Õppeaine eesmärk on kujundada üliõpilasel rakenduslikud teadmised ja oskused statistiliste ning matemaatiliste meetodite kasutamiseks tootmise, ressursikasutuse ja ettevõtte protsesside analüüsimisel. Õppeaine arendab oskust koguda, korrastada, visualiseerida ja analüüsida andmeid, valida sobivaid statistilisi meetodeid ning kasutada matemaatikatarkvara arvutuste, modelleerimise ja tulemuste tõlgendamise toetamiseks. Õppetöös kasutatakse tootmise, kvaliteedi, energia- ja ressursitõhususe ning ringmajandusega seotud andmestikke.

The aim of the course is to develop students’ practical knowledge and skills in applying statistical and mathematical methods to the analysis of manufacturing, resource use and business processes. The course develops the ability to collect, organise, visualise and analyse data, select appropriate statistical methods, and use mathematical software to support calculations, modelling and interpretation of results. The course uses datasets related to manufacturing, quality, energy and resource efficiency, and circular economy.

Õppeaine läbinud üliõpilane:
- korrastab ja visualiseerib tootmise, ressursikasutuse või ettevõtte protsessidega seotud andmeid;
- rakendab kirjeldava statistika põhinäitajaid andmestike iseloomustamiseks ja võrdlemiseks;
- valib ja rakendab lihtsamaid tõenäosus- ja statistilisi meetodeid erialaste probleemide analüüsimisel;
- hindab muutujatevahelisi seoseid ning tõlgendab korrelatsiooni- ja regressioonanalüüsi tulemusi;
- kasutab matemaatikatarkvara arvutuste, andmeanalüüsi, visualiseerimise ja lihtsama modelleerimise teostamiseks;
- tõlgendab analüüsi tulemusi kriitiliselt ning esitab andmetele tuginevaid järeldusi ja parendusettepanekuid

After completing the course the student:
- organizes and visualizes data related to production, resource use, or company processes;
- applies basic descriptive statistics measures to characterize and compare datasets;
- selects and applies simpler probability and statistical methods in analyzing field-specific problems;
- assesses relationships between variables and interprets the results of correlation and regression analysis;
- uses mathematical software to perform calculations, data analysis, visualization, and simpler modeling;
- critically interprets the results of the analysis and presents data-based conclusions and improvement proposals.

Andmete liigid, kvaliteet ja ettevalmistamine. Andmete korrastamine ja visualiseerimine. Kirjeldav statistika: keskväärtused, hajuvusnäitajad, kvantiilid ja andmete jaotuse kirjeldamine. Tõenäosuse põhimõisted, juhuslik suurus, jaotusfunktsioon ning enamlevinud tõenäosusjaotused. Valim ja üldkogum. Punkt- ja vahemikhinnangud, sh usaldusvahemikud. Hüpoteeside kontrollimise alused ja meetodite eeldused. Kahe ja enama rühma võrdlemine. Korrelatsioon ja lihtne lineaarne regressioon. Ajaliselt järjestatud andmete põhitõlgendus. Matemaatikatarkvara kasutamine arvutustes, funktsioonide ja andmete visualiseerimisel, võrrandite lahendamisel, lihtsamate matemaatiliste mudelite koostamisel ning tulemuste kontrollimisel. Rakenduslikud ülesanded tootmise, kvaliteedi, energia- ja ressursikasutuse, materjalivoogude ning ringmajanduse andmetega. Andmete kvaliteedi, meetodi sobivuse ja tulemuste põhjendatuse kriitiline hindamine. Tehisintellekti vahendite teadlik ja kriitiline kasutamine analüüsi toetamisel, tulemuste kontrollimisel ja selgitamisel.

Data types, quality and preparation. Data organisation and visualisation. Descriptive statistics: measures of central tendency, dispersion, quantiles and description of data distributions. Basic concepts of probability, random variables, distribution functions and common probability distributions. Samples and populations. Point and interval estimates, including confidence intervals. Fundamentals of hypothesis testing and method assumptions. Comparing two or more groups. Correlation and simple linear regression. Basic interpretation of time-ordered data. Use of mathematical software for calculations, visualising functions and data, solving equations, building simple mathematical models and verifying results. Applied tasks using data from manufacturing, quality, energy and resource use, material flows and circular economy. Critical assessment of data quality, method suitability and validity of results. Informed and critical use of artificial intelligence tools to support analysis, verification and explanation of results

-

-

Õppematerjalide läbitöötamine, tõenäosus- ja statistiliste arvutusülesannete lahendamine, matemaatikatarkvara kasutamine, andmete visualiseerimine, punkt- ja vahemikhinnangute leidmine, meetodi eelduste kontrollimine ning tulemuste tõlgendamine. Iseseisvas töös analüüsib õppija valitud tootmise, kvaliteedi, energia- või ressursikasutuse andmestikku, põhjendab meetodi valikut, kontrollib tulemuste usaldusväärsust ning esitab andmetele tuginevad järeldused ja parendusettepanekud.

Reviewing learning materials, completing probability and statistical calculation tasks, using mathematical software, visualising data, calculating point and interval estimates, checking method assumptions and interpreting results. In the independent assignment, the student analyses a selected dataset related to manufacturing, quality, energy or resource use, justifies the choice of method, verifies the reliability of results, and presents data-based conclusions and improvement proposals.

Õppejõu koostatud õppematerjalid ja praktiliste tööde juhendid. Rakendusstatistika, andmeanalüüsi ja matemaatikatarkvara kasutamise käsiraamatud ning õppetöös kasutatava tarkvara ametlik dokumentatsioon. Täpsed allikad ja tarkvaralahendused määratakse enne õppetöö algust.

-

puudub