Marmara Üniversitesi
Marmara Üniversitesi Eğitim-Öğretim Bilgi Sistemi

Bu dersin amacı, istatistiksel kavram ve yöntemleri uygulamalı örnekler üzerinden öğreterek öğrencilerin R programlama dilini kullanarak veri analizi yapabilme becerisi kazanmalarını sağlamaktır. Öğrenciler; temel tanımlayıcı istatistiklerden başlayarak olasılık dağılımleri, örnekleme yöntemleri, hipotez testleri, regresyon analizi ve varyans analizi gibi parametrik ve parametrik olmayan testlere kadar geniş bir yelpazede istatistiksel yöntemleri uygulayacak; R ile veri setlerini içe aktarma, temizleme, analiz etme ve görselleştirme süreçlerini deneyimleyerek kavrayacaklardır.

-

R Ortamına Giriş ve Veri Yapıları: RStudio kullanımı; vektör, matris, liste, veri çerçevesi Tanımlayıcı İstatistik: Merkezi eğilim ve yayılma ölçüleri; özet tablolar ve grafikler Olasılık Temelleri: Olasılık kuralları; bağımsızlık; koşullu olasılık Olasılık Dağılımları: Binom, Poisson, Normal, t, χ² dağılımları Örnekleme ve Örneklem Dağılımları: Basit tesadüfi örnekleme; merkezî limit teoremi Hipotez Testleri (Parametrik): z-test, t-test (tek örnek, bağımsız, eş eşlemeli), ki-kare iyilik uyumu ve bağımsızlık testleri Regresyon Analizi: Basit doğrusal regresyon; model uygunluk ölçümleri; çoklu regresyon Varyans Analizi (ANOVA): Tek yönlü ANOVA; varsayım kontrolü ve post-hoc karşılaştırmalar Parametrik Olmayan Testler: Mann–Whitney U, Wilcoxon işaretli sıra, Kruskal–Wallis Simülasyon Teknikleri: Monte Carlo simülasyonları ile olasılık ve belirsizlik analizleri Veri Görselleştirme: ggplot2 ile histogram, kutu grafiği, dağılım grafiği R Markdown ile Raporlama: Dinamik rapor oluşturma ve çıktı alma (HTML/PDF)

Etkileşimli Ders Oturumları: Her konu başlığı için kısa teorik sunum ardından soru-cevap ve tartışma. Canlı Kodlama Uygulamaları: RStudio’da örnek veri setleri üzerinden kod yazma ve sonuçları adım adım inceleme. Bireysel ve Grup Alıştırmaları: Hafta içi verilen mini‐ödevlerde veri temizleme, özet istatistik ve grafik oluşturma görevleri. Vaka Çalışmaları: Gerçek dünyadan seçilmiş istatistik problemlerini (ör. sosyal anket verileri) grup içinde analiz etme. Laboratuvar Çalışmaları: Bilgisayar laboratuvarında R paketleri (dplyr, ggplot2, stats) kullanılarak parametrik ve parametrik olmayan testlerin uygulanması. Simülasyon Atölyesi: Monte Carlo simülasyonlarını R ile gerçekleştirme ve sonuçları yorumlama. R Markdown Projesi: Dönem sonunda, seçilen bir veri seti üzerinden dinamik rapor (HTML/PDF) hazırlama ve sunma. Sunum ve Geri Bildirim: Öğrenci projeleri sözlü sunumla sergilenir; hem eğitmen hem akran değerlendirmesiyle gelişim önerileri alınır. Çevrimiçi Tartışma ve Kaynak Paylaşımı: Google Classroom’da haftalık tartışma soruları, ek okumalar ve kod örnekleri paylaşılarak etkileşim desteklenir.

NA

%30 İngilizce

Filiz ÇAKIR, Sosyal Bilimlerde İstatistik, Alfa Yayınları, İstanbul, 2000

yok

• R ortamını kullanarak veri yapıları (vektör, matris, liste, veri çerçevesi) oluşturma ve manipüle etme becerisi kazanmak.
• Tanımlayıcı istatistikler ile merkezi eğilim ve yayılma ölçülerini hesaplayıp yorumlayabilmek.
• Olasılık dağılımlarını ve merkezî limit teoremini kullanarak örneklem dağılımlarını analiz edebilmek.
• Parametrik (z-test, t-test, ki-kare, regresyon, ANOVA) ve parametrik olmayan (Mann–Whitney, Wilcoxon, Kruskal–Wallis) testleri R ile uygulayıp sonuçlarını yorumlayabilmek.
• Monte Carlo simülasyonları ve ggplot2 ile görselleştirme tekniklerini kullanarak belirsizlik analizleri ve etkili grafikler oluşturabilmek.