| School/Faculty/Institute |
Graduate School |
| Course Code |
IPY 532 |
| Course Title in English |
Statistics |
| Course Title in Turkish |
İstatistik |
| Language of Instruction |
TR |
| Type of Course |
Exercise,Flipped Classroom,Lecture |
| Level of Course |
Intermediate |
| Semester |
Fall |
| Contact Hours per Week |
| Lecture: 2 |
Recitation: |
Lab: |
Other: |
|
| Estimated Student Workload |
118 hours per semester |
| Number of Credits |
5 ECTS |
| Grading Mode |
Standard Letter Grade
|
| Pre-requisites |
None |
| Expected Prior Knowledge |
Basic probability knowledge |
| Co-requisites |
None |
| Registration Restrictions |
Only Graduate Students |
| Overall Educational Objective |
To learn the basic statistical concepts with on hands applications using modern tools to summarize and analyze data via graphical and quantitative tools, to drive conclusions using statistical analysis and modern tools. |
| Course Description |
The aim of the course is to give the fundamentals of statistical analysis. This course introduces the basics of statistics for engineers to summarize numerical and categorical data obtained from surveys, experiments, etc. The topics include different data types, measures of location, variability, shape, and association between variables. The students are expected to learn the fundamental concepts of estimation, confidence intervals, hypothesis testing and apply appropriate tests for population mean, proportion, variance and difference, independence, and goodness to fit. Students will be able to apply Analysis of Variance and Linear Regression using modern tools. |
| Course Description in Turkish |
Bu ders istatistiksel analize giriş dersi olarak tasarlanmıştır. Dersin amacı farklı kaynaklardan elde edilen verilerin analiz yöntemleri konusunda öğrencileri geliştirmektir. Dersin içeriği farklı veri tiplerini, bunların merkezi eğilim, dağılım ve şekil parametrelerinin tespiti, birden fazla değişken arasındaki ilişkinin incelenmesini de içermektedir. Öğrencilerin dersi başarıyla tamamlamaları halinde evren ortalaması, varyansı, ilişkili ve ilişkisiz örneklemler ortalama farkları gibi parametreler için güvenirlik aralığı hesaplayabilmeleri, hipotez testlerini yapabilmeleri ve bu testlerin sonuçlarını yorumlayabilmeleri beklenmektedir. Ayrıca öğrencilerin bağımsızlık testlerini yapabilmeleri, doğrusal regresyon modellerini kurabilmeleri, model parametrelerini hesaplayabilmeleri ve bunları kullanarak istatistiksel tahmin yapabilmeleri beklenmektedir. |
Course Learning Outcomes and Competences
Upon successful completion of the course, the learner is expected to be able to:
1) Sayısal ve kategorik verileri frekans dağılımı, histogramlar ve tanımlayıcı istatistiklerin (ortalama, medyan, varyans) hesaplanmasıyla elle ve/veya Excel ve/veya Google E-Tablolar kullanarak özetlemek. Kovaryans ve korelasyon katsayısını kullanarak iki değişken arasındaki ilişkiyi elle ve/veya Excel ve/veya Google E-Tablolar kullanarak analiz edip, yorumlamak.
2) Örnekleme dağılımları, tahmin, güven aralıkları ve hipotez testi (tip I ve II hatalar) ile ilgili temel kavramları anlamak, çeşitli istatistiksel teknikler arasındaki farkları açıklamak ve belirli bir değişkenler ve araştırma soruları seti için uygun bir teknik belirlemek.
3) Popülasyon ortalaması, popülasyon oranı, popülasyon farklılıkları, uyum iyiliği, bağımsızlık testleri ve popülasyon varyanslarına ilişkin hipotez testlerinin (t-testi, z-testi, ki-kare testi, F-testi) sonuçlarını tasarlamak, çözmek ve yorumlamak.
4) Popülasyon ortalamalarını karşılaştırmak için Varyans Analizi (ANOVA) sonuçlarını tasarlamak, çözmek ve yorumlamak. Sayısal verileri grafiklerle analiz etmek, Excel kullanarak basit ve çoklu doğrusal regresyon modellerinin geçerliliğini oluşturmak ve test etmek. Tahmin ve tahminde regresyon modellerinin kullanımını anlamak.
|
| Program Learning Outcomes/Course Learning Outcomes |
1 |
2 |
3 |
4 |
| 1) |
|
|
|
|
| 2) |
|
|
|
|
| 3) |
|
|
|
|
| 4) |
|
|
|
|
| 5) |
|
|
|
|
| 6) |
|
|
|
|
| 7) |
|
|
|
|
| 8) |
|
|
|
|
| 9) |
|
|
|
|
| 10) |
|
|
|
|
Relation to Program Outcomes and Competences
| N None |
S Supportive |
H Highly Related |
| |
|
|
| |
Program Outcomes and Competences |
Level |
Assessed by |
| 1) |
|
S |
Exam,HW,Participation
|
| 2) |
|
N |
|
| 3) |
|
N |
|
| 4) |
|
H |
Exam,HW,Participation
|
| 5) |
|
N |
|
| 6) |
|
N |
|
| 7) |
|
N |
|
| 8) |
|
N |
|
| 9) |
|
N |
|
| 10) |
|
N |
|
| Prepared by and Date |
GÖKÇE TÖNÜK , February 2024 |
| Course Coordinator |
GÖKÇE TÖNÜK |
| Semester |
Fall |
| Name of Instructor |
Doç. Dr. ŞEFİK ŞUAYB ARSLAN |
Course Contents
| Hafta |
Konu |
| 1) |
Veri ve İstatistik, Tanımlayıcı İstatistik |
| 2) |
Tanımlayıcı İstatistikler |
| 3) |
Tanımlayıcı İstatistik |
| 4) |
Örnekleme Dağılımları ve Aralık Tahmini |
| 5) |
Örnekleme Dağılımları ve Aralık Tahmini |
| 6) |
Örnekleme Dağılımları ve Aralık Tahmini |
| 7) |
Hipotez Testinin Temelleri |
| 8) |
Tek Örneklem İçeren Hipotez Testi |
| 9) |
Çoklu Örneklem İçeren Hipotez Testi |
| 10) |
Çoklu Örneklem İçeren Hipotez Testi |
| 11) |
Varyans Analizi |
| 12) |
Doğrusal Regresyon |
| 13) |
Doğrusal Regresyon |
| 14) |
Farklı problemler için uygun testlere karar vermenin gözden geçirilmesi |
| 15) |
Finals |
| 16) |
Finals |
| Required/Recommended Readings | None |
| Teaching Methods | Flipped classroom/Exercise/Laboratory/Active learning |
| Homework and Projects | Students are required to complete a portfolio to be able to enter the final exam. |
| Laboratory Work | Students will apply the methods they learned using Excel or Google Sheets at the laboratory hours. |
| Computer Use | Students will apply the methods they learned using Excel or Google Sheets at the laboratory hours. |
| Other Activities | None |
| Assessment Methods |
| Assessment Tools |
Count |
Weight |
| Küçük Sınavlar |
8 |
% 20 |
| Ödev |
1 |
% 30 |
| Projeler |
1 |
% 10 |
| Final |
1 |
% 40 |
| TOTAL |
% 100 |
|
| Course Administration |
kocu@mef.edu.tr
02123953600
Grading and evaluation: Evaluation will be based on the student learning outcomes. All the students are required to hand in a complete portfolio to able to enter the final exam. The portfolio will include the proofs of student abilities to perform the minimal tasks provided in this course. Note that quizzes and portfolio constitute 50% of the total grade. It is strongly recommended to complete all the work in a timely fashion. Late responses will be graded in a reduced scale. The deadline for completing the portfolios is the day before the last day of the courses. Students who cannot complete the portfolio on time cannot enter the final exam, thus their grade will be FZ. Portfolio: The course portfolio will include all the material you have created during this course. The term “proven ability” in the following items means that the student “can do” the items individually during laboratory hours or a quiz. The instructor and teaching assistants will guide the students to complete each item in the portfolio. The portfolio will include: 1. Proven ability to summarize categorical data (Student outcome 1) 2. Proven ability to summarize quantitative data (Student outcome 1) 3. Proven ability to detect outliers (Student outcome 1) 4. Proven ability to use statistical tables correctly (Student outcome 2) 5. Proven ability to calculate confidence interval for single population (Student outcome 2) 6. Proven ability to perform hypothesis test and comment on the results for single population (Student outcome 2,3) 7. Proven ability to perform hypothesis test and comment on the results for population differences (Student outcome 3) 8. Proven ability to differentiate matched and unmatched samples (Student outcomes 2,3) 9. Proven ability to perform ANOVA and comment on the results (Student outcome 4) 10. Proven ability to employ estimation/prediction using linear regression models (Student outcome 4) |