본 과목은 통계학 전공에 필요한 계산적 사고력, 즉 논리로 표현하는 문제 해결 방법 및 논리적으로 컴퓨터 프로그램을 작성하는 능력을 함양하는 것을 목표로 한다. 특히 프로그래밍과 프로그래밍 언어의 기본 개념, 즉 데이터 구조, 추상화, 계층화, 모듈화, 반복, 재귀, 절차적 사고, 가치 지향 사고, 재사용, 계산복잡도, 자료형 등에 대해 공부한다. 개념의 구체화를 위한 도구로 특정 프로그래밍 언어(예: R)를 사용할 수 있으나, 다루는 내용은 언어 중립적이다. 추가적으로 함수적 프로그래밍과 객체 지향 프로그래밍 패러다임에 주의를 기울이며, 자료 분석을 위한 데이터 랭글링, 조작 및 탐색의 기초에 대해 다루고 다양한 데이터 유형의 추세를 시각화, 제시 및 전달하는 방법에 대해서도 공부한다.

기본적인 표본설계와 추정이론을 기초로 하여 보다 다양하고 실용적인 설계와 추정이론을 다룬다. 주요 교과내용은 랜덤추출법, 층화추출법, 군집추출법, 층화다단추출법, 회귀추정 중복추출법, 비표본오차에 대한 고찰 등이다. 각 추출방법에서 모수의 추정과 표본의 크기 추정, 표본의 최적배분, 상대효율 등을 다룬다. 실습을 통하여 통계조사과정과 실측방법의 문제에 접근한다. 조별 사례연구로써 실제 현장에서 표본설계 및 조사실습을 실시한다.

이 과목에서는 통계학의 기본이 되는 확률의 정의 및 분포 함수, 확률밀도 함수에 대한 개념을 공부한다. 다양한 종류의 분포함수들에 대한 소개와 여러가지 성질에 대하여 공부를 한다. 또한 통계량의 분포인 표본분포에 대한 개념과 여러 가지 표본분포의 정의와 다양한 성질 그리고 표본본포의 근사에 관하여 공부한다.

이 과목에서는 두 가지 통계적 추론 방법들, 즉 추정과 검정의 기본 이론을 다룬다. 추정법으로 적률추정법, 최대가능도 추정법, 베이즈 추정법, 최소분산불편추정 등을, 검정법으로는 최대가능도 검정, 라오 검정, 왈드 검정, 베이즈 검정, 전역최강력 검정 등을 다룬다. 통계적 추론의 이론적 배경으로 충분통계량, 라오-블랙웰 정리, 크래머-라오 부등식 등을 다루고, 추정량들의 점근적 성질의 유도, 검정의 점근적 근사 등을 다룬다.

기본적으로 선형회귀모형을 주어진 자료에 적합시키는 방법을 소개하며, 모형모수에 대한 추론도 다룬다. 이 과목에서 다루는 주제를 나열하면, 단순선형회귀, 다중선형회귀, 모형적합진단, 가중선형회귀, 변수변환, 회귀진단, 레버리지 및 영향점 탐지, 범주형변수를 위한 회귀분석기법, 다중공선성, 변수선택 및 모형선택, 비선형회귀, 일반화선형모형, 인공신경망 등이다.

범주형 자료에 대한 이해와 분석 방법을 학습하는 과목이다. 범주형 자료는 사회과학, 보건의료 등 다양한 분야에서 일상적인 조사와 실험을 통해 널리 수집된다. 학생들은 분할표(contingency table) 분석을 포함하여, 일반화선형모형(generalized linear model), 로지스틱 회귀모형(logistic regression model), 로그 선형모형(log-linear model) 등 다양한 분석 방법을 학습한다. 이 과목을 통해, 자료의 특성을 이해하고, 적절한 분석 방법을 선택할 수 있는 능력을 개발한다. 또한 통계 소프트웨어를 통해 실제 데이터에 적용하고 구현하는 과정을 다룬다.

과학연구와 산업응용에서의 과정개선, 비용절감 및 복잡한 시스템에 대한 이해를 위한 효과적인 데이터 수집과 분석의 방법을 배운다. 하나의 요인에 대한 완전확률화법, 라틴방격법, 요인배치법, 블록계획, 일부실시법, 반응표면분석 등의 이론을 소개하고 각 계획법에 따라 수집된 자료의 분석 방법을 배운다.

(선수과목 : 회귀분석 및 실습)

본 교과목은 다변량 통계 분석의 이론과 응용을 다루며, 학생들이 다변량 데이터를 효과적으로 분석하고 해석할 수 있는 능력을 기르는 것을 목표로 한다. 주요 내용으로 다변량 정규분포 및 관련 분포 이론을 학습하고, 다변량 가설검정을 통한 그룹 비교 및 통계적 유의성 분석을 수행한다. 또한, 주성분 분석(PCA)과 요인 분석(Factor Analysis) 등 다양한 다변량 통계 기법들을 배우며, 구조방정식 모델(Structural Equation Modeling, SEM)을 활용하여 변수 간의 관계를 분석하는 방법을 익힌다. 마지막으로, 분류(Classification) 기법을 통해 데이터의 패턴을 분류하고 예측하는 방법을 학습한다. 이를 통해 학생들은 다양한 다변량 데이터 분석 기법을 실습하고 실전 문제에 적용할 수 있는 역량을 갖추게 된다.

베이즈 추론은 베이즈 정리를 이용하여 불확실성을 가진 정보를 확률로 표현하고 이를 이용하여 추론을 하는 방법이다. 이 과목에서는 베이즈 추론의 역사적 배경, 베이즈 추론의 기본 요소를 다루고, 현실적인 베이즈 추론을 위해 필요한 베이즈 계산 방법들, 즉 마르코프 체인 몬테 카를로와 변분방법 등을 다룬다. 또한 베이즈 추론을 이표본 검정, 선형 회귀모형, 로지스틱 회귀모형 등 기본적인 통계모형에 적용하여 데이터 분석하는 방법을 배운다.

(선수과목 : 수리통계 1, 수리통계 2 )

데이터 리터러시의 개념과 데이터마이닝에 사용되는 다양한 종류의 방법론을 배운다. 본 강의는 3부로 나누어진다. 제1부에서는 데이터 리터러시에 대해서 배우고, 제2부에서는 데이터마이닝을 위한 다양한 방법론을 소개한다. 특히, 상관관계부터 인과관계까지 데이터 기반 관계를 이해하는 방법을 배우고, 선형회귀모형부터 신경망모형까지의 예측모형 구축방법과 모형을 해석하는 방법, 그리고 군집분석/연관성분석 등 데이터탐색 방법을 다룬다. 제3부는 실제 예제를 분석하는 것으로 수강 학생들의 팀 프로젝트 발표로 이루어진다. 본 강의는 이론 2시간 실습 2시간으로 이루어진다. 본 과목의 필수 선수과목은 <회귀분석 및 실습>이다.

비모수통계의 이론과 응용을 다룬다. 위치모수 및 척도모수를 추론하기 위한 순서통계량 및 순위통계량의 분포, 순열검정 방법과 비모수적 신뢰구간 및 점추정 방법을 모수적 방법과 비교하며, 붓스트랩 절차에 대해 학습한다. 또한, 다중선형회귀, 밀도함수추정 및 비모수회귀 등에서의 비모수 방법론을 다룬다. 

이산시간 마코프연쇄, 연속시간 마코프연쇄, 그리고 갱신과정에 대하여 다룬다. 마코프체인에서는 재귀성, 에르고딕 성질, 가역성, 흡수성, 그리고 MCMC로의 응용 등이 중요 주제이고, 갱신과정에서는 포아송 프로세스 및 여러 갱신과정에 대한 성질을 다룬다.

이 강의에서는 실질적 문제해결을 위한 다양한 자료 분석 방법론의 이해와 적용을 경험한다. 해결하고자 하는 문제의 구체화를 포함하여, 데이터의 수집 및 정리, 탐색적 데이터분석, 시각화, 통계적 추론 및 예측 그리고 의사결정의 핵심 원리를 배운다. 정형 데이터뿐만 아니라 비정형 데이터(텍스트 데이터, 공간 데이터, 네트워크 데이터) 분석 방법도 다루며, 이러한 데이터에 적합한 시각화 및 분석 기법을 학습한다. 학생들은 다양한 데이터의 구조를 이해하고 적절한 자료 분석 방법을 선택하며, 실습을 통해 배운 내용을 실제 문제에 적용하여 해결하는 전 과정을 경험한다. 이를 통해 문제해결 능력과 실무에서 활용 가능한 분석 역량을 효과적으로 향상시킨다.

이 강좌는 자료분석을 위해서 사용하는 다양한 고급 통계 방법에 관한 교육을 목표로 한다. 회귀분석에서 소개된 선형모형의 이론과 응용을 보다 일반적인 경우로 확장하고 각 방법들에 대한 직관적인 설명과 한계에 대해서 알아본다. 또한 실제 문제에서 이러한 방법을 적용하기 위한 프로그래밍을 통한 구현 방법을 학습한다. 이 강좌를 이수한 후 수강생들은 새로운 자료 분석 문제를 마주쳤을 때 (1) 적절한 통계 분석 방법을 선택하고 (2) 이러한 방법들을 통계 소프트웨어를 이용하거나 프로그래밍을 통하여 구현하고 (3) 분석 결과를 통계학 전공이 아닌 사람들에게 설명할 수 있어야 한다.