Rastgelelik, Rastgele Sinyaller ve Sistemler Rastgelelik Nedir?
|
|
- Dilara Görgülü
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Rastgelelik, Rastgele Sinyaller ve Sistemler Rastgelelik Nedir? Rastgelelik en basit anlamda kesin olarak bilinememektir. Rastgele olmayan deterministiktir (belirli). Bazı rastgele olgu örnekleri şöyle sıralanabilir; Şu an için dersten geçme notunuz Gelecekteki herhangi bir zamanda kilonuz Doğum tarihini bilmediğiniz birinin yaşı Sinyal ilgilenilen problemle ilgili yararlı bilgi taşıyan bir zaman fonksiyonudur. Rastgele Sinyal değeri kesin olarak tahmin edilemeyen sinyaldir. Bazı örnekler; Borsa endeksi Solar dedektör çıkışı Sayısal iletişim kanalından iletilen binary sinyal İlgilenilen problemle ilgili yararlı hiçbir bilgi içermeyen rastgele zaman fonksiyonuna gürültü denir. Bazı örnekler; Elektronik devredeki termal gürültü Radyo alıcısındaki cızırtı
2 Olasılık ve Rastgele Süreçler Rastgeleliği ders olarak işlemek için temel olarak iki neden vardır. Pratik problemlerin çoğu gerçekte rastgelelik içerir Pratik problemlerin çoğu tamamıyla deterministik olarak tanımlayabilmek için çok komplekstir. Bu yüzden rastgele etkilere maruz kalmış problemler olarak tanımlamak daha etkin olur. Rastgele sinyal ve sistemlerle ilgili problemlerle ilgilenen iki bilim dalı vardır, Olasılık: Rastgele problemin analizi ile ilgili konularla ilgilidir. İstatistik: Rastgele olgunun gözlenmesi yoluyla olasılıksal modellerin nasıl üretileceği ile ilgilidir. Daha dar anlamda, olasılık rastgelelik içeren zamanla değişmez ya da anlık zamanla değişir problemlerin incelenmesinde kullanılır. Zamanla değişir rastgele problemler direk olarak daha çok mühendisliği ilgilendiren rastgele süreçlerin konusudur 2
3 3 Typical Electrical Kestirim ve Engineering Problems Networks Tipik Mühendislik Uygulamaları Sinyal İşleme Fitreleme Bilgi Teorisi Haberleşme In large computer networks, there are limited resources Rastgele (e.g., Güvenilir bandwidth, routers, switches, Sinyaller ve Sistemler printers and other devices) that Lineer need lik to be shared by the users. Sistemler User jobs/packets are queued and assigned service based on Diğer predefined criteria. İstatistik Olasılık Demand is uncertain and service time is also uncertain. Delay from the time the service is requested to the time it is Karar completed. Teorisi Matematik Oyun Telephone networks, multiuser Teorisi computer networks, and other communication networks.
4 4 İlgi ve Amacımız Belirsizliği karakterize edecek araçları öğrenmek o Olasılık teorisi, rastgele değişkenler, rastgele süreçler Deterministik olmayan sinyalleri karakterize etmek üzere araçları kullanma o Rastgele olaylar, rastgele sinyaller Rastgele sistemleri/sinyalleri gözleyerek olasılık modeli oluşturma araçlarını öğrenme o İstatistik
5 Olasılığın Temelleri 5 Olasılık Atama Deney Örnek Uzay Olaylar ve Olasılıkları Olayların Tanımlanması Bir rastgelelik içeren deneyde çıktı kesin olarak bilinmemektedir. Bütün çıktıların toplandığı kümeye örnek uzay denir ve S ile gösterilir. o Evrensel olay veya kesin olay Bir olay tek veya bir grup çıktıdan oluşabilir. Bir olayın meydana gelme olabilirliği olayı gerçek sayı uzayına taşıyan olasılık kuralı ile tanımlanır. o A olayının olasılığı P A şeklinde tanımlanır.
6 Örnek: 6 Zarın bir kere atılması. Eğer zar hilesiz ise her yüzün yukarı bakması eşit şansa sahiptir. Örnek uzay kesiklidir Çeşitli olaylar Olasılıklar S A A A 2 3 P A,2,3,4,5,6 tek sayılı yüzler,3,5 üst yüzün değeri<3,2 çift sayılı yüzler 2,4,6 P A P A
7 Sürekli Örnek Uzayı 7 Radyo Alıcısı 5V 5V st t t anında radyo alıcısının çıkışı ölçülüyor. Alıcı çıkışının dinamik aralığı 5V 5V S s : 5 s 5 Sürekli uzayı sonsuz sayıda çıktıya sahiptir. o s 4, gibi değerler alabilir. Örnek olaylar ve olasılıkları: s s 2 2 A : , Pr[A ] 0.50 A s: s, Pr[A ] 0.20 A s : s 2.3 x, lim Pr[A ] x 0
8 Kesikli Örnek Uzayı 8 5V 5V st 8-bit ADC sn 8-bit ADC çıkışında sadece değer vardır. S 5, 4, ,, 0, ,0,0, ,, 4, veya S= 28, 27,,,0,,,27, 2'nin desimal karşılıkları Kesikli örnek uzayı sonlu/sonsuz sayıda değer ya da çıktıya sahiptir. o Verilen örnekte 256 değer ya da çıktı vardır (sonlu)
9 İki Boyutlu Örnek Uzayı İki zar atılması kesikli örnek uzayı S i, j:,,,2,,3,, 4,3,, 6,4, 6,5, 6,
10 Olaylar ve Olay İşlemleri 0 S Kesin Olay Hükümsüz Olay A, A, A, Tanımlanmış Olaylar A A A C A A Birleşim İşlemi Kesişim İşlemi Tümleme
11 Örnek: S C C A,3,5 2, 4,6 A3 A2 A3,2,4,6 A A3, 2,3, 4,5,6 S A A,2,3,4,5,6 ile gösterilen örnek uzayı ele alalım. A,3,5, A, 2 ve A 2, 4,6 olayları tanımlansın A A A A 3 A S C A A,3,5, 2,3, 4,5,6 2, 4,6
12 Bazı Kurallar 2 A A C A S A A C C A A A A A 2 2 A A A A A A A A A A A A A C C C 2 2 A A A A S C A A A A A A 2 2 Karşılıklı Kapsamama Kapsama Çift Tümleme Değişim Kuralı Birleşme Kuralı Dağılım Kuralı De Morgan Kuralı
13 Sonlu Birleşim ve Kesişimler 3 N i A A A A i 2 N N i A A A A i 2 Sonsuz Birleşim ve Kesişimler Buna bir sigma cebir denir. N i A A A i 2 i A A A i 2
14 Karşılıklı Kapsamayan ve Birlikte Tamamlayan Olay Kümeleri (Mutually Exclusive and Collectively Exhaustive) 4 Karşılıklı Kapsamayan: A A, k j k j Bu durumda Birlikte Tamalayan: j A j S örnek uzay bir deneyin karşılıklı kapsamayan ve birlikte tamamlayan çıktılarında oluşur denir.
15 Olasılığın Aksiyomları 5 I. P A 0 herhangi bir olay için i II. P S Normalizasyon III(a). A A ise P A A P A P A III(b). i, j için A A ise P A P A i j i i i i
16 Bazı Çıkarımlar 6 C P A. P A 2. 0 P A 3. Eğer A A ise P A P A 4. P Eğer A A ise P A A P A A P A P A P A A 2 2 2
17 7 Toplam Olasılık Prensibi A, A2,, A n karşılıklı kapsamayan ve birlikte tamamlayan olaylar kümesi olsun. A A k j k n j j A S ise P A j n j B olayı örnek uzay S nin bir alt kümesi olmak üzere P B P B A P B A P B A 2 n j A A n BA 2 A 2 B
18 Olayların Bağımsızlığı 8 Eğer ise A ve P A A P A P A 2 2 A 2 olayları istatistiksel olarak bağımsızdır denir.
19 Koşullu Olasılık 9 Koşullu olasılık bir deneyin çıktıları hakkında kısmi bilgiye dayalı olasılık kuralı tanımlama imkânı verir. gerçekleşmesi olasılığı P A A2 P A A2, P A2 0 P A A ve A 2 iki olay olmak üzere 2 A A2 S A 2 bilindiğinde A in Eğer A ve A 2 bağımsız iseler P A A2 P A P A2 P A A P A P A P A 2 2 2
20 Toplam Olasılık Prensibi (Tekrar) 20 A, A2,, A n karşılıklı kapsamayan ve birlikte tamamlayan olaylar kümesi olsun. B olayı örnek uzay S nin bir alt kümesi olmak üzere P B P B A P B A P B A 2 P B A P A P B A P A P B A P A 2 2 n n n n i P B Ai P Ai
21 Koşullu Olasılık (Devam) 2 Koşullu olasılığın tanımı kullanılarak bazı çıkarımlar yapılabilir. P A A P A A veya P A A P A A P A P A2 P A A P A A veya P A A P A A P A P A P A A P A P A A P A Buradan P A A P A P A A P A
22 Bayes Kuralı (Teoremi) 22 A, A2,, A n karşılıklı kapsamayan ve birlikte tamamlayan olaylar kümesi olsun. Bu durumda P A j B j P Aj P B A P B Toplam olasılık prensibi kullanılarak PB tarif edilir ve yerine konulursa P A j k j P Aj B P B A n Bayes Kuralı P B A P A k k
23 Binom Olasılık Kanunu 23 n elemanlı bir sayı dizisinin elemanları sadece ve 0 lar olsun. P p, P0 p q olarak verilsin. A n elemanlı dizide r tane 'in olması n elemanlı dizide r tane in oluşma sayısı binom katsayısı ile bulunur. n n n! Cr r n r!! r o Bütün dizilerde r tane ve n r tane 0 vardır. r n r o Bu dizilerin gerçekleşme olasılığı pq dir. Bu durumda A olayının olma olasılığı: n r r nr p q Binom Olasılık Kuralı P A
24 Geometrik Olasılık Kanunu 24 Tekrarlanan deneyler dizisinin bir alt deneyinde istenen olay A olsun ve P A p, P A C p şeklinde tanımlansın. Alt deneyi A olayı gerçekleşinceye kadar tekrarlayalım. A nın k. denemede gerçekleştiği varsayılsın. C C C C C A A A A A A k istenmeyen olaylar k istenen A nın k. denemede gerçekleşme olasılığı Geometrik Olasılık Kanunu ile tarif edilir. ' 'nın. denemede gerçekleşmesi' P A k p p p p p p k p p
25 Rastgele Değişkenler (Kesikli) 25 s rastgele değişkeni, bir deneyin çıktıları olan olaylara gerçek sayı uzayından değerler atayan fonksiyondur.
26 Örnek: 26 Hilesiz bir zarın atılması deneyi ele alınsın. SI,2,3,4,5,6
27 27 Bu deney için Olasılık Kütle Fonksiyonu (OKF) fi i i 6 i f i ve f i I I 6
28 Bazı Kesikli Rastgele Değişkenler 28 ) Bernoulli Rastgele Değişkeni: Parametresi p dir. S I P I P I Doğru, Yanlış,0 p 0 p fi i p p 0 i
29 29 2) Kesikli Düzgün Rastgele Değişken: Parametresi N dir. I f i P I i fi N i N N i
30 30 3) Binom Rastgele Değişkeni: Parametresi N ve p dir. N uzunluğunda bir ikili dizi ele alınsın ve istenen olay A olsun. P A p, P A C p Rastgele Değişken: I A'nın dizi içinde gerçekleşme sayısı Bu durumda OKF aşağıdaki gibi tanımlanır. N i Ni fi i PI i p p i i fi i
31 3 4) Geometrik Rastgele Değişken: Parametresi p dir. Uzunluğu belli olmayan bir ikili sayı dizisi ele alınsın. A istenen olay olsun. Rastgele Değişken: C P A p, P A p I A veya I A olayı gerçekleştiğindeki dizinin uzunluğu olayının iki gerçekleşmesi arasındaki dizi uzunluğu Bu durumda OKF aşağıdaki gibi tanımlanır. i f i P I i p p, i,2,3,, I
32 32 5) Poisson Rastgele Değişkeni: Parametresi dır. Bir olayın belirli bir zaman aralığında ya da uzayda belirli bir bölgede meydana gelmesi sayısının modeller. Örnek: Bir bilgisayar şebekesinde bir anahtara ulaşan paket sayısı. Bir yarı iletken çipteki hata sayısı. I İlgilenilen olayın oluşma sayısı Olasılık Kütle Fonksiyonu: i fi i P I i e i!, olayın ortalama oluşma sayısıdır.
33 Kümülatif Dağılım Fonksiyonu (Kesikli) 33 Kümülatif Dağılım Fonksiyonu (KDF) şu şekilde tanımlanır. i FI i P I i fi j j 0 32 fi i FI i i i
34 Kümülatif Dağılım Fonksiyonu (Sürekli) 34 bir sürekli rastgele değişken olmak üzere in KDF si aşağıdaki tanımlanmaktadır. F x P x Tipik bir KDF şu şekilde görünür. F x x
35 KDF nin Özellikleri 35. F x 0 lim, lim 0 2. F x F x x x 3. Herhangi bir x 0 için monoton artan bir fonksiyondur. F x x F x 4. Pa b F b F a 5. h 0 için F x sağdan süreklidir. lim F a F a h F a h0 6. Pa a x F a x F a lim lim 0 x0 x0
36 Olasılık Yoğunluk Fonksiyonu (OYF) 36 Özellikleri: f x. 0 f 2. f xdx 3. x df dx x F x P x f x dx P a b f x dx ax P a a x f x dx f x x a b a x lim P a a x 0 x
37 Bazı Sürekli Rastgele Değişkenler. Düzgün Rastgele Değişken Parametreleri a ve b dir. Olasılık Yoğunluk Fonksiyonu: f, a x b f x b a 0, dy.. b a x 37 Kümülatif Dağılım Fonksiyonu: F x P x f zdz dz b a 0, x a x a F x, a x b, b a, x b x x F a x a b b x x
38 38 2. Üstel Rastgele Değişken Parametresi dır. Olasılık Yoğunluk Fonksiyonu: f ( x) 0, x 0 x e, x 0 x 0 0 f ( x) dx e dx f x x Kümülatif Dağılım Foksiyonu:
39 39 F ( x) Pr[ x] f ( z) dz e dz e e F 0, x 0 ( x) x e, x 0 x F 0 x x z z x x 0 x Hafızasızlık Özelliği: Pr t h t Pr t h Pr t h t Pr t Pr t ( th) e h = e Pr t h e
40 40 3. Gauss Rastgele Değişkeni Parametreleri ve dir. Olasılık Yoğunluk Fonksiyonu: 2 ( xm) 2 2 f ( x) e, x f x x
41 4 Kümülatif Dağılım Fonksiyonu: F x P x f z dz 2 x x exp z dz 0,84 0,5 0,59 F x x
42 42 Gauss Rastgele Değişkeni için Olasılıkların Bulunması x m x m F ( x) Pr[ x] Q 2 2 ( y) e Q( y) ( y) ( y) e y 2 2 z z y dz dz 2 2 Gauss OYF simetrik olduğundan: ( y) Q( y) Q( z) Q( z)
43 43
Şartlı Olasılık. Pr[A A ] Pr A A Pr[A ] Bir olayın (A 1 ) olma olsılığı, başka bir olayın (A 2 ) gerçekleştiğinin bilinmesine bağlıysa;
Şartlı Olasılık Bir olayın (A ) olma olsılığı, başka bir olayın (A 2 ) gerçekleştiğinin bilinmesine bağlıysa; Pr[A A 2 Pr A A Pr A A = Pr[A A 2 2 2 Pr[A Pr[A 2 2 A A 2 S Pr[A A 2 A 2 verildiğinde (gerçekleştiğinde)
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
DetaylıKümülatif Dağılım Fonksiyonu (Sürekli)
Kümülatif Dağılım Fonksiyonu (Sürekli) sürekli bir rastgele değişken olsun. Bu durumda kümülatif dağılım fonksiyonu şu şekilde tanımlanır. F ( ) = Pr[ ] Tipik bir KDF şu şekilde görünür:.0 F () 0 Kümülatif
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
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
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıDers 6: Sürekli Olasılık Dağılımları
Ders 6: Sürekli Olasılık Dağılımları Normal Dağılım Standart Normal Dağılım Binom Dağılımına Normal Yaklaşım Düzgün (uniform) Dağılım Üstel Dağılım Dağılımlar arası ilişkiler Bir rastgele değişkenin, normal
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
DetaylıRastgele değişken nedir?
Rastgele değişken nedir? Şİmdiye kadar hep, kümelerden ve bu kümelerin alt kümelerinden (yani olaylar)dan bahsettik Bu kümelerin elemanları sayısal olmak zorunda değildi. Örneğin, yazı tura, kız erkek
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
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
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 4: OLASILIK TEORİSİ Giriş Bu bölüm sonunda öğreneceğiniz konular: Rastgele Olay Örnek Uzayı Olasılık Aksiyomları Bağımsız ve Ayrık Olaylar Olasılık Kuralları Koşullu Olasılık
Detaylıİstatistik 1. Bölüm 5 Olasılık Teorisi ve Kesikli Olasılık Dağılımları. Ankara Üniversitesi SBF, GYY
İstatistik 1 Bölüm 5 Olasılık Teorisi ve Kesikli Olasılık Dağılımları Bu Bölümde İşlenecek Konular Temel Olasılık Teorisi Örnek uzayı ve olaylar, basit olasılık, birleşik olasılık Koşullu Olasılık İstatistiksel
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
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
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
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
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
DetaylıToplam Olasılık Prensibi
1 Toplam Olasılık Prensibi A 1, A 2,, A n karşılıklı kapsamayan ve birlikte tamamlayan olaylar kümesi olsun: A k A A j 0 = 0 k j j nn j j 1 = 1 B, S içinde herhangi bir olay ise k j AA j = ise S ise Pr[A
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
DetaylıİÇİNDEKİLER. Ön Söz Saymanın Temel Kuralları Permütasyon (Sıralama) Kombinasyon (Gruplama) Binom Açılımı...
İÇİNDEKİLER Ön Söz... Saymanın Temel Kuralları... Permütasyon (Sıralama)... 8 Kombinasyon (Gruplama)... 6 Binom Açılımı... Olasılık... 9 İstatistik... 8... Dağılımlar... 5 Genel Tarama Sınavı... 6 RASTGELE
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
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
Detaylı3/6/2013. Ders 6: Kesikli Olasılık Dağılımları
Ders 6: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
DetaylıDers 6: Kesikli Olasılık Dağılımları
Ders 6: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
DetaylıOlasılık Kuramı ve Bazı Olasılık Dağılımları
KAVRAMLAR Olasılık Kuramı ve Bazı Olasılık Dağılımları Deney: belirli koşullar altında tekrarlanabilen ve her tekrarda farklı sonuçlar elde edilebilen işlemdir. Örneklem uzayı: bir denemenin tüm olası
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
DetaylıDers 5: Kesikli Olasılık Dağılımları
Ders 5: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
DetaylıDers 5: Kesikli Olasılık Dağılımları
Ders 5: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
Detaylı3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI
ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6
DetaylıBirden Fazla RDnin Bileşik Olasılık Fonksiyonları
Birden Fazla RDnin Bileşik Olasılık Fonksiyonları Birden fazla x 1, x 2,..., x n gibi RDlerimiz olsun. Bunların bileşik olasılık fonksiyonları kesikli ve rastgele RDler için sırasıyla şu şekilde tanımlanır
DetaylıDers 2: Küme Teorisi, Örnek Uzay, Permütasyonlar ve Kombinasyonlar
Ders 2: Küme Teorisi, Örnek Uzay, Permütasyonlar ve Kombinasyonlar Küme Kavramı Küme İşlemleri Deney, Örnek Uzay, Örnek Nokta ve Olay Kavramları Örnek Noktaları Sayma Permütasyonlar Kombinasyonlar Parçalanmalar
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.
DetaylıOlasılık ve Rastgele Süreçler (EE213) Ders Detayları
Olasılık ve Rastgele Süreçler (EE213) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve Rastgele Süreçler EE213 Güz 3 0 0 3 7 Ön Koşul Ders(ler)i
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
Detaylıİki Rastgele Değişken
İki Rastgele Değişken K ve K kesikli rastgele değişkenlerdir K i = i. bit ten sonra oluşan hata sayısı. Başlangıçta Pr[E] =0. ve Pr[E c ]=0.8 K K olasılık (0.)(0.6)=0. (0.)(0.4)=0.08 0 (0.8)(0.)=0.08 0
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
DetaylıOlasılık Kavramı. Recep YURTAL. Mühendislikte İstatistik Metotlar. Çukurova Üniversitesi İnşaat Mühendisliği Bölümü
Olasılık Kavramı Mühendislikte İstatistik Metotlar Çukurova Üniversitesi İnşaat Mühendisliği ölümü OLSILIK KVRMI KÜME KVRMI irlikte ele alınan belirli nesneler topluluğuna küme, Kümede içerilen nesnelere
DetaylıDers 4: Rastgele Değişkenler ve Dağılımları
Ders 4: Rastgele Değişkenler ve Dağılımları Rastgele değişken kavramı Kesikli ve sürekli rastgele değişkenler İki boyutlu rastgele değişkenler Beklenen değer Varyans Örnek uzaydaki her elemanı bir sayıyla
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.
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
DetaylıAnkara Üniversitesi, SBF İstatistik 2 Ders Notları Prof. Dr. Onur Özsoy 1
1 Rastgele bir denemede ortaya çıkması olası sonuçların tamamıdır Örnek: bir zar bir kez yuvarlandığında S= Yukarıdaki sonuçlardan biri elde edilecektir. Sonuçların her biri basit olaydır Örnek: Bir deste
DetaylıYrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü
Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 GİRİŞ Olasılık Teorisi: Matematiğin belirsizlik taşıyan
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
Detaylı14.Konu Reel sayılarının topolojisi. 1.Tanım:, verilsin. açık aralığına noktasının -komşuluğu denir. { } kümesine nın delinmiş -komşuluğu denir.
14.Konu Reel sayılarının topolojisi 1.Teorem: cismi tamdır. 1.Tanım:, verilsin. açık aralığına noktasının -komşuluğu denir. { } kümesine nın delinmiş -komşuluğu denir. 2.Tanım: ve verilsin. nın her komşuluğunda
Detaylı1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz...
1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz... CABİR VURAL BAHAR 2006 Açıklamalar
DetaylıDr. Mehmet AKSARAYLI OLASILIK. Ders 3 / 1
Dr. Mehmet AKSARAYLI OLASILIK Ders 3 / 1 1 0 Kesin İmkansız OLASILIK; Bir olayın gerçekleşme şansının sayısal değeridir. N adet denemede s adet başarı söz konusu ise, da başarının nisbi frekansı lim (s/n)
DetaylıRastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble.
1 Rastgele Süreçler Olasılık taması Rastgele Deney Çıktı Örnek Uzay, S (s) Zamanın Fonksiy onu (t, s) Olayları Tanımla Rastgele süreç konsepti (Ensemble) deney (t,s 1 ) 1 t Örnek Fonksiyonlar (t,s ) t
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.
Detaylı2. Klasik Kümeler-Bulanık Kümeler
2. Klasik Kümeler-Bulanık Kümeler Klasik Küme Teorisi Klasik kümelerde bir nesnenin bir kümeye üye olması ve üye olmaması söz konusudur. Bu yaklaşıma göre istediğimiz özelliğe sahip olan bir birey, eleman
DetaylıÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ
ÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ TEMEL KAVRAMLAR PARAMETRE: Populasyonun sayısal açıklayıcı bir ölçüsüdür ve anakütledeki tüm elemanlar dikkate alınarak hesaplanabilir. Ana kütledeki
DetaylıDENİZ HARP OKULU TEMEL BİLİMLER BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
DENİZ HARP OKULU TEMEL BİLİMLER BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS OLASILIK VE İSTATİSTİK FEB-222 2/ 2.YY 3+0+0 3 3 Dersin Dili Dersin Seviyesi
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
DetaylıSimülasyonda İstatiksel Modeller
Simülasyonda İstatiksel Modeller Amaç Model-geliştirici dünyaya deterministik değil olasıksal olarak bakar. İstatiksel modeller değişimleri iyi tanımlayabilir. İlgilenilen olayın örneklenmesi ile uygun
DetaylıRassal Değişken Üretimi
Rassal Değişken Üretimi Doç. Dr. Mehmet AKSARAYLI GİRİŞ Yaşadığımız ya da karşılaştığımız olayların sonuçları farlılık göstermektedir. Sonuçları farklılık gösteren bu olaylar, tesadüfü olaylar olarak adlandırılır.
DetaylıTanım Bir A kümesinin her elemanı, bir B kümesinin de elamanı ise, A kümesine B kümesinin alt kümesi denir.
BÖLÜM 1 KÜMELER CEBİRİ Küme, iyi tanımlanmış ve farklı olan nesneler topluluğudur. Yani küme, belli bir kurala göre verilmiş nesnelerin listesidir. Nesneler reel veya kavramsal olabilir. Kümede bulunan
DetaylıŞimdi de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor. teoreminini iki kere kullanarak
10.Konu İç çarpım uzayları ve özellikleri 10.1. ve üzerinde uzunluk de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor teoreminden dir. 1.Ö.: [ ] ise ( ) ( ) ve ( ) noktaları gözönüne alalım.
DetaylıÖABT Olasılık - İstatistik KONU TESTİ Saymanın Temel Kuralları
ÖABT Olasılık - İstatistik KONU TESTİ Saymanın Temel Kuralları. 9 + = 6. A dan B ye 5 farklı şekilde gidebilir. B den C ye 3 farklı şekilde gidebilir. 5.3 = 5. 4.5 = 0 7. 5.3.3.5 5 3. kişi için iki durum
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
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
DetaylıMATEMATİK ÖĞRETMENLİK ALAN BİLGİSİ - DENEME SINAVI DENEME. Diğer sayfaya geçiniz.
MATEMATİK. DENEME ÖĞRETMENLİK ALAN BİLGİSİ - DENEME SINAVI. f : X tanımlı y = f() fonksiyonu için lim f ( ) = L ise aşağıdaki önermelerden kaç tanesi kesinlikle doğrudur? 0 I. X dir. 0 II. f() fonksiyonu
DetaylıMIT Açık Ders Malzemesi İstatistiksel Mekanik II: Alanların İstatistiksel Fiziği 2008 Bahar
MIT Açık Ders Malzemesi http://ocw.mit.edu 8.334 İstatistiksel Mekanik II: Alanların İstatistiksel Fiziği 008 Bahar Bu malzemeye atıfta bulunmak ve Kullanım Şartlarımızla ilgili bilgi almak için http://ocw.mit.edu/terms
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
DetaylıSÜREKLİ DÜZGÜN DAĞILIM
SÜREKLİ DÜZGÜN DAĞILIM X rassal değişkenin olasılık yoğunluk fonksiyonu; şeklinde ise x e düzgün dağılmış rassal değişken, f(x) e sürekli düzgün dağılım denir. a 0 olduğuna göre, f(x) >0 olur.
DetaylıANADOLU ÜNİVERSİTESİ OLASILIĞA GİRİŞ
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ OLASILIĞA GİRİŞ DOÇ. DR. NİHAL ERGİNEL OLASILIĞA GİRİŞ - Bugün yağmur yağma olasılığı % 75 dir. - X marka bilgisayarın hiç servis gerektirmeden 100000 saat çalışması
DetaylıOLASILIĞA GİRİŞ P( )= =
OLASILIĞA GİRİŞ - Bugün yağmur yağma olasılığı % 75 dir. - X marka bilgisayarın hiç servis gerektirmeden 100000 saat çalışması olasılığı %85 dir. Olasılık modelleri; Sıvı içindeki moleküllerin davranışlarını
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.
DetaylıOlasılık teorisi, matematiğin belirsizlik taşıyan olaylarla ilgilenen bir dalıdır. Bu bilim dalı rasgele değişkenleri inceler.
Bölüm 2 OLASILIK TEORİSİ Olasılık teorisi, matematiğin belirsizlik taşıyan olaylarla ilgilenen bir dalıdır. Bu bilim dalı rasgele değişkenleri inceler. Rasgele değişken, gelecekteki bir gözlemde alacağı
DetaylıÖABT Olasılık - İstatistik KONU TESTİ Saymanın Temel Kuralları
ÖABT Olasılık - İstatistik KONU TESTİ Saymanın Temel Kuralları. 9 + = 6. A dan B ye 5 farklı şekilde gidebilir. B den C ye 3 farklı şekilde gidebilir. 5.3 = 5. 4.5 = 0 7. 5.3.3.5 = 5 3. kişi için iki durum
Detaylı0.04.03 Standart Hata İstatistikte hesaplanan her istatistik değerin mutlaka hatası da hesaplanmalıdır. Çünkü hesaplanan istatistikler, tahmini bir değer olduğu için mutlaka hataları da vardır. Standart
DetaylıSÜREKLİ OLASILIK DAĞILIŞLARI
SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla
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
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
DetaylıUYGULAMALI MATEMATİK ÇÖZÜMLÜ SORU BANKASI
ÖABT UYGULAMALI MATEMATİK ÇÖZÜMLÜ SORU BANKASI Yasin ŞAHİN ÖABT UYGULAMALI MATEMATİK ÇÖZÜMLÜ SORU BANKASI Her hakkı saklıdır. Bu kitabın tamamı ya da bir kısmı, yazarın izni olmaksızın, elektronik, mekanik,
DetaylıOlasılık 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
DetaylıKümülatif Dağılım Fonksiyonları. F X (x) = P (X x) = P X (x) = P (X x) = p X (x ) f X (x) = df X(x) dx
Kümülatif Dağılım Fonksiyonları Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. F X (x) = P (X x) = x f X (x ) dx Sürekli
DetaylıRASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007
RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 007 1 Tekdüze Dağılım Bir X rasgele değişkenin, a ve b arasında tekdüze dağılımlı olabilmesi için olasılık yoğunluk
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
DetaylıMATM 133 MATEMATİK LOJİK. Dr. Doç. Çarıyar Aşıralıyev
MATM 133 MATEMATİK LOJİK Dr. Doç. Çarıyar Aşıralıyev 3.KONU Kümeler Teorisi; Küme işlemleri, İkili işlemler 1. Altküme 2. Evrensel Küme 3. Kümelerin Birleşimi 4. Kümelerin Kesişimi 5. Bir Kümenin Tümleyeni
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
Detaylı0.1 Küme Cebri. Teorem 1 A ve B iki küme olmak üzere i) (A B) c = A c B c ii) (A B) c = A c B c
0. Küme Cebri Bu bölümde verilen keyfikümeler üzerinde birleşim, kesişim, fark, tümleyen,...gibi özellikleri sağlayan eşitliklerle ilgilenceğiz. İlk olarak De Morgan kurallarıdiye bilinen bir Teoremi ifade
DetaylıHerhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır.
Kümülatif Dağılım Fonksiyonları Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. F X (x) = P (X x) = x f X(x ) dx Sürekli
DetaylıTanım 2.1. X boş olmayan bir küme olmak üzere X den X üzerine bire-bir fonksiyona permütasyon denir.
2. SİMETRİK GRUPLAR Tanım 2.1. X boş olmayan bir küme olmak üzere X den X üzerine bire-bir fonksiyona permütasyon denir. Tanım 2.2. boş olmayan bir küme olsun. ile den üzerine bire-bir fonksiyonlar kümesini
DetaylıMAT 208 İSTATİSTİK ve OLASILIK II ALIŞTIRMALAR-1
MAT 208 İSTATİSTİK ve OLASILIK II ALIŞTIRMALAR-1 şeklinde tanımlanan dağılımın a) Ortalama ve varyans değerlerini bulunuz b) Moment yaratma fonksiyonunu bularak a-şıkkını tekrar çözünüz. Bir tezgahta üretilen
Detaylı2.1 Bir Sınıfı Örneklerinden Öğrenme... 15 2.2 Vapnik-Chervonenkis (VC) Boyutu... 20 2.3 Olası Yaklaşık Doğru Öğrenme... 21
İçindekiler Önsöz İkinci Basım için Önsöz Türkçe Çeviri için Önsöz Gösterim xiii xv xvii xix 1 Giriş 1 1.1 Yapay Öğrenme Nedir?......................... 1 1.2 Yapay Öğrenme Uygulamalarına Örnekler...............
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.
Detaylı1. GRUPLAR. c (Birleşme özelliği) sağlanır. 2) a G için a e e a a olacak şekilde e G (e ye birim eleman denir) vardır.
1. GRUPLAR Tanım 1.1. G boş olmayan bir küme ve, G de bir ikili işlem olsun. (G yapısına aşağıdaki aksiyomları sağlıyorsa bir grup denir., ) cebirsel 1) a b cg,, için a( bc) ( ab) c (Birleşme özelliği)
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
Detaylı2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK
Soru 1 X rassal değişkeninin olasılık yoğunluk fonksiyonu x x, x> f ( x) = 0, dy. 1 werilmiş ve Y = rassal değişkeni tanımlamış ise, Y değişkenin 0< 1 X 1 y için olasılık yoğunluk fonksiyonu aşağıdaki
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 5: Rastgele Değişkenlerin Dağılımları II Prof. Dr. İrfan KAYMAZ Sık Kullanılan Dağılımlar Frekans tablolarına dayalı histogram ve frekans poligonları, verilerin dağılımı hakkında
DetaylıBu tanım aralığı pozitif tam sayılar olan f(n) fonksiyonunun değişim aralığı n= 1, 2, 3,, n,
DİZİLER Tamamen belirli bir kurala göre sıralanmış sayılar topluluğuna veya kümeye Dizi denir. Belirli bir kurala göre birbiri ardınca gelen bu sayıların her birine dizinin terimi ve hepsine birden dizinin
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: STATISTICS. Dersin Kodu: STA 1302
Dersi Veren Birim: Mühendislik Fakültesi Dersin Türkçe Adı: İSTATİSTİK Dersin Orjinal Adı: STATISTICS Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisans Dersin Kodu: STA 0 Dersin Öğretim
Detaylıaltında ilerde ele alınacaktır.
YTÜ-İktisat İstatistik II Nokta Tahmin Yöntemleri 1 NOKTA TAHMİN YÖNTEMLERİ Şimdiye kadar verilmiş tahmin edicilerin sonlu örneklem ve asimptotik özelliklerini inceledik. Acaba bilinmeyen anakütle parametrelerini
Detaylı2018 YILI BİRİNCİ SEVİYE AKTÜERLİK SINAVLARI İSTATİSTİK VE OLASILIK 29 NİSAN 2018
2018 YILI BİRİNCİ SEVİYE AKTÜERLİK SINAVLARI İSTATİSTİK VE OLASILIK 29 NİSAN 2018 Sigortacılık Eğitim Merkezi (SEGEM) tarafından hazırlanmış olan bu sınav sorularının her hakkı saklıdır. Hangi amaçla olursa
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
DetaylıOlasılığa Giriş Koşullu Olasılık Bayes Kuralı
Olasılığa Giriş Koşullu Olasılık Bayes Kuralı Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Olasılığa Giriş Bundan önceki bölümlerde veri setini özetleyen,
DetaylıAyrık Olasılık. Ayrık Olasılığa Giriş
Ayrık Olasılık CC-59 Ayrık Yaılar Konstantin Busch - LU Ayrık Olasılığa Giriş Hilesiz zar Örnek uzay: {,,3,4,5,6} Olası tüm sonuçlar olayının olasılığı: olay kümesinin buyuklugu örnek uzayin buyuklugu
DetaylıDoğrusal Olmayan Devreler, Sistemler ve Kaos
Elektronik ve Haberleşme Mühendisliği İstanbul Teknik Üniversitesi 25 Nisan 2013 Outline 1 2 3 Sabit noktaları: x 1 = 0 ve x 2 = 1 1 r x 0 (, 0) (0, ) = x n x(k + 1) = f (x(k)) f r (x) = rx(1 x) r = 4.2
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.
Detaylı