| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| İstatistik II | VBA 106 | 2 | 3 + 0 | 3 | 3 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | Doç.Dr. LEVENT ÇALLI |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | |
| Dersin İçeriği | Bu derste, öğrencilere dağılım teorisi, kestirim ve maksimum olabilirlik kestirimcileri ve hipotez testleri tanıtılır. Doğrusal istatistiksel modeller ve bunların veri uygulamaları üzerinde durulur. Kategorik veri analizi, nonparametrik istatistikler ve Bayesçi Metotlar tanıtırlır. Metotlarının tatbikinde, R yazılım paketi kullanılır. |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Merkezi limit teoreminin kullanımlarını anlamak. | ||
| 2 | Bilinmeyen parametrelerin maksimum olabilirlik ve en küçük kareler kestirimcilerini belirleyebilmek. Yanlılık ve aritmetik ortalama kareli hata terimlerini tanımlayabilmek. Yansız kestirimciler için Cramer-Rao alt sınırına göre etkinliğini belirleyebilmek. | ||
| 3 | Aritmetik ortalamalar, orantılar, varyanslar ve aritmetik ortalamalar ve orantılar arasındaki farklar için güven aralıklarını belirleyebilmek. | ||
| 4 | Hipotez testi kavramını, sıfır hipotezini ve alternatif hipotezi, tip I ve tip II hataları, test istatistiğini, kritik bölgeyi, anlamlılık düzeyini, bir testin olasılık-değerini ve testin gücünü anlamak ve uygulamak. Z-, t-, F- ve ki-kare dağılımlarının tablolarını kullanmak. | ||
| 5 | Veriye uygun istatistiksel modeli seçmek ve uygulamak. | ||
| 6 | Dersin veri analizi misallerinde R yazılımını kullanabilmek. Yukarıda betimlenen istatistiksel metotları R'da tatbik edebilmek. |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Örnekleme Dağılımları ve Merkezi Limit Teoremi. | |
| 2 | Kestirim ve Nokta Kestirimcilerinin Özellikleri | |
| 3 | Kestirim Metotları. | |
| 4 | Güven Aralıkları. | |
| 5 | Güven Aralıkları. | |
| 6 | Hipotez Testleri. | |
| 7 | Hipotez testleri. | |
| 8 | Basit Doğrusal Model. | |
| 9 | Çoklu Doğrusal Model. | |
| 10 | Genelleştirilmiş Doğrusal Model. | |
| 11 | Kategorik Veri Analizi. | |
| 12 | Nonparametrik İstatistik. | |
| 13 | Bayesçi Metotlara Giriş. | |
| 14 | R Tatbikatları. |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Veri Biliminde matematik konusunda yeterli bilgi birikimine ve bu alandaki kuramsal ve uygulamalı bilgileri, karmaşık veri bilimi problemlerinin çözümünde kullanabilme becerisine sahiptir. | ||||||
| 2 | Bilimsel araştırma yapabilme yeteneği ile elde edilen bilgiyi derinlemesine analiz edebilir ve yorumlayabilir | ||||||
| 3 | Analitik, modelleme ve deneysel araştırmaların tasarlanması ve uygulanması konusunda yetkinliğe; karmaşık veri setlerini analiz etme ve yorumlama yeteneğine sahiptir | ||||||
| 4 | Eksik veya kısıtlı veri setleriyle çalışarak bilgiyi tamamlayabilir ve farklı disiplinlerden gelen bilgileri entegre edebilir | ||||||
| 5 | Veri bilimi ve analitiği problemlerini tanımlama ve çözme becerisi için gerekli programlama becerisine sahiptir | ||||||
| 6 | Çok disiplinli takımlarda liderlik yapabilme, karmaşık problemlere yönelik çözüm stratejileri geliştirebilme, sorumluluk alma ve takım çalışmasına katkı sağlama becerisine sahiptir | ||||||
| 7 | Yenilikçi fikirler ve yöntemler geliştirme kabiliyetine; veri bilimi ve analitiği alanında veri işleme süreçlerinde yeni yaklaşımlar ortaya koyabilme becerisine sahiptir | ||||||
| 8 | Gereksinim duyulan veri ve bilgileri tanımlama, erişme ve değerlendirme, veri yönetimi ve analitiği alanında yetkindir. | ||||||
| 9 | Veri bilimi ve analitiği alanındaki güncel gelişmeleri takip edebilir, öğrenme ve yeni teknolojileri hızlı bir şekilde adapte edebilir | ||||||
| 10 | Yapılan çalışmaların sonuçlarını etkili bir şekilde aktarabilir ve teknik ve karmaşık konuları anlaşılır bir şekilde sunabilir | ||||||
| 11 | Veri bilimi ve analitiği uygulamalarının sosyal ve çevresel etkilerinin farkındadır ve bu bağlamda uyum sağlayabilir | ||||||
| 12 | Veri toplama, analiz etme ve raporlama süreçlerinde toplumsal, bilimsel ve etik değerler hakkında bilgi sahibidir; etik ilkeleri gözetir ve toplumun faydasını ön planda tutar | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Merkezi limit teoreminin kullanımlarını anlamak. | ||||||||||||
| 2 | Bilinmeyen parametrelerin maksimum olabilirlik ve en küçük kareler kestirimcilerini belirleyebilmek. Yanlılık ve aritmetik ortalama kareli hata terimlerini tanımlayabilmek. Yansız kestirimciler için Cramer-Rao alt sınırına göre etkinliğini belirleyebilmek. | ||||||||||||
| 3 | Aritmetik ortalamalar, orantılar, varyanslar ve aritmetik ortalamalar ve orantılar arasındaki farklar için güven aralıklarını belirleyebilmek. | ||||||||||||
| 4 | Hipotez testi kavramını, sıfır hipotezini ve alternatif hipotezi, tip I ve tip II hataları, test istatistiğini, kritik bölgeyi, anlamlılık düzeyini, bir testin olasılık-değerini ve testin gücünü anlamak ve uygulamak. Z-, t-, F- ve ki-kare dağılımlarının tablolarını kullanmak. | ||||||||||||
| 5 | Veriye uygun istatistiksel modeli seçmek ve uygulamak. | ||||||||||||
| 6 | Dersin veri analizi misallerinde R yazılımını kullanabilmek. Yukarıda betimlenen istatistiksel metotları R'da tatbik edebilmek. |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 30 |
| 1. Kısa Sınav | 5 |
| 1. Ödev | 5 |
| Toplam | 40 |
| 1. Final | 60 |
| Toplam | 60 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|