SAKARYA UNIVERSİTESİ ENDUSTRI MUHENDISLIĞI YÖNEYLEM ARAŞTIRMASI II MARKOV ZİNCİRLERİ DERS NOTLARI
|
|
- Ilker Bölükbaşı
- 8 yıl önce
- İzleme sayısı:
Transkript
1 SAKARYA UNIVERSİTESİ ENDUSTRI MUHENDISLIĞI YÖNEYLEM ARAŞTIRMASI II MARKOV ZİNCİRLERİ DERS NOTLARI
2 STOKASTİK (RASSAL) SÜREÇLER Bazen rassal değişkenlerin zamanla nasıl değiştiğiyle ilgileniriz. Örneğin borsada bir hissenin fiyatının nasıl değiştiğiyle veya bir firmanın piyasa payının nasıl değiştiğiyle ilgilenebiliriz. Rassal değişkenin zamanla nasıl değişeceği çalışmaları stokastik süreçleri de içerir. Bu derste stokastik prosesler, özellikle bir stokastik proses örneği olan markov zincirleri görülecektir. Markov zincirleri eğitim, pazarlama, sağlık hizmetleri, muhasebe ve üretim alanları gibi alanlara uygulanmaktadır. Stokastik süreç kavramını tanımladıktan sonra Markov Zincirleri ile ilgili temel fikirleri göreceğiz.
3 STOKASTİK (RASSAL) SÜREÇ NEDİR? Bir Sistemin,1,2, diye etiketlenen kesikli zamanlarda bazı karakteristiğini (özelliklerini) gözlemlediğimizi düşünelim. Xt : Sistem özelliklerinin t zamanındaki değeri olsun. Pek çok durumda Xt t zamanından önce kesin olarak bilinememektedir ve rassal bir değişken olarak görülebilir. Kesikli zamanlı stokastik süreç basitçe X, X1, X2,. Rassal değişkenleri arasındaki ilişkilerin tarifidir. Bazı kesikli zamanlı stokastik süreç örnekleri (İleride açıklanacak örnekler): Kumarbazın iflası Problemi Bir Firmanın borsadaki hisse fiyatı Vazo örneği
4 KUMARBAZIN İFLASI PROBLEMİ (ÖRNEK 1) Zamanında kumarbaz 2 TL ye sahiptir. 1,2, zamanlarında kumarbaz oyun oynar ve 1TL bahse girer. P olasılıkla oyunu kazanır ve (1-p) olasılıkla oyunu kaybeder. Burada Amaç 4 TL sahibi olunca oyunu bitirmektir. Dikkat edilirse elde TL kalınca da oyun bitmektedir. Xt eğer zaman t deki oyundan sonra sermaye durumu olarak tanımlanırsa o zaman X, X1,..,Xt kesikli zamanlı stokastik süreç olarak ortaya çıkar. X = 2 bilinmektedir ve sabittir. Fakat X1 ve sonra Xt ler rassaldır. Örneğin p olasılıkla X1=3 ve (1-p) olasılıkla X1=1 olur Bu mantıkla eğer Xt veya 4 ise p olasılıkla X t+1 =X t +1 ve 1-p olasılıkla X t+1 =X t -1 olur Eğer Xt= ise X t+1 ve daha sonraki X t değerleri a eşittir Eğer Xt=4 ise X t+1 ve daha sonraki X t değerleri 4 e eşittir
5 VAZO PROBLEMİ (ÖRNEK 2) Bir vazoda boyanmamış iki tane top bulunmaktadır. Topları rasgele seçmekteyiz ve yazı-tura atmaktayız. Eğer seçilen top boyasız ve para tura gelmişse seçilen topu kırmızıya boyarız. Eğer seçilen top boyasız ve para yazı gelmişse seçilen topu siyaha boyarız. Eğer seçilen top zaten boyanmışsa yazıda gelse turada gelse topu diğer renge boyarız. Bu durumu stokastik süreç olarak modellemek için zaman t yi para t kere atıldıktan ve seçilen toplar boyandıktan sonraki zaman olarak tanımlarsak, Herhangi bir zamandaki durum (b,k,s) vektörüyle tanımlanabilir. B boyanmamış top sayısı, k kırmızı top sayısı ve s de siyah top sayısını ifade eder. zamanında durum X= (2,,) dır. İlk para atıldığında top seçilip boyandığında ½ olasılıkla X1=(1,1,) ve ½ olasılıkla X1=(1,,1) olur. Xt durumları arasında bazı ilişkiler vardır. Örneğin eğer Xt=(,2,) ise X t+1 = (,1,1) olur veya Xt=(,,2) ise X t+1 = (,1,1) olur
6 BORSA PROBLEMİ (ÖRNEK 3) Eğer X Bir Firmanın Borsa hissessinin bugünkü değeri ise Xt ise hissenin t. Ticari günün açılışındaki değeri olsun. X,X1,,Xt değerlerini bilmek bize Xt+1 değerinin olasılık dağılımı hakkında birşeyler söyler. Buradaki soru t zamanına kadarki hisse fiyatları t+1 zamanındaki hisse fiyatı hakkında ne söyler. Bu sorunun cevabı finans alanında oldukça önemlidir.
7 SÜREKLİ ZAMANLI STOKASTİK SÜREÇLER Bu süreçlerde sistemin durumu kesikli zaman yerine herhangi bir zamanda gözlemlenebilir. Örneğin herhangi bir zamanda marketteki müşteri sayısı sürekli zamanlı stokastik süreç olarak düşünülebilir. Burada market açıldıktan t zaman sonra Xt marketteki müşteri sayısını gözlemekteyiz ve t real sayıdır ve sürekli değer alır. Eğer borsada hisse fiyatlarını sadece ticari gün başlangıcında değilde sürekli olarak herhangi bir zamandaki değeri olarak modellersek o zaman bu süreç sürekli zamanlı stokasti süreç olur.
8 STOKASTİK SÜREÇLERLE İLGİLİ 4 DURUM KESİKLİ ZAMANLI KESİKLİ DURUMLU STOKASTİK SÜREÇLER Bu süreçlerde gözlem kesikli zamanlarda olur ve durum kesikli değerler alır. Bu süreçlere örnekler: Kumarbazın iflası problemi Vazo örneği Nüfusta doğum ve ölüm,
9 STOKASTİK SÜREÇLERLE İLGİLİ 4 DURUM KESİKLİ ZAMANLI SÜREKLİ DURUMLU STOKASTİK SÜREÇLER Bu süreçlerde gözlem kesikli zamanlarda olur ve durum sürekli değerler alır. Bu süreçlere örnekler: Her bir ticari gün başında gözlenen borsa hisse fiyatı Belirli zaman aralıklarında ölçülen rüzgarın hızı, Bir nehrin debisinin saatte bir ölçülmesi,
10 STOKASTİK SÜREÇLERLE İLGİLİ 4 DURUM SÜREKLİ ZAMANLI KESİKLİ DURUMLU STOKASTİK SÜREÇLER Bu süreçlerde gözlem sürekli zamanlarda olur ve durum kesikli değerler alır. Bu süreçlere örnekler: Bir markette sürekli zamanlı gözlemlenen müşteri sayısı Bir otobüs durağında sürekli gözlemlenen yolcu sayısı Bir şehirdeki doğum ve ölüm
11 STOKASTİK SÜREÇLERLE İLGİLİ 4 DURUM SÜREKLİ ZAMANLI SÜREKLİ DURUMLU STOKASTİK SÜREÇLER Bu süreçlerde gözlem sürekli zamanlarda olur ve durum sürekli değerler alır. Bu süreçlere örnekler: Sürekli durumlu, sürekli zamanlı stokastik süreç. Sürekli zamanlı izlenen kalp atışları Sürekli zamanlı takip edilen borsa hisse fiyatları Sürekli zamanlı olarak gözlemlenen bir göl veya nehrin derinliği
12 MARKOV ZİNCİRLERİ Markov zincirleri Kesikli zamanlı stokastik proseslerin (süreçlerin) özel bir türüdür. Basit bir ifadeyle herhangi bir zamanda kesikli zamanlı stokastik süreç sonlu sayıda durumdan birinde olabilir. Sonlu sayıdaki durumlar 1,2,,s olsun Eğer kesikli zaman stokastik süreç aşağıdaki koşulu sağlıyorsa süreç markov zinciridir. t=,1,2, için ve her bir durum için P(X t+1 =i t+1 / X t =i t, X t-1 =i t-1,,x 1 =i 1,X =i ) = P(X t+1 =i t+1 / X t =i t ) (1) ise süreç markov zinciridir.
13 Durum değişkeninin t+1 zamanındaki olasılık dağılımı t zamanındaki duruma bağlıdır ve t zamanına kadar olan bütün zamanlardaki durumlardan bağımsızdır. Daha ileri bir varsayımda bulunarak bütün durumlar i ve j ve bütün zamanlar t için P(X t+1 =j/ X t =i) olasılığı zamandan da bağımsızdır. Bu varsayım bize aşağıdaki eşitliği yazabilmemizi sağlar. P(X t+1 =j/ X t =i) = p ij (2) burada p ij sistemin t zamanında i durumunda olup t+1 zamanında j durumuna geçme olasılığıdır. Eğer sistem bir periodda i durumundan bir period sonra j durumuna geçmişse bu durumda i den j ye geçiş gerçekleşti deriz. Bu nedenle olasılıklarına markov zincirinin geçiş olasılıkları deriz. Eşitlik (2) bir period sonraki durumla ilgili olasılık kanununun zamanla değişmez (satasyoner (stationary) kaldığı) Olduğunu ifade eder. Bu nedenle Eşitlik (2) stasyoner varsayımı olarak bilinir ve Eşitlik (2) yi sağlayan markov zinciri stasyoner markov zinciridir.
14 Markov zinciri çalışmalarımızda zincirin t= zamanında i durumunda bulunma olasılığı olan q i olasılıkları ile ilgileniriz. Diğer bir deyişle P(X =i) = q i olur. Her bir durumu düşündüğümüzde ortaya markov zincirinin ilk olasılık dağılımı diye ifade ettiğimiz q vektörü çıkar. q = q 1 q 2. q s İlk Olasılık dağılımı Pek çok uygulamada geçiş olasılıkları sxs geçiş olasılık matrisi P ile gösterilir. P = p 11 p 12 p 1s p 21 p 22 p 2s p s1 p s2 p ss Geçiş olasılıkları matrisi
15 Zaman t de durumun i olduğu verilmiş olsun. Zaman t+1 de süreç bir yerlerde olmalıdır. Bu matematiksel olarak aşağıdaki gibi ifade edilir. j=s j=1 P(Xt +1= j/ Xt=i)=1 j=s j=1 p ij =1 t zamanında i durumunda olan sistem t+1 zamanında mümkün olan durumlardan birine geçer.
16 KUMARBAZIN İFLASI PROBLEMİ (devam) Kumarbazın iflası probleminde geçiş matrisini bulunuz. ÇÖZÜM: t+1 deki para t zamanına kadar birikmiş paraya (t zamanındaki paraya) bağlı olduğundan bu süreç bir markov zinciridir. Oyunun kuralları zamanla değişmediği için bu aynı zamanda stasyoner (sabit) markov zinciridir. Durum i, i TL paraya sahip olunduğunu göstermektedir. Geçiş matrisi aşağıdaki gibidir. Durum $ $1 $2 $3 $ p p P = 2 1-p p 3 1-p p 4 1 p ihtimalle para miktarı 1 birim artacak. (1-p) ihtimalle 1 birim azalacaktır. Eğer durum ve 4 e geçilmişse bu durumlar terkedilmeyecektir. P = P 11 = 1 olduğu görülür.
17 KUMARBAZIN İFLASI PROBLEMİNDE GEÇİŞ MATRİSİNİN GRAFİKSEL GÖSTERİMİ 1-p p 1-p p p p 1 Geçiş matrisi grafiksel olarak gösterilirken her bir düğüm olası durumları, oklar ise (ok(i,j)) geçiş olasılıklarını (p ij ) göstermektedir.
18 VAZO ÖRNEĞİ (devam) Vazo ve içerisindeki topların rengi örneğinde geçiş matrisini oluşturun. ÇÖZÜM: Bir sonraki periodun top renkleri bir önceki periodun durumuna bağlı olduğu için bu problem (stokastik süreç) markov zinciridir. Kurallar zamanla değişmediği için bu markov zincir, stasyoner(sabit) markov zinciridir. Geçiş matrisi aşağıdaki gibidir Durum ( 1 1) ( 2 ) ( 2) (2 ) (1 1 ) (1 1) ( 1 1) (2) (2) ( 2 ) 1 P= ( 2) 1 (2 ) (2) (2) (1 1 ) (4) (4) (2) (1 1) (4) (4) (2)
19 Geçiş matrisinin nasıl olduğunu göstermek için geçiş matrisindeki (1 1 ) sırasını düşünelim. Eğer aktif durum (1 1 ) ise tablo 1 de gösterilen olaylardan biri olur. OLAY OLASILIK YENİ DURUM Tura gelmesi ve boyasız topun seçilmesi (4) ( 2 ) Kırmızı topun seçilmesi (2) (1 1) Yazı gelmesi ve boyasız topun seçilmesi (4) ( 1 1) Tablo 1 : Eğer aktif durum (1 1 ) ise geçiş olasılıklarının hesaplanması ¼ olasılıkla gelecek durum ( 2 ) olacak, ½ olasılıkla gelecek durum (1 1) olacak ve ¼ olasılıkla gelecek durum ( 1 1) olacaktır. Şekil 2 geçiş matrisinin grafik gösterimini vermektedir.
20 ( 1 1) (2 ) 2 2 ( 2 ) (1 1 ) ( 2) 4 (1 1) Şekil 2 : Vazo probleminde geçiş matrisinin grafiksel gösterimi
21 Örnek 1: Aşağıdaki şekildeki sayılar köşe noktaları veya dönüşleri belirleyen kavşakları ve aradaki çizgiler de yolları belirlemektedir. Bir arabanın dönüş veya doğrudan gitmesini eş olasılıkla varsayarak köşelerde bulunmak isteğini geçiş olasılıkları matrisi ile gösteriniz
22 Çözüm: 2 nolu köşede bulunması halinde 1, 3 veya 5 köşelerinde bulunma olasılığı 3 olacaktır. 5 nolu köşede ise takiben 2, 4, 6 veya 8 köşelerine 4 olasılıkla gidebilir v.s. Geçiş matrisi aşağıdaki gibidir ve mevcut herhangi bir durumdan, verilen herhangi bir duruma geçilir. Dolayısıyla süreç ergodiktir.
23
24
25 n-adim GEÇİŞ OLASILIKLARI P geçiş matrisi olan Markov zincirini çalıştığımızı düşünelim. (İlgilendiğimiz markov zincirleri stasyoner(sabit) olduğundan, açıkça söylemesek de stasyoner markov zincirleri kastetmekteyiz) Burada ilgilendiğimiz soru eğer markov zinciri m zamanında i durumundaysa, n adım sonra j durumunda olma ihtimali nedir? Stasyoner markov zinciri ile ilgilendiğimizden dolayı bu olasılık m den bağımsızdır. Öyleyse P(X m+n =j/ X m =i) = P(X n =j/ X =i)= p ij (n) p ij (n) n-adımda i den j ye geçiş olasılığıdır. p ij (1) = p ij olduğu açıktır.
26 Şimdi p ij (2) ye karar verelim. Bu durumda sistem durum i dedir ve 2 adım sonra durum j ye gelecektir. Önce Durum i den mümkün olan durumlardan birine geçeriz (durum k). Sonra Durum k den durum j ye geçeriz (Şekil 3). Bu mantık bize aşağıdaki eşitliği gösterir. p ij (2) = k=1 k=s i den k ye geçiş olasılığı (k den j ye geçiş olasılığı) P matrisinin tanımını kullanarak p ij (2) = k=1 k=s p ik p kj (3) yazabiliriz. p i1 1 p 1j i p i2 p ik 2 k p 2j p sj p is p kj Şekil 3 s p ij (2) = P i1 *p 1j + P i2 *p 2j + + P is *p sj j
27 p ij (2) = k=1 k=s p ik p kj (3) (3) ün sağ tarafı P matrisinin sıra i si ile P matrisinin kolon j sinin skalar çarpımıdır. Bundan dolayı p ij (2) P 2 matrisinin ij inci elemanıdır. Bu durumu genellersek : n >1 için p ij (n) P n matrisinin ij inci elemanıdır (4) Eğer n= ise p ij () = P(X =j/ X =i ) öyleyse aşağıdaki doğru olmalıdır. p ij () = 1 Eğer j=i ise eğer j i ise Eşitlik (4) ün kullanımı Örnek 4 te gösterilmiştir.
28 ÖRNEK 4: KOLA ÖRNEĞİ Bütün kola endüstrisinin iki tip kola ürettiğini kabul edelim. Eğer bir insanın kola 1 satın aldığı verilmişse, gelecek alışınında kola 1 olması %9 dır. Eğer bir insanın en son kola 2 aldığı verilmişse gelecek alışının kola 2 olması %8 olasılıkladır. a) Eğer müşteri şimdi kola 2 alıyorsa iki alışveriş sonra kola 1 alma ihtimali nedir? b) Eğer müşteri şimdi kola 1 alıcısıysa, üç alışveriş sonra kola 1 alması ihtimali nedir? ÇÖZÜM Burada her bir kişinin alışverişini markov zinciri olarak düşünürüz. Bu problem iki durumlu markov zinciridir ve alınan kolanın tipi en son periodda alınan kolanın tipine bağlıdır. Durum 1 = Müşteri en son kola1 almıştır Durum 2= Müşteri en son kola2 almıştır Eğer Xn n.periodda alınan kola olarak tanımlarsak (Şimdiki kola alışı = X ) o zaman X, X 1 takibeden slayttaki, geçiş matrisine sahip markov zincir olarak tanımlanabilir.
29 Kola1 Kola2 P = Kola1 Kola Şimdi soru a) ve b) yi cevaplayabiliriz. a) Aradığımız olasılığı ifade edersek P(X 2 = X =2 ) = p 21 (2) = P 2 nin ( ij=2-1) inci elemanı P 2 = = p 21 (2) =.34 İki alış veriş sonra şimdi kola1 içen müşteri.34 olasılıkla kola 2 içer. Bu durumu temel olasılık teorisini kullanarak da bulabilirdik. p 21 (2) = (Gelecek alış kola1 ve 2. alış kola1) + (Gelecek alış kola2 ve 2. alış kola1) = p 21 * p 11 + p 22 * p 21 =.2 *.9 +.8*.2 =.34 Bu durum takibeden slaytta grafik olarak gösterilmiştir.
30 Şekil 4: İki Period sonra kola2 alıcısının kola1 alma olasılığı.2 *.9 +.8*.2 =.34 P 22 =.8 Kola2 P 21 =.2 Kola2 Kola2 P 21 =.2 Kola1 P 11 =.9 Zaman Zaman 1 Zaman 2
31 b) Bu soruda aradığımız p 11 (3) tür. p 11 (3) = P 3 ün ij. Elemanı (1-1 inci) P 3 = P * (P 2 ) = = Dolayısıyla p 11 (3) =.781 olur.
32 Pek çok durumda Markov Zincirinin Zaman da hangi durumda olduğunu bilmemekteyiz. qi = Zincirin Zaman da i durumunda olma olasılığı olsun. O zaman sistemin n zamanında durum j de olma olasılığını aşağıdaki mantıkla bulabiliriz. q 1 q p 2j (n) p 1j (n) Şekil 5: Başlangıç durumun bilinmediği durumda n zamanında j durumunda olma olasılığı q i i p ij (n) j p sj (n) q s s Zaman Zaman n
33 Zaman n de durum j de olma olasılığı i=s Durumun başlangıçta i olma olasılığı (n adımda i den j ye geçiş olasılığı) = i=1 = i=1 i=s q i p ij (n) = q (P n matrisinin j. Kolonu) (5) q= q 1 q 2 q s SORU : Kola Örneği Devam Başlangıçta müşterilerin %6 ı kola 1 içiyor ve %4 ı kola2 içiyorsa, 3 zaman(adım) sonra müşterilerin ne kadarı kola1 içer. CEVAP: q=.6.4 Zaman 3 de kola1 içme olasılığı = q (P 3 matrisinin 1. Kolonu) = =.6438 Böylece 3 zaman sonra 64% müşteri kola1 içer
34 n-adım geçiş olasılıklarının büyük n değerleri için davranışını göstermek için bazı n değerleri için kola örneğinin n-adım geçiş olasılıkları tablo 2 de verilmiştir. n P 11 (n) P 12 (n) P 21 (n) P 22 (n) Tablo 2: Kola Örneğinde n-adım geçiş olasılıkları n büyüdükçe P 11 (n) ve P 21 (n) değerleri.67 ye yaklaşıyor ve sabitleniyor. Bunun anlamı başlangıç durum ne olursa olsun uzun vadede kola1 alma olasılığı(yüzdesi).67 dir. n büyüdükçe P 12 (n) ve P 22 (n) değerleri.33 e yaklaşıyor ve sabitleniyor. Bunun anlamı başlangıç durum ne olursa olsun uzun vadede kola2 alma olasılığı(yüzdesi).33 dür.
35 Problemlerin Markov Zincirleri ile Formülize Edilmesi: Şu anda (n=) Planlamada olan bir mühendisin iki yıl sonra (n=2) Onarım Bölümünde olma ihtimali nedir? P O A P,7,1,2 O,1,8,1 A,1,9 Planlama n=. Adım Planlama.7 Onarım.1 Araştırma.2 n=1. Adım Planlama Onarım Araştırma Planlama Onarım Araştırma Planlama Onarım Araştırma n=2. Adım P->P->O =,7*,1=,7; P->O->O =,1*,8=,8; P->A->O =,2*= Şartlı ihtimallerin toplamı =,7 +,8 + =,15
36 Problemlerin Markov Zincirleri ile Formülize Edilmesi: Planlama Bölümünde çalışan mühendisin ikinci yılda Planlama, Onarım ve Araştırma Bölümlerine atanma olasılıkları: P O A P,7,1,2 O,1,8,1 A,1,9 V n i V n1 i.p V1 V1.P (.7.1.2) ( )
37 Problemlerin Markov Zincirleri ile Formülize Edilmesi: Daha genel olarak bu problemde, n=2 yıl sonraki bütün geçiş ihtimallerini bilmek istersek P matrisinin karesi alınır: P O A P,7,1,2 O,1,8,1 A,1, P
38 n. Adım Sonunda Her Bir Grupta Kaç Kişi Bulunur? m n.p n n=(n 1, n 2, ): dönem başı mevcutlar vektörü m=(m 1, m 2, ): dönem sonu mevcutlar vektörü
39 n. Adım Sonunda Her Bir Grupta Kaç Kişi Bulunur? Dönem başı personel durum mevcutları n=(1, 8, 12) vektörü ile verilirse 2. yıl sonunda gruplar arasındaki dağılım şöyle bulunabilir: m (1 8 12) ( )
40
MARKOV ZİNCİRLERİNDE DURUMLARIN SINIFLANDIRILMASI
SAKARYA UNIVERSİTESİ ENDUSTRI MUHENDISLIĞI YÖNEYLEM ARAŞTIRMASI II MARKOV ZİNCİRLERİNDE DURUMLARIN SINIFLANDIRILMASI DERS NOTLARI 1 Önceki derslerimizde pek çok geçişten sonra n-adım geçiş olasılıklarının
DetaylıDers 1: Markov Zincirleri YÖNEYLEM ARAŞTIRMASI III. Markov Süreçleri Ders 4. Stokastik Süreç Nedir? Stokastik Süreç Nedir?
Ders : Markov Zincirleri YÖNEYLEM ARAŞTIRMASI III Markov Süreçleri Ders 4 Yrd. Doç. Dr. Beyazıt Ocaktan E-mail: bocaktan@gmail.com Ders İçerik: nedir? Markov Zinciri nedir? Markov Özelliği Zaman Homojenliği
DetaylıEMİCİ(YUTUCU) ZİNCİRLER
SAKARYA UNIVERSİTESİ ENDUSTRI MUHENDISLIĞI YÖNEYLEM ARAŞTIRMASI II EMİCİ(YUTUCU) ZİNCİRLER DERS NOTLARI Pek Çok ilginç markov zinciri uygulamalarında bazı durumlar emici (yutucu) ve geri kalan durumlar
DetaylıYıldız Teknik Üniversitesi Endüstri Mühendisliği Bölümü KARAR TEORİSİ MARKOV SÜREÇLERİ. Markov Analizi
Yıldız Teknik Üniversitesi Endüstri Mühendisliği Bölümü KARAR TEORİSİ MARKOV SÜREÇLERİ Doç. Dr. İhsan KAYA Markov Analizi Markov analizi, bugün çalışan bir makinenin ertesi gün arızalanma olasılığının
DetaylıYÖNEYLEM ARAŞTIRMASI-2 -Markov Zincirleri-
YÖNEYLEM ARAŞTIRMASI-2 -Markov Zincirleri- Hazırlayan Yrd. Doç. Selçuk Üniversitesi Mühendislik Fakültesi - Endüstri Mühendisliği Bölümü Giriş Zaman içerisinde tamamen önceden kestirilemeyecek şekilde
DetaylıDr. Mehmet AKSARAYLI
Dr. Mehmet AKSARAYLI Şans Değişkeni: Bir dağılışı olan ve bu dağılışın yapısına uygun frekansta oluşum gösteren değişkendir. Şans Değişkenleri KESİKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI Kesikli
DetaylıOlasılık, bir deneme sonrasında ilgilenilen olayın tüm olaylar içinde ortaya çıkma ya da gözlenme oranı olarak tanımlanabilir.
5.SUNUM Olasılık, bir deneme sonrasında ilgilenilen olayın tüm olaylar içinde ortaya çıkma ya da gözlenme oranı olarak tanımlanabilir. Günlük hayatta sıklıkla kullanılmakta olan olasılık bir olayın ortaya
DetaylıRASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN
RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi
DetaylıRassal Değişken. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Rassal Değişken Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK tover@sakarya.edu.tr S örnek uzayı içindeki her bir basit olayı yalnız bir gerçel (reel) değere dönüştüren fonksiyona rassal değişken adı verilir. O halde
DetaylıFaktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir,
14. Binom ve Poisson olasılık dağılımları Faktöriyeller ve kombinasyonlar Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, n! denir ve n! = 1.2.3...(n-2).(n-l).n biçiminde gösterilir.
DetaylıTablo (2): Atıştırma Sayısı ve Günlük Sınav Sayısı Atıştırma Sınav Sayısı (X) 0 0.07 0.09 0.06 0.01
Ortak Varyans ve İstatistiksel Bağımsızlık Bir rassal değişken çifti istatistiksel olarak bağımsız ise aralarındaki ortak varyansın değeri 0 dır. Ancak ortak varyans değerinin 0 olması, iki rassal değişkenin
DetaylıKesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları
Kesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları 1 Şans Değişkeni: Bir dağılışı olan ve bu dağılışın yapısına uygun frekansta oluşum gösteren değişkendir.
DetaylıBekleme Hattı Teorisi
Bekleme Hattı Teorisi Sürekli Parametreli Markov Zincirleri Tanım 1. * +, durum uzayı * +olan sürekli parametreli bir süreç olsun. Aşağıdaki özellik geçerli olduğunda bu sürece sürekli parametreli Markov
DetaylıKUYRUK TEORİSİ II DOĞUM-ÖLÜM SÜRECİ
SAKARYA UNIVERSİTESİ ENDUSTRI MUHENDISLIĞI YÖNEYLEM ARAŞTIRMASI II KUYRUK TEORİSİ II DOĞUM-ÖLÜM SÜRECİ DERS NOTLARI DOĞUM-ÖLÜM SÜRECİ Kuyruk sistemindeki t zamanındaki müşteri sayısını kuyruk sisteminin
DetaylıKESİKLİ ŞANS DEĞİŞKENLERİNİN OLASILIK DAĞILIMLARI. Bernoulli Dağılımı Binom Dağılımı Poisson Dağılımı
KESİKLİ ŞANS DEĞİŞKENLERİNİN OLASILIK DAĞILIMLARI Bernoulli Dağılımı Binom Dağılımı Poisson Dağılımı 1 Bernoulli Dağılımı Bir şans değişkeninin bernoulli dağılımı göstermesi için ilgilenilen süreçte bernoulli
DetaylıLineer Dönüşümler ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv.Dr. Nevin ORHUN
Lineer Dönüşümler Yazar Öğr. Grv.Dr. Nevin ORHUN ÜNİTE 7 Amaçlar Bu üniteyi çalıştıktan sonra; Vektör uzayları arasında tanımlanan belli fonksiyonları tanıyacak, özelliklerini öğrenecek, Bir dönüşümün,
DetaylıBu durumu, konum bazında bileşenlerini, yani dalga fonksiyonunu, vererek tanımlıyoruz : ) 1. (ikx x2. (d)
Ders 10 Metindeki ilgili bölümler 1.7 Gaussiyen durum Burada, 1-d de hareket eden bir parçacığın önemli Gaussiyen durumu örneğini düşünüyoruz. Ele alış biçimimiz kitaptaki ile neredeyse aynı ama bu örnek
DetaylıKontrol Sistemlerinin Analizi
Sistemlerin analizi Kontrol Sistemlerinin Analizi Otomatik kontrol mühendisinin görevi sisteme uygun kontrolör tasarlamaktır. Bunun için öncelikle sistemin analiz edilmesi gerekir. Bunun için test sinyalleri
DetaylıMatematik Ders Notları. Doç. Dr. Murat Donduran
Matematik Ders Notları Doç. Dr. Murat Donduran Mart 18, 28 2 İçindekiler 1 Tanımlı Integral Uygulamaları 5 1.1 Olasılık.............................. 5 3 4 İÇINDEKILER Bölüm 1 Tanımlı Integral Uygulamaları
DetaylıKESİKLİ DÜZGÜN DAĞILIM
KESİKLİ DÜZGÜN DAĞILIM Eğer X kesikli rassal değişkeninin alabileceği değerler (,,..., ) eşit olasılığa sahip ise, kesikli düzgün dağılım söz konusudur. p(x) =, X=,,..., şeklinde gösterilir. Bir kutuda
DetaylıYÖNEYLEM ARAŞTIRMASI III Final Çalışma Soruları
YÖNEYLEM ARAŞTIRMASI III Final Çalışma Soruları Soru ) Aşağıda verilen adım geçiş matrisli Markov Zincirini ele alın..5.5..8 P=.5.75.6. a) Markov Zincirindeki haberleşen sınıfları yazın. b) Markov Zincirinin
Detaylıİstatistik, genel olarak, rassal bir olayı (ya da deneyi) matematiksel olarak modellemek ve bu model yardımıyla, anakütlenin bilinmeyen karakteristik
6.SUNUM İstatistik, genel olarak, rassal bir olayı (ya da deneyi) matematiksel olarak modellemek ve bu model yardımıyla, anakütlenin bilinmeyen karakteristik özellikleri (ortalama, varyans v.b. gibi) hakkında
DetaylıKesikli ġans DeğiĢkenleri Ġçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları
Kesikli ġans DeğiĢkenleri Ġçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları Kesikli ġans DeğiĢkenlerinin Olasılık Fonksiyonları X, şans değişkeni ve, 2,.., n ise bu tesadüfi değişkenin
DetaylıVEKTÖR UZAYLARI 1.GİRİŞ
1.GİRİŞ Bu bölüm lineer cebirin temelindeki cebirsel yapıya, sonlu boyutlu vektör uzayına giriş yapmaktadır. Bir vektör uzayının tanımı, elemanları skalar olarak adlandırılan herhangi bir cisim içerir.
Detaylı2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım
2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı
DetaylıMatris Cebiriyle Çoklu Regresyon Modeli
Matris Cebiriyle Çoklu Regresyon Modeli Hüseyin Taştan Mart 00 Klasik Regresyon Modeli k açıklayıcı değişkenden oluşan regresyon modelini her gözlem i için aşağıdaki gibi yazabiliriz: y i β + β x i + β
DetaylıKESİN PROJE RAPORU PROJENİN ADI PROJEYİ HAZIRLAYANLAR BABÜR NEDİM ÇAĞATAY OKUL ADI VE ADRESİ DANIŞMAN ÖĞRETMEN
KESİN PROJE RAPORU PROJENİN ADI HANGİ ADAYI SEÇELİM? PROJEYİ HAZIRLAYANLAR BABÜR NEDİM ÇAĞATAY OKUL ADI VE ADRESİ ÖZEL KÜLTÜR FEN LİSESİ ATAKÖY 9.-10. KISIM, 34156 BAKIRKÖY - İSTANBUL DANIŞMAN ÖĞRETMEN
DetaylıBAYES KURAMI. Dr. Cahit Karakuş
BAYES KURAMI Dr. Cahit Karakuş Deney, Olay, Sonuç Küme Klasik olasılık Bayes teoremi Permütasyon, Kombinasyon Rasgele Değişken; Sürekli olasılık dağılımı Kesikli - Süreksiz olasılık dağılımı Stokastik
DetaylıYapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( )
İKİ DEĞİŞKENLİ OLASILIK Rassal bir deneme yapılmakta ve farklı iki olay ile ilgilenilmektedir. A 1, A 2,,A i olayları bağdaşmaz ve bütünü kapsayıcıdır. B 1, B 2,,B j olayları bağdaşmaz ve bütünü kapsayıcıdır.
DetaylıBÖLÜM 1 GİRİŞ: İSTATİSTİĞİN MÜHENDİSLİKTEKİ ÖNEMİ
BÖLÜM..AMAÇ GİRİŞ: İSTATİSTİĞİ MÜHEDİSLİKTEKİ ÖEMİ Doğa bilimlerinde karşılaştığımız problemlerin birçoğunda olaydaki değişkenlerin değerleri bilindiğinde probleme kesin ve tek bir çözüm bulunabilir. Örneğin
Detaylı3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1
3. TAHMİN 3.1. En Küçük Kareler (EKK) Yöntemi 1 En Küçük Kareler (EKK) yöntemi, regresyon çözümlemesinde en yaygın olarak kullanılan, daha sonra ele alınacak bazı varsayımlar altında çok aranan istatistiki
DetaylıRastgele Değişkenlerin Dağılımları. Mühendislikte İstatistik Yöntemler
Rastgele Değişkenlerin Dağılımları Mühendislikte İstatistik Yöntemler Ayrık Rastgele Değişkenler ve Olasılık Dağılımları Yapılan çalışmalarda elde edilen verilerin dağılışı ve dağılış fonksiyonu her seferinde
DetaylıIE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R
IE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R Geçen Ders Envanter yonetımı: Gazetecı problemı Rastsal Rakamlar Üret Talebi hesapla Geliri hesapla Toplam maliyeti hesapla Günlük ve aylık
DetaylıDOĞRUSAL ÖĞRENME MODELİ VE PAZARLAMA. I. Doğrusal Öğrenme Modelinin Mahiyeti, Pazarlama Alanındaki Yeri ve İşleyişi:
DOĞRUSAL ÖĞRENME MODELİ VE PAZARLAMA Dr. Kemal KURTULUŞ I. Doğrusal Öğrenme Modelinin Mahiyeti, Pazarlama Alanındaki Yeri ve İşleyişi: Öğrenme modeli (Learning Model) genel olarak stokastik veya thtimaliyetlerle
DetaylıBölüm 3: Vektörler. Kavrama Soruları. Konu İçeriği. Sunuş. 3-1 Koordinat Sistemleri
ölüm 3: Vektörler Kavrama Soruları 1- Neden vektörlere ihtiyaç duyarız? - Vektör ve skaler arasındaki fark nedir? 3- Neden vektörel bölme işlemi yapılamaz? 4- π sayısı vektörel mi yoksa skaler bir nicelik
DetaylıOlasılık bir diğer ifadeyle bir olayın meydana gelme şansının sayısal ifadesidir. Örnekler:
OLASILIK Populasyon hakkında bilgi sahibi olmak amacı ile alınan örneklerden elde edilen bilgiler bire bir doğru olmayıp hepsi mutlaka bir hata payı taşımaktadır. Bu hata payının ortaya çıkmasının sebebi
DetaylıOlasılık Kuramı ve İstatistik. Konular Olasılık teorisi ile ilgili temel kavramlar Küme işlemleri Olasılık Aksiyomları
Olasılık Kuramı ve İstatistik Konular Olasılık teorisi ile ilgili temel kavramlar Küme işlemleri Olasılık Aksiyomları OLASILIK Olasılık teorisi, raslantı ya da kesin olmayan olaylarla ilgilenir. Raslantı
DetaylıAlgoritmalar, Akış Şemaları ve O() Karmaşıklık Notasyonu
Algoritmalar, Akış Şemaları ve O() Karmaşıklık Notasyonu Öğr. Gör. M. Ozan AKI r1.0 Algoritmalar (Algorithms) Algoritma, bir problemin çözümünü sağlayan ancak deneme-yanılma ve sezgisel çözüme karşıt bir
DetaylıBİYOİSTATİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTTİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. slı SUNER KRKÜLH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim D. Web: www.biyoistatistik.med.ege.edu.tr 1 OLSILIK Olasılık; Tablo
DetaylıBİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Uygulamalı bilim
DetaylıKONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I
KONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I 4.1. Dışbükeylik ve Uç Nokta Bir d.p.p. de model kısıtlarını aynı anda sağlayan X X X karar değişkenleri... n vektörüne çözüm denir. Eğer bu
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Rastgele Değişkenlerin Dağılımları I Prof. Dr. İrfan KAYMAZ Ders konusu Bu derste; Rastgele değişkenlerin tanımı ve sınıflandırılması Olasılık kütle fonksiyonu Olasılık yoğunluk
DetaylıANADOLU ÜNİVERSİTESİ ÖRNEK: GEOMETRİK DAĞILIM
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ KESİKLİ DAĞILIMLAR-2 DOÇ. DR. NİHAL ERGİNEL 2015 GEOMETRİK DAĞILIM Bir Bernoulli deneyi ilk olumlu sonuç elde edilmesine kadar tekrarlansın. X: ilk olumlu sonucun
Detaylı1.58 arasındaki her bir değeri alabileceği için sürekli bir
7.SUNUM Hatırlanacağı gibi, kesikli rassal değişkenler sonlu (örneğin; 0, 1, 2,...,10) veya sayılabilir sonsuzlukta (örneğin; 0, 1, 2,...) değerler alabilmektedir. Fakat birçok uygulamada, rassal değişkenin
DetaylıÖrnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? n(s) = 3 6 = 1 2
Bir Olayın Olasılığı P(A) = n(a) n(s) = A nın eleman sayısı S nin eleman sayısı Örnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? Çözüm: S
DetaylıİNŞAAT MÜHENDİSLİĞİ BÖLÜMÜ ÖĞRENCİLERİNİN BAŞARI NOTLARININ DEĞERLENDİRİLMESİ. Tamer Yılmaz, Barış Yılmaz, Halim Sezici 1 ÖZET
İNŞAAT MÜHENDİSLİĞİ BÖLÜMÜ ÖĞRENCİLERİNİN BAŞARI NOTLARININ DEĞERLENDİRİLMESİ Tamer Yılmaz, Barış Yılmaz, Halim Sezici 1 ÖZET Bu çalışmada, Celal Bayar Üniversitesi İnşaat Mühendisliği Bölümü öğrencilerinin
DetaylıEME Sistem Simülasyonu. Giriş. Olasılık Dağılımı. Rassal Degiskenler
EME 3105 1 Giriş Sistem Simülasyonu Önümüzdeki hafta simulasyon girdilerinin modellenmesinde kullanılan kesikli ve sürekli Simulasyonda İstatistiksel Modeller-I Ders 4 dağılımlar hatırlatılacaktır. Rassal
DetaylıULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ
ULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ Özlem AYDIN Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü ULAŞTIRMA MODELİNİN TANIMI Ulaştırma modeli, doğrusal programlama probleminin özel bir şeklidir.
DetaylıMIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıSÜREKLİ RASSAL DEĞİŞKENLER
SÜREKLİ RASSAL DEĞİŞKENLER Sürekli Rassal Değişkenler Sürekli Rassal Değişken: Değerleriölçümyadatartımla elde edilen, bir başka anlatımla sayımla elde edilemeyen, değişkene sürekli rassal değişken denir.
DetaylıTesadüfi Değişken. w ( )
1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere
DetaylıGök Mekaniği: Eğrisel Hareket in Kinematiği
Gök Mekaniği: Eğrisel Hareket in Kinematiği Bundan bir önceki giriş yazımızda Kepler yasaları ve Newton ın hareket kanunlarını vermiş, bunlardan yola çıkarak gök mekaniklerini elde edeceğimizi söylemiştik.
DetaylıÖzdeğer ve Özvektörler
Özdeğer ve Özvektörler Yazar Öğr.Grv.Dr.Nevin ORHUN ÜNİTE 9 Amaçlar Bu üniteyi çalıştıktan sonra; bir lineer dönüşümün ve bir matrisin özdeğer ve özvektör kavramlarını anlayacak, bir dönüşüm matrisinin
DetaylıGenel Graf Üzerinde Mutlak 1-merkez
Genel Graf Üzerinde Mutlak 1-merkez Çözüm yöntemine geçmeden önce bazı tanımlara ihtiyaç vardır. Dikkate alınan G grafındaki düğümleri 1 den n e kadar numaralandırın. Uzunluğu a(i, j)>0 olarak verilen
DetaylıDeğer Frekans
Veri Rasgelelik içeren olgulardan elde edilen ölçüm (gözlem) değerlerine istatistiksel veri veya kısaca veri (data) diyelim. Verilerin deneyler sonucu veya doğal şartlarda olguları gözlemekle elde edildiğini
Detaylı13. Olasılık Dağılımlar
13. Olasılık Dağılımlar Mühendislik alanında karşılaşılan fiziksel yada fiziksel olmayan rasgele değişken büyüklüklerin olasılık dağılımları için model alınabilecek çok sayıda sürekli ve kesikli fonksiyon
DetaylıBÖLÜM III: Şebeke Modelleri. Şebeke Kavramları. Şebeke Kavramları. Şebeke Kavramları. Yönlü Şebeke (Directed Network) Dal / ok
8.0.0 Şebeke Kavramları BÖLÜM III: Şebeke Modelleri Şebeke (Network) Sonlu sayıdaki düğümler kümesiyle, bunlarla bağlantılı oklar (veya dallar) kümesinin oluşturduğu yapı şeklinde tanımlanabilir ve (N,A)
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 5- SONLU FARKLAR VE İNTERPOLASYON TEKNİKLERİ Doç. Dr. Ali Rıza YILDIZ MAK 210 - Sayısal Analiz 1 İNTERPOLASYON Tablo halinde verilen hassas sayısal değerler veya ayrık noktalardan
DetaylıZaman Serileri. IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören
Zaman Serileri IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere sahip değișkenlere zaman serisi adı verilmektedir. Genel olarak zaman serisi,
DetaylıİSTATİSTİK DERS NOTLARI
Balıkesir Üniversitesi İnşaat Mühendisliği Bölümü umutokkan@balikesir.edu.tr İSTATİSTİK DERS NOTLARI Yrd. Doç. Dr. Umut OKKAN Hidrolik Anabilim Dalı Balıkesir Üniversitesi Balıkesir Üniversitesi İnşaat
DetaylıBu kısımda işlem adı verilen özel bir fonksiyon çeşidini ve işlemlerin önemli özelliklerini inceleyeceğiz.
Bölüm 3 Gruplar Bu bölümde ilk olarak bir küme üzerinde tanımlı işlem kavramını ele alıp işlemlerin bazı özelliklerini inceleyeceğiz. Daha sonra kümeler ve üzerinde tanımlı işlemlerden oluşan cebirsel
DetaylıBugünkü Değer Hesaplamaları
İŞLETME FİNANSMANI Prof. Dr. Güven SAYILGAN Ankara Üniversitesi Siyasal Bilgiler Fakültesi İşletme Bölümü Muhasebe-Finansman Anabilim Dalı Öğretim Üyesi Bugünkü değer hesaplamalarında, gelecekteki bir
DetaylıZaman Serileri-1. If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist. IENG 481 Tahmin Yöntemleri Dr.
Zaman Serileri-1 If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere
DetaylıOpsiyon piyasaları ikiye ayrılır: 1) Tezgahüstü piyasa 2) Opsiyon borsaları
DÖVİZ OPSİYONLARI: Genel bir kavram olarak opsiyon, bir mali varlık veya malın sabitleştirilmiş fiyattan belirli bir vadede alma veya satma hakkı doğuran sözleşme biçiminde tanımlanabilir. Burada vurgulanması
DetaylıEkonometri I VARSAYIMLARI
Ekonometri I ÇOK DEĞİŞKENLİ REGRESYON MODELİNİN VARSAYIMLARI Hüseyin Taştan Temmuz 23, 2006 İçindekiler 1 Varsayım MLR.1: Parametrelerde Doğrusallık 1 2 Varsayım MLR.2: Rassal Örnekleme 1 3 Varsayım MLR.3:
DetaylıYÖNEYLEM ARAŞTIRMASI - I
YÖNEYLEM ARAŞTIRMASI - I 1/19 İçerik Yöneylem Araştırmasının Dalları Kullanım Alanları Yöneylem Araştırmasında Bazı Yöntemler Doğrusal (Lineer) Programlama, Oyun Teorisi, Dinamik Programlama, Tam Sayılı
DetaylıENM 316 BENZETİM DERS 3 KUYRUK SİSTEMİ. Operasyon yönetiminde önemli bir alana sahiptir.
ENM 316 BENZETİM DERS 3 KUYRUK SİSTEMİ Kuyruk sistemleri, Operasyon yönetiminde önemli bir alana sahiptir. Üretimde, atölye çevresi kuyruk şebekelerinin karmaşık bir ilişkisi olarak düşünülebilir. Bir
Detaylı1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ.DR. SAADETTIN ERHAN KESEN. Ders No:2 Simülasyon Örnekleri
1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ.DR. SAADETTIN ERHAN KESEN Ders No:2 GIRIŞ Bu derste elle ya da bir çalışma sayfası yardımıyla oluşturulacak bir simülasyon tablosunun kullanımıyla yapılabilecek simülasyon
DetaylıKüme temel olarak belli nesnelerin ya da elamanların bir araya gelmesi ile oluşur
Kümeler Kümeler ve küme işlemleri olasılığın temellerini oluşturmak için çok önemlidir Küme temel olarak belli nesnelerin ya da elamanların bir araya gelmesi ile oluşur Sonlu sayıda, sonsuz sayıda, kesikli
DetaylıVeriye Dayalı Karar Verme (Bölüm 2) Can Akkan
Veriye Dayalı Karar Verme (Bölüm 2) Can Akkan 1 Ders Planı 1. Karar Problemleri i. Karar problemlerinin bileşenleri ii. Değerler, amaçlar, bağlam iii. Etki diagramları 2. Model Girdilerinde Belirsizlik
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
Detaylı3.Ders Rasgele Değişkenler
3.Ders Rasgele Değişkenler Tanım:,U, P bir olasılık uzayı ve X : R X olmak üzere, a R için, : X a U oluyorsa X fonksiyonuna bir rasgele değişken denir. a R için X, a : X a U özelliğine sahip bir X rasgele
DetaylıALKÜ EKONOMİ ve FİNANS BÖLÜMÜ ISL 207 İSTATİSTİK I ALIŞTIRMALAR
ALKÜ EKONOMİ ve FİNANS BÖLÜMÜ ISL 207 İSTATİSTİK I ALIŞTIRMALAR 1- İlaçla tedavi edilen 7 hastanın ortalama iyileşme süresi 22.6 gün ve standart sapması.360 gündür. Ameliyatla tedavi edilen 9 hasta için
DetaylıBiyoistatistik V. HAFTA
Biyoistatistik V. HAFTA Olasılık Olasılık: Bir olayın gerçekleşme ihtimalinin matematiksel değeridir. p= Başarı sayısı / olanaklı durumlar Yazı gelmesi ihtimali p=1/2=0.5 Olasılığın özellikleri: Daima
DetaylıMIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıStokastik Süreçler. Bir stokastik süreç ya da rastgele süreç şöyle tanımlanabilir.
Bir stokastik süreç ya da rastgele süreç şöyle tanımlanabilir. Zamanla değişen bir rastgele değişkendir. Rastgele değişkenin alacağı değer zamanla değişmektedir. Deney çıktılarına atanan rastgele bir zaman
DetaylıZ = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ
YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM X 1,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun.
DetaylıDers 8 in Özeti YÖNEYLEM ARAŞTIRMASI III. Markov Süreçleri Ders 9. Bir Markov Zincirinin Sınıflandırılması. Örnek: Kumarbazın İflası
Ders 8 in Özeti YÖEYLEM ARAŞTIRMASI III Markov Süreçleri Ders 9 Durağan Dağılım Koşulsuz olasılık dağılımı (n) P Uzun Dönem Analizi Limit (Kararlı Hal) Dağılımı,,..., Bir Markov Zincirinin Sınıflandırılması
DetaylıNÜMER IK ANAL IZ. Nuri ÖZALP L INEER S ISTEMLER IN ÇÖZÜMÜ. Bilimsel Hesaplama Matemati¼gi, Gazi Kitabevi 2012
NÜMER IK ANAL IZ Bilimsel Hesaplama Matemati¼gi, Gazi Kitabevi 0 Nuri ÖZALP L INEER S ISTEMLER IN ÇÖZÜMÜ Nuri ÖZALP (Ankara Üni.) NÜMER IK ANAL IZ BÖLÜM 6 7! L INEER S ISTEMLER IN ÇÖZÜMÜ / 9 . LU ve Cholesky
DetaylıNokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur.
Üç Boyutlu Geometri Nokta (Point,Vertex) Nokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur. Kartezyen Koordinat Sistemi Uzayda bir noktayı tanımlamak
DetaylıMakina Mühendisliği Bölümü Makine Laboratuarı
Makina Mühendisliği Bölümü Makine Laboratuarı Reynolds Sayısı ve Akış Türleri Deneyi 1. Genel Bilgi Bazı akışlar oldukça çalkantılıyken bazıları düzgün ve düzenlidir. Düzgün akım çizgileriyle belirtilen
Detaylı18.034 İleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıLineer Cebir. Doç. Dr. Niyazi ŞAHİN TOBB. İçerik: 1.1. Lineer Denklemlerin Tanımı 1.2. Lineer Denklem Sistemleri 1.3. Matrisler
Lineer Cebir Doç. Dr. Niyazi ŞAHİN TOBB İçerik: 1.1. Lineer Denklemlerin Tanımı 1.2. Lineer Denklem Sistemleri 1.3. Matrisler Bölüm 1 - Lineer Eşitlikler 1.1. Lineer Eşitliklerin Tanımı x 1, x 2,..., x
DetaylıOYUN TEORİSİ. Özlem AYDIN. Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü
OYUN TEORİSİ Özlem AYDIN Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü TANIM ''Oyun Teorisi'', iki yada daha fazla rakibi belirli kurallar altında birleştirerek karşılıklı olarak çelişen olasılıklar
DetaylıSÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım
SÜREKLİ ŞANS DEĞİŞKENLERİ Üstel Dağılım Normal Dağılım 1 Üstel Dağılım Meydana gelen iki olay arasındaki geçen süre veya bir başka ifadeyle ilgilenilen olayın ilk defa ortaya çıkması için geçen sürenin
Detaylı3. BÖLÜM MATRİSLER 1
3. BÖLÜM MATRİSLER 1 2 11 21 1 m1 a a a v 12 22 2 m2 a a a v 1 2 n n n mn a a a v gibi n tane vektörün oluşturduğu, şeklindeki sıralanışına matris denir. 1 2 n A v v v Matris A a a a a a a a a a 11 12
DetaylıAçık Çevrim Kontrol Açık Çevrim Kontrol
Açık Çevrim Kontrol Açık Çevrim Kontrol Açık çevrim kontrol ileri kontrol prosesi olarak da ifade edilebilir. Yandaki şekilde açık çevrim oda sıcaklık kontrolü yapılmaktadır. Burada referans olarak dışarı
DetaylıBaşarı olasılığı olan bir Bernoulli denemesinin aynı şartlar altında (bağımsız olarak) n kez tekrarlanması ile oluşan deneye binom deneyi denir.
3.5. Bazı Kesikli Dağılımlar 3.5.1. Bernoulli Dağılımı Bir deneyde başarı ve başarısızlık diye nitelendirilen iki sonuçla ilgilenildiğinde bu deneye (iki sonuçlu) Bernoulli deneyi ya da Bernoulli denemesi
Detaylı2017 MÜKEMMEL YGS MATEMATİK
2017 MÜKEMMEL YGS MATEMATİK 1. 2,31 0,33 0,65 0,13 + 3,6 0,6 işleminin sonucu kaçtır? A)0,5 B) 0,8 C)0,9 D)5 E)8 4. Üç basamaklı ABB doğal sayısı 4 e ve 9 a kalansız bölünmektedir. Buna göre, A+B toplamının
DetaylıMAT223 AYRIK MATEMATİK
MAT223 AYRIK MATEMATİK Kombinatoryal Olasılık 5. Bölüm Emrah Akyar Anadolu Üniversitesi Fen Fakültesi Matematik Bölümü, ESKİŞEHİR 2014 2015 Öğretim Yılı Olaylar ve Olasılıklar Kombinatoryal Olasılık Olaylar
Detaylırasgele değişkeninin olasılık yoğunluk fonksiyonu,
3.6. Bazı Sürekli Dağılımlar 3.6.1 Normal Dağılım Normal dağılım hem uygulamalı hem de teorik istatistikte kullanılan oldukça önemli bir dağılımdır. Normal dağılımın istatistikte önemli bir yerinin olmasının
DetaylıInvestigation of Three Basic Problems in Hidden Markov Models
Investigation of Three Basic Problems in Hidden Markov Models Zuleyha Semerci, Master of Science Thesis Department of Statistics, Hacettepe University 2006 SAKLI MARKOV MODELLERİNDE ÜÇ TEMEL PROBLEMİN
DetaylıDENİZ HARP OKULU ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
DENİZ HARP OKULU ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS STOKASTİK SÜREÇLER ENM- / 3+0 3 3 Dersin Dili Dersin Seviyesi Dersin
DetaylıMIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıYZM ALGORİTMA ANALİZİ VE TASARIM DERS#3: ALGORİTMA ANALİZİ#2
YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#3: ALGORİTMA ANALİZİ#2 Özyineli Olmayan (Nonrecursive) Algoritmaların Matematiksel Analizi En büyük elemanı bulma problemi En Büyük Elemanı Bulma Problemi Girdi
DetaylıSAB 101 OLASILIK DERS NOTLARI. Prof.Dr. Fatih TANK. SAB 101 Olasılık. F.Tank. 1. Geometirk Dağılım. 2. Negatif Binom Dağılımı
SAB 101 OLASILIK DERS NOTLARI Prof.Dr. Fatih TANK Ankara Üniversitesi Uygulamalı Bilimler Fakültesi Sigortacılık ve Aktüerya Bilimleri Bölümü Prof.Dr. Fatih TANK - Olasılık Ders Notları- Sayfa : 1/7 Haftalık
DetaylıBÖLÜM 4: MADDESEL NOKTANIN KİNETİĞİ: İMPULS ve MOMENTUM
BÖLÜM 4: MADDESEL NOKTANIN KİNETİĞİ: İMPULS ve MOMENTUM 4.1. Giriş Bir önceki bölümde, hareket denklemi F = ma nın, maddesel noktanın yer değiştirmesine göre integrasyonu ile elde edilen iş ve enerji denklemlerini
DetaylıOLASILIK. P(A) = şeklinde ifade edilir.
OLASILIK Olasılık belirli bir olayın olabilirliğinin sayısal ölçüsüdür. Olasılık bir diğer ifadeyle bir olayın meydana gelme şansının sayısal ifadesidir. 17 yy. da şans oyunlarıyla birlikte kullanılmaya
DetaylıA B = A. = P q c A( X(t))
Ders 19 Metindeki ilgili bölümler 2.6 Elektromanyetik bir alanda yüklü parçacık Şimdi, kuantum mekaniğinin son derece önemli başka bir örneğine geçiyoruz. Verilen bir elektromanyetik alanda hareket eden
Detaylı8.Konu Vektör uzayları, Alt Uzaylar
8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye
Detaylı