Dersin Adı İleri İstatistiksel Analiz İTÜ LİSANSÜSTÜ DERS KATALOG FORMU Course Name Advanced Statistical Analysis Kodu (Code) END513 Bölüm / Program (Department/Program) Yarıyılı (Semester) Güz (Fall) Kredisi (Local Credits) AKTS Kredisi (ECTS Credits) Ders Türü (Course Type) 3.0 7.5 Yüksek Lisans (MSc) 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 Dersin Amacı (Course Objectives) Maddeler halinde 2-5 adet Dersin Öğrenme Çıktıları (Course Learning Outcomes) Maddeler halinde 4-9 adet 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. 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 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 (GRADUATE COURSE CATALOGUE FORM)
Ders Kitabı (Textbook) Diğer Kaynaklar (Other References) Maddeler halinde en çok 5 adet Ödevler ve Projeler (Homework & Projects) Laboratuar Uygulamaları 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. 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. (Laboratory Work) Bilgisayar Kullanımı (Computer Use) Diğer Uygulamalar (Other Activities) Başarı Değerlendirme Sistemi Faaliyetler (Activities) Adedi* (Quantity) Değerlendirmedeki Katkısı, % (Effects on Grading, %) Yıl İçi Sınavları (Assessment Criteria) (Midterm Exams) Kısa Sınavlar (Quizzes) Ödevler (Homework) Projeler (Projects) Dönem Ödevi/Projesi (Term Paper/Project) Laboratuar Uygulaması (Laboratory Work) Diğer Uygulamalar (Other Activities) Final Sınavı 1 40 (Final Exam) *Yukarıda Belirtilen Sayılar Minimum Olup Gerekli Görüldüğü Takdirde Arttırılabilir.
DERS PLANI Hafta Konular Dersin Çıktıları 1 Temel Kavramlar, Örnekleme ve Esasları, Ölçme, Tekniklerin Sınıflandırılması I 2 Doğrusal Regresyon Analizi II, III 3 Çoklu Doğrusal Regresyon Analizi: Skalar ve Matris Form II, III 4 Regresyon Analizinde İleri Konular: Kukla Değişkenli ve Doğrusal Olmayan Regresyon II, III 5 Regresyon Analizinde İleri Konular: Düzenleyici ve Aracı Değişkenler, Tekrarlı Örnekleme II, IV, V 6 En Büyük Olabilirlik ve EM Algoritması II, IV, V 7 Zaman Serileri Analizi II, IV 8 Varyans Analizi ve Deney Tasarımı II, VI 9 Çok Değişkenli Varyans Analizi II, IV, VI 10 Temel Bileşenler Analizi: Boyut İndirgeme II, VII 11 Temel Bileşenler Analizi: Örnek Uygulamalar II, VII 12 Kümeleme Analizi: Hiyerarşik Yöntemler II, VIII 13 Kümeleme Analizi: Hiyerarşik Olmayan Yöntemler II, VIII 14 Kümeleme Analizi: Özdüzenleyici Haritalar II, VIII COURSE PLAN Weeks Topics Course Outcomes 1 Basic Concepts, Sampling Plans and Procedures, Measurement, Overview of the Techniques I 2 Linear Regression Analysis II, III 3 Multiple Linear Regression Analysis: Scalar and Matrix Form II, III 4 Advanced Topics in Regression Analysis: Dummy Variable & Nonlinear Regression II, III 5 Advanced Topics in Regression Analysis: Moderator & Mediator Variables, Resampling II, IV, V 6 Maximum Likelihood and the EM Algorithm II, IV, V 7 Time Series Analysis II, IV 8 Analysis of Variance and Experimental Design II, VI 9 Multivariate Analysis of Variance II, IV, VI 10 Principle Component Analysis: Dimension Reduction II, VII 11 Principle Component Analysis: Applications II, VII 12 Cluster Analysis: Hierarchical Methods II, VIII 13 Cluster Analysis: Nonhierarchical Methods II, VIII 14 Cluster Analysis: Self-Organizing Maps II, VIII
Dersin Endüstri Mühendisliği Doktora Programı yla İlişkisi Programın mezuna kazandıracağı bilgi, beceri ve yetkinlikler (programa ait çıktılar) i. Endüstri Mühendisliği çalışma alanlarının ilişkili olduğu disiplinler arası etkileşimi kavrayabilme, ilgili program alanında bilgilerini uzmanlık düzeyinde geliştirebilme ve derinleştirebilme (bilgi).i, ii 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 Katkı Seviyesi 1 2 3 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 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 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 1: Az, 2. Kısmi, 3. Tam
Relationship between the Course and Industrial Engineering M.Sc. Program Program Outcomes 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). 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). 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). 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). v. Proficiency in a foreign language at least European Language Portfolio B2 Leveland establishing written, oral and visual communication with that language for presenting one s studies in the international environment (communication and social competency). vi. By means of the ability to inspect the steps like gathering, interpreting, implementing and announcing related data with the one s area by overseeing scientific, cultural and ethical norms, teaching these norms, developing strategy, policy and action plans in related subjects and evaluating the obtained results by making the use of quality processes, using the gathered information and solving problems and/or implementation skills in the interdisciplinary strategies (area specific competency). Level of Contribution 1 2 3 1: Little, 2. Partial, 3. Full Düzenleyen (Prepared by) Yrd. Doç. Dr. Umut Asan Tarih (Date) 30.05.2011 İmza (Signature)