統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことを目的とする。

ただし、統計や統計学については、膨大な研究の蓄積が有り、その利用はきわめて多分野に亘る。しかも、各分野で独自の発展をとげている部分もあり、本講のみでそのすべてを扱うことは出来ない。したがって、本講では、統計ならびに統計学に関する基本的な考え方を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。

具体的には、二元分割表（２×２クロス集計表）の独立性の検定と関連性の強さの推定を主な題材として、統計データの収集、チェック、集計、分析、結果の解釈という一連の過程について解説し、統計データの発生、仮説検定と推定の考え方に関する理解を深める。

なお本講は、統計分析手順の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指している。しかし、統計学的命題について、厳密な数学的証明は避け、あくまで統計・統計学のエンドユーザーとして必要とされる直感的な理解を目指す。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム　リテラシーレベル(MDASH Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 調査や実験・試験によるデータ収集の作法を理解する
2. データの種類や性質に応じたデータ確認と要約ができる
3. 二元分割表の独立性の検定と関連の強さの推定を行い、結果を解釈できる。
4. 仮説検定や推定の原理を理解する
5. 統計や統計学的知識を正しく使うための留意点と倫理を知る
6. 統計・統計学の応用について幅広く知り、今後の学習につなげる

- 概要と導入（1回）
- データの確認と要約（2〜3回）
- 二元分割表と検定（2〜3回）
- さまざまな確率分布と統計的検定の考え方（1〜2回）
- 二元分割表のリスク比・オッズ比・リスク差（1〜2回）
- 中心極限定理、区間推定（1〜2回）
- t分布、検定・推定と標本規模（1〜2回）
- 統計と統計学の利用（1回）
- 発展的内容（1回）

授業回数はフィードバックを含め全15回とする。
なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

主に文系の学生が高校で履修したレベルの数学の知識を必要とする

期末試験、小テスト及びレポートなどによって、講義で解説した基本的概念・原理の理解度、統計データの収集・集計・分析・解釈についての応用力を評価する。詳細は授業中に指示する。

講義を中心とするが、自習として統計分析ソフト（JMPやR等）を利用した演習を課す。
ソフトウェア JMP については、JMP Student Editionを各自で登録の上で自身のコンピュータにインストールして使用する。詳細は授業中に指示する。

「統計入門」では文系向きのクラス（前期月曜１限、後期金曜１限）を開講しておりますので、文系学部生はこちらのクラスを推奨します。

統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことを目的とする。

ただし、統計や統計学については、膨大な研究の蓄積が有り、その利用はきわめて多分野に亘る。しかも、各分野で独自の発展をとげている部分もあり、本講のみでそのすべてを扱うことは出来ない。したがって、本講では、統計ならびに統計学に関する基本的な考え方を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。

具体的には、二元分割表（２×２クロス集計表）の独立性の検定と関連性の強さの推定を主な題材として、統計データの収集、チェック、集計、分析、結果の解釈という一連の過程について解説し、統計データの発生、仮説検定と推定の考え方に関する理解を深める。

なお本講は、統計分析手順の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指している。しかし、統計学的命題について、厳密な数学的証明は避け、あくまで統計・統計学のエンドユーザーとして必要とされる直感的な理解を目指す。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム　リテラシーレベル(MDASH Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 調査や実験・試験によるデータ収集の作法を理解する
2. データの種類や性質に応じたデータ確認と要約ができる
3. 二元分割表の独立性の検定と関連の強さの推定を行い、結果を解釈できる。
4. 仮説検定や推定の原理を理解する
5. 統計や統計学的知識を正しく使うための留意点と倫理を知る
6. 統計・統計学の応用について幅広く知り、今後の学習につなげる

1.概要と導入
2.量的データの確認と要約
3.質的データの確認と要約
4.JMP等によるデータの確認と要約
5.二元分割表とカイ二乗検定
6.二元分割表とフィッシャーの正確検定
7.さまざなな確率分布と統計的検定の考え方
8.中間のまとめと補足、小テストとフィードバック
9.二元分割表のリスク比とオッズ比
10.二元分割表におけるリスク差
11.中心極限定理、区間推定の考え方
12.t分布、検定・推定と標本規模
13.統計と統計学の利用
14.続・統計入門への繋がり
15.フィードバック

なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

主に文系の学生が高校で履修したレベルの数学の知識を必要とする

期末試験、小テスト及びレポートなどによって、講義で解説した基本的概念・原理の理解度、統計データの収集・集計・分析・解釈についての応用力を評価する。詳細は授業中に指示する。

講義を中心とするが、自習として統計分析ソフト（JMPやR等）を利用した演習を課す。
ソフトウェア JMP については、JMP Student Editionを各自で登録の上で自身のコンピュータにインストールして使用する。詳細は授業中に指示する。

このクラスは文系向きのクラスです。文系学部生はこちらのクラスを推奨します。

当講義では、自然科学、社会科学を問わず方法論としての統計学に興味のある者に基礎的な教養を提供することを目的とする。その際、まず確率論に基礎を置く推定・検定を重視した伝統的な数理統計学の基礎的理解を重視する。

統計学の基礎的な事項を理解する。
特に、推定や検定に対し習熟し、実験・観測データの取り扱いに必要な素養を身に着ける。

授業はフィードバックを含め全15回とする。
以下の内容に関して、各テーマ1から2回の講義を行う。ただし講義の進みぐあいにより順序や同一テーマの回数を変えることがある。

（ 1）確率論の復習
（ 2）確率変数について
（ 3）カイ2乗分布、t分布、F分布
（ 4）その他の確率分布
（ 5）統計的推定の一般論
（ 6）点推定と推定量について
（ 7）区間推定の方法
（ 8）統計的仮説検定の考え方と一般論
（ 9）一元配置の分散分析
（10）二元配置の分散分析，適合度検定，独立性検定
（11）回帰分析

フィードバック：フィードバック時間に、研究室内に待機し、自習に基づいて質問に来た学生に対して解説する。

特になし

平常点と中間・期末レポートにより評価。詳細は授業中に指示する。

予習として統計学への現実的な興味を様々な方法を通じて持ってもらいたい。
また、復習として講義内容の理解に努めてもらいたい。

板書を中心とした伝統的な講義を行う。講義を聞きながらノートをとることによって理解を深め、当科目を履修した後の更なる展開の礎を築いてもらうことを目指す。
前期開講の「確率論基礎」等を履修していることが望ましい。

This course aims to provide students with practice using a variety of data analysis techniques, in a manner that emphasizes data analysis reporting. These data analysis techniques include: descriptive statistics, classical hypothesis testing and machine learning. We will focus on how to organize and present analysis results from relatively complex dataset. No prior knowledge of statistics or data science is required. Computer programming experience is useful but not required.

This course provides an understanding of data analysis methods and how to organize and report data analysis results. Students will learn the basics of data science, statistics and computer programming. Students will learn how to organize and report data analysis results in a concise, information-dense manner. Students will learn how to use the Python programming language (python.org), Jupyter Notebooks (jupyter.org) and Markdown (markdownguide.org). The semester-long goal of this course is to produce a Final Project, which involves (1) analysis of a real-world dataset using several analysis techniques, and (2) creation of a full report of your findings, in a user-friendly format, similar to real-world report that you might one day produce for a data analysis customer.

The following weekly topics will be covered:

1) Jupyter I: Introduction
2) Python I: Basics
3) Python II: Visualizing Data
4) Python III: Getting Data
5) Python IV: Parsing Data
6) Jupyter II: Organizing Code
7) Classical Stats I: Descriptive Statistics & Correlation
8) Classical Stats II: Hypothesis Testing
9) Classical Stats III: Meaning of Probabilities
10) Machine Learning I: Classification
11) Machine Learning II: Clustering
12) Jupyter III: Organizing Reports
13) Machine Learning III: Regression
14) Machine Learning IV: Preprocessing & Dimensionality Reduction
15) Feedback

Total: 14 lectures + 1 feedback week

There are no specific requirements for this class. However, students must be willing to work with open-source software, which is relatively poorly documented compared to commercial software. The class instructor will help with problems, but students are also encouraged to find solutions to their problems through internet searches.

Additionally, skills in the following would be helpful:
- Computer programming: Python experience (or experience with any other language)
- HTML editing: Markdown (or any other high-level HTML-generation language)
- Statistics: basic hypothesis testing, basic machine learning, etc.

Students are expected to produce all in-class demonstrations independently, and to independently complete regular assignments.

Evaluation will be based on the following criteria:

- Assignments (80%) [10 @ 8% each]
- Final Project (20%)

TOTAL: 100%

Note that several of the assignments pertain directly to the Final Project. The Final Project will consist of a cumulation of work done throughout the semester.

This course has a variety of out-of-class assignments (including a Final Project) and no exam. Students who do not pay attention to the lecture content during class will likely have difficulties completing the assignments.

The lecture content will be made available prior to the lecture. It is recommended that students review this content prior to the lecture.

OFFICE HOURS:
Immediately before / after class or by appointment (pataky.todd.2m @ kyoto-u.ac.jp)