İTÜ
LİSANSÜSTÜ DERS KATALOG FORMU
(GRADUATE COURSE CATALOGUE FORM)
Dersin Adı Course Name
İleri İstatistiksel Analiz Advanced Statistical Analysis
Kodu (Code)
Yarıyılı (Semester)
Kredisi (Local Credits)
AKTS Kredisi (ECTS Credits)
Ders Türü (Course Type)
END513 Güz
(Fall)
3.0 7.5 Yüksek Lisans
(MSc) Bölüm / Program
(Department/Program)
Endüstri Mühendisliği / Endüstri Mühendisliği Yüksek Lisans (Industrial Engineering / Industrial Engineering MSc Program) Dersin Türü
(Course Type)
Seçmeli (Elective)
Dersin Dili (Course Language)
Türkçe (Turkish)
Dersin İçeriği (Course Description) 30-60 kelime arası
Bu ders, endüstri mühendisliği çalışma alanlarında verilerin analizi ve yorumlamasında kullanılan ileri istatistiksel teknikleri içermektedir: Temel Kavramlar, Örnekleme, Ölçme, İstatistiksel Tekniklerin Sınıflandırılması, Doğrusal Regresyon Analizi, Çoklu Doğrusal Regresyon Analizi, Kukla Değişkenli Regresyon Analizi, Doğrusal Olmayan Regresyon Analizi, Düzenleyici ve Aracı Değişkenler, Tekrarlı Örnekleme, En Büyük Olabilirlik ve EM Algoritması, Zaman Serileri Analizi, Varyans Analizi ve Deney Tasarımı, Çok Değişkenli Varyans Analizi, Temel Bileşenler Analizi, Hiyerarşik Kümeleme Yöntemleri, Hiyerarşik Olmayan Kümeleme Yöntemleri ve Özdüzenleyici Haritalar.
This course involves advanced statistical techniques used for analyzing and interpreting data in different fields of industrial engineering: Basic Concepts, Sampling Plans and Procedures, Measurement, Overview of the Techniques, Linear Regression Analysis, Multiple Linear Regression Analysis, Dummy Variable and Nonlinear Regression Analysis, Moderator & Mediator Variables, Resampling, Maximum Likelihood and the EM Algorithm, Time Series Analysis, Analysis of Variance and Experimental Design, Multivariate Analysis of Variance, Principle Component Analysis, Hierarchical Clustering Methods, Nonhierarchical Clustering Methods and Self-Organizing Maps.
Dersin Amacı (Course Objectives) Maddeler halinde 2-5 adet
Öğrencilerin,
1- Karmaşık çok değişkenli problemleri modellemeyi öğrenmesi
2- Tek ve çok değişkenli verilerin analizinde kullanılabilecek istatistiksel teknikleri detaylı öğrenmesi 3- Çok değişkenli analizlerin sonuçlarını yorumlamayı ve geçerliliğini sınamayı öğrenmesi
4- İstatistiksel analizleri yazılım destekli uygulamayı öğrenmesi
5- İleri istatistiksel tekniklerin endüstri mühendisliğinin farklı alanlarındaki uygulamalarını görmesi The students will
1- Learn to model complex multivariate problems
2- Learn the statistical techniques used for analyzing uni- and multivariate data in detail 3- Learn to interpret the results and test the validity of multivariate data analyses 4- Learn to perform multivariate statistical analyses with software packages
5- Get an overview the applications of advanced statistical techniques in different fields of industrial engineering
Dersin Öğrenme Çıktıları
(Course Learning Outcomes)
Maddeler halinde 4-9 adet
Bu dersi başarıyla tamamlayan öğrenciler;
I. Hipotez kurma, uygun örneklemi belirleme ve geçerliliği sınama konularını kapsayan nicel araştırma tasarlayabilme
II. Tek ve çok değişkenli analizler için gerekli istatistiksel teoriyi ve işlemsel prosedürleri açıklayabilme III. Bağımsız değişken(ler)deki değişime karşılık gelen bağımlı değişken(ler)deki değişimi
modelleyebilme ve analize temel teşkil eden varsayımları değerlendirebilme IV. Karmaşık çok değişkenli problemleri modelleyebilme
V. Küçük hacimli ve/veya eksik veri içeren örneklemleri analiz edebilme
VI. Grup ortalamalarına ilişkin deneyler tasarlayabilme ve anlamlılık testleri ile sınayabilme VII. Karmaşık yüksek boyutlu veri setlerini bağımsız az boyutlu uzaylara indirgeyebilme VIII. Çok değişkenli veriyi ortak özellikli alt gruplara ayırabilme
bilgi ve becerisine sahip olur.
Upon completion of the course students will be able to
I. Design a quantitative research which involves development of hypotheses, selection of appropriate samples as well as testing of the validity
II. Explain the statistical theory and computational procedures required for uni- and multivariate analyses
III. Model the changes in the dependent variable(s) in response to changes in the independent variable(s) and assess the assumptions underlying the analysis
IV. Model complex multivariate problems
V. Analyze samples with small sample sizes and/or missing values
VI. Design experiments concerning the means of several groups and test their significance VII. Reduce complex high-dimensional datasets into independent low-dimensional spaces VIII. Assign a set of multivariate data into subsets based on common characteristics
Ders Kitabı
(Textbook)Diğer Kaynaklar
(Other References)
Maddeler halinde en çok 5 adet
Johnson R.A. and Wichern D.W., (2007), Applied Multivariate Statistical Analysis, 6th edition, Pearson, New Jersey.
Alpar R., (2003), Uygulamalı Çok Değişkenli İstatistiksel Yöntemlere Giriş 1, Nobel Yayın Dağıtım, İstanbul.
Sharma S., (1996), Applied Multivariate Techniques, New York, John Wiley,
Hair J.F., Anderson R.E., Tatham R.L. and Black W.C., (2009), Multivariate Data Analysis, 7th edition, Prentice Hall, New Jersey.
Ramachandran K.M. and Tsokos C.P., (2009), Mathematical Statistics with Applications, Elsevier Academic Press, Burlington.
Ödevler ve Projeler
(Homework & Projects)Dönem Projesi: Derste işlenen istatistiksel tekniklerden biri kullanılarak, seçilecek bir problem için veri toplanmasını ve verilerin analizini içeren uygulamalı bir dönem projesi hazırlanacaktır.
Ödev: Çok değişkenli tekniklerin uygulamasına yönelik bilimsel makaleler incelenecektir.
Term Project: An applied term project, involving data collection and analysis of the data by using one of the statistical techniques discussed in the course, will be prepared.
Homework: Scientific articles on the application of multivariate techniques will be reviewed.
Laboratuar Uygulamaları
(Laboratory Work)Bilgisayar Kullanımı
(Computer Use)Diğer Uygulamalar
(Other Activities)Başarı Değerlendirme Sistemi
(Assessment Criteria)
Faaliyetler (Activities)
Adedi*
(Quantity)
Değerlendirmedeki Katkısı, % (Effects on Grading, %) Yıl İçi Sınavları
(Midterm Exams)
1 20
Kısa Sınavlar (Quizzes) Ödevler (Homework)
1 20
Projeler (Projects)
Dönem Ödevi/Projesi (Term Paper/Project)
1 20
Laboratuar Uygulaması (Laboratory Work) Diğer Uygulamalar (Other Activities) Final Sınavı (Final Exam)
1 40
*Yukarıda Belirtilen Sayılar Minimum Olup Gerekli Görüldüğü Takdirde Arttırılabilir.
DERS PLANI
Hafta Konular
Dersin Çıktıları 1
Temel Kavramlar, Örnekleme ve Esasları, Ölçme, Tekniklerin SınıflandırılmasıI
2
Doğrusal Regresyon AnaliziII, III
3
Çoklu Doğrusal Regresyon Analizi: Skalar ve Matris FormII, III
4
Regresyon Analizinde İleri Konular: Kukla Değişkenli ve Doğrusal Olmayan RegresyonII, III 5
Regresyon Analizinde İleri Konular: Düzenleyici ve Aracı Değişkenler, Tekrarlı ÖrneklemeII, IV, V
6
En Büyük Olabilirlik ve EM AlgoritmasıII, IV, V
7
Zaman Serileri AnaliziII, IV
8
Varyans Analizi ve Deney TasarımıII, VI
9
Çok Değişkenli Varyans AnaliziII, IV, VI
10
Temel Bileşenler Analizi: Boyut İndirgemeII, VII
11
Temel Bileşenler Analizi: Örnek UygulamalarII, VII
12
Kümeleme Analizi: Hiyerarşik YöntemlerII, VIII
13
Kümeleme Analizi: Hiyerarşik Olmayan YöntemlerII, VIII
14
Kümeleme Analizi: Özdüzenleyici HaritalarII, VIII
COURSE PLAN
Weeks Topics
Course Outcomes 1
Basic Concepts, Sampling Plans and Procedures, Measurement, Overview of the TechniquesI
2
Linear Regression AnalysisII, III
3
Multiple Linear Regression Analysis: Scalar and Matrix FormII, III 4
Advanced Topics in Regression Analysis: Dummy Variable & Nonlinear RegressionII, III 5
Advanced Topics in Regression Analysis: Moderator & Mediator Variables, ResamplingII, IV, V
6
Maximum Likelihood and the EM AlgorithmII, IV, V
7
Time Series AnalysisII, IV
8
Analysis of Variance and Experimental DesignII, VI
9
Multivariate Analysis of VarianceII, IV, VI
10
Principle Component Analysis: Dimension ReductionII, VII
11
Principle Component Analysis: ApplicationsII, VII
12
Cluster Analysis: Hierarchical MethodsII, VIII
13
Cluster Analysis: Nonhierarchical MethodsII, VIII
14
Cluster Analysis: Self-Organizing MapsII, VIII
Dersin “Endüstri Mühendisliği Doktora Programı”yla İlişkisi
1: Az, 2. Kısmi, 3. Tam
Programın mezuna kazandıracağı bilgi, beceri ve yetkinlikler (programa ait çıktılar) Katkı Seviyesi 1 2 3 i.
Endüstri Mühendisliği çalışma alanlarının ilişkili olduğu disiplinler arası etkileşimi
kavrayabilme, ilgili program alanında bilgilerini uzmanlık düzeyinde geliştirebilme ve derinleştirebilme (bilgi).i, ii
X
ii.
Endüstri Mühendisliği çalışma alanlarında edindiği uzmanlık düzeyindeki kuramsal ve uygulamalı bilgileri kullanabilme, farklı disiplin alanlarından gelen bilgilerle bütünleştirip yorumlayarak yeni bilgiler oluşturabilme ve karşılaşılan sorunları araştırma yöntemlerini kullanarak çözümleyebilme (beceri). iii, iv, v
X
iii.
Endüstri Mühendisliği çalışma alanları ile ilgili uzmanlık gerektiren bir çalışmayı, bilgi ve becerilerini eleştirel bir yaklaşımla değerlendirip, öğrenme sürecini yönlendirerek, bağımsız olarak yürütüp, karşılaşılan ve öngörülemeyen karmaşık sorunların çözümü için yeni stratejik yaklaşımlar geliştirerek sorumluluk alıp, liderlik yaparak çözüm üretebilme (Baðýmsýz Çalýþabilme, Sorumluluk Alabilme ve Öðrenme Yetkinliði).vi, vii, viii, ix
X
iv.
Endüstri Mühendisliği çalışma alanlarındaki güncel gelişmeleri ve kendi çalışmalarını, nicel-nitel veriler ile destekleyerek, gerekli düzeyde bilgisayar yazılımı ile birlikte bilişim ve iletişim teknolojilerini kullanarak, sosyal ilişkileri
eleştirel bir bakış açısı ile inceleyerek geliştirip ve gerektiğinde değiştirerek alanındaki ve alan dışındaki gruplara, yazılı, sözlü ve görsel olarak sistemli biçimde aktarabilme (Ýletiþim ve Sosyal Yetkinlik).x, xi, xiii
X
v.
Bir yabancı dili yeterli düzeyde kullanarak sözlü ve yazılı iletişim kurabilme, kendi çalışmalarını, Endüstri Mühendisliği alanlarındaki uluslararası platformlarda, yazılı, sözlü ve/veya görsel olarak aktarabilme (Ýletiþim ve Sosyal
Yetkinlik). xii, xvii
vi.
Endüstri Mühendisliği çalışma alanları ile ilgili verilerin toplanması, yorumlanması, uygulanması ve duyurulması aşamalarında toplumsal, bilimsel, kültürel ve etik değerleri gözeterek denetleyebilme, bu değerleri öğretebilme, ilgili konularda strateji, politika ve uygulama planları geliştirebilme ve elde edilen sonuçları, kalite süreçleri çerçevesinde değerlendirebilme, özümsediği bilgiyi, problem çözme ve/veya uygulama becerilerini, disiplinlerarası çalışmalarda kullanabilme (Alana Özgü Yetkinlik).xiv, xv, xvi
X
Relationship between the Course and “Industrial Engineering M.Sc. Program”
1: Little, 2. Partial, 3. Full Düzenleyen (Prepared by)
Yrd. Doç. Dr. Umut Asan
Tarih (Date) 30.05.2011
İmza (Signature) Program Outcomes
Level of Contribution
1 2 3
i.
Grasping interdisciplinary interaction related to one’s area and developing and
intensifying the current and high knowledge in that area based upon the competency in graduate level (knowledge).
X
ii.
By means of ability to use theoretical and practical information related to one’s area, to combine and interpret them with information from different disciplines producing new information and solving the faced problems by related searching methods (skill).
X
iii.
By means of the ability to critically analyze knowledge, skills and also a study related to one’s area that requires expertise on that area, directing and continuing
independently, developing new strategies for the problems that are not foreseen and taking the responsibilities together with fulfilling the leader role, the ability to produce solutions for that problems (competence to work independently, competence to take responsibility, competence to learning).
X
iv.
By means of the ability to promote current development and studies by supporting with qualitative and quantitative data and to use computer software together with information and communication technologies with a required level, critical analyzing, developing and altering, if required, social relationships and the norms directing these relationships, establishing written oral and visual communication with groups within one’s or different fields (communication and social competency).
X
v.
Proficiency in a foreign language –at least European Language Portfolio B2 Level- and establishing written, oral and visual communication with that language for presenting one’s studies in the international environment (communication and social competency).
vi.