلیل قرار می‌گیرد.

4️⃣ #متغیر_تعدیل_کننده یا #تعدیل_گر ( Moderator vartiable )
متغیر تعدیل کننده متغیری است که به صورت مستقیم بر جهت رابطه یا میزان رابطه متغیرهای مستقل و وابسته می تواند موثر باشد. اثرات این متغیر قابل مشاهده و اندازه‌گیری است. به متغیر تعدیل کننده گاهی متغیر مستقل فرعی نیز گویند. برای نمونه متغیر جنسیت در بررسی رابطه روش تدریس و یادگیری دانش‌آموزان یک متغیر تعدیل کننده است.

5️⃣ #متغیر_کنترل ( Control vartiable )
اگر متغیر میانجی قابل سنجش و اندازه گیری باشد و پژوهشگر بخواهد اثرات آن را کنترل و در مدل حذف کند به آن متغیر کنترل گویند. چون در در یک پژوهش اثرات همه متغیرها قابل بررسی نیست، پژوهشگر اثرات برخی متغیرها را از طریق کنترل آماری یا کنترل‌های تحقیقی خنثی می‌کند. اینگونه متغیرها که اثرات آنها توسط پژوهشگر قابل حذف است را متغیر کنترل گویند. برای نمونه در بررسی رضایت دانشجویان مدیریت بازاریابی از سایت پیام نور، اثرات متغیر گرایش تحصیلی در رضایت‌مندی کاربران از سایت حذف شده است.

6️⃣ #متغیر_مداخله‌گر ( Intervening vartiable )
اگر متغیر میانجی قابل سنجش و قابل حذف نباشد به یک متغیر مداخله گر تبدیل می شود. متغیر مداخله‌گر از دیدگاه نظری بر متغیر وابسته تاثیر دارد اما قابل مشاهده و سنجش نیست تا به عنوان متغیر تعدیل کننده محسوب شود و نه اثرات آن قابل خنثی کردن است تا به عنوان متغیر کنترل محسوب شود.
@statistics_uma

تفاوت ضریب تعیین(R-squared) و ضریب تعیین تعدیل شده (R^2 adjusted)
1) ضریب تعیین فرض می کند که هر متغیر مستقل مشاهده شده در مدل، تغییرات موجود در متغیر وابسته را تبیین می کند، بنابراین درصد نشان داده شده توسط ضریب تعیین با فرض تاثیر همه متغیرهای مستقل بر متغیر وابسته می باشد. در صورتی که درصد نشان داده شده توسط ضریب تعییین تعدیل شده فقط حاصل از تاثیر واقعی متغیرهای مستقل مدل بر متغیر وابسته است نه همه متغیرهای مستقل.
2) مناسب بودن متغیرها برای مدل توسط ضریب تعیین حتی با وجود مقدار بالا قابل تشخیص نیست در صورتی که می توان به مقدار برآورد شده ضریب تعیین تعدیل شده اعتماد کرد.
@statistics_uma