Размещено на http://www.allbest.ru/

Министерство здравоохранения Республики Беларусь

УО «Витебский государственный ордена Дружбы народов медицинский университет»

Кафедра общей и клинической фармакологии с курсом ФПК и ПК

Реферат на тему: «Основа, структура и методы биостатистики. Способы и методы описания данных»

Подготовила:

студентка 4 курса 4 группы

фармацевтического факультета

Ларионова Е.В.

Проверил: Солкин А.А.

Витебск 2017



Оглавление

Введение

1. Биостатистика

2. Типы данных

3. Графические методы представления данных

4. Методы биостатистики

4.1 Планирование исследования

4.2 Подготовка данных к анализу

4.3 Предварительный анализ данных

4.4 Выбор и реализация метода анализа

4.5 Интерпретация результатов анализа

4.6 Представление результатов

4.7 Статистический анализ данных

4.8 Числовые характеристики случайной величины

4.9 Законы распределения дискретных случайных величин

4.9.1 Биномиальное распределение (распределение Бернулли)

4.9.2 Распределение Пуассона

4.10 Законы распределения непрерывных случайных величин

4.10.1 Нормальный закон распределения (Гаусса)

4.10.2 Распределение

4.10.3 Распределение Стьюдента (Госсета)

4.11 Эмпирические законы распределения случайных величин

Заключение

Список использованных источников



Введение

Статистика в медицине является одним из инструментов анализа экспериментальных данных и клинических наблюдений, а также языком, с помощью которого сообщаются полученные математические результаты. Статистическая обработка медицинских исследований базируется на принципе того, что верное для случайной выборки верно и для генеральной совокупности (популяции), из которой эта выборка получена. Однако выбрать или набрать истинно случайную выборку из генеральной совокупности практически очень сложно. Поэтому следует стремиться к тому, чтобы выборка достаточно адекватно отражала все возможные аспекты изучаемого состояния или заболевания в популяции.

Для реализации данной задачи применяются инструменты, предоставляемые наукой - статистикой и входящей в ее состав дисциплиной, называемой биостатистикой.

Биостатистика (Biostatistics) - научная отрасль, связанная с разработкой и использованием статистических методов в научных исследованиях в медицине, здравоохранении и эпидемиологии.

В настоящее время имеется обширный выбор программного обеспечения, позволяющего провести статистический анализ получаемых данных, не обладая глубокими знаниями в этой дисциплине.



1. Биостатистика

Статистика - это общественная наука, изучающая количественную сторону массовых общественных явлений в неразрывной связи их с качественной стороной.

В статистике свойство объектов или явлений, которое может быть наблюдаемо или измерено, называется признаком.

Статистика, изучающая вопросы, связанные с биологией, медициной, фармацией, гигиеной и здравоохранением, называется биостатистикой.

Роль биостатистики в практической и научной работе врача, медсестры, фармацевта велика.

Биостатистика применяет различные методы: сбор данных, их обобщение, анализ и подведение итогов, основанных на полученных наблюдениях. биостатистика пуассон бернулли

Статистический анализ помогает добывать информацию из данных и оценивать качество этой информации.

Задачи биостатистики:

количественное представление биологических фактов (измерение) - это выражение свойства отдельного биологического объекта в виде числа, варианты или значения переменной;

обобщенное описание множества фактов (статистическое оценивание) - это расчет показателей и параметров, которые полноценно характеризуют свойства множества однотипных объектов или выборки;

поиск закономерностей (проверка статистических гипотез) - это доказательство неслучайности отличий между сравниваемыми совокупностями, объектами, зависимости их характеристик от внешних или внутренних причин.



2. Типы данных

Типы данных:

· количественные

· качественные

· даты (рисунок 1).

Рисунок 1. Классификация типов данных

Основные типы данных делятся на количественные и качественные.

Количественные данные в свою очередь подразделяются на дискретные (прерывные) и непрерывные.

Дискретные данные - количественные данные, которые представлены только в виде целого числа, т.е. не могут иметь дробную часть. Например: количество детей.

Непрерывные данные - это данные, которые получают при измерении на непрерывной шкале, т.е. теоретически они могут иметь дробную часть. Например: масса тела, рост, артериальное давление и т.д.

Непрерывные данные бывают интервальными и относительными.

Интервальные данные - вид непрерывных данных, которые измеряются в абсолютных величинах, имеющих физический смысл.

Относительные данные - вид непрерывных данных, отражающих долю изменения (увеличения или уменьшения) значения признака по отношению к исходному (или к какому-либо другому) значению этого признака. Эти данные являются безразмерными величинами или выражаются в процентах.

Качественные данные - подразделяются на номинальные и порядковые.

Номинальные данные - вид качественных данных, которые отражают условные коды неизмеряемых категорий (коды диагноза).

Порядковые данные - вид качественных данных, которые отражают условную степень выраженности какого-либо признака (стадии онкологических заболеваний, степени сердечной недостаточности).

Их основное отличие от дискретных количественных данных заключается в отсутствии пропорциональной шкалы для измерения выраженности признака.

Бинарные (дихотомические) данные - особо выделяемый вид качественных данных. Признак такого типа имеет лишь два возможных значения (пол, наличие или отсутствие какого-либо заболевания).

Особым видом данных являются даты. Поскольку в ряде случаев бывает необходимо произвести с ними некоторые арифметические действия (вычисление абсолютного периода времени между двумя событиями по датам этих событий).

Иногда выделяют также некоторые особые подтипы данных, являющиеся частными случаями вышеперечисленных типов: ранги, очки, визуальные аналоговые шкалы, цензурированные данные.

Перед тем как проводить угубленный статистический анализ, важно провести предварительный анализ данных. На этом этапе для сжатия и систематизации набора данных используют графические методы. Это позволяет оценить особенности набора данных и выявить аномалии, т.е. выбрать для дальнейшого анализа подходящие статистические методы.

Дискретные данные могут быть представлены в виде таблицы, столбиковой диаграммы, пиктограммы, круговой диаграммы, точечного рисунка.

Непрерывные данные могут быть представлены в виде группированной выборки, гистограммы, диаграммы «стебель с листьями» или «ящик с усами», кривой Лоренца и т.д.

Смешанные данные могут быть представлены в виде диаграммы рассеяния.



3. Графические методы представления данных

График, в котором статистические данные изображаются различными геометрическими фигурами, называется диаграммой.

Виды наиболее часто используемых диаграмм:

· Диаграммы, изображающие динамику явления, выраженного в показателях интенсивности, соотношения, наглядности, средних или абсолютных величинах, называются линейными(Вид линейной диаграммы, применяемой для изображения динамики явления за замкнутый цикл времени (сутки, неделя, месяц, год), называется радиальной )

· Диаграммы, изображающие динамику или статику явления в соответствии с избранным масштабом, называются столбиковыми

· Диаграммы, изображающие структуру явления, выраженного экстенсивными показателями, и представляющие собой прямоугольник, в котором цветом выделены составляющие его части в соответствии с их удельным весом, называются внутристолбиковыми

· График, который представляет собой смесь диаграммы и таблицы, эффективен для отображения данных по увеличению порядка величины, называется графиком «стебель и листья»

· График, который представляет собой прямоугольник, где две параллельных стороны соответствуют верхнему и нижнему квартилям данных, а линии, начинающиеся в конце прямоугольника, показывают минимальные и максимальные значения, называется график «ящик с усами»

Измерение - это процедура сравнения объектов по определенным показателям или характеристикам (признакам, атрибутам).

Шкала - необходимый, обязательный элемент измерительной процедуры.

Основные типы измерительных шкал, применяемые в медико-биологических исследованиях:

· номинальная или шкала наименований используетя для классификации свойств объекта, присвоения им числовых, буквенных и иных символьных характеристик (пол, национальность, цвет глаз, цвет волос, диагноз и т.д.);

· порядковая или ранговая - упорядочивает значения признака (шкала стадий гипертонической болезни по Мясникову, шкала степеней сердечной недостаточности по Стражеско-Василенко-Лангу, шкала степени выраженности коронарной недостаточности по Фогельсону и др.);

· интервальная - показывает «размах» отдельных измерений признака (время, шкала температур, тестовые баллы);

· шкала отношений - выявляет соотношение измеренных значений признака (рост, вес, время реакции, количество выполненных заданий теста).



4. Методы биостатистики

В основе обработки и анализа данных лежат известные математические методы.

Благодаря использованию информационных технологий, в настоящее время этап обработки данных стал наименее трудоемким. На первое место в отношении трудоемкости вышли такие этапы, как освоение статистических пакетов, этап подготовки данных к анализу, этап предварительного анализа данных и этап интерпретации результатов. Все в целом привело к изменениям в технологии обработки и анализа данных.

При этом для выполнения методов обработки медико-биологических данных от пользователя требуется лишь применение статистических методов обработки данных и использования соответствующих пакетов прикладных программ. Доктор, как правило, не требуется углубляться в сложные математические теории, а надо понимать, для чего и каким образом они используются.

На практике для врача обработка и анализ данных сводятся к решению следующих задач: получение представления о основные статистические методы; усвоения пакета прикладных программ; анализа и интерпретация результатов исследований.

Сам анализ данных с использованием статистического пакета (работа с пакетом, сама технология анализа данных) включает в себя следующие этапы:

· планирование исследования

· подготовка данных к анализу

· предварительный анализ данных

· выбор метода анализа и его реализация

· интерпретация результатов

· представление результатов.

4.1 Планирование исследования

На начальных этапах исследования нет четкости относительно методов обработки результатов. Поэтому надо предусмотреть возможность использования различных способов обработки и приблизительного сравнения полученных результатов с целью определения, как обрабатывать имеющиеся данные. Приведенная ниже таблица поможет лучше сориентироваться в основных математических методах обработки и анализа данных.

Таблица 1. Математические методы обработки и анализа данных

Источник информации, задача исследования	Методы обработки и анализа
Анкеты, вопросы, тесты. Исследование состояния здоровья, клинические обследования, медицинские записи, регистрации, истории болезни. Выявление взаимосвязей. Описание случаев заболеваний, сопоставление с данными прошлых лет, изучение осложнений. Исследование эффективности различных процедур, изучение связей между процедурами и их последствиями.	Классификация данных. Создание таблиц и отчетов. Корреляционный анализ. Факторный анализ. Регрессионный анализ. Дисперсионный анализ. Методы проверки гипотез.
Скрининговые исследования	Дискриминантный анализ, кластерный анализ, методы распознавания образов.
Медико-статистические данные. Исследование заболеваемости, динамика заболеваемости, выявление периодичности.	Методы анализа случайных процессов, спектральный анализ, математическое моделирование. Методы распознавания образов. Теория массового обслуживания. Параметрический и непараметрический статистический анализ.
Лабораторные эксперименты и опыты на животных.	Статистические методы планирования экспериментов. Регрессионный анализ, дисперсионный анализ, многомерный статистический анализ, методы математического моделирования.
Клинические исследования. Сравнительные лечебные исследования, анализ выживаемости и наследственности с учетом принадлежности пациента к определенной группе, изучение дозировки препаратов. Разработка методов диагностики.	Дисперсионный анализ, регрессионный анализ, дискриминантный анализ, методы проверки гипотез. Математическое моделирование процессов. Дискриминантный анализ, кластерный анализ, методы распознавания образов.
Клинические лабораторные данные. Сбор, хранение и передача клинической информации, анализ качества и надежности лабораторных исследований, уход за пациентом.	Статистический анализ. Дисперсионный анализ. Регрессионный анализ. Последовательный анализ Вальда.

4.2 Подготовка данных к анализу

Целью этого этапа является приведение данных к виду, позволит провести следующую их обработку, и предварительное формирование представления о типе (структуру) анализируемых данных.

Обычно во время проведения медицинского исследования стараются учесть максимальное количество характеристик, которые существенны при анализе исследуемому вопросу. Исследования, как правило, состоит из нескольких серий наблюдений, во время которых в одинаковых условиях регистрируются параметры отдельных объектов (например, больных определенное заболевание). Имея дело с серией наблюдений, надо пытаться представить их в простой форме, которая позволила бы непосредственно или путем следующих вычислений сделать из них выводы.

Все данные целесообразно свести к единой таблицы, в которой по строкам расположены различные объекты наблюдения (например, больные), а по столбцам параметры (например, температура, частота сердечных сокращений, артериальное давление и др.). В этой таблице объекты могут быть объединены в несколько групп в соответствии с общим признакам (по возрасту, полу и т.д.).

Заметим, что введенные однажды данные могут быть обработаны с помощью различных методов.

Важным этапом в подготовке данных к анализу является визуализация, или просмотр данных. Чтобы выяснить, какие методы анализа нужно использовать к данным и насколько Вас удовлетворяют полученные результаты после выполнения статистических процедур, надо иметь возможность наглядно представить себе эти данные и результаты. Ведь изучение таблиц менее удобная процедура, чем представление данных в виде графиков и диаграмм. Графические образы в медицинских научных разработках помогают наблюдать за тенденциями изменений, выявлять сложные взаимодействующие факторы и упрощает сопоставление данных.

Таким образом, использование графиков облегчает предварительный анализ информации, поэтому целесообразно строить различные графики для лучшего понимания полученного экспериментального материала позволяет получить общее представление об особенностях и закономерностях обрабатываемых. Результаты использования статистических процедур, как правило, подаются в наглядном графическом виде.

4.3 Предварительный анализ данных

Целью этого этапа является формирование представления о типе (структуру) анализируемых данных, и предварительный выбор методов анализа. Этот этап включает: уточнение структуры данных и разбиения их на группы; расчет основных статистических характеристик, выявление различий между группами данных, определение взаимосвязей между параметрами, определение эмпирических законов распределения, которым подчинены данные.

4.4 Выбор и реализация метода анализа

В современных прикладных пакетах данные достаточно просто обрабатываются с помощью различных процедур, с тем чтобы потом можно было выбрать метод, который дает наилучший результат.

Использование определенного статистического метода определяется общей целью исследования. Например, если необходимо оценить степень влияния известных факторов на величину, измеряемую, используют дисперсионный и / или регрессионный анализы. Если из множества факторов воздействия необходимо выявить несколько ведущих - используют регрессионный и факторный анализы. Для оценки особенностей явления меняется со временем, используют корреляционный и спектральный анализы. Чтобы разбить совокупность объектов, изучаемых на группы "похожих" случаев, используют кластерный анализ, дискриминатний анализ.

4.5 Интерпретация результатов анализа

У медиков-исследователей часто возникают трудности в интерпретации результатов медико-биологических данных. Поэтому на этом этапе надо использовать методы математической статистики, которые предлагаются исследователю в пакете прикладных программ.

4.6 Представление результатов

Уровень описания самого анализа, его результатов, наглядность должны быть корректными и понятными для практических медицинских работников.

4.7 Статистический анализ данных

Случайной называется величина, которая в результате эксперимента, который может быть повторен при постоянных условиях большое количество раз, может принимать значение . Дискретной случайной называется величина, которая может принимать конечное количество значений (например, количество детей, которое родилось за сутки). Непрерывной случайной называется величина, которая может принимать любое числовое значение в данном интервале значений (например, масса тела и вес новорожденных).

Закон распределения случайных величин - функциональная зависимость между значениями случайных величин и вероятностями, с которыми они принимают эти значения. Закон распределения может быть задан в виде таблицы, формулы или графика.

Функцией распределения F(x) случайной величины X называется вероятность того, что она примет значение меньшее, чем аргумент функции x:

F(x) = p{X < x}.

Ее называют интегральной функцией.

Проиллюстрируем с помощью наглядной геометрической интерпретации.

Рис. 2

Для этого рассмотрим случайную величину как случайную точку Х на оси ОХ, которая в результате опыта может занять то или иное положение. Тогда функция распределения F(x) есть вероятность того, что случайная точка Х в результате опыта попадет левее точки х. Увеличиваем х, перемещая точку вправо по оси абсцисс очевидно, что при этом вероятность выполнения неравенства X < x убывать не может. При уменьшении х до -? событие X < x становится невозможным, т.е. F(-?) = 0, при увеличении х до +? - достоверным, т.е. F(+?) = 1.

Функция распределения используется при рассмотрении как дискретных, так и непрерывных случайных величин.

Случайная величина Х называется непрерывной, если ее функция распределения F(x) - непрерывная и дифференцируемая функция для всех значений аргумента.

Для непрерывной функции распределения F(x) вероятность любого отдельного значения случайной величины должна быть равна нулю, т.е. не должно быть скачков ни в одной точке. То есть при непрерывном распределении вероятностей вероятность попадания на сколь угодно малый участок отлична от нуля, тогда вероятность попадания в строго определенную точку в точности равна нулю.

Плотностью распределения (плотностью вероятности) f(x) непрерывной случайной величины X называется производная ее функции распределения

f(x)=F'(x)

а график плотности распределения называется кривой распределения. Пусть имеется точка x и прилегающий к ней отрезок dx. Вероятность попадания случайной величины X на этот интервал равна f(x)dx. Эта величина называется элементом вероятности. Вероятность попадания случайной величины X на произвольный участок [a, b] равна сумме элементов вероятности

на этом участке:

В геометрической интерпретации равна площади, ограниченной сверху кривой плотности распределения f(x) и участком [a, b].

4.8 Числовые характеристики случайной величины

Закон распределения случайной величины является исчерпывающей характеристикой, которая полностью описывает случайную величину с вероятностной точки зрения. Однако во многих практических задачах нет надобности в таком полном описании и достаточно указать только отдельные числовые параметры, характеризующие существенные черты распределения. Такие числа называются числовыми характеристиками случайной величины.

Математическое ожидание характеризует среднее значение случайной величины и определяется по формулам:

Для дискретных величин:

Для непрерывных величин:

MX - оператор математического ожидания.

В качестве математического ожидания используется «среднее взвешенное значение», причем каждое из значений случайной величины учитывается с «весом», пропорциональным вероятности этого значения.

Физический смысл математического ожидания - среднее значение случайной величины, т.е. то значение, которое может быть использовано вместо случайной величины в приблизительных расчетах или оценках.

Дисперсия случайной величины характеризует степень рассеивания (разброса) значений случайной величины относительно ее математического ожидания и определяется по формулам:

Для дискретных величин:

Для непрерывных величин:

Дисперсия случайной величины имеет размерность квадрата случайной величины, поэтому для анализа диапазона значений величины Х дисперсия не совсем удобна. Этого недостатка лишено среднеквадратическое отклонение (СКО), размерность которого совпадает с размерностью случайной величины.

Среднеквадратическое отклонение случайной величины X характеризует ширину диапазона значений X и равно:

СКО измеряется в тех же физических единицах, что и случайная величина.

Правило 3у. Практически все значения нормальной случайной величины находятся в интервале

[ m_x - 3у_x; m_x + 3у_x; ].

Математическое ожидание и дисперсия (или СКО) - наиболее часто применяемые характеристики случайной величины. Они характеризуют наиболее важные черты распределения: его положение и степень разбросанности значений. Для более подробного описания используются начальные и центральные моменты высших порядков. Кроме математического ожидания на практике часто применяются и другие характеристики положения распределения значений.

4.9 Законы распределения дискретных случайных величин

4.9.1 Биномиальное распределение (распределение Бернулли)

Дискретная случайная величина х, которая может принимать только целые значение с вероятностями

m=0,1,...,n,

где р - вероятность появления события в каждом испытании, m - количество благоприятных событий, n - общее количество испытаний, q=1-p,

называется распределенной по биномиальному закону с математическим ожиданием nр, и дисперсией - npq.

Закон Бернулли используется тогда, когда необходимо найти вероятность появления случайного события, которое реализуется ровно m из серии n испытаний.

Биномиальному закону распределения подчиняются случайные события такие, как число вызовов скорой помощи за определенный промежуток времени, очереди к врачу в поликлинике, эпидемии и т.п..

Пример 1

Пусть Х - число рецесивов среди n потомков полученных при скрещивании двух гибридов gGgG. По теории Менделя вероятность того, что потомок двух гибридов будет рецесивом равняется 0,25, в рамках теории Менделя Х есть биномиальной случайно изменяющейся с вероятностью:

,

Т.е. подставляя определенные значения т получим вероятность рецесивов среди n потомков.

4.9.2 Распределение Пуассона

Дискретная случайная величина Х, которая может принимать только целые значения с вероятностями

, называется распределенной по закону Пуассона с математическим ожиданием и дисперсией , где .

Рассматриваются маловероятные события, которые происходят в длинной серии независимых испытаний несколько раз.

Распределение Пуассона, как предельный биномиальный используется при решении задач надежности медицинского оборудования и аппаратуры, распространение эпидемии, вызовов к больному участковых врачей и в других задачах массового обслуживания.

Пример 2

Вакцина формирует иммунитет от некоторого заболевания с вероятностью 0,999. Подверглись вакцинации 4000 жителей города. Какая вероятность того, что двое из них не приобрели иммунитета.

-

- .

4.10 Законы распределения непрерывных случайных величин

4.10.1 Нормальный закон распределения (Гаусса)

В биологии и медицине чаще всего рассматривают случаю величине, которые имеют нормальный закон распределения, например, частота дыхания, частота сердечных сокращений, динамика роста популяции и т.п.

Для нормального закона распределения плотность распределения задается уравнением:

где m - математическое ожидание, а у - среднее квадратичное отклонение ( - дисперсия).

Стандартным нормальным распределением называют распределение с нулевым математическим ожиданием и единичной дисперсией, плотность распределения которого имеет следующий вид:

Плотность вероятности стандартного нормального распределения имеет вид, представленный на рис. 3, функция его распределения представлена на рис. 4.

Рис. 3. Плотность вероятности стандартной нормальной случайной величины

Рис. 4. Функция распределения стандартной нормальной случайной величины

Дисперсия характеризует квадрат рассеивания случайной величины. Для того чтобы получить характеристику рассеивания, которая имеет такую же самую размерность что и случайная величина используют стандартное отклонение

Изменение математического ожидания не изменяет форму кривой, а лишь перемещает ее по оси Х. При изменении дисперсии форма кривой изменяется: чем большее значение дисперсии, т.е. чем большая степень рассеивания случайных величин, тем более пологой и растянутой становится кривая и наоборот.

Площадь под графиком функции плотности равняется 1 - это вероятность достоверного события.

Основное количество полученных результатов группируется вокруг наиболее вероятного значения. В практических применение важным есть правило “трех сигм”:

,

Т.е. вероятность того, что нормально распределенная случайная величина отличается от своего математического ожидания больше чем на три сигма приблизительно равняется 0,0027, такое событие есть практически невозможным.

4.10.2 Распределение

Пусть независимые случайные величины х₁, х₂,..., х_п распределенные по нормальному закону с m=0 и =1.

Закон распределения случайной величины

,

называется хи-квадрат распределением с n степенями свободы (количество независимых координат).

С увеличением степеней свободы распределение приближается к нормальному.

4.10.3 Распределение Стьюдента (Госсета)

Пусть х, в независимые случайные величины, причем х распределено по нормальному закону с параметрами (0;1), в - по закону с n степенями свободы. Тогда, распределение случайной величины называется законом Стьюдента с n степенями свободы или t-распределением.

При увеличении числа степеней свободы распределение Стьюдента приближается к нормальному.

Значение коэффициентов Стьюдента для соответствующей доверительной вероятности и n степенями свободы сведены в таблицы.

В математической статистике при определении оценок вероятностей попадания случайной величины в доверительный интервал - интервал, который с заданной вероятностью р покрывает параметр случайной нормально распределенной величины, используют t-распределение Стьюдента:

Рис. 5. Плотность вероятности распределения Стьюдента, функция распределения случайной величины Стьюдента со степенью свободы 1

Математическое ожидание распределения Стьюдента равняется 0, а дисперсия - . Плотность вероятности и функция распределения Стьюдента представленные на рис. 5 соответственно.

Число степеней свободы - это количество независимых координат.

4.11 Эмпирические законы распределения случайных величин

В большинстве случаев при решении реальных задач законы распределения неизвестные, поэтому их необходимо оценивать по выборке.

Набор значений (х₁,х₂,...,х_п) случайной величины Х, которые получены в результате n опытов, называется объемом выборки. По частоте признаков, которые легли в выборку мы можем оценить судьбу признака во всей партии, т.е. в генеральной совокупности. Выборка называется репрезентативной, если она представляет все части генеральной совокупности.

По обыкновению на практике мы получаем эмпирическое распределение случайной величины. Результаты измерения можно представить в виде диаграммы, которая показывает, как часто были получены те или другие значения. Такой эмпирический график распределения называется гистограммой (рис. 6).

Для построения гистограмм весь диапазон полученных значений разбивают на малые интервалы и подсчитывают вероятность попадания случайной величины в данный интервал, т.е. ось ординат - это ось вероятностей попадания случайной величины в данный интервал, а ось абсцисс - это ось результатов наблюдений, которые разбитые на полузакрытые интервалы. Получим фигуру, которая состоит из прямоугольников, количество которых равняется числу интервалов на которые разбиты результаты наблюдений.

Примеры таких наблюдений: частота сердечных сокращений, частота дыхания у группы лиц (рис. 6); распределение числа импульсов, которые поступают от звукового генератора за определенный промежуток времени и т.п..

Рис.6.



Заключение

Прошли те времена, когда применение статистических методов в медицине и биологии ставилось под сомнение. Статистические подходы лежат в основе современного научного поиска, без которого познание во многих областях науки и техники невозможно. Невозможно оно и в области медицины. Биостатистика должна быть нацелена на решение наиболее выраженных современных проблем в здоровье населения. Основными проблемами здесь, как известно, являются необходимость снижения заболеваемости, смертности и увеличения продолжительности жизни населения. Соответственно, на данном этапе основная информация должна быть подчинена решению этой задачи. Должны подробно приводиться данные, характеризующие с разных сторон ведущие причины смерти, заболеваемость, частоту и характер контактов больных с медицинскими учреждениями, обеспечение нуждающихся необходимыми видами лечения, включая высокотехнологичные.



Список использованных источников

1. http://meduha.net/content/referat-na-temu-osnovy-biostatistiki-vo-vnutrenney-medicine

2. http://poznayka.org/s64267t1.html

3. Жижин К.С. Медицинская статистика: Учебное пособие / Ростов н/д: Феникс, 2007. - 160 с.

4. Рокицкий П.Ф. Биологическая статистика. Изд. 3-е, испр. Минск, «Высшая школа», 1973. - 320 с.

5. Петри А., Сэбин К. Наглядная медицинская статистика/ пер. с англ. под ред. В.П. Леонова. 2-е изд., перераб. и доп. - М.: ГЭОТАР-Медиа, 2009. - 168 с.

6. http://intranet.tdmu.edu.ua/data/kafedra/internal/informatika/classes_stud/ru/stomat/ptn/медицинская%20информатика/2/занятие%203_методы%20биостатистики.html

Размещено на Allbest.ru

...