Statistics (2cr)

Evaluation scale

H-5

Content scheduling

Opintojakso toteutetaan yhteisopetuksena (ryhmät A ja B).
Kurssin aiheita käsitellään sekä teorian ja tulkinnan näkökulmasta että analyysivälineiden käytön harjoittelun (Excel ja/tai MATLAB) näkökulmasta.

Alustava aikataulu:
vk 36 (HYB): Opintojakson aloitus. Tilastollisen tutkimuksen peruskäsitteet, otantamenetelmät, muuttujien mitta-asteikot.
vk 37 (HYB): Taulukot ja kaaviot aineiston kuvailussa. Histogrammijakauman yhteys normaalijakaumaan.
vk 38 (HYB): Tilastolliset tunnusluvut aineiston kuvailussa: tunnusluvut, virhe-%, variaatiokerroin ja luottamusväli tulosten luotettavuuden mittareina.
vk 39 (HYB): Kahden muuttujan yhteydet, kun vähintään toinen on sanallinen (kategorinen): ristiintaulukointi, ryhmittäiset tunnusluvut ja laatikkojanakaavio
vk 40 (HYB): Kahden muuttujan yhteydet, kun molemmat ovat numeerisia: sirontakuviot ja käyrien sovitus, regressiomallit ja korrelaatiokertoimet
vk 41-43 (HYB): Aineistoanalyysin harjoitustyö (parityö) ja sen tekemiseen liittyvää vapaaehtoista Helpdesk-ohjausta
vk 44 (ETÄ): Klassinen ja tilastollinen todennäköisyys, normaalijakauma ja siihen liittyvät laskut
vk 45 (HYB): Keskiarvon keskivirhe ja luottamusväli, otoskoon laskenta ja otannan toteutus
vk 46 (HYB): Kertaus teoriakokeeseen
Viikolla 46 on lukkarissa mahdollisesti toteutuva varaus etävalvotulle teoriakokeelle
vk 47 (LÄHI + ETÄ): Teoriakoe kampuksella lähikokeena (ti) + kokeen tulosten läpikäyntiä ja asiaa uusinnoista etänä (pe)

Objective

The target of the study course is to familiarize student to use of statistical methods and their computer applications. When course is completed, student can produce statistical data required in his/her work, and analyze it.

Content

- assessment of sampling methods and sample size from the perspective of the result reliability
- presentation and interpretation of graphs
- measuring methods and scales
- descriptives
- normal distribution and related calculations
- correlation and regression
- performing a small-scale data analysis using the analysis methods mentioned above

Materials

Soveltuvat oppikirjat (ei pakollinen):
- Tilastollinen tutkimus, Heikkilä, 2014, Edita Publishing (Saatavilla myös e-kirjana https://turkuamk.finna.fi/Record/turkuamk_electronic.99546026720597 0)
TAI
- Tilastollisen aineiston käsittelyn ja tulkinnan perusteita; Tähtinen, Laakkonen & Broberg, 2020, Turun yliopiston kasvatustieteiden laitos (Saatavilla myös e-kirjana https://turkuamk.finna.fi/Record/turkuamk_electronic.99570808940597 0)

tai vastaava tilastollisen tutkimuksen perusteiden oppikirja

- Itslearning-oppimisympäristössä oleva ja sinne linkitetty sähköinen- ja verkkomateriaali, opetusvideot

Teaching methods

Tunteihin liittyvät tsenäiset ennakkotehtävät ja kertaustehtävät itsissä
Opetustapaaminen kerran viikossa, á 2t
Osaamista mittaava koe (automaattinen arviointi) ja harjoitustyö (itse-, vertais- ja opettajan arviointi)

Jokaiseen opetus/ohjauskertaan liittyy edellisen kerran aiheita kertaavia ja uuteen aiheeseen valmistelevia itsenäisiä kotitehtäviä. Näillä kotitehtävillä on mahdollista kerätä osa kurssipisteistä.

Tekoälyn käytössä noudatetaan tehtävittäin Arenen liikennevalomallia. Tekoälyn käyttö on ohjeistettu oppimistehtävittäin tämän toteutussuunnitelman kohdassa Arvioinnin kohteet

Exam schedules

Teoriakoe viikolla 46 tai 47 (uusinnat EY-tekniikan yleisinä uusintatenttipäivinä joko 25.11.2025 tai 16.12.2025)
Harjoitustyön palautus 31.10.2025 mennessä. Myöhässä palautetusta harjoitustyöstä vähennetään 6p harjoitustyön yhteispisteistä (vastaa numeron alennusta arvosanaan).

Pedagogic approaches and sustainable development

Learning-by-doing ja flipped learning

Oppiminen perustuu paljolti opiskelijan omaan aktiiviseen osallistumiseen ja suorittamiseen.
Opiskeltavista aiheista annetaan opiskelijalle sekä ennakkotehtäviä että kertaavia tehtäviä ja tehtävien suoritusta tukevaa materiaalia.

Arviointi perustuu suoritettuihin tehtäviin ja osaamisen osoittamiseen kokeessa sekä harjoitustehtävässä.

Learning-by-doing ja flipped learning

Oppiminen perustuu paljolti opiskelijan omaan aktiiviseen osallistumiseen ja suorittamiseen.
Opiskeltavista aiheista tarjotaan opiskelijalle itsenäisiä tehtäviä, niiden suoritusta tukevaa materiaalia ja opettajan ohjausta. Arviointi perustuu suoritettuihin tehtäviin ja automaattiarvioitaviin testeihin.

Opintojaksolla opittavat taidot ovat työelämässä tarvittavia perustaitoja. Opitut Excelin taulukkolaskentataidot edesauttavat kestävän kehityksen toimintaan liittyvää laskentaa työelämässä ja yksityiselämässä. Tilastojen tulkintaan liittyvät taidot kehittävät mm. laatuun ja laatujärjestelmiin liittyvää pohdintaa.

Opintojakson materiaali on digitaalisesti tuotettua materiaalia, joka ei kuluta luonnonvaroja yhtä paljon kuin fyysinen materiaali.

Completion alternatives

Opintojakson itsenäinen suorittaminen: Hyväksytysti suoritettu teoriakoe ja harjoitustyö.

Huom! Opiskelija voi suorittaa opintojakson itsenäisesti jo kesän 2025 aikana (5.5.-30.9. välisenä aikana) opiskelemalla kurssin aiheet ja tekemällä harjoitustyön itsiin rakennetun itsenäisesti suoritettavan kurssin avulla. Kurssin teoriakoe suoritetaan tällöin EY-tekniikan yleisenä uusintapäivänä 3.6. tai syyskuun 25 uusinnassa 3.9. tai etävalvotusti opettajan kanssa erikseen sovittuna ajankohtana. Jos olet kiinnostunut suorittamaan opintojakson tällä tavoin, ole sähköpostitse yhteydessä opettajaan (hannele.kuusisto@turkuamk.fi) lisätietojen saamiseksi.

Student workload

2 op = 54 t opiskelijan työtä jakautuen
- Opetukseen/ohjaukseen (19 t)
- Itsenäiset viikkotehtävät, joilla voi kerätä max 10 kurssipistettä (noin 6 x 3 t = 18 t)
- Näyttökoe tilastotieteen teoriasta (max 25 kurssipistettä) sekä kokeeseen opiskelu (1 t + 8 t = 9 t) (teoriakoe toteutuu mahdollisesti etävalvottuna kokeena)
- Hyväksytysti suoritettava tilastollisen analyysin harjoitustyö (max 15 kurssipistettä) ryhmätehtävänä (8 t)

Evaluation methods and criteria

Opintojakso arvioidaan numeerisesti 0-5 kerättyjen kurssipisteiden perusteella. Kurssipisteitä voi kerätä:
- Itsenäisistä viikkotehtävistä max 10 p (myöhässä palautetuista harjoituksista ei saa lainkaan pisteitä) (tekoälyn liikennevalo vihreä: saa käyttää, ei tarvitse kertoa)
- Harjoitustyöstä max 15p (harjoitustyöstä saatava min. 5p, myöhässä palautetusta harjoitustyöstä voi saada maksimissaan 9 p) (tekoälyn liikennevalo keltainen: saa käyttää, pitää kertoa)
- Teoriakokeesta max 25p (teoriakoe järjestetään mahdollisesti etävalvotusti) (tekoälyn liikennevalo punainen: ei saa käyttää, perustelu: oman osaamisen näyttö)

Kurssin hyväksytty suoritus edellyttää vähintään 25 p yhteensä, ja vähintään 5 p harjoitustyöstä.

Failed (0)

Opiskelija ei ole saanut vähintään 25 kurssipistettä, tai vähintään 5 p harjoitustyöstä

Assessment criteria, satisfactory (1-2)

Arvosanaan 1 vaaditaan 25 p ja harjoitustyöstä vähintään 5 p.
Arvosanaan 2 vaaditaan 30 p ja harjoitustyöstä vähintään 5 p.

Numeron 1-2 osaaminen vastaa tilastollisessa analyysissä kuvailevien analyysimenetelmien hallintaa.

Assessment criteria, good (3-4)

Arvosanaan 3 vaaditaan 35 p ja harjoitustyöstä vähintään 5 p.
Arvosanaan 4 vaaditaan 40 p.

Numeron 3-4 osaaminen vastaa tilastollisessa analyysissä kuvailevien analyysimenetelmien ja kahden muuttujan yhteyden tutkimiseen liittyvien analyysimenetelmien hallintaa.

Assessment criteria, excellent (5)

Arvosanaan 5 vaaditaan 45 p.

Numeron 5 osaaminen vastaa tilastolllisessa analyysissä tason 3-4 analyysimenetelmien hallinan lisäksi ymmärrystä todennäköisyyslaskennasta, otostunnuslukujen luotettavuudesta ja lineaarisesta regressioanalyysistä.

Further information

Kurssin tärkeimmät ilmoitukset opettaja lähettää sähköpostitse. Yhteydenotot opettajaan sähköpostitse (hannele.kuusisto@turkuamk.fi).

Tunteihin liittyvä informaatio itslearningissä. Kurssiin liittyviä ilmoituksia itslearningissä kurssin Yleiskatsaus-sivulla.

Käytettävät ohjelmistot: MS Excel -työpöytäsovellus, GeoGebra, Teams, MATLAB.