Stokastik Süreçler. Bir stokastik Süreç ya da rastgele süreç şöyle tanımlanabilir.
|
|
- Basak Aykut
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Stoasti Süreçler Bir stoasti Süreç ya da rastgele süreç şöyle tanımlanabilir. Zamanla değişen bir rastgele değişendir. Rastgele değişenin alacağı değer zamanla değişmetedir. Deney çıtılarına atanan rastgele bir zaman fonsiyonudur. Örne: X t cost şelinde tanımlanan süreli zaman sinyalinde rastgele değişendir ve alacağı değer bir madeni paranın atılması ile belirlenmetedir. 0, Tura gelirse, Yazı gelirse X t nin değeri önceden bilenemediğinden X t rastgeledir. X t, rastgele bir deneyin çıtılarına atanan bir sayı olmayıp bir zaman fonsiyonu olduğundan Örne Uzay: X t rastgele değişen değildir. x t, x t cos t, cost Her hangi bir t zamanı için X t bir rastgele değişendir ve en fazla ii değerden birini alabilir: cos t ve. cost
2 Stoasti Süreçler Örne: Rastgele darbe genişliğine sahip are dalga treni: X t nin değeri önceden belirlenemediği için X t rastgeledir. X t bir zaman fonsiyonu olduğu için bir rastgele değişen değildir. Xt 0 ya da A olası değerlerini alabilen bir Her hangi bir t zamanı için rastgele değişendir. Burada örne uzay sonsuz tane zaman fonsiyonunu içermetedir.
3 Stoasti Süreçler 3 X t nin her hangi bir t zamanındai değeri rastgele değişendir. X t nin bir gerçelenişi (realization) bir zaman fonsiyonudur ve örne fonsiyon ya da üye fonsiyon adını alır. Bir sayı değildir. Bu durumda örne uzay (toplulu (ensemble)) zaman fonsiyonları topluluğudur. Farlı zaman anları için X t ço farlı dağılımlara sahip olabilir.
4 Stoasti Süreçler 4 Rastgele Süreçlerin Karaterizasyonu Xt bir rastgele değişen olduğundan Xt E g X t X t g x t f x t dx t, X t süreli i i g x t P X t x t, X t esili i nin ortalaması, iinci momenti ve varyansı aşağıdai gibi elde edilir. E X t xf x dx X t E X t x f x dx X t Ortalama Fonsiyonu İinci Moment Fonsiyonu x E X t f xdx E X X t t E X t X t Burada Varyans Fonsiyonu x xt Toplulu Ortalaması
5 Stoasti Süreçler 5 Rastgele Süreçlerin Karaterizasyonu X t sürecinde her hangi ii zaman anında elde edilen ii rastgele değişen Xt ve Xt için orta olasılı yoğunlu fonsiyonu f x, x tanımlanabilir.,,, E g X t X t g x x f x x dx dx X t X t Özilinti Fonsiyonu (Autocorrelation Function): RX t, t E X t X t Otoovaryans Fonsiyonu (Autocovariance Function): C X t, t E X t E X t X t E X t X, R t t E X t E X t İlinti Katsayısı (Correlation Coefficient): C t, t X t, t X t X t X t X t
6 Stoasti Süreçler 6 Rastgele Süreçlerin Karaterizasyonu Örne: Rastgele faza sahip bir sinüsün ortalama ve özilintisini bulunuz. Aşağıda verilen sinüs fonsiyonun ele alalım. X t Asin w t 0 w bilinen sabitler olup, Burada A ve 0 0 sahip rastgele değişendir. f X t nin ortalama ve özilintisi:, 0, diğer yerler aralığında düzgün dağılıma sin sin E X t E A w t E g A w t f d 0 0 A A sinw0t d cosw0t 0 Ortalama t ye bağımlı değil.
7 Stoasti Süreçler 7 Rastgele Süreçlerin Karaterizasyonu Örne (Devam): RX t t E X t X t E A w0t w0 w0t sin sin cos cos A RX t, t E cosw0 E cosw0t w0 A cos 0 Sadece zaman farı 'ya bağımlı, sin sin w R
8 Stoasti Süreçler 8 Rastgele Süreçlerin Sınıflandırılması X t rastgele süreci için t için X t süreli rastgele değişen ise Her sabit X t SÜREKLİ rastgele süreçtir. Her sabit X t esili rastgele değişen ise X t KESİKLİ rastgele süreçtir. Bütün marjinal ve orta OYF ler zaman orijini seçimine bağlı değilse, bir başa deyişle bütün arateristiler zamandan bağımsız ise KATI ANLAMDA DURAĞAN süreç denir (Strictly Stationary Process). Sürecin ortalama ve özilintisi zaman bağımlı değilse GENİŞ ANLAMDA DURAĞAN süreç denir (Wide Sense Stationary (WSS) process). E X t zaman değişeni t'ye bağımlı değil t için R t, t R t t R her t ve t için X X X Sürecin arateristileri zaman bağılı ise süreç durağan değildir denir (Nonstationary process).
9 Stoasti Süreçler 9 Rastgele Süreçlerin Sınıflandırılması X t rastgele süreci için Sürecin BEYAZ (White Process) olması aşağıdai gibi eşdeğer tanımlardan her hangi biri ile verilmetedir. o Farlı zaman anları için sürecin değerleri ilintisizdir. o Farlı zaman anları için otoovaryans her zaman sıfırdır. o Farlı zaman anları için özilinti, belenen değerlerin çarpımı olara yazılabilmetedir. CX t, t 0 ya da RX t, t E X t E X t t t Her örne fonsiyon xt için sürecin toplulu ortalaması (yani ortalaması) zaman ortalamasına eşit ise süreç ERGODİK tir denir. T E X w, t lim xtdt, verilen bir w T T T
10 Stoasti Süreçler 0 IID Rastgele Süreç: Eğer esili zaman süreci değişenler dizisinden oluşuyor ise bu sürece IID Rastgele Süreç denir. Bir Boyutlu Rastgele Yürüyüş: D n, X n bağımsız ve özdeşçe dağılmış rastgele değerini alabilen rastgele değişenlerin IID rastgele süreci olsun. Bu S n bir parçacığın n. andai pozisyonu S n bir boyutlu rastgele yürüyüş için bir örnetir. duruma arşılı gelen toplama süreci olsun. Rastgele süreç sürecinin bir örne fonsiyonu aşağıdai gibidir. S n
11 Stoasti Süreçler Winer Süreci: Wiener rastgele süreci (ya da Wiener-Levy ya da Brownian Hareeti) rastgele yürüyüşün limit formudur. Her saniyede her yönde eşit olasılığa (equiprobable) sahip, bağımsız, genlili adımlar atılıyor olsun. Süreli zaman süreci X t, t anına adar olan adımların toplamı olma üzere t X bir basama fonsiyonudur ve her saniyede yapar. T anında süreç n t tane sıçrama yapmış olacatır. X t nin ortalama ve varyansı t X t h D D D hs n 0 h h genlili sıçrama E X t he S n var X t h nvar D h n, var D 4p p, p n n
12 Stoasti Süreçler Hem adımların genliğini hem de adımlar arasındai zamanın limiti alınara sıfıra görütürülsün. Özel olara bir sabit olma üzere h şelinde tanımlanırsa ve h 0, 0 X t olsun. götürüldüğünde ortaya çıan süreç X t sürecinin ortalama ve varyansı olur. E X t 0, var X t t X t sürecine Winer Süreci denir ve t=0 da sıfır değerini alır. 0 olur. Dolayısı ile durumunda n t X t sonsuz tane rastgele değişenin toplamını göstermeye başlar. Merezi limit teoremi ullanılara X t nin OYF si f x exp x t X t t
13 Wiener süreci beyaz gürültü sahiptir. Stoasti Süreçler nt ile aşağıda verilen şeilde bir ilişiye t 0 w t n d E n t n t t t Marov Süreci: Marov süreci aşağıda verilen Marov özelliği ile tanımlanır. p x t x, t p x t x t, t t t anına adar olan geçmiş, sürecin t anındai değeri ile tamamen araterize edilebilir. Şu an biliniyor ise gelece geçmişten bağımsızdır. Wiener süreci Marov özelliği gösterir ve n, t, t, Xt t t X t X t n d den bağımsızdır. Beyaz gürültü ile sürülen bir sistemin durumu Marov sürecidir. xt f t, xt, nt 3
14 4 Parametre elimesi zamanla değişmeyen salar ya da vetör değerli nicelileri tarif etmetedir (Bu ders apsamında). Amaç x parametresini verilen ölçümleri ullanara estirmetedir. z j h j, x, w j, j,, Şelinde tanımlanan ölçümlerin varsayılmatadır ve bu ölçümlerin bir fonsiyonu w j gürültüsü varlığında elde edildiği j xˆ Z xˆ xˆ, Z, Z z j x parametresini bir anlamda estirmetedir. ˆx fonsiyonuna estirici ve fonsiyonun değerine estirim denir. Burada Kestirim hatası: x x xˆ
15 5 Parametre estirimi için temelde ii model vardır: i) Kestirilme istenen parametre bilinmeyen bir sabit: Bayesçi olmayan yalaşım ya da Fisher yalaşımı. ii) Kestirilme istenen parametre önsel OYF si bilinen bir rastgele değişen: Bayesçi yalaşım. Bayesçi Yalaşım: pz x px px Z pz x px pz c Burada c normalizasyon sabitidir ve parametrenin sonsal OYF si ullanılara parametrenin estirimi gerçeleştirilebilir. Bayesçi Olmayan Yalaşım (Lielihood Function Approach): x p Z x ya da x p Z x Z Olabilirli fonsiyonu parametrenin estirimi için ullanılmatadır.
16 6 En Ço Olabilirli Kestiricisi (Maximum Lielihood Estimator MLE) Z ML xˆ Z argmax x argmax p Z x Burada x bilinmeyen bir sabittir ve x ˆML fonsiyonudur. Dolayısı ile x ˆML x x Z rastgele değişenler dizisi Z nin Z rastgele değişendir. Olabilirli eşitliğinin çözümü MLE yi verecetir. dz x dp Z x 0 dx dx En Ço Sonsal Kestirici (Maximum a Posteriori Estimator MAP) MAP xˆ Z argmax p x Z argmax p Z x p x x MAP estirimi Z ölçümlerini ve x in gerçelenişine bağlı olduğunda rastgele değişendir. x
17 7 Gauss Önseli Varlığında MLE vs. MAP Kestirici Te bir ölçümün olduğu durum ele alınsın. z x w, w ~ N 0, İl olara x in bilinmeyen bir sabit olduğu varsayımı için MLE elde edelim. z x x p z x N z; x, exp Buradan ML xˆ Z argmax x z olara elde edilir. Parametrenin rastgele olduğu ve önsel dağılımının ;, 0 varsayılsın. Bu durumda sonsal dağılım x N x x olduğu
18 8 Gauss Önseli Varlığında MLE vs. MAP Kestirici p z p Z x p x z x x x p x Z exp c 0 c 0 p z İi Gauss OYF nin çarpımı yine bir Gauss OYF dir. z x p x Z N x; x, exp 0 0 x x z x z x
19 9 Gauss Önseli Varlığında MLE vs. MAP Kestirici Sonsal dağılım masimize edilirse MAP estiricisi elde edilir ve aşağıdai gibi olur. x ˆMAP Z x Sonuç: Tamamen Gauss dağılımı ile modellenen bu problem için MAP estiricisi ölçüm ve önsel dağılımın ortalamasının ağırlılı birleşimdir. MLE olabilirli fonsiyonunun tepesini veren z değeridir. Fonsiyonun modudur. MAP estiricisinde ölçüm ve önsel dağılımın ortalaması varyansları ile ters orantılıdır. x x x z Enformasyon z
20 0 Düzgün Dağılımlı Önsel Varlığında MAP Kestirici (Diffuse Prior) px, x, 0 faat üçü bir değer Burada Z x p x p z p p x Z, Toplam olasılı teoreminden p z p Z x p x dx p Z x dx g Z elde edilir.. g parametre x e bağlı değildir. p Z x p x p Z x px Z pz x p z g Z c Dolayısı ile MAP xˆ Z argmax p x Z argmax p Z x ML xˆ Z olur. x x
21 Yeterli İstatisti ve Olabilirli Fonsiyonu Eğer ilgilenilen parametrenin olabilirli fonsiyonu aşağıdai gibi çarpım şelinde yazılabiliyorsa x pz x f g Z, x fz x in ML estirimi sadece gz fonsiyonuna bağlıdır. Bu durumda gz fonsiyonuna yeterli istatisti denir. Yeterli istatisti parametreye bağlı değildir ve verinin parametre haında içerdiği bilgiyi özetler. Örne: z j x w j, j,, salar ölçümleri ele alınsın. Gürültü bileşenleri IID olsun ve dağılımları sıfır ortalamalı varyanslı Gauss dağılımı olsun. w j ~ N 0,
22 Örne (Devam): Bu durumda ölçümlerin dağılımı z j ~ N x, olur. z j ölçümleri x oşullu olara aralarında bağımsızdırlar. Bu durumda x in ölçümler türünden olabilirli fonsiyonu x p Z x p z,, z p z j x N z j; x, cexp z j x j j j Biraz matematisel manipülasyon yapılırsa olabilirli fonsiyonu ii fonsiyonun çarpımı şelinde yazılabilmetedir.
23 Örne (Devam): x cexp z j x cexp z j z j x x j j j j x cexp z j exp x z j j j Burada f Z fg Z, x f Z c z j j exp f g Z x x x z j j g Z z j z, exp j 3
24 4 Örne (Devam): Yeterli istatistiğin tanımına göre gz yeterli istatistitir. Burada olabilirli fonsiyonu masimum yapılma istenirse x d df g Z, x 0 0 dx dx x x d exp x z j d ln exp x z j j j x z 0 dx dx Buradan olara elde edilir. ML xˆ z j z j
25 5 En Küçü Kareler Kestiricisi (Least Squares Estimator LS) Salar ve doğrusal olmayan ölçümler aşağıdai gibi tanımlansın. z j h j, x w j, j,, x parametresinin LS estiricisi LS ˆ argmin, x z j h j x x j Burada tarif edilen problem doğrusal değildir. Eğer h fonsiyonu doğrusal ise problem doğrusal LS estirimi adını alır. Eğer gürültü bileşenleri rastgele değişeleri ise LSE ile MLE aynı olur. w j ler sıfır ortalamalı ~ 0, w j N varyanslı IID Gauss
26 6 En Küçü Kareler Kestiricisi (Least Squares Estimator LS) z j ~ N h j, x,, j,, x in olabilirli fonsiyonu aşağıdai gibi yazılır. x p Z x p z,,z x N z j h j x c z j h j x j j ;,, exp, Olabilirli fonsiyonunun masimizasyonu üstel ifadenin minimizasyonu anlamına gelir ve LS estiricisi ile aynı ifade elde edilir.
27 7 En Küçü Ortalama Kare Hata Kestiricisi (Minimum Mean Square Error Estimator MMSE) ˆ MMSE xˆ Z argmin E x x Z x MMSE estiricisi için çözüm parametre e göre türev alınıp sıfıra eşitlenere bulunabilir. de xˆ x Z E xˆ x Z xˆ Ex Z 0 dxˆ MMSE xˆ Z E x Z xp x Z dx Koşullu Belenen Değer Vetör rastgele değişenler için de aynı sonuç elde edilebilir: T E x x x x Z E x x Z x Ex Z ˆ ˆ ˆ ˆ ˆ x 0 MMSE xˆ Z E x Z xp x Z dx Koşullu Belenen Değer ˆx
28 8 LS Kestiricisi: Te Ölçüm Durumu z x w argmin LS xˆ Z z x z LS Kestiricisi: Ço Ölçüm Durumu z j x w j, j,, j x w j ~ N 0,, j,, ve IID LS xˆ Z argmin z j x x j argmax cexp z j x x Z x j j z j ML ˆ
29 9 Gauss Gürültü varlığında MMSE vs. MAP Daha öncei örnete sonsal dağılım elde edilmişti. p x z exp x z Sonsal OYF nin yapısından da anlaşıldığı gibi bu Gauss OYF nin ortalama değeri z dir ve aynı zamanda moduna da eşittir (tepe değeri aldığı yer). Dolayısı ile MMSE xˆ E x z z xˆ olur. Gauss OYF nin modu ve ortalama değeri aynı olduğundan MAP ve MMSE estiriciler aynıdır. MAP
Stokastik 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
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
DetaylıRASGELE SÜREÇLER. Bir X rasgele değişkenin, a ve b arasında tekdüze dağılımlı olabilmesi için olasılık yoğunluk fonksiyonu aşağıdaki gibi olmalıdır.
RASGELE SÜREÇLER Eğer bir büyülüğün her t anında alacağı değeri te bir şeilde belirleyen matematisel bir ifade verilebilirse bu büyülüğün deterministi bir büyülü olduğu söylenebilir. Haberleşmeden habere
DetaylıÇok Yüksek Mobiliteli Sönümlemeli Kanallardaki OFDM Sistemleri için Kanal Kestirimi
9-11 Aralı 2009 Ço Yüse Mobiliteli Sönümlemeli Kanallardai OFDM Sistemleri için Kanal Kestirimi İstanbul Üniversitesi Eletri-Eletroni Mühendisliği Bölümü {myalcin, aan}@istanbul.edu.tr Sunum İçeriği Giriş
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
DetaylıAKT201 Matematiksel İstatistik I Yrd. Doç. Dr. Könül Bayramoğlu Kavlak
AKT20 Matematiksel İstatistik I 207-208 Güz Dönemi AKT20 MATEMATİKSEL İSTATİSTİK I ÖDEV 6 Son Teslim Tarihi: 29 Aralık 207 Cuma, Saat: 5:00 (Ödevlerinizi Arş. Gör. Ezgi NEVRUZ a elden teslim ediniz.) (SORU
DetaylıAppendix C: İstatistiksel Çıkarsama
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama Doç.
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
DetaylıRastgelelik, Rastgele Sinyaller ve Sistemler Rastgelelik Nedir?
Rastgelelik, Rastgele Sinyaller ve Sistemler Rastgelelik Nedir? Rastgelelik en basit anlamda kesin olarak bilinememektir. Rastgele olmayan deterministiktir (belirli). Bazı rastgele olgu örnekleri şöyle
DetaylıKollektif Risk Modellemesinde Panjér Yöntemi
Douz Eylül Üniversitesi İtisadi ve İdari Bilimler Faültesi Dergisi, Cilt:6, Sayı:, Yıl:, ss.39-49. olletif Ris Modellemesinde anér Yöntemi ervin BAYAN İRVEN Güçan YAAR Özet Hayat dışı sigortalarda, olletif
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
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
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
DetaylıAppendix B: Olasılık ve Dağılım Teorisi
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi
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
Detaylı) ile algoritma başlatılır.
GRADYANT YÖNTEMLER Bütün ısıtsız optimizasyon problemlerinde olduğu gibi, bir başlangıç notasından başlayara ardışı bir şeilde en iyi çözüme ulaşılır. Kısıtsız problemlerin çözümü aşağıdai algoritma izlenere
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
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
DetaylıKABLOSUZ İLETİŞİM
KABLOSUZ İLETİŞİM 805540 KÜÇÜK ÖLÇEKLİ SÖNÜMLEME SÖNÜMLEMENİN MODELLENMESİ İçeri 3 Sönümleme yapısı Sönümlemenin modellenmesi Anara Üniversitesi, Eletri-Eletroni Mühendisliği Sönümleme Yapısı 4 Küçü ölçeli
Detaylı8.04 Kuantum Fiziği Ders IV. Kırınım olayı olarak Heisenberg belirsizlik ilkesi. ise, parçacığın dalga fonksiyonu,
Geçen Derste Kırınım olayı olarak Heisenberg belirsizlik ilkesi ΔxΔp x 2 Fourier ayrışımı Bugün φ(k) yı nasıl hesaplarız ψ(x) ve φ(k) ın yorumu: olasılık genliği ve olasılık yoğunluğu ölçüm φ ( k)veyahut
DetaylıSİMGELER DİZİNİ. ( t Φ Γ. E xz. xxz. j j j
ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ HEDEF TAKİBİNDE UYARLI KALMAN FİLTRESİNİN KULLANIMI ÜZERİNE BİR ÇALIŞMA Emine ÇERÇİOĞLU İSTATİSTİK ANABİLİM DALI ANKARA 2006 Her haı salıdır
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
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
DetaylıKinematik Modeller. Kesikli Hale Getirilmiş Sürekli Zaman Kinematik Modeller: Rastgele giriş yok ise hareketi zamanın bir polinomu karakterize eder.
1 Kinematik durum modelleri konumun belirli bir türevi sıfıra eşitlenerek elde edilir. Rastgele giriş yok ise hareketi zamanın bir polinomu karakterize eder. Böyle modeller polinom modeller olarak ta bilinir
DetaylıA İSTATİSTİK KPSS-AB-PÖ/2007. 1. X rasgele değişkeninin olasılık fonksiyonu. 4. X sürekli raslantı değişkeninin birikimli dağılım fonksiyonu,
. X rasgele değişeninin olasılı fonsiyonu f( x) = c(x + 5), x =,, 0, diğer hâllerde olduğuna göre, c nin değeri açtır? A İSTATİSTİK KPSS-AB-PÖ/007. X süreli raslantı değişeninin biriimli dağılım fonsiyonu,
DetaylıEEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ
EEM3006 - HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ Dersin Öğretim Elemanı: Yrd. Doç. Dr. Yasin KABALCI Ders Görüşme
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
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
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
DetaylıSAÜ Fen Edebiyat Dergisi (2009-II) ÜÇ BOYUTLU LORENTZ UZAYI MANNHEİM EĞRİ ÇİFTİ ÜZERİNE A. ZEYNEP AZAK
SAÜ Fen Edebiyat Dergisi (009-II) ÜÇ BOYUTLU LORENTZ UZAYI L DE TIMELIKE MANNHEİM EĞRİ ÇİFTİ ÜZERİNE A. ZEYNEP AZAK Saarya Üniversitesi, Fen-Edebiyat Faültesi Matemati Bölümü, 5487, SAKARYA apirdal@saarya.edu.tr
DetaylıEME 3117 SISTEM SIMÜLASYONU. Üçgensel Dağılım. Sürekli Düzgün Dağılım. Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar
0..07 EME 37 SISTEM SIMÜLASYONU Simulasyonda İstatistiksel Modeller-II Ders 5 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar Sürekli Düzgün (Uniform) Dağılım Normal Dağılım Üstel (Exponential)
DetaylıİSTATİSTİK I KAVRAMLARININ
YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme İSTATİSTİK I KAVRAMLARININ GÖZDEN GEÇİRİLMESİ Hüseyin Taştan Yıldız Teknik Üniversitesi, İktisat Bölümü, email: tastan@yildiz.edu.tr YTÜ-İktisat İstatistik
Detaylı19.11.2013 EME 3105 SİSTEM SİMÜLASYONU. Sürekli Dağılımlar (2) Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar.
9..03 EME 305 SİSTEM SİMÜLASYONU Simulasyonda İstatistiksel Modeller-II Ders 5 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar Sürekli Düzgün (Uniform) Dağılım Normal Dağılım Üstel (Exponential)
Detaylı8.04 Kuantum Fiziği Ders X. Schrödinger denk. bir V(x) potansiyeli içinde bir boyutta bir parçacığın hareketini inceler.
Schrödinger denklemi Schrödinger denk. bir V(x) potansiyeli içinde bir boyutta bir parçacığın hareketini inceler. Köşeli parantez içindeki terim, dalga fonksiyonuna etki eden bir işlemci olup, Hamilton
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.
DetaylıFizik 101: Ders 24 Gündem
Terar Fizi 101: Ders 4 Günde Başlangıç oşullarını ullanara BHH denlelerinin çözüü. Genel fizisel saraç Burulalı saraç BHHte enerji Atoi titreşiler Proble: Düşey yay Proble: taşıa tuneli BHH terar BHH &
Detaylık tane bağımsız değişgene bağımlı bir Y değişgeni ile bu bağımsız X X X X
3.1 Genel Doğrusal Bağlanım tane bağımsı değişgene bağımlı bir Y değişgeni ile bu bağımsı X X X X,,, değişgenleri arasındai ilişiyi bulma isteyelim. Bu ilişi modelinde yer alaca bağımsı değişgenler yalnıca
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
Detaylı= + ise bu durumda sinüzoidal frekansı. genlikli ve. biçimindeki bir taşıyıcı sinyalin fazının modüle edildiği düşünülsün.
4.2. çı Modülasyonu Yüse reanslı bir işaret ile bilgi taşıa, işaretin genliğinin, reansının veya azının bir esaj işareti ile odüle edilesi ile gerçeleştirilebilir. Bu üç arlı odülasyon yöntei sırasıyla,
Detaylıİstatistikçiler Dergisi
www.istatisticiler.org İstatistiçiler Dergisi (008) 68-79 İstatistiçiler Dergisi BAĞIMLI RİSKLER İÇİ TOPLAM HASAR MİKTARII DAĞILIMI Mehmet PIRILDAK Hacettepe Üniversitesi Fen Faültesi, Atüerya Bilimleri
DetaylıMakine Öğrenmesi 4. hafta
ain Öğrnmsi 4. hafta Olasılı v Koşullu Olasılı ays Tormi Naïv ays Sınıflayıcı Olasılı Olasılı ifadsinin birço ullanım şli vardır. Rasgl bir A olayının hrhangi bir olaydan bağımsız olara grçlşm ihtimalini
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
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
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:
DetaylıGüç Spektral Yoğunluk (PSD) Fonksiyonu
1 Güç Spektral Yoğunluk (PSD) Fonksiyonu Otokorelasyon fonksiyonunun Fourier dönüşümü j f ( ) FR ((τ) ) = R ( (τ ) ) e j π f τ S f R R e d dτ S ( f ) = F j ( f )e j π f ( ) ( ) f τ R S f e df R (τ ) =
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
DetaylıDers 9: Kitle Ortalaması ve Varyansı için Tahmin
Ders 9: Kitle Ortalaması ve Varyansı için Tahmin Kitle ve Örneklem Örneklem Dağılımı Nokta Tahmini Tahmin Edicilerin Özellikleri Kitle ortalaması için Aralık Tahmini Kitle Standart Sapması için Aralık
DetaylıKİ KARE TESTLERİ. Biyoistatistik (Ders 2: Ki Kare Testleri) Kİ-KARE TESTLERİ. Sağlıktan Yakınma Sigara Var Yok Toplam. İçen. İçmeyen.
Biyoistatisti (Ders : Ki Kare Testleri) Kİ KARE TESTLERİ Yrd. Doç. Dr. Ünal ERKORKMAZ Saarya Üniversitesi Tıp Faültesi Biyoistatisti Anabilim Dalı uerormaz@saarya.edu.tr Kİ-KARE TESTLERİ 1. Ki-are testleri
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.
DetaylıCahit Arf Liseler Arası Matematik Yarışması 2008
Cahit Arf Liseler Arası Matemati Yarışması 2008 İinci Aşama 11 Mayıs 2008 Notlar: Birnci tasla. 1. Tamsayılardan gerçel sayılara tanımlı fonsiyonlar ümesi üzerinde şöyle bir operatörü tanımlayalım: f(x)
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,
DetaylıANADOLU ÜNİVERSİTESİ. ENM 317 Prof. Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 Prof. Dr. Nihal ERGİNEL 2 ÖRNEKLEME Anakütleden n birimlik örnek alınması ve anakütle parametrelerinin örnekten tahmin edilmesidir. 3 ÖRNEKLEME ALMANIN NEDENLERİ Anakütleye
DetaylıRADYASYON ÖLÇÜM YÖNTEMLERİ DERS. Prof. Dr. Haluk YÜCEL RADYASYON DEDEKSİYON VERİMİ, ÖLÜ ZAMAN, PULS YIĞILMASI ÖZELLİKLERİ
RADYASYON ÖLÇÜM YÖNTEMLERİ Prof. Dr. Haluk YÜCEL 101516 DERS RADYASYON DEDEKSİYON VERİMİ, ÖLÜ ZAMAN, PULS YIĞILMASI ÖZELLİKLERİ DEDEKTÖRLERİN TEMEL PERFORMANS ÖZELLİKLERİ -Enerji Ayırım Gücü -Uzaysal Ayırma
DetaylıDers 2 : MATLAB ile Matris İşlemleri
Ders : MATLAB ile Matris İşlemleri Kapsam Vetörlerin ve matrislerin tanıtılması Vetör ve matris operasyonları Lineer denlem taımlarının çözümü Vetörler Vetörler te boyutlu sayı dizileridir. Elemanlarının
DetaylıBİR FONKSİYONUN FOURİER SERİSİNE AÇILIMI:
FOURIER SERİERİ GİRİŞ Elastisite probleminin çözümünde en büyü zorlu sınır şartlarının sağlatılmasındadır. Bu zorluğu gidermenin yollarından biride sınır yülerini Fourier serilerine açmatır. Fourier serilerinin
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 6- İSTATİSTİK VE REGRESYON ANALİZİ Doç. Dr. Ali Rıza YILDIZ 1 İSTATİSTİK VE REGRESYON ANALİZİ Bütün noktalardan geçen bir denklem bulmak yerine noktaları temsil eden, yani
Detaylıİstatistiksel Kavramların Gözden Geçirilmesi
İstatistiksel Kavramların Gözden Geçirilmesi İstatistiksel Çıkarsama Ekonometri 1 Konu 3 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike
Detaylı9. İZOMORFİZMA TEOREMLERİ VE EŞLENİK ELEMANLAR. Aşağıdaki teorem Homomorfizma teoremi olarak da bilinir.
9. İZOMORFİZMA TEOREMLERİ VE EŞLENİK ELEMANLAR Aşağıdai teorem Homomorfizma teoremi olara da bilinir. Teoremi 9.. (.İzomorfizma Teoremi) f : G H bir grup homomorfizması olsun. Şu halde ( ) dir. Özel olara,
Detaylı7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar
7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar Y = X β + ε Lineer Modeli pekçok özel hallere sahiptir. Bunlar, ε nun dağılımına, Cov( ε ) kovaryans
Detaylı2(1+ 5 ) b = LYS MATEMATİK DENEMESİ. işleminin sonucu kaçtır? A)2 5 B)3 5 C)2+ 5 D)3+ 5 E) işleminin sonucu kaçtır?
017 LYS MATEMATİK DENEMESİ Soru Sayısı: 50 Sınav Süresi: 75 ı 1. 4. (1+ 5 ) 1+ 5 işleminin sonucu kaçtır? A) 5 B)3 5 C)+ 5 işleminin sonucu kaçtır? D)3+ 5 E)1+ 5 A) B) 1 C) 1 D) E) 3. 4 0,5.16 0,5 işleminin
DetaylıĐST 474 Bayesci Đstatistik
ĐST 474 Bayesci Đstatistik Ders Sorumlusu: Dr. Haydar Demirhan haydarde@hacettepe.edu.tr Đnternet Sitesi: http://yunus.hacettepe.edu.tr/~haydarde Đçerik: Olasılık kuramının temel kavramları Bazı özel olasılık
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.
DetaylıDr. Mehmet AKSARAYLI
Dr. Mehmet AKSARAYLI Şans Değişeni: Bir dağılışı olan ve bu dağılışın yaısına uygun freansta oluşum gösteren değişendir. Şans Değişenleri KESİKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI Kesili Şans
Detaylı5. Elektriksel Büyüklüklerin Ölçülebilen Değerleri
Elektrik devrelerinde ölçülebilen büyüklükler olan; 5. Elektriksel Büyüklüklerin Ölçülebilen Değerleri Akım Gerilim Devrede bulunan kaynakların tiplerine göre değişik şekillerde olabilir. Zamana bağlı
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel
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
DetaylıANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ DAĞILIM FONKSİYONLARI KONVOLÜSYONLARININ MONTE CARLO TAHMİNİ VE BAZI UYGULAMALARI
ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ DAĞILIM FONKSİYONLARI KONVOLÜSYONLARININ MONTE CARLO TAHMİNİ VE BAZI UYGULAMALARI Ömer ALTINDAĞ İSTATİSTİK ANABİLİM DALI ANKARA 212 Her hakkı
DetaylıEZ ONAYI Haydar ANKIŞHAN tarafından hazırlanan Gürültülü Ses Sinyali İyileştirilmesine İili Kalman Filtre Yalaşımı adlı tez çalışması aşağıdai jüri ta
ANKARA ÜNİVERSİESİ FEN BİLİMLERİ ENSİÜSÜ YÜKSEK LİSANS EZİ GÜRÜLÜLÜ SES SİNYALİ İYİLEŞİRİLMESİNE İKİLİ KALMAN FİLRE YAKLAŞIMI HAYDAR ANKIŞHAN ELEKRONİK MÜHENDİSLİĞİ ANABİLİM DALI ANKARA 2007 i EZ ONAYI
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
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
DetaylıGenel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir.
4.SUNUM Genel olarak test istatistikleri Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri olmak üzere 2 grupta incelenebilir. 2 Ranj Çeyrek Kayma Çeyrekler Arası Açıklık Standart Sapma Varyans
DetaylıRİSK ANALİZİ VE AKTÜERYAL MODELLEME
SORU 1: Bir hasar sıklığı dağılımının rassal değişken olan ortalaması (0,8) aralığında tekdüze dağılmaktadır. Hasar sıklığı dağılımının Poisson karma dağılıma uyduğu bilindiğine göre 1 ya da daha fazla
DetaylıTremalarla Oluşum: Kenar uzunluğu 1 olan bir eşkenar üçgenle başlayalım. Bu üçgene S 0
SİERPİNSKİ ÜÇGENİ Polonyalı matematiçi Waclaw Sierpinsi (1882-1969) yılında Sierpinsi üçgeni veya Sierpinsi şapası denilen bir fratal tanıttı. Sierpinsi üçgeni fratalların il örneğidir ve tremalarla oluşturulur.
DetaylıQUANTILE REGRESYON * Quantile Regression
QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine
DetaylıHatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5
Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın
DetaylıA İSTATİSTİK. 1. nc r, n tane nesneden her defasında r tanesinin alındığı (sıralama önemsiz) kombinasyonların sayısını göstermektedir.
. nc r, n tane nesneden her defasında r tanesinin alındığı (sıralama önemsiz) kombinasyonların sayısını göstermektedir. Buna göre, n C r + n C r toplamı aşağıdakilerden hangisine eşittir? A) n + C r B)
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
Detaylıile plakalarda biriken yük Q arasındaki ilişkiyi bulmak, bu ilişkiyi kullanarak boşluğun elektrik geçirgenlik sabiti ε
Farlı Malzemelerin Dieletri Sabiti maç Bu deneyde, ondansatörün plaalarına uygulanan gerilim U ile plaalarda birien yü Q arasındai ilişiyi bulma, bu ilişiyi ullanara luğun eletri geçirgenli sabiti ı belirleme,
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
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
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
DetaylıBÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler
BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda
DetaylıĐST 522 ĐSTATĐSTĐKSEL SĐSTEM ANALĐZĐ
ĐST 5 ĐSTATĐSTĐKSEL SĐSTEM ANALĐZĐ ve KONTROL Kaynalar: Davis, M.H.A. and Winter,R.B. Stochastic Modelling and Control, Chapman and Hall,985. Davis, M.H.A. Linear Estimation and Stochastic Control, Chapman
DetaylıTitreşim Hareketi Periyodik hareket
05.01.01 Titreşi Hareeti Periyodi hareet Belirli bir zaan sonra, verilen/belirlenen bir durua düzenli olara geri dönen bir cisin yaptığı hareet. Periyodi hareetin özel bir çeşidi eani sistelerde olur.
DetaylıISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI
SORU- 1 : ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI X ve Y birbirinden bağımsız iki rasgele değişken olmak üzere, sırasıyla aşağıdaki moment çıkaran fonksiyonlarına sahiptir: 2 2 M () t = e,
DetaylıRD lerin Fonksiyonları
RD lerin Fonksiyonları Diğer değişkenler gibi rastgele değişkenlerin de fonksiyonları olur Örneğin 0 ile 1 arasında rastgele seçilmiş bir çap uzunluğu ile oluşturulan dairenin alanı bir RD olarak çap uzunluğunun
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
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.
DetaylıBiyoistatistik (Ders 7: Bağımlı Gruplarda İkiden Çok Örneklem Testleri)
ÖRNEKLEM TESTLERİ BAĞIMLI GRUPLARDA ÖRNEKLEM TESTLERİ Yrd. Doç. Dr. Ünal ERKORKMAZ Saarya Üniversitesi Tıp Faültesi Biyoistatisti Anabilim Dalı uerormaz@saarya.edu.tr BAĞIMLI İKİDEN ÇOK GRUBUN KARŞILAŞTIRILMASINA
DetaylıSAKARYA HAVZASI AYLIK YAĞIŞLARININ OTOREGRESİF MODELLEMESİ
PAMUKKALE ÜNİVERSİTESİ MÜHENDİ SLİK FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİSLİK B İ L İ MLERİ DERGİSİ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 006 : : : 7-6 SAKARYA HAVZASI
DetaylıEME 3117 SİSTEM SİMÜLASYONU. Üçgensel Dağılım. Sürekli Düzgün Dağılım. Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar
9.0.06 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar EME 7 SİSTEM SİMÜLASYONU Simulasyonda İstatistiksel Modeller (Sürekli Dağılımlar) Ders 5 Sürekli Düzgün Dağılım Sürekli Düzgün (Uniform)
DetaylıEME 3117 SİSTEM SIMÜLASYONU. Girdi Analizi. Özet İstatistikler ve Histogram (Minitab)(1) Örnek: Eczane İçin Servis Süreleri
EME 3117 1 2 Girdi Analizi SİSTEM SIMÜLASYONU Modellenecek sistemi (prosesi) dokümante et. Veri toplamak için bir plan geliştir. Veri topla. Verilerin grafiksel ve istatistiksel analizini yap. Girdi Analizi-I
DetaylıDeney Dizaynı ve Veri Analizi Ders Notları
Deney Dizaynı ve Veri Analizi Ders Notları Binom dağılım fonksiyonu: Süreksiz olaylarda, sonuçların az sayıda seçenekten oluştuğu durumlarda kullanılır. Bir para atıldığında yazı veya tura gelme olasılığı
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Örnekleme Planlar ve Dağılımları Prof. Dr. İrfan KAYMAZ Tanım İncelenen olayın ait olduğu anakütlenin bütünüyle dikkate alınması zaman, para, ekipman ve bunun gibi nedenlerden dolayı
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 14 Sayı: 1 sh Ocak 2012
DEÜ MÜHENDİSLİ FAÜLTESİ MÜHENDİSLİ BİLİMLERİ DERGİSİ Cilt: 4 Sayı: sh. 39-47 Oca 202 ARIŞIMLI İİLİ LOJİSTİ REGRESYON MODELİNE İLİŞİN BİR UYGULAMA (AN APPLIACTION FOR MIXTURE BINARY LOGISTIC REGRESSION
DetaylıKoşullu Öngörümleme. Bu nedenle koşullu öngörümleme gerçekleştirilmelidir.
Koşullu Öngörümleme Ex - ante (tasarlanan - umulan) öngörümleme söz konusu iken açıklayıcı değişkenlerin hatasız bir şekilde bilindiği varsayımı gerçekçi olmayan bir varsayımdır. Çünkü bazı açıklayıcı
Detaylıİstatistik I Ders Notları
İstatistik I Ders Notları Sürekli Rassal Değişkenler Hüseyin Taştan Kasım 2, 26 İçindekiler Sürekli Rassal Değişkenlerin Özellikleri 2 2 Olasılık Yoğunluk Fonksiyonu 2 Birikimli Olasılık Fonksiyonu 6 4
Detaylı