Introduction to Statistics (fall 2017)

1.    Descriptive Statistics: Numerical Measures

1.1 Measures of Location

1.2 Measures of Variability

1.3 Measures of Distribution Shape, Relative Location, and Detecting Outliers

1.4 Exploratory Data Analysis

1.5 Measures of Association Between Two Variables

1.6 The Weighted Mean and Working with Grouped Data

2.     Introduction to Probability

2.1 Experiments, Counting Rules, and Assigning  Probabilities

2.2 Events and Their Probabilities

2.3 Some Basic Relationships of Probability

2.4 Conditional Probability

2.5 Bayes’ Theorem

3.     Discrete Probability Distributions

3.1 Random Variables

3.2 Discrete Probability Distributions

3.3 Expected Value and Variance

3.4 Binomial Probability Distribution

3.5 Poisson Probability Distribution

4.     Continuous Probability Distributions

4.1 Uniform Probability Distribution

4.2 Normal Probability Distribution

4.3 Normal Approximation of Binomial Probabilities

4.4 Exponential Probability Distribution

5.     Sampling and Sampling Distributions

5.1 The Electronics Associates Sampling Problem

5.2 Selecting a Sample 

5.3 Point Estimation 

5.4 Introduction to Sampling Distributions

5.5 Sampling Distribution of x

5.6 Sampling Distribution of p

5.7 Properties of Point Estimators

6.     Interval Estimation

6.1 Population Mean: _ Known

6.2 Population Mean: _ Unknown

6.3 Determining the Sample Size

6.4 Population Proportion 

7.     Hypothesis Tests

7.1 Developing Null and Alternative Hypotheses

7.2 Type I and Type II Errors

7.3 Population Mean: _ Known

7.4 Population Mean: _ Unknown

7.5 Population Proportion 

7.6 Hypothesis Testing and Decision Making

7.7 Calculating the Probability of Type II Errors

7.8 Determining the Sample Size for a Hypothesis Test About  a Population Mean

8.     Inference About Means and Proportions with Two Populations

8.1 Inferences About the Difference Between Two Population Means: and _Known

8.2 Inferences About the Difference Between Two Population Means: and _Unknown

8.3 Inferences About the Difference Between Two Population Means: Matched Samples

8.4 Inferences About the Difference Between Two Population Proportions

9.     Inferences About Population Variances

9.1 Inferences About a Population Variance

9.2 Inferences About Two Population Variances

10. Tests of Goodness of Fit and Independence

10.1 Goodness of Fit Test: A Multinomial Population

10.2 Test of Independence

1.3 Goodness of Fit Test: Poisson and Normal Distributions

11. Experimental Design and Analysis of Variance

11.1 An Introduction to Experimental Design and Analysis of Variance

11.2 Analysis of Variance and the Completely Randomized Design

11.3 Factorial Experiment 

12. Simple Linear Regression

12.1 Simple Linear Regression Model

12.2 Least Squares Method

12.3 Coefficient of Determination

12.4 Model Assumptions

12.5 Testing for Significance

12.6 Using the Estimated Regression Equation for Estimation and Prediction

12.7 Computer Solution

12.8 Residual Analysis: Validating Model Assumptions

12.9 Residual Analysis: Outliers and Influential Observations

13. Multiple Regression

13.1 Multiple Regression Model

13.2 Least Squares Method

13.3 Multiple Coefficient of Determination

13.4 Model Assumptions

13.5 Testing for Significance

13.6 Using the Estimated Regression Equation for Estimation and Prediction

13.7 Categorical Independent Variables

13.8 Residual Analysis

13.9 Logistic Regression

14. Regression Analysis: Model Building

14.1 General Linear Model

14.2 Determining When to Add or Delete Variables

14.3 Analysis of a Larger Problem

14.4 Variable Selection Procedures

14.5 Multiple Regression Approach to Experimental Design

14.6 Autocorrelation and the Durbin-Watson Test

Text books: 1) STATISTICS FOR BUSINESS AND ECONOMICS 11 EDITION, David R. Anderson, Dennis J. Sweeney, Thomas A. Williams, pdf

2) Εισαγωγή στις Πιθανότητες με Στοιχεία Στατιστικής, Δ. Μπερτσεκάς και Ι. Τσιτσικλής (μετάφραση Α. Χούστη), Εκδόσεις Τζόλα, 2013.

1) Το γνωστικό αντικείμενο της στατιστικής  απαιτεί γνώσης της θεωρίας πιθανοτήτων. Το μάθημα περιλαμβάνει μια σύντομη επανάληψη των βασικών στοιχείων θεωρίας πιθανοτήτων.

2) Για τις ασκήσεις του μαθήματος απαιτείται γνώση των υπολογιστικών περιβαλόντων Python, R, Excel, και SaS. Η γνώση αυτή παρέχεται στο μάθημα "Περιβάλλοντα Επίλυσης Προβλημάτων (ΠΕΠ) για Εφαρμογές στην Επιστήμη Δεδομένων". Οι φοιτητές που θα πάρουν το μάθημα "Εισαγωγή Στατιστικής" και δεν γνωρίζουν τα παραπάνω ΠΕΠ μπορούν να παρακαλουθήσουν τις σχετικές διαλέξεις μόνον.

Ομότιμοι Καθηγητές Α. Χούστη και Η. Χούστης

1) STATISTICS FOR BUSINESS AND ECONOMICS 11 EDITION, David R. Anderson, Dennis J. Sweeney, Thomas A. Williams. (το pdf αρχείο του βιβλίου βρήσκεται στα έγγραφα του μαθήματος)

2) Εισαγωγή στις Πιθανότητες με Στοιχεία Στατιστικής, Δ. Μπερτσεκάς και Ι. Τσιτσικλής (μετάφραση Α. Χούστη), Εκδόσεις Τζόλα, 2013.

Η μέθοδος αξιολόγησης θα εξαρτηθεί από τον αριθμό φοιτητών που θα δηλώσει το μάθημα.

Ο βασικός κορμός αξιολόγησης θα βασίζεται στις εργαστηριακές  ασκήσεις και εργασίες / παρουσίασεις που μπορούν να εκτελούνται από ομάδες 1-3 φοιτητών. Οι διαλέξεις θα συνοδεύνται από εργασιακές ασκήσεις.

Στο τέλος του μαθήματος θα υπάρξει προφορική εξέταση στο παραπάνω έργο.