Statistics and Analytics (5cr)
Code: R504TL99-3005
General information
- Enrollment
- 24.03.2025 - 31.08.2025
- Registration for the implementation has ended.
- Timing
- 01.09.2025 - 12.10.2025
- Implementation is running.
- Number of ECTS credits allocated
- 5 cr
- Mode of delivery
- Contact learning
- Teaching languages
- Finnish
- Seats
- 0 - 50
- Degree programmes
- Degree Programme in Information and Communication Technology
Evaluation scale
H-5
Objective
Opiskelija tuntee todennäköisyyslaskennan ja tilastotieteen perusteet. Hän osaa ratkaista yksinkertaisia todennäköisyyslaskennan ongelmia. Hän osaa esittää ja tulkita aineistoja tilastotieteen menetelmin. Hän ymmärtää luottamusvälien käsitteen ja osaa analysoida aineistoja tilastollisen testauksen menetelmillä. Datassa hyödynnetään kestävän kehityksen näkökulmia tukevia aineistoja.
Content
- Todennäköisyyslaskennan ja kombinatoriikan perusteet: klassinen ja tilastollinen todennäköisyys, todennäköisyyden laskusäännöt, Bayes’n teoreema, kombinaatiot ja permutaatiot.
- Tilastotieteen perusteet: mitta-asteikot ja graafit, tilastolliset tunnusluvut, datan luokittelu, regressio ja korrelaatio.
- Diskreetit ja jatkuvat todennäköisyysjakaumat. Luottamusvälit. Hypoteesien testaus.
Location and time
Rantavitikan kampus 1.9.2025 - 12.10.2025 lukujärjestyksen mukaan.
Materials
Luentomateriaalit, esimerkit, tehtävät ja tehtävämateriaalit Moodle-työtilassa ja OneDrive-pilvipalvelussa. Moodle-työtilassa linkkejä muihin, mm. Tilastokeskuksen materiaaleihin.
Oheislukemistot:
Karjalainen L. 2015. Tilastotieteen perusteet. Pii-kirjat
Ala-Lahti H. & al. 2021. Kvantitatiivisen tutkimuksen verkkokäsikirja (luettavissa: https://www.fsd.tuni.fi/fi/palvelut/menetelmaopetus/kvanti /)
Niemi A. 2004. Todennäköisyyslaskennan ja tilastomatematiikan perusteet. Jyväskylä:Antti Niemi
Nummenmaa L. & Holopainen M. & Pulkkinen P. 2014. Tilastollisten menetelmien perusteet. Sanoma Pro
Teaching methods
Lähiopetus, runsaasti esimerkejä ja harjoitustehtäviä.
Exam schedules
Uusintasuoritukset tapahtuvat tentillä, jonka ajankohta sovitaan erikseen opettajan kanssa.
Student workload
Samaa laajempaa tehtävää jatketaan kerrasta toiseen ja uudet asiat perustuvat aiemmin opittuun, minkä vuoksi tehtävät kannattaa tehdä viikoittain kurssin etenemisen tahdissa.
Assessment criteria, satisfactory (1)
Opiskelija osaa ratkaista yksinkertaisia todennäköisyyslaskennan ongelmia. Hän osaa tehdä graafisia esityksiä data-aineistoista ja laskea niistä määrätyt tunnusluvut. Hän osaa käyttää luottamusväleihin ja tilastolliseen testaukseen liittyviä matemaattisia menetelmiä.
Assessment criteria, good (3)
Opiskelija osaa ratkaista monimutkaisempia todennäköisyyslaskennan ongelmia. Hän osaa tehdä data-aineistoista monipuolisia graafisia esityksiä ja ymmärtää tilastollisen tunnuslukujen merkityksen. Hän osaa soveltaa luottamusväleihin ja tilastolliseen testauksen liittyviä matemaattisia menetelmiä yksinkertaisiin aineistoihin.
Assessment criteria, excellent (5)
Opiskelija osaa ratkaista monimutkaisempia todennäköisyyslaskennan ongelmia. Hän osaa tehdä data-aineistoista monipuolisia graafisia esityksiä ja analysoida aineistoja tilastollisen tunnuslukujen avulla. Hän osaa soveltaa luottamusväleihin ja tilastolliseen testauksen liittyviä matemaattisia menetelmiä monipuolisesti erilaisiin aineistoihin.
Further information
Kurssilla voi käyttää myös omaa konetta. MS Excel-taulukkolaskentaohjelma tarvitaan.