명목 및 서열 변수의 정의에서 출발해 최적화와 선형계획법에 이르기까지 데이터 과학에 관한 거의 모든 부분을 설명한다. 모든 설명은 예제를 제공하고, 예제는 이론을 설명한 다음 SPSS나 Stata, 엑셀 프로그램의 해 찾기 등을 사용해 해결책을 친절히 설명한다. 이론에만 그치지 않고 실제 해법과 연결해준다. 의사결정에 있어 데이터를 활용해 객관성과 정확성을 기하고자 한다면 이 책을 정독하기를 권한다.

“이 책은 의사결정 분석의 기초와 이해를 위한 핵심 주제를 제공한다. 저자들은 주제를 조심스럽게 선정했으며, 명확히 설명하고 다양한 예제를 곁들였다.”– 라훌 색스나(Rahul Saxena)/ 코봇 시스템(Cobot Systems)

“이 책은 통계 기법을 자세히 설명하고, 깊이 있는 수학적 배경지식이 없어도 비즈니스에 보편적으로 사용할 수 있도록 돕는다. 단계별로 전개되는 방대한 예제 덕분에 기초적인 내용부터 이해하기 쉽다. 각 소프트웨어 특징의 설명과 예제는 특히 학생들과 전문가들에게 유용하다.”– 프란체스코 바톨루치(Francesco Bartolucci)/ 페루자 대학교(University of Perugia)

이 책은 통계와 OR(Operation Research)을 다루며, 작업에서 정량 기법을 도입하고자 하는 사람에게 비즈니스 분석의 근본 원리를 명확하게 알려준다. 회귀, 최적화, 비즈니스 분석에서 시뮬레이션의 중요성을 강조하고 있으며, 각 장은 교수법적으로 구성되며 예제와 해답으로 이뤄진다. 무료로 제공되는 데이터셋은 학생이나 전문가들이 엑셀, Stata, SPSS를 사용해 작업해볼 수 있다.

루이즈 파울로 파베로(Luiz Paulo Fávero)

상파울루대학교(FEAUSP 및 EPUSP) 폴리테크닉 스쿨의 경제학, 경영학, 회계 대학의 정교수이며 데이터 과학, 데이터 분석, 다변량 모델링, 머신러닝과 딥러닝을 가르치고 있다. 뉴욕의 콜롬비아대학교에서 데이터 분석과 계량 경제학 박사 후 학위를 받았으며, FEA/USP의 종신 교수다(양적 모델링에 더 중점을 두고 있음). USP 폴리테크닉 스쿨에서 공학 학위를 받고, Getúlio Vargas Foundation(FGV/SP)에서 경영학 석사 학위를 받은 다음 FEA/USP에서 조직 경제학에 적용되는 데이터 과학 및 정량적 방법으로 석사 및 박사 학위를 받았다. 상파울루연방대학교(UNIFESP), Dom Cabral Foundation, Getúlio Vargas Foundation, FIA, FIPE, MONTVERO의 객원 교수다. 9권의 책을 저술했으며, IJMDA(International Journal of Multivariate Data Analysis)의 창립자이자 전 편집장이다. 라틴 아메리카 데이터 과학 아카데미(Latin American Academy of Data Science)의 회원이자 창립자이기도 하다. R, 파이썬, SAS, Stata, IBM SPSS 같은 데이터 분석, 머신러닝/딥러닝, 빅데이터, 플랫폼을 사용해 소매, 산업, 광업, 은행, 보험, 의료 등의 분야에서 컨설턴트로 일하고 있다.

퍼트리샤 벨피오레(Patrícia Belfiore)

UFABC(University Federal of ABC)의 조교수로서, 공과대 학생들에게 데이터 과학, 통계, OR, 생산 계획 및 제어, 프로그래밍, 알고리즘 개발을 가르치고 있다. 상파울루대학교 폴리테크닉스쿨(EPUSP)에서 전기 공학 석사와 생산 공학 박사 학위를 받았으며, 뉴욕의 콜롬비아대학교에서 OR과 컴퓨터 프로그래밍 박사 후 학위를 받았다. 모델링, 최적화, 프로그래밍 분야의 여러 연구와 컨설팅 프로젝트에 참여했다. FEI 유니버시티 센터와 상파울루 예술, 과학 인문 대학(EACH/USP)에서 학부생과 석사 과정 학생들을 대상으로 OR, 다변량 데이터 분석 및 물류를 가르쳤다. 주요 연구 관심 분야는 모델링, 시뮬레이션, 조합 최적화, 휴리스틱, 컴퓨터 프로그래밍이다. 그녀는 책 9권의 저자 또는 공동 저자다. R, 파이썬, Stata, IBM SPSS 같은 프로세스 시뮬레이션과 최적화, 데이터 분석, 머신러닝/딥러닝 플랫폼을 사용해 소매, 산업, 은행, 보험, 의료 등의 분야에서 컨설턴트로 일하고 있다.

데이터 과학은 통계적 지식을 기반으로 하고 있다. 이 책은 데이터 과학의 기초가 되는 이론에서부터, SPSS나 Stata 등의 응용 프로그램을 사용하는 방법까지 예제를 통해 설명하고 있다. 데이터 과학을 기초부터 이해하고자 하는 초심자는 이 책을 꾸준히 학습하기를 권한다.

(주)크라스랩

(주)크라스랩은 인공지능을 기반으로 다양한 연구를 수행하고 있으며, 특히 금융 분석과 핀테크에 중점을 두고 있다. KAIST 전산학과 계산이론 연구실 출신의 이병욱 대표가 이끌고 있다. 이병욱 대표는 블록체인의 최고 전문가이며, 저서로는 『비트코인과 블록체인, 가상자산의 실체 2/e』(에이콘, 2020), 『블록체인 해설서』(에이콘, 2019)가 있고, 그중 『블록체인 해설서』는 대한민국학술원이 선정한 2019 교육부 우수학술도서이기도 하다.

• 1부. 비즈니스 데이터 분석 기초
  
• 1장. 데이터 분석과 의사결정 소개
• 1.1 소개: 데이터, 정보, 지식 간의 계층구조
• 1.2 책의 개요
• 1.3 맺음말
• 1.4 독자 의견
  
  
• 2장. 변수 형식과 측정 그리고 정확도 척도
• 2.1 소개
• 2.2 변수의 형식
• 2.2.1 비계량 또는 정성 변수
• 2.2.2 계량 또는 정량 변수
• 2.3 변수 형식 × 측정 척도
• 2.3.1 비계량 변수: 명목 척도
• 2.3.2 비계량 변수: 서열 척도
• 2.3.3 정량 변수: 구간 척도
• 2.3.4 정량 변수: 비율 척도
• 2.4 변수의 형식 × 범주의 개수와 정확성의 척도
• 2.4.1 이분 또는 이진 변수(더미)
• 2.4.2 다진 변수
• 2.4.3 이산 정량 변수
• 2.4.4 연속 정량 변수
• 2.5 맺음말
• 2.6 연습문제
  
  
• 2부. 기술 통계량
  
• 3장. 일변량 기술 통계량
• 3.1 소개
• 3.2 빈도 분포표
• 3.2.1 정성 변수의 빈도 분포표
• 3.2.2 이산 데이터에 대한 빈도 분포표
• 3.2.3 부류로 그룹화된 연속 데이터의 빈도 분포표
• 3.3 결과의 그래프 표현
• 3.3.1 정성 변수의 그래프 표현
• 3.3.2 정량 변수의 그래프 표현
• 3.4 일변량 기술 통계량에서 가장 보편적인 요약 측도
• 3.4.1 위치나 장소의 측도
• 3.4.2 산포나 변동성의 측도
• 3.4.3 형태 측도
• 3.5 실제 엑셀 예제
• 3.6 SPSS를 사용한 실제 사례
• 3.6.1 빈도 옵션
• 3.6.2 기술 통계 옵션
• 3.6.3 데이터 탐색 옵션
• 3.7 Stata를 사용한 실제 사례
• 3.7.1 Stata로 일변량 빈도 분포표 구하기
• 3.7.2 Stata의 일변량 기술 통계량 요약
• 3.7.3 Stata의 백분위 계산
• 3.7.4 Stata의 차트: 히스토그램, 줄기-잎, 상자 도표
• 3.8 맺음말
• 3.9 연습문제
  
  
• 4장. 이변량 기술 통계량
• 4.1 소개
• 4.2 두 정성 변수 간의 연계성
• 4.2.1 결합 빈도 분포표
• 4.2.2 연계성 측도
• 4.3 두 정량 변수 간의 상관관계
• 4.3.1 결합 빈도 분포표
• 4.3.2 산포도를 통한 그래픽 표현
• 4.3.3 상관관계 측도
• 4.4 맺음말
• 4.5 연습문제
  
  
• 3부 확률 통계
  
• 5장. 확률 개론
• 5.1 소개
• 5.2 용어와 개념
• 5.2.1 확률 실험
• 5.2.2 표본 공간
• 5.2.3 사건
• 5.2.4 합집합, 교집합, 여집합
• 5.2.5 독립 사건
• 5.2.6 배반 사건
• 5.3 확률의 정의
• 5.4 기초 확률 법칙
• 5.4.1 확률 변동장
• 5.4.2 표본 공간의 확률
• 5.4.3 공집합의 확률
• 5.4.4 확률의 덧셈 법칙
• 5.4.5 여사건의 확률
• 5.4.6 개별 확률에 대한 확률 곱의 법칙
• 5.5 조건부 확률
• 5.5.1 확률 곱셈 법칙
• 5.6 베이즈 정리
• 5.7 조합론
• 5.7.1 배열
• 5.7.2 조합
• 5.7.3 순열
• 5.8 맺음말
• 5.9 연습문제
  
  
• 6장. 확률 변수와 확률 분포
• 6.1 소개6.2 확률 변수
• 6.2.1 이산 확률 변수
• 6.2.2 연속 확률 변수
• 6.3 이산 확률 변수의 확률 분포
• 6.3.1 이산 균등 분포
• 6.3.2 베르누이 분포
• 6.3.3 이항 분포
• 6.3.4 기하 분포
• 6.3.5 음이항 분포
• 6.3.6 초기하 분포
• 6.3.7 푸아송 분포
• 6.4 연속 확률 변수의 확률 분포
• 6.4.1 균등 분포
• 6.4.2 정규 분포
• 6.4.3 지수 분포
• 6.4.4 감마 분포
• 6.4.5 카이제곱 분포
• 6.4.6 스튜던트 t 분포
• 6.4.7 스네데커의 F 분포
• 6.5 맺음말
• 6.6 연습문제
  
  
• 4부. 통계적 추론
  
• 7장. 표본추출
• 7.1 소개
• 7.2 확률 또는 무작위 표본추출
• 7.2.1 단순 무작위 표본추출
• 7.2.2 체계적 표본추출
• 7.2.3 층화 표본추출
• 7.2.4 클러스터 표본추출
• 7.3 비확률 또는 비무작위 표본추출
• 7.3.1 편의 표본추출
• 7.3.2 판단 또는 유의 표본추출
• 7.3.3 할당 표본추출
• 7.3.4 기하 전파 또는 스노우볼 표본추출
• 7.4 표본 크기
• 7.4.1 단순 무작위 표본의 크기
• 7.4.2 체계적 표본의 크기
• 7.4.3 층화 표본의 크기
• 7.4.4 클러스터 표본의 크기
• 7.5 맺음말
• 7.6 연습문제
  
  
• 8장. 추정
• 8.1 소개
• 8.2 점과 구간 추정
• 8.2.1 점 추정
• 8.2.2 구간 추정
• 8.3 점 추정 기법
• 8.3.1 모멘트 기법
• 8.3.2 최소 자승법
• 8.3.3 최대 우도 추정
• 8.4 구간 추정 또는 신뢰 구간
• 8.4.1 모집단 평균의 신뢰 구간
• 8.4.2 비율의 신뢰 구간
• 8.4.3 모집단 분산의 신뢰 구간
• 8.5 맺음말
• 8.6 연습문제
  
  
• 9장. 가설 검정
• 9.1 소개
• 9.2 모수적 검정
• 9.3 정규성의 일변량 검정
• 9.3.1 콜모고로프-스미노프 검정
• 9.3.2 사피로-윌크 검정
• 9.3.3 사피로-프란시아 검정
• 9.3.4 SPSS를 사용한 정규성 검정 해법
• 9.3.5 Stata를 사용한 정규성 검정 해법
• 9.4 분산의 동질성 검정
• 9.4.1 바틀렛의 2 검정
• 9.4.2 코크란의 C 검정
• 9.4.3 하틀리의 F max 검정
• 9.4.4 레빈의 F 검정
• 9.4.5 SPSS를 사용한 레빈의 검정 해법
• 9.4.6 Stata를 사용한 레빈의 검정 해법
• 9.5 단일 확률 표본으로부터의 모집단 평균(μ )에 관한 가설 검정
• 9.5.1 모집단 표준 편차(σ )를 알고 분포가 정규임을 알 경우의 Z 검정9.5.2 모집단의 표준 편차(σ)를 모를 경우의 스튜던트 t 검정
• 9.5.3 SPSS를 사용한 단일 표본의 스튜던트 t 검정 해법
• 9.5.4 Stata 소프트웨어를 사용한 단일 표본의 스튜던트 t 검정 해법
• 9.6 두 독립 확률 표본의 두 모집단 평균을 비교하는 스튜던트 t 검정
• 9.6.1 SPSS를 사용한 두 독립 표본의 스튜던트 t 검정 해법
• 9.6.2 Stata를 사용한 두 독립 표본의 스튜던트 t 검정 해법
• 9.7 두 대응 확률 표본의 두 모집단 평균을 비교하기 위한 스튜던트 t 검정
• 9.7.1 SPSS를 사용한 대응 표본의 스튜던트 t 검정 해법
• 9.7.2 Stata를 사용한 두 대응 표본의 스튜던트 t 검정 해법
• 9.8 셋 이상의 모집단 평균 비교를 위한 ANOVA
• 9.8.1 일원배치 ANOVA
• 9.8.2 요인 ANOVA
• 9.9 맺음말
• 9.10 연습문제
  
  
• 10장. 비모수적 검정
• 10.1 소개
• 10.2 단일 표본 검정
• 10.2.1 이항 검정
• 10.2.2 단일 표본의 카이제곱 검정(χ 2)
• 10.2.3 단일 표본의 부호 검정
• 10.3 두 대응 표본의 검정
• 10.3.1 맥네마르 검정
• 10.3.2 두 대응 표본의 부호 검정
• 10.3.3 윌콕슨 검정378
• 10.4 두 독립 표본의 검정
• 10.4.1 두 독립 표본의 카이제곱(χ 2) 검정
• 10.4.2 만-휘트니 U 검정
• 10.5 k 대응 표본 검정
• 10.5.1 코크란 Q 검정
• 10.5.2 프리드먼 검정
• 10.6 k 독립 표본 검정
• 10.6.1 k 독립 표본의 χ 2 검정
• 10.6.2 크루스칼-월리스 검정
• 10.7 맺음말
• 10.8 연습문제
  
  
• 5부. 다변량 탐색적 데이터 분석
  
• 11장. 클러스터 분석
• 11.1 소개
• 11.2 클러스터 분석
• 11.2.1 클러스터 분석에서 거리와 유사성 측도의 정의
• 11.2.2 클러스터 분석의 응집 계획
• 11.3 SPSS를 사용한 계층적, 비계층적 클러스터 분석
• 11.3.1 SPSS를 사용한 계층적 응집 계획 수행
• 11.3.2 SPSS를 이용해 비계층 k 평균 응집 계획 수행
• 11.4 Stata를 사용한 계층적, 비계층적 응집 계획 클러스터 분석
• 11.4.1 Stata를 사용한 계층적 응집 계획 수행
• 11.4.2 Stata를 사용한 비계층적 k 평균 응집 계획 수행
• 11.5 맺음말
• 11.6 연습문제
  
  
• 12장. 주성분 요인 분석
• 12.1 소개
• 12.2 주성분 요인 분석
• 12.2.1 피어슨의 선형 상관관계와 요인의 개념
• 12.2.2 요인 분석의 전반적 적절성: 카이저-마이어-올킨 통계량과 바렛의 구형성 검정
• 12.2.3 주성분 요인의 정의: 상관 행렬 r의 고윳값과 고유벡터의 결정 그리고 요인 점수 계산
• 12.2.4 요인 적재 및 공통성
• 12.2.5 요인 회전
• 12.2.6 주성분 요인 분석의 실제 예제
• 12.3 SPSS를 사용한 주성분 요인 분석
• 12.4 Stata를 사용한 주성분 요인 분석
• 12.5 맺음말
• 12.6 연습문제
  
  
• 6부. 일반화 선형 모델
  
• 13장. 단순 및 다중 회귀 모델
• 13.1 소개
• 13.2 선형 회귀 모델
• 13.2.1 최소 자승에 의한 선형 회귀 모델 추정
• 13.2.2 회귀 모델의 해석력: 결정 계수 R 2
• 13.2.3 회귀 모델과 각 모수의 일반 통계적 유의성
• 13.2.4 모델 모수의 신뢰 구간 구축과 예측
• 13.2.5 다중 선형 회귀 모델의 추정
• 13.2.6 회귀 모델에서의 더미 변수
• 13.3 OLS로 추정된 회귀 모델의 예측
• 13.3.1 잔차의 정규성
• 13.3.2 다중공선성 문제
• 13.3.3 이분산성 문제
• 13.3.4 잔차의 자기상관 문제
• 13.3.5 명세 문제의 탐지: Linktest와 RESET 검정
• 13.4 비선형 회귀 모델
• 13.4.1 박스-콕스 변환: 일반 회귀 모델
• 13.5 Stata를 사용한 회귀 모델의 추정
• 13.6 SPSS를 사용한 회귀 모델의 추정
• 13.7 맺음말
• 13.8 연습문제
  
  
• 14장. 이진 및 다항 로지스틱 회귀 모델
• 14.1 소개
• 14.2 이진 로지스틱 회귀 모델
• 14.2.1 최대 우도에 의한 이진 로지스틱 회귀 모델의 추정
• 14.2.2 이진 로지스틱 회귀 모델의 일반 통계적 유의성과 각 모수
• 14.2.3 이진 로지스틱 회귀 모델의 모수에 대한 신뢰 구간 구성
• 14.2.4 컷오프, 민감도 분석, 전체 모델 효율, 민감도, 특이성
• 14.3 다항 로지스틱 회귀 모델
• 14.3.1 최대 우도에 의한 다항 로지스틱 회귀 모델 추정
• 14.3.2 다항 로지스틱 회귀 모델과 그 각 모수에 대한 일반 통계적 유의성
• 14.3.3 다항 로지스틱 회귀 모델에 대한 모수의 신뢰 구간 구성
• 14.4 Stata를 사용한 이진 및 다항 로지스틱 회귀 모델 추정
• 14.4.1 Stata를 사용한 이진 로지스틱 회귀
• 14.4.2 Stata를 사용한 다항 로지스틱 회귀
• 14.5 SPSS를 사용한 이진 및 다항 로지스틱 회귀 모델 추정
• 14.5.1 SPSS를 사용한 이진 로지스틱 회귀
• 14.5.2 SPSS를 사용한 다항 로지스틱 회귀
• 14.6 맺음말
• 14.7 연습문제
• 부록: 프로빗 회귀 모델
• A.1 개요
• A.2 예제: Stata를 사용한 프로빗 회귀 모델 추정
  
  
• 15장. 개수 데이터를 위한 회귀 모델: 푸아송과 음이항
• 15.1 소개
• 15.2 푸아송 회귀 모델
• 15.2.1 최대 우도에 의한 푸아송 회귀 모델의 추정
• 15.2.2 푸아송 회귀 모델과 각 모수의 일반 통계적 유의성
• 15.2.3 푸아송 회귀 모델에서 신뢰 구간의 구성
• 15.2.4 푸아송 회귀 모델에서의 과산포성 확인을 위한 검정
• 15.3 음이항 회귀 모델
• 15.3.1 최대 우도에 의한 음이항 회귀 모델 추정
• 15.3.2 음이항 회귀 모델과 각 모수의 일반 통계적 유의성
• 15.3.3 음이항 회귀 모델의 모수에 대한 신뢰 구간 구축
• 15.4 Stata를 사용한 개수 데이터의 회귀 모델 추정
• 15.4.1 Stata를 사용한 푸아송 회귀 모델
• 15.4.2 Stata를 사용한 음이항 모델
• 15.5 SPSS로 개수 데이터에 대한 회귀 모델 추정
• 15.5.1 SPSS를 사용한 푸아송 회귀 모델
• 15.5.2 SPSS를 사용한 음이항 회귀 모델
• 15.6 맺음말
• 15.7 연습문제
• 부록: 제로 인플레이티드 회귀 모델
• A.1 개요
• A.2 예제: Stata를 사용한 제로 인플레이티드 푸아송 회귀 모델
• A.3 예제: Stata를 사용한 제로 인플레이티드 음이항 회귀 모델
  
  
• 7부. 최적화 모델과 시뮬레이션
  
• 16장. 최적화 모델 소개: 일반 유형과 비즈니스 모델링
• 16.1 최적화 모델 소개
• 16.2 선형 계획 모델 소개
• 16.3 일반 선형 계획 문제의 수학 공식
• 16.4 표준 또는 캐노니컬 형식의 선형 계획 모델
• 16.4.1 표준 형식의 선형 계획 모델
• 16.4.2 캐노니컬 형식의 선형 계획 모델
• 16.4.3 표준 또는 캐노니컬 형식으로의 변환
• 16.5 선형 계획의 가정
• 16.5.1 비례성
• 16.5.2 가산성
• 16.5.3 가분성과 비음성
• 16.5.4 확실성
• 16.6 선형 계획을 통한 비즈니스 문제 모델링
• 16.6.1 상품 믹스 문제
• 16.6.2 블렌딩 또는 믹싱 문제
• 16.6.3 다이어트 문제
• 16.6.4 자본 예산 문제
• 16.6.5 포트폴리오 선택 문제
• 16.6.6 생산과 재고 문제
• 16.6.7 집계 계획 문제
• 16.7 맺음말
• 16.8 연습문제
  
  
• 17장. 선형 계획 문제의 해법
• 17.1 소개
• 17.2 선형 계획 문제의 그래프 해법
• 17.2.1 단일 최적해를 가진 최대화 선형 계획
• 17.2.2 단일 최적해를 가진 선형 계획 최소화 문제
• 17.2.3 특수한 경우
• 17.3 m, n 인 선형 계획 문제의 해석적 해
• 17.4 심플렉스 기법
• 17.4.1 심플렉스 기법의 논리
• 17.4.2 최대화 문제에서 심플렉스 기법의 해석적 해
• 17.4.3 최대화 문제에서 심플렉스 기법의 표 방법
• 17.4.4 최소화 문제에서 심플렉스 기법
• 17.4.5 심플렉스의 특수한 경우
• 17.5 컴퓨터를 이용한 해법
• 17.5.1 엑셀의 해 찾기
• 17.5.2 16.6절의 예제를 엑셀의 해 찾기로 해결
• 17.5.3 무제한과 불가능해에 대한 해 찾기 오류 메시지
• 17.5.4 해 찾기의 해답과 한곗값 보고서를 사용한 결과 분석
• 17.6 민감도 분석
• 17.6.1 목적 함수 계수 중 하나의 변경(그래프 해법)
• 17.6.2 제약의 우변 상수 중 하나의 변경과 그림자 가격의 개념(그래프 해법)
• 17.6.3 축소 비용
• 17.6.4 엑셀의 해 찾기로 민감도 분석
• 17.7 연습문제
  
  
• 18. 네트워크 계획
• 18.1 소개
• 18.2 그래프와 네트워크의 용어
• 18.3 고전적인 운송 문제
• 18.3.1 고전적인 운송 문제의 수학 공식
• 18.3.2 전체 공급 용량이 전체 수요와 맞지 않을 때 운송 문제 균형 맞추기
• 18.3.3 고전적인 운송 문제 해결
• 18.4 환적 문제
• 18.4.1 환적 문제의 수학 공식
• 18.4.2 엑셀의 해 찾기를 사용한 환적 문제 해결
• 18.5 작업 할당 문제
• 18.5.1 작업 할당 문제의 수학 공식
• 18.5.2 엑셀의 해 찾기를 사용한 작업 할당 문제 해결
• 18.6 최단 경로 문제
• 18.6.1 최단 경로 문제의 수학 공식
• 18.6.2 엑셀의 해 찾기를 사용한 최단 경로 문제 해결
• 18.7 최대 흐름 문제
• 18.7.1 최대 흐름 문제의 수학 공식
• 18.7.2 엑셀의 해 찾기를 사용한 최대 흐름 문제 해결
• 18.8 연습문제
  
  
• 19장. 정수 계획
• 19.1 개요
• 19.2 정수 계획, 이진 및 선형 완화를 위한 일반 모델의 수학 공식
• 19.3 배낭 문제
• 19.3.1 배낭 문제 모델링
• 19.3.2 엑셀의 해 찾기를 사용한 배낭 문제 해결
• 19.4 이진 계획 모델로서의 자본 예산 문제
• 19.4.1 엑셀의 해 찾기를 사용한 이진 계획 모델로서의 자본 예산 문제 해결
• 19.5 이동 판매원 문제
• 19.5.1 이동 판매원 문제 모델링
• 19.5.2 엑셀의 해 찾기를 사용한 이동 판매원 문제 해결
• 19.6 시설 입지 문제
• 19.6.1 시설 입지 문제 모델링
• 19.6.2 엑셀의 해 찾기를 사용한 설비 입지 문제 해결
• 19.7 직원 일정 문제
• 19.7.1 엑셀의 해 찾기를 사용한 직원 일정 문제 해결
• 19.8 연습문제
  
  
• 20장. 시뮬레이션과 리스크 분석
• 20.1 시뮬레이션 소개
• 20.2 몬테카를로 방법
• 20.3 엑셀에서의 몬테카를로 시뮬레이션
• 20.3.1 엑셀에서의 난수 생성 및 확률 분포
• 20.3.2 실제 사례
• 20.4 맺음말
• 20.5 연습문제
  
  
• 8부. 그 밖의 주제
  
• 21장. 실험 설계와 분석
• 21.1 소개
• 21.2 실험 설계 단계
• 21.3 실험 설계의 네 가지 원칙
• 21.4 실험 설계의 유형
• 21.4.1 완전 랜덤 설계
• 21.4.2 랜덤 블록 설계
• 21.4.3 요인 설계
• 21.5 일원배치 ANOVA
• 21.6 요인 ANOVA
• 21.7 맺음말
• 21.8 연습문제
  
  
• 22장. 통계적 공정 관리
• 22.1 소개
• 22.2 공정 평균 및 변동성 추정
• 22.3 변수의 관리도
• 22.3.1 X 및 R 관리도
• 22.3.2 X 및 S 관리도
• 22.4 속성의 관리도
• 22.4.1 p 관리도(결함비)
• 22.4.2 np 관리도(불량품 수)
• 22.4.3 C 관리도(단위당 총 결함 수)
• 22.4.4 U 관리도(단위당 평균 결함 수)
• 22.5 공정 능력
• 22.5.1 Cp 지수
• 22.5.2 Cpk 지수
• 22.5.3 Cpm 및 Cpmk 지수
• 22.6 맺음말
• 22.7 연습문제
  
  
• 23장. 데이터 마이닝과 다중 모델링
• 23.1 데이터 마이닝 소개
• 23.2 다중 모델링
• 23.3 중첩 데이터 구조
• 23.4 계층 선형 모델
• 23.4.1 클러스터링 데이터가 포함된 2레벨 계층 선형 모델(HLM2)
• 23.4.2 반복 측정이 포함된 3레벨 계층 선형 모델(HLM3)
• 23.5 Stata로 계층 선형 모델 추정
• 23.5.1 Stata로 클러스터링 데이터가 포함된 2레벨 계층 선형 모델의 추정
• 23.5.2 Stata에서 반복 측정이 포함된 3레벨 계층 선형 모델의 추정
• 23.6 SPSS를 사용한 계층 선형 모델의 추정
• 23.6.1 SPSS로 클러스터링 데이터가 포함된 2레벨 계층 선형 모델의 추정
• 23.6.2 SPSS에서 반복 측정이 포함된 3레벨 계층 선형 모델의 추정
• 23.7 맺음말
• 23.8 연습문제
  
  
• 연습문제 해답
• 부록