пп. Статистические способы обработки экспериментальных данных
 Скачать 44.44 Kb.
|
|
МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное автономное образовательное учреждение высшего образования «КРЫМСКИЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ ИМЕНИ В.И. ВЕРНАДСКОГО» Реферат по дисциплине «Основы экспериментального естествознания» на тему: «Статистические способы обработки экспериментальных данных» Выполнил: Улыбышев Владимир Сергеевич Группа 2174 У-бс-о– Проверил: Преподаватель Рябушкин Д.С. Дата сдачи: «___»_______2022 г. Симферополь, 2022 г. СОДЕРЖАНИЕ Стр.Введение………………………………………………………………………..3Глава 1. Методы первичной статистической обработки результатов эксперимента………………………………………………………………..7 1.2.Медиана…………………………………………………………………………9 1.3. Разброс выборки………………………………………………………….....11 1.4. Факторный анализ………………………………………………………….13 ЗАКЛЮЧЕНИЕ………………………………………………………………….20 Список использованной литературы………………………………………..25 ВВЕДЕНИЕ Математические законы теории вероятностей не являются беспредметными абстракциями, лишенными физического содержания, а представляют собой математическое выражение реальных закономерностей, существующих в массовых случайных явлениях. Теория вероятностей дает возможность определить вероятности событий, законы распределения и числовые характеристики случайных величин, но для того, чтобы провести обработку и представить данные, необходимо провести эксперимент, применить (разработать) метод фиксации данных. Раздел математики, изучающий методы сбора, систематизации и обработки результатов наблюдений с целью выявления статистических закономерностей, получил название математическая статистика. В связи с этим основной задачей, решаемой математической статистикой, является определение закона распределения случайной величины и нахождение числовых характеристик распределения либо вида функции отклика и ее параметров. Методы математической статистики используются при планировании организации производства, анализе технологических процессов, для контроля качества продукции и многих других целей. С самого момента возникновения философии человек размышляет о возможностях и границах познания. Философские размышления велись главным образом либо в русле эмпиризма, пренебрегающего ролью творческого мышления и развитием понятийного аппарата, либо в русле рационализма, который не учитывал практики как критерия истины, как основы, отправной точки и цели познания. В результате успехов естественных наук многим эмпирикам стало казаться, что исследовательская работа в этой области нуждается лишь в прагматическом оправдании, а не в философском обосновании. Ф. Энгельс показал, однако, Что “самая плоская эмпирия, презирающая всякую теорию и относящаяся с недоверием ко всякому мышлению”, - это самый верный путь от естествознания к мистицизму. Диалектика познания нуждается в философском осмыслении. При этом речь идет как о материалистическом объяснении процессов мышления, так и о сложных отношениях, возникающих в процессе теоретического и практического освоения действительности людьми. Попытка Канта преодолеть эмпиризм и рационализм оказалась безуспешной. Разработка теории познания, отвечающей современному развитию науки, не может быть задачей одной лишь философии. Поскольку она должна давать для отдельных научных дисциплин мировоззренческие, гносеологические и методологические основы, поскольку она делает это с помощью анализа результатов этих наук, истории науки и философско-гносеологических воззрений ученых. Философский аспект изучения процесса познания заключается в обосновании теории отражения, в учете исторического характера познания и диалектики развития познания. Философская постановка вопроса выходит, однако, за рамки проблем истории теорем познания. Она включает мировоззренческие проблемы, касающиеся связи познания с гуманизмом, и рассмотрение эффективности результатов познания. Речь идет об ответственности ученых в двояком отношении. С одной стороной, должно учитываться соотношение между приложенными затратами и полученной пользой с целью обеспечения наибольшей эффективности исследований. Это особенно трудно сделать в отношении фундаментальных исследований, так как практические результаты здесь нередко проявляются в более или менее отдаленном будущем. С другой стороны, эксперименты, поскольку они прямо или косвенно затрагивают людей, не могут связываться только с критериями экономической эффективности. Эксперименты с людьми и на людях требуют соблюдения гуманистических принципов. Общественная потребность в научных знаниях может быть удовлетворена только при наличии соответствующего задела и полном высвобождении творческих потенций. Для этого необходимы определенные условия. Методами статистической обработки результатов эксперимента называются математические приемы, формулы, способы количественных расчетов, с помощью которых показатели, получаемые в ходе эксперимента, можно обобщать, приводить в систему, выявляя скрытые в них закономерности. Речь идет о таких закономерностях статистического характера, которые существуют между изучаемыми в эксперименте переменными величинами. Некоторые из методов математико-статистического анализа позволяют вычислять так называемые элементарные математические статистики, характеризующие выборочное распределение данных, например выборочное среднее, выборочная дисперсия, мода, медиана и ряд других. Иные методы математической статистики, например дисперсионный анализ, регрессионный анализ, позволяют судить о динамике изменения отдельных статистик выборки. С помощью третьей группы методов, скажем, корреляционного анализа, факторного анализа, методов сравнения выборочных данных, можно достоверно судить о статистических связях, существующих между переменными величинами, которые исследуют в данном эксперименте. Глава 1. Методы первичной статистической обработки результатов эксперимента Все методы математико-статистического анализа условно делятся на первичные и вторичные. Первичными называют методы, с помощью которых можно получить показатели, непосредственно отражающие результаты производимых в эксперименте измерений. Соответственно под первичными статистическими показателями имеются в виду те, которые применяются в самих психодиагностических методиках и являются итогом начальной статистической обработки результатов психодиагностики. Вторичными называются методы статистической обработки, с помощью которых на базе первичных данных выявляют скрытые в них статистические закономерности. К первичным методам статистической обработки относят, например, определение выборочной средней величины, выборочной дисперсии, выборочной моды и выборочной медианы. В число вторичных методов обычно включают корреляционный анализ, регрессионный анализ, методы сравнения первичных статистик у двух или нескольких выборок. Методами статистической обработки результатов эксперимента называются математические приемы, формулы, способы количественных расчетов, с помощью которых показатели, получаемые в ходе эксперимента, можно обобщать, приводить в систему, выявляя скрытые в них закономерности. Речь идет о таких закономерностях статистического характера, которые существуют между изучаемыми в эксперименте переменными величинами. Некоторые из методов математико-статистического анализа позволяют вычислять так называемые элементарные математические статистики, характеризующие выборочное распределение данных, например выборочное среднее, выборочная дисперсия, мода, медиана и ряд других. Иные методы математической статистики, например дисперсионный анализ, регрессионный анализ, позволяют судить о динамике изменения отдельных статистик выборки. С помощью третьей группы методов, скажем, корреляционного анализа, факторного анализа, методов сравнения выборочных данных, можно достоверно судить о статистических связях, существующих между переменными величинами, которые исследуют в данном эксперименте. Все методы математико-статистического анализа условно делятся на первичные и вторичные. Первичными называют методы, с помощью которых можно получить показатели, непосредственно отражающие результаты производимых в эксперименте измерений. Соответственно под первичными статистическими показателями имеются в виду те, которые применяются в самих психодиагностических методиках и являются итогом начальной статистической обработки результатов психодиагностики. Вторичными называются методы статистической обработки, с помощью которых на базе первичных данных выявляют скрытые в них статистические закономерности. К первичным методам статистической обработки относят, например, определение выборочной средней величины, выборочной дисперсии, выборочной моды и выборочной медианы. В число вторичных методов обычно включают корреляционный анализ, регрессионный анализ, методы сравнения первичных статистик у двух или нескольких выборок. Статистическая обработка данных по методу Стьюдента. К методам обработки количественных данных относятся статистическая обработка данных по методу Стьюдента. При этом вычисляются: - среднее арифметическое, выражающее центральную тенденцию; - среднеквадратическое отклонение, показывающее размах и особенности варьирования экспериментальных результатов; - достоверность полученных материалов (по методу Стьюдента). 1.2.Медиана Медианой называется значение изучаемого признака, которое делит выборку, упорядоченную по величине данного признака, пополам. Справа и слева от медианы в упорядоченном ряду остается по одинаковому количеству признаков. Например, для выборки 2, 3, 4, 4, 5, 6, 8, 7, 9 медианой будет значение 5, так как слева и справа от него остается по четыре показателя. Если ряд включает в себя четное число признаков, то медианой будет среднее, взятое как полусумма величин двух центральных значений ряда. Для следующего ряда 0, 1, 1, 2, 3, 4, 5, 5, 6, 7 медиана будет равна 3,5. Знание медианы полезно для того, чтобы установить, является ли распределение частных значений изученного признака симметричным и приближающимся к так называемому нормальному распределению. Средняя и медиана для нормального распределения обычно совпадают или очень мало отличаются друг от друга. Если выборочное распределение признаков нормально, то к нему можно применять методы вторичных статистических расчетов, основанные на нормальном распределении данных. В противном случае этого делать нельзя, так как в расчеты могут вкрасться серьезные ошибки. В случае когда измерения сделаны по шкале интервалов и отношений, основной мерой центральной тенденции является средняя арифметическая величина, а мода и медиана могут использоваться для вспомогательных целей. Среднее арифметическое значение является наиболее точной средней величиной, так как рассчитывается на основе количественных результатов измерений. С методикой вычисления этого значения вы уже знакомы, поэтому мы на этом больше не будем останавливаться. В заключение раздела необходимо отметить, что математико-статистическая обработка результатов педагогического эксперимента -- один из трудоемких и ответственных моментов в подготовке дипломной работы. Она требует умелого и правильного выбора статистических критериев и методов анализа в соответствии с полученными результатами и задачами проведенных исследований. Значительную помощь при обработке результатов могут оказать современные компьютеры. Следует также иметь в виду, что сама математико-статистическая обработка еще не может полностью раскрыть сущность того или иного педагогического явления. Например, с помощью количественных методов с определенной точностью можно выявить преимущество какого-либо метода обучения и тренировки или обнаружить общую тенденцию, определенные связи и зависимости, доказать, что проверяемое научное предположение оправдалось, и т. п. Однако эти методы не могут дать ответ на вопрос о том, почему одна методика обучения лучше другой, и т. д. Поэтому наряду с математико-статистической обработкой полученных результатов нужно проводить и качественный анализ этих данных. 1.3.Разброс выборки Разброс (иногда эту величину называют размахом) выборки обозначается буквой R. Это самый простой показатель, который можно получить для выборки - разность между максимальной и минимальной величинами данного конкретного вариационного ряда, т.е. R= хmax - хmin Понятно, что чем сильнее варьирует измеряемый признак, тем больше величина R, и наоборот. Однако может случиться так, что у двух выборочных рядов и средние, и размах совпадают, однако характер варьирования этих рядов будет различный. Например, даны две выборки: Х = 10 15 20 25 30 35 40 45 50X = 30 R = 40 Y = 10 28 28 30 30 30 32 32 50 Y=30 R = 40 При равенстве средних и разбросов для этих двух выборочных рядов характер их варьирования различен. Для того чтобы более четко представлять характер варьирования выборок, следует обратиться к их распределениям. Максимальным разброс целесообразно считать при равномерном распределении. Чем ближе распределение к равномерному – тем разброс больше, чем дольше от равномерного – тем разброс меньше. Известны по крайней мере две меры разброса, опирающиеся на этот принцип – мера качественной вариации и энтропийный коэффициент разброса. (пример с цветом свитеров). Ясно, что для номинальных признаков некорректным является использование всех приведенных выше мер разброса. Попытаемся понять, как можно интерпретировать такой разброс. Предположим, что в аудитории сидят 100 человек, на которых могут быть надеты свитеры пяти разных расцветок: синие, красные, белые, желтые и зеленые. Вероятно, естественно предполагать, что разброс значений признака “цвет свитера человека” минимален (отсутствует), когда все люди одеты в свитеры одного цвета. Максимальным же разброс естественно считать в том случае, когда все цвета встречаются одинаково часто: 20 человек одеты в синие свитера, 20 человек – в красные и т.д. Другими словами максимальным разброс целесообразно считать при равномерном распределении. Чем ближе распределение к равномерному – тем разброс больше, чем дольше от равномерного – тем разброс меньше. Известны по крайней мере две меры разброса, опирающиеся на этот принцип – мера качественной вариации и энтропийный коэффициент разброса. Если данные, полученные в эксперименте, качественного характера, то правильность делаемых на основе их выводов полностью зависит от интуиции, эрудиции и профессионализма исследователя, а также от логики его рассуждений. Если же эти данные количественного типа, то сначала проводят их первичную, а затем вторичную статистическую обработку. Первичная статистическая обработка заключается в определении необходимого числа элементарных математических статистик. Такая обработка почти всегда предполагает как минимум определение выборочного среднего значения. В тех случаях, когда информативным показателем для экспериментальной проверки предложенных гипотез является разброс данных относительного среднего, вычисляется дисперсия или квадратическое отклонение. Значение медианы рекомендуется вычислять тогда, когда предполагается использовать методы вторичной статистической обработки, рассчитанные на нормальное распределение, Для такого рода распределения выборочных данных медиана, а также мода совпадают или достаточно близки к средней величине. Этим критерием можно воспользоваться для того, чтобы приблизительно судить о характере полученного распределения первичных данных. Вторичная статистическая обработка (сравнение средних, дисперсий, распределений данных, регрессионный анализ, корреляционный анализ, факторный анализ и др.) проводится в том случае, если для решения задач или доказательства предложенных гипотез необходимо определить статистические закономерности, скрытые в первичных экспериментальных данных. Приступая к вторичной статистической обработке, исследователь прежде всего должен решить, какие из различных вторичных статистик ему следует применить для обработки первичных экспериментальных данных. Решение принимается на основе учета характера проверяемой гипотезы и природы первичного материала, полученного в результате проведения эксперимента. 1.4. Факторный анализ Факторный анализ применяют в различных науках, например, в психологии и психометрии, но чаще всего его используют в экономике. С его помощью компания может понять, динамика каких показателей оказывает наибольшее влияние на конечный результат. Факторный анализ - статистический метод, который используется при обработке больших массивов экспериментальных данных. Задачами факторного анализа являются: сокращение числа переменных (редукция данных) и определение структуры взаимосвязей между переменными, т.е. классификация переменных, поэтому факторный анализ используется как метод сокращения данных или как метод структурной классификации. Важное отличие факторного анализа от всех описанных выше методов заключается в том, что его нельзя применять для обработки первичных, или, как говорят, "сырых", экспериментальных данных, т.е. полученных непосредственно при обследовании испытуемых. Материалом для факторного анализа служат корреляционные связи, а точнее - коэффициенты корреляции Пирсона, которые вычисляются между переменными (т.е. психологическими признаками), включенными в обследование. Иными словами, факторному анализу подвергают корреляционные матрицы, или, как их иначе называют, матрицы интеркорреляций. Наименования столбцов и строк в этих матрицах одинаковы, так как они представляют собой перечень переменных, включенных в анализ. По этой причине матрицы интеркорреляций всегда квадратные, т.е. число строк в них равно числу столбцов, и симметричные, т.е. на симметричных местах относительно главной диагонали стоят одни и те же коэффициенты корреляции. Главное понятие факторного анализа - фактор. Это искусственный статистический показатель, возникающий в результате специальных преобразований таблицы коэффициентов корреляции между изучаемыми психологическими признаками, или матрицы интеркорреляций. Процедура извлечения факторов из матрицы интеркорреляций называется факторизацией матрицы. В результате факторизации из корреляционной матрицы может быть извлечено разное количество факторов вплоть до числа, равного количеству исходных переменных. Однако факторы, выделяемые в результате факторизации, как правило, неравноценны по своему значению. Не важно, какой метод факторного анализа будет использован в процессе исследования. В любом случае, оно делится на несколько этапов: В первую очередь, отбираются все факторы, которые могут повлиять на результат. Зачастую используют данные бухгалтерского учета. Однако допускается использование иных источников информации. На следующем этапе важно классифицировать факторы по любому из удобных признаков. Например, по затратам, по экономическим показателям или по сезону. После того, как все показатели отобраны и классифицированы, можно проводить анализ одним или несколькими методами. Для этого производят расчеты для каждого фактора по отдельности. Следующий этап – нахождение взаимосвязи между показателями. В заключение, на основании проведенного исследования делают вывод. Методы факторного анализа нашли применение главным образом в психологии. Причиной этому был тот факт, что факторный анализ зародился в психологии и формализм этой дисциплины тесно “… связан с психологической концепцией ментальных факторов; даже специалисту-статистику трудно заметить и установить связь между методами факторного анализа и методами обычной математической статистики”. Решение, полученное методами факторного анализа, может послужить основой при формулировании некоторой научной гипотезы; возможно и обратное: методами факторного анализа ищется подтверждение существующей гипотезы. Теория Спирмена является иллюстрацией второго подхода. Спирмен показал, что если между парными корреляциями имеются определенные взаимосвязи, то может быть выписана система линейных уравнений, связывающих все рассматриваемые параметры, генеральный фактор и по одному дополнительному характерному фактору на каждый параметр. Эти взаимосвязи и позволяют дать статистическое обоснование двухфакторной теории. Если набор психологических параметров не удовлетворяет условиям существования указанных взаимосвязей, то может быть постулирована более сложная гипотеза, требующая уже несколько генеральных факторов для адекватного статистического описания системы параметров. Одной из наиболее типичных форм представления экспериментальных данных является матрица, столбцы которой соответствуют различным параметрам, свойствам, тестам и т.п., а строки – отдельным объектам, явлениям, режимам, описываемым набором конкретных значений параметров. На практике размеры матрицы оказываются достаточно большими: так, число строк этой матрицы может колебаться от нескольких десятков до нескольких сотен тысяч (например, при социологических обследованиях), а число столбцов – от одного – двух до нескольких сотен. Непосредственный, “визуальный”, анализ матриц такого размера невозможен, поэтому в математической статистике возникло много подходов и методов, предназначенных для того, чтобы “сжать” исходную информацию, заключенную в матрице, до обозримых размеров, извлечь из исходной информации наиболее “существенное”, отбросив “второстепенное”, “случайное”. При анализе данных, представленных в форме матрицы, возникают два типа задач. Задачи первого типа имеют целью получить “короткое описание” распределения объектов, а задачи второго – выявить взаимоотношения между параметрами. Следует иметь в виду, что основной стимул для появления указанных задач заключается не только и не столько в желании коротко закодировать большой массив чисел, а в значительно более принципиальном обстоятельстве, имеющем методологический характер: коль скоро удалось коротко описать большой массив чисел, то можно верить, что вскрыта некая объективная закономерность, обусловившая возможность короткого описания; а ведь именно поиск объективных закономерностей и является основной целью, ради которой, как правило, и собираются данные. Упомянутые подходы и методы обработки матрицы данных отличаются тем, какого типа задачи обработки данных они предназначены решать, и тем, к матрицам какого размера они применимы. Что же касается проблемы короткого описания связей между параметрами при среднем числе этих параметров, то в данном случае соответствующая корреляционная матрица содержит несколько десятков или сотен чисел и сама по себе она еще не может служить “коротким описанием” существующих связей между параметрами, а должна с этой целью подвергнуться дальнейшей обработке. Факторный анализ как раз и представляет собой набор моделей и методов, предназначенных для “сжатия” информации, содержащейся в корреляционной матрице. В основе различных моделей факторного анализа лежит следующая гипотеза: наблюдаемые или измеряемые параметры являются лишь косвенными характеристиками изучаемого объекта или явления, на самом же деле существуют внутренние (скрытые, не наблюдаемые непосредственно) параметры или свойства, число которых мало и которые определяют значения наблюдаемых параметров. Эти внутренние параметры принято называть факторами. Задача факторного анализа – представить наблюдаемые параметры в виде линейных комбинаций факторов и, может быть, некоторых дополнительных, “не существенных” величин – “помех”. Замечательным является тот факт, что, хотя сами факторы не известны, такое разложение может быть получено и, более того, такие факторы могут быть определены, т.е. для каждого объекта могут быть указаны значения каждого фактора. Факторный анализ, независимо от используемых методов, начинается с обработки таблицы интеркорреляций, полученных на множестве тестов, известной как корреляционная матрица, а заканчивается получением факторной матрицы, т.е. таблицы, показывающей вес или нагрузку каждого из факторов по каждому тесту. Первичная обработка полученных в результате случайного эксперимента данных включает в себя: – построение интервального (группированного) ряда, – построение эмпирической функции распределения, – получение точечных оценок параметров распределения, – предварительное предположение о характере генерального распределения. Пусть в результате случайного эксперимента наблюдаются (измеряются) значения случайной величины X с функцией распределения F(x), а i x – реализация эксперимента (в эксперименте имело место событие { }i X = x ). Если провести n экспериментов (измерений), то в результате получим n значений измеряемой случайной величины X , которые мы обозначим n x , x ,..., x 1 2 , и которые образуют выборку объема n .6 Случайную величину X называют при этом генеральной случайной величиной, а множество всех возможных значений наблюдаемой случайной величины X , которые могут реализоваться в рамках проводимого эксперимента – генеральной совокупностью. Случайная величина X может быть дискретной или непрерывной, принимать конечное или бесконечное множество значений. Соответственно и генеральная совокупность может представлять собой конечное или бесконечное множество, дискретное или непрерывное. Числа n x , x ,..., x 1 2 называются наблюдениями или выборочными значениями случайной величины. О самой случайной величине X может быть ничего не известно или, например, известен закон ее распределения, но не известны параметры распределения. ЗАКЛЮЧЕНИЕ Если данные, полученные в эксперименте, качественного характера, то правильность делаемых на основе их выводов полностью зависит от интуиции, эрудиции и профессионализма исследователя, а также от логики его рассуждений. Если же эти данные количественного типа, то сначала проводят их первичную, а затем вторичную статистическую обработку. Первичная статистическая обработка заключается в определении необходимого числа элементарных математических статистик. Такая обработка почти всегда предполагает как минимум определение выборочного среднего значения. В тех случаях, когда информативным показателем для экспериментальной проверки предложенных гипотез является разброс данных относительного среднего, вычисляется дисперсия или квадратическое отклонение. Значение медианы рекомендуется вычислять тогда, когда предполагается использовать методы вторичной статистической обработки, рассчитанные на нормальное распределение, Для такого рода распределения выборочных данных медиана, а также мода совпадают или достаточно близки к средней величине. Этим критерием можно воспользоваться для того, чтобы приблизительно судить о характере полученного распределения первичных данных. Вторичная статистическая обработка (сравнение средних, дисперсий, распределений данных, регрессионный анализ, корреляционный анализ, факторный анализ и др.) проводится в том случае, если для решения задач или доказательства предложенных гипотез необходимо определить статистические закономерности, скрытые в первичных экспериментальных данных. Приступая к вторичной статистической обработке, исследователь прежде всего должен решить, какие из различных вторичных статистик ему следует применить для обработки первичных экспериментальных данных. Решение принимается на основе учета характера проверяемой гипотезы и природы первичного материала, полученного в результате проведения эксперимента. Приведем несколько рекомендаций на этот счет. Рекомендация 1. Если экспериментальная гипотеза содержит предположение о том, что в результате проводимого психолого-педагогического исследования возрастут (или уменьшатся) показатели какого-либо качества, то для сравнения до - и постэкспериментальных данных рекомендуется использовать критерий Стъюдента или χ2 -критерий. К последнему обращаются в том случае, если первичные экспериментальные данные относительны и выражены, например, в процентах. Рекомендация 2. Если экспериментально проверяемая гипотеза включает в себя утверждение о причинно-следственной зависимости между некоторыми переменными, то её целесообразно проверять, обращаясь к коэффициентам линейной или ранговой корреляции. Линейная корреляция используется в том случае, когда измерения независимой и зависимой переменных производятся при помощи интервальной шкалы, а изменения этих переменных до и после эксперимента небольшие. К ранговой корреляции обращаются тогда, когда достаточно оценить изменения, касающиеся порядка следования друг за другом по величине независимых и зависимых переменных, или когда их изменения достаточно велики, или когда измерительный инструмент был порядковым, а не интервальным. Рекомендация 3. Иногда гипотеза включает предположение о том, что в результате эксперимента возрастут или уменьшатся индивидуальные различия между испытуемыми. Такое предположение хорошо проверяется с помощью критерия Фишера, позволяющего сравнить дисперсии до и после эксперимента. Заметим, что, пользуясь критерием Фишера, можно работать только с абсолютными значениями показателей, но не с их рангами. Результаты количественного и качественного анализа материала, полученного в ходе проведения эксперимента, первичной и вторичной статистической обработки этого материала, используются для доказательства правильности предложенных гипотез. Выводы об их истинности являются логическим следствием доказательства, в процессе которого в качестве основного аргумента выступает безупречность логики самого доказательства, а в качестве фактов - то, что установлено в результате количественного и качественного анализа экспериментальных данных. Факты в ходе доказательства обязательно должны соотноситься с гипотезами. В процессе такого соотнесения выясняется, насколько полно имеющиеся факты доказывают, подтверждают предложенные гипотезы. Экспериментальная деятельность и наблюдения дают множество данных. С помощью электронно-вычислительной техники производится их накопление. Их анализ предполагает, что речь идет о существенных данных, то есть о данных, определяющих характер исследуемых объектов или процессов. Для того чтобы выявить существенные, необходимые теоретические представления, объясняющих на уровне гипотез возможные результаты экспериментов и наблюдений. Теоретический анализ данных, их объяснение с помощью теории представляет важный шаг в развитии науки, который может привести к последующим целенаправленным экспериментам. Целенаправленный сбор существенных данных предполагает теоретические рассуждения, а недостатки в теории могут очень скоро превратиться в методологически границы для анализа данных. Интересно, что, исследуя процесс образования структур при необратимых процессах, физика создает типовые физические теории биологической эволюции, в которых старая проблема связей между образованием структур и сохранением энтропии рассматривается в новых аспектах. Таким образом, единство экспериментальной и теоретической деятельности соотносится с историческим процессом, в ходе которого возникают и исчезают объекты и процессы, изменяются механизмы эволюции, а существующие в настоящее время структуры сохраняют следы прошедшего. Единство теоретической и экспериментальной деятельности реализуется в общественном процессе познания, в интеграции специализированных видов деятельности. Экспериментальная деятельность всегда включает теоретическую, а теоретическая деятельность должна учитывать результаты экспериментов и наблюдений. Понимание диалектики познания заставляет нас выступать как против плоского эмпиризма, так и против преувеличенного умозрения, в котором отсутствует разумная научная постановка вопросов, основанная на обобщении результатов эксперимента. Ученые отвергают обе эти крайности. Так, часто подчеркивается, что нет ничего практичнее хорошей теории. Однако можно отметить также и то, что плохая теория исчезает, а удавшийся эксперимент остается. Он служит основанием все новых и новых попыток интерпретации. Хорошая теория подтверждается данными эксперимента и может использоваться на практике. Вопрос о том, должны ли в определенной области науки в какой-либо стране предприниматься усилия специально либо в экспериментальной, либо в теоретической области, нельзя решить только на основании теоретико-познавательных соображений. Для этого необходим анализ состояния развития науки, общественных потребностей и возможностей использования материальных и духовных потенций. Вместе с тем существует целый ряд проблем теорий познания, исследование которых должно продолжаться с учетом реализации в общественном процессе познания, а также в мышлении экспериментаторов и теоретиков единства экспериментальной и теоретической деятельности. Укажем здесь лишь на три проблемы: проблему сбора и анализа информации, ее упрощения и соотношения материализации и построения теорий. Список использованной литературы: 1. Годфруа Ж. Что такое психология: В 2-х т. Т.2: Пер. с франц. - М.: Мир, 1992. - 376 с. 2. Горбатов Д.С. Практикум по психологическому исследованию: Учеб. пособие. - Самара: "БАХРАХ - М", 2003. - 272 с. 3. Дружинин В.Н. Экспериментальная психология: Учебное пособие - М.: ИНФРА-М, 1997. - 256 с. 4. Дружинин В.Н. Экспериментальная психология - СПб: Питер, 2000. - 320с. 5. Ермолаев А.Ю. Математическая статистика для психологов. - М.: Московский психолого-социальный институт: Флинта, 2003.336с. 6. Корнилова Т.В. Введение в психологический эксперимент. Учебник для ВУЗов. М.: Изд-во ЧеРо, 2001. 7. Немов Р.С. Психология. Кн.3: Психодиагностика. Введение в научное психологическое исследование с элементами математической статистики. - М.: ВЛАДОС, 1998. – 632 с. 8. https://revolution.allbest.ru/economy/00744462_0.html 9. Исследование в психологии: методы и планирование / Дж. Гудвин. — СПб.: Питер, 2004. С. 146. 10. Понятие выборки. Основные характеристики выборки. 11. Ильясов Ф. Н. Репрезентативность результатов опроса в маркетинговом исследовании // Социологические исследования. 2011. № 3. С. 112-116. 12. https://studizba.com/lectures/psihologiya/matematicheskie-metody-v-psihologii/17481-statisticheskiy-analiz-eksperimentalnyh-dannyh.html 13. https://referat.bookap.info/work/1645774/Statisticheskie-metody-obrabotki-dannyx 14. Кирьянов Д.В. Самоучитель Mathcad 13, СПб.: БВХ – Петербург, 2006. |