6. Ders. Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM)
|
|
- Iskender Kekilli
- 8 yıl önce
- İzleme sayısı:
Transkript
1 6. Ders Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM) Y = X β + ε Lineer Modeli pek çok özel hallere sahiptir. Bunlar, ε nun dağılımına (bağımlı değişkenin dağılımına), Cov( ε ) kovaryans matrisine ve açıklayıcı değişkenlerin gözlem matrisi olan X in yapısına bağlıdır. * rank( X ) = p olduğunda modele tam sütun ranklı, veya kısaca tam ranklı n p model denir. Deney tasarımı modelleri (genellikle) tam ranklı değildir ve tasarım matrisi denen X in elemanları 0,1 lerden oluşmaktadır. Cov( ε ) * n 1 E( ε ) = 0, Cov( εn 1) = σ I veya V bilinen pozitif tanımlı bir matris olmak üzere = σ V biçiminde olduğunda modele Genel Lineer Model (General Linear Model) denmektedir ve ( Y, Xn p β, σ V ) biçiminde de gösterilmektedir. * εn 1 N(0, σ I) veya εn 1 N(0, σ V ) olduğunda modele Hipotez testi (Normal, Gauss) modeli denmektedir. ( Y, Xn p β, σ V ) β = ( ) 1 Genel Lineer Modelinde rank(x n p ) = p olsun. ˆ 1 1 X' V X X' V Y tahmin edicisi β nın En Küçük Kovaryans Matrisli Lineer Yansız Tahmin Edicisidir (BLUE). ( Y, N ( X, )) n p β σ V Genel Lineer Hipotez Testi Modelinde, Y = X β + ε, ε N ( 0, σ V ) olmak üzere, V bilinen pozitif tanımlı bir matris ve rank(x n p ) = p olsun. ˆ β = ( ) X V X X V Y ( ) ˆ σ = = n p n p Z I AA Z Y V V X X V X X V Y tahmin edicileri sırasıyla β ve σ için düzgün minimum varyans yansız (UMVU) tahmin edicilerdir. Bunlara Aitken tahmin edicileri denir. Ayrıca, 1 1 β N β σ X V X ve dağılımlıdır. ˆ (, ( ) ) ( n p) ˆ σ σ χ ( n p) 1
2 Y = X β + ε, ε N (, ) 0 Σ, Σ pozitif tanımlı matris (bilinmiyor), rank(x n p ) = p modelinde β parametre vektörünün en çok olabilirlik tahmin edicisini bulmaya kalkıştığımızda, ɶ β = ( Σ ) Σ X X X Y biçiminde bir ifade ortaya çıkmaktadır. Σ bilinmediğinden β ɶ bir tahmin edici olarak kullanılamaz. Diğer taraftan β nın en küçük kareler tahmin edicisi, ˆ β = ( X X ) 1 X Y dır. Bu tahmin ediciye β nın alışılmış en küçük kareler (ordinary least squares, OLS) tahmni edicisi denir. Doğal olarak ˆβ ɶ β olduğunda OLS tahmin edicisi UMVU tahmin edicisi olmayacaktır. Acaba hangi şartlarda OLS tahmin edicisi UMVU tahmin edicisi olmaktadır? Teorem Y = X β + ε, ε N ( 0, Σ ) modelinde en küçük kareler tahmni edicisi ( X X ) X Y 1 nin β için UMVU tahmin edicisi olması için gerek ve yeter şart, Σ X = XF olacak şekilde singüler olmayan bir F: p p matrisinin var olmasıdır. Sonuç Y = X β + ε ε N, ( 0, Σ ), X = 1, X,, X p 1 ρ ρ ρ 1 ρ 1 n n σ (1 ρ) I σ ρj σ Σ = + =, < ρ < 1 n 1 ρ ρ 1 modelinde, biçiminde ise en küçük kareler tahmin edicisi UMVU tahmni edicisidir. Hata terimi üzerinde dağılım varsayımı olmadığında EKK tahmin edicilerini kullanmaktayız. Hipotez testi yapamayız (belki parametrik olmayan sonuç çıkarım yapabiliriz). Bağımlı değişken (hata terimi) normal dağılımlı olduğunda istatistiksel sonuç çıkarımın nasıl yapıldığını ist307, ist306 derslerinde gördünüz. Bağımlı değişken normal dağılımlı değilse; örneğin Bernoulli, Poisson, Gamma veya başka bir dağılım olabilir; sonuç çıkarım Genelleştirilmiş Lineer Model (Generalized Linear Model, GLM) teorisi altında yapılmaktadır. Yüzeysel olarak Genelleştirilmiş Lineer Model leri ele alalım.
3 Genelleştirilmiş Lineer Model 3
4 4
5 5
6 6
7 Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM) kullanarak veri analizi ve sonuç çıkarımlar yapmaya çalışalım. 1.Örnek (Lojistik Regresyon): Kaynak: Allen Webster (013) Introductory Regression Analysis, Routledge,Taylor&Francis. Veri: Y:Araba alımı 1-aldı, 0-almadı x1: ailede birey sayısı x:gelir (yıllık bin dolar) Y x1 x , , , , , , , , , , , , , , , , , , ,6 0 74, ,8 0 7,8 0 70, , , ,4 0 63, 0 70, , , ,6 0 64,8 0 68, , ,4 0 64,8 7
8 Binary Logistic Regression: C1 versus C; C3 Link Function: Logit Response Information Variable Value Count C1 1 4 (Event) 0 0 Total 44 Logistic Regression Table Odds 95% CI Predictor Coef SE Coef Z P Ratio Lower Upper Constant -53,061 16,4547-3, 0,001 C,58 1,07485,07 0,038 9,6 1,13 76,14 C3 0, ,1941 3,14 0,00 1,95 1,8,96 Log-Likelihood=-13,818 Test that all slopes are zero:g=3,997, DF=, P-Value=0,000 Katsayıların Yorumlanması: 8
9 R Yazılımı # Y:Araba alımı 1-aldı, 0-almadı # x1: ailede birey sayısı x:gelir (?bin dolar yıllık) Y=c(rep(1,4),rep(0,0)) x1=c( 3, 3, 3,, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,,3, 3,,,3,3,3,,3,3,,,3, 3, 3,,, 3, 3,, 3,,, 3,,, ) x=c(76.8, 76.8, 7.8, 76.0, 73.6, 74.4, 78.4, 73.6, 77.6, 76.0, 79., 71., 75., 73.6, 75., 7.0, 7.8, 7.0, 68.8, 7.0, 7.8, 70.4, 70.4, 69.6, 74.4, 7.0, 7.8, 7.8, 70.4, 68.8, 63., 66.4, 63., 70.4, 64.8, 68.0, 65.6, 65.6, 64.8, 68.8, 64.8, 68.0, 66.4, 64.8) veri=data.frame(x1,x,y) model=glm(y~x1+x,family=binomial) summary(model) Ysapka=fitted.values(model) cikti=data.frame(x1,x,y,ysapka,ysapka>=0.5) cikti # model=glm(y~veri$x1+veri$modelx,family=binomial) 9
10 > cikti x1 x Y p_sapka p_sapka>= TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE FALSE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 10
11 Matlab >> playshow glmdemo >> help glmfit >> veri=[ ] 11
12 >> X=[veri(:,1) veri(:,)] >> glmfit(x,y,'binomial') ans = >> [kats Deviance]=glmfit(X,Y,'binomial') kats = Deviance = >> help glmval >> psapka = glmval(kats, X, 'logit') psapka = x1 x Y pşapka (Yşapka) Eşik değeri olarak 0.5 seçilip; pşapka>0.5 olan birim araba sahibi grubuna atansın, pşapka<0.5 olan birim diğer gruba atansın kuralı bir diskriminasyon (ayrıştırma) kuralı olabilir. Yanlış sınıflandırılmış birimler kırmızı işaretli olanlardır. Yanlış sınıflandırma oranları: p ˆ0/1= 3 / 4, p ˆ1/0= / 0 dır. 1
13 SPSS 13
14 14
15 15
16 1 3 76,8, ,8, ,0, ,6, ,4, ,8, ,4, ,6, ,6, ,0, ,, ,, ,, ,6, ,, ,0, ,8, ,0, ,8, ,0,37 1 7,8, ,4, ,4, ,6, ,4, ,0, ,8, ,8, ,4, ,8, ,, ,4, ,, ,4, ,8, ,0, ,6, ,6, ,8, ,8, ,8, ,0, ,4, ,8,005 16
17 .Örnek (Poisson Regresyonu): Kaynak: Julian J. Faraway (006) Extending the Linear Model with R, Chapman&Hall/CRC. Amaç: Galapagos adalarında yaşayan kaplumbağa türü sayısını, çeşitli coğrafik değişkenler ile açıklamak. Değişkenler: Species: adada bulunan kaplumbağa türü sayısı Endemics: endemik(o yöreye ait) türlerin sayısı Area: adanın alanı (km ) Elevation: adanın en yüksek noktası (m) Nearest: en yakın ada mesafesi (km) Scruz: Santa Cruz adasına olan mesafe (km) Adjacent: komşu adanın alanı (km ) Veri: 17
18 Aşağıdaki komutları adım adım işletiniz. library(faraway);data(gala);gala modelekk=lm(species~area+elevation+nearest+scruz+adjacent, data=gala) summary(modelekk) # R belirleyicilik katsayısı? (Açıklayıcı değişkenlerin rolü?) # Hata terimi ile ilgili varsayımlar sağlanıyor mu? # Sabit varyanslılık: plot(residuals(modelekk)~fitted(modelekk)) plot(abs(residuals(modelekk))~fitted(modelekk)) # Heteroskedastiklik (heteroscedasticity) söz konusu. # Ağırlıklı EKK veya transformasyon yapılabilir. # Uygun lamda değeri (sayfa 110) library(mass) boxcox(modelekk, lambda=seq(0,3,0.1)) # bağımlı değişkene karekök dönüşümü uygun görünmektedir. kkspecies=sqrt(gala$species) m=lm(kkspecies~area+elevation+nearest+scruz+adjacent, data=gala) plot(residuals(m)~fitted(m)) ; # sabit varyanslılık varsayımı sağlandı mı? #Normallik varsayımı? hist(residuals(m)) # Çarpıklık söz konusu olabilir. hist(residuals(m),10) qqnorm(residuals(m)); qqline(residuals(m)) shapiro.test(residuals(m)) : # normallik reddedildi mi? summary(m) # R=%78, F-istatistiği (p-değeri= ) olduğunu görünüz. # Bireysel katsayılar (p-değerleri): # Nearest ve Scruz değişkenlerine dikkat edin! Modelden çıkarın. #Yeni model: myeni=lm(kkspecies~area+elevation+adjacent, data=gala);summary(myeni) # Her şey yolunda mı? # Modelin aşağıdaki gibi olacağını görünüz. # kkspecies= *area *elevation *Adjacent # Katsayıların yorumlanması nasıl yapılacak? # Örneğin, Area (alan) bir birim artsa kkspecies'da kadar değişiklik olacak. # kkspecies bağımlı değişkenin karekökü olduğuna göre, Area bir birim artsa, Species # üzerine etkisi ne olacak? Yorumlama zorlaştı. 18
19 # Genelleştirilmiş Lineer Model deneyelim. # Species bağımlı değişkeni Poisson dağılımlı düşünülebilir. glm=glm(species~area+elevation+nearest+scruz+adjacent, data=gala, family=poisson) summary(glm) # Katsayıların yorumlanması? # Link fonksiyonu (ln). # Alan (Area) bir birim artsa, Species sayısı öncekinin exp( ) katı olur diyebilir miyiz? # Aşağıdaki çıktıları yorumlayınız. summary(modelekk) summary(glm(species~area+elevation+nearest+scruz+adjacent, data=gala)) 19
7. 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
Detaylı1. YAPISAL KIRILMA TESTLERİ
1. YAPISAL KIRILMA TESTLERİ Yapısal kırılmanın araştırılması için CUSUM, CUSUMSquare ve CHOW testleri bize gerekli bilgileri sağlayabilmektedir. 1.1. CUSUM Testi (Cumulative Sum of the recursive residuals
DetaylıMODEL KURMA HATALARI ve VERİ SORUNLARI
MODEL KURMA HATALARI ve VERİ SORUNLARI Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri
DetaylıİÇİNDEKİLER ÖNSÖZ... Örneklem Genişliğinin Elde edilmesi... 1
İÇİNDEKİLER ÖNSÖZ... v 1. BÖLÜM Örneklem Genişliğinin Elde edilmesi... 1 1.1. Kitle ve Parametre... 1 1.2. Örneklem ve Tahmin Edici... 2 1.3. Basit Rastgele Örnekleme... 3 1.4. Tabakalı Rastgele Örnekleme...
DetaylıKukla Değişkenlerle Bağlanım
Kukla Değişkenlerle Bağlanım Kukla Değişken Kullanım Şekilleri Ekonometri 1 Konu 29 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0
Detaylı*Bir boyutlu veri (bir özellik, bir rasgele değişken, bir boyutlu dağılım): ( x)
4. Ders Tablolar: Hazırlama ve Analiz *Bir boyutlu veri (bir özellik, bir rasgele değişken, bir boyutlu dağılım): Örnek1: 4 çocuklu bir ailede kız çocukların sayısı X rasgele değişkeni olsun. Mendel yasalarına
DetaylıOPERATÖRLER BÖLÜM 4. 4.1 Giriş. 4.2. Aritmetik Operatörler
BÖLÜM 4. OPERATÖRLER 4.1 Giriş Turbo Pascal programlama dilinde de diğer programlama dillerinde olduğu gibi operatörler, yapılan işlem türüne göre aritmetik, mantıksal ve karşılaştırma operatörleri olmak
DetaylıÜNİTE 5 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI
ÜNİTE 5 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI 1 Rassal Değişken Bir deney ya da gözlemin şansa bağlı sonucu bir değişkenin aldığı değer olarak düşünülürse, olasılık ve istatistikte böyle bir
DetaylıBÖLÜM 7 BİLGİSAYAR UYGULAMALARI - 1
1 BÖLÜM 7 BİLGİSAYAR UYGULAMALARI - 1 Belli bir özelliğe yönelik yapılandırılmış gözlemlerle elde edilen ölçme sonuçları üzerinde bir çok istatistiksel işlem yapılabilmektedir. Bu işlemlerin bir kısmı
DetaylıARAŞTIRMA PROJESİ NEDİR, NASIL HAZIRLANIR, NASIL UYGULANIR? Prof. Dr. Mehmet AY
ARAŞTIRMA PROJESİ NEDİR, NASIL HAZIRLANIR, NASIL UYGULANIR? Prof. Dr. Mehmet AY Çanakkale Onsekiz Mart Üniversitesi Fen-Edebiyat Fakültesi Kimya Bölümü 29.03.2012 / ÇANAKKALE Fen Lisesi ARAŞTIRMA PROJESİ
Detaylı14.74- Kalkınma Politikasının Temelleri
MIT OpenCourseWare http://ocw.mit.edu 14.74- Kalkınma Politikasının Temelleri Bahar 2009 Ders materyallerini alıntılamak için bilgi almak ya da Kullanım Koşulları nı öğrenmek için lütfen aşağıdaki siteyi
DetaylıWhite ın Heteroskedisite Tutarlı Kovaryans Matrisi Tahmini Yoluyla Heteroskedasite Altında Model Tahmini
Ekonomeri ve İsaisik Sayı:4 006-1-8 İSTANBUL ÜNİVERSİTESİ İKTİSAT FAKÜLTESİ EKONOMETRİ VE İSTATİSTİK DERGİSİ Whie ın Heeroskedisie Tuarlı Kovaryans Marisi Tahmini Yoluyla Heeroskedasie Alında Model Tahmini
DetaylıKORELASYON VE REGRESYON ANALİZİ
KORELASON VE REGRESON ANALİZİ rd. Doç. Dr. S. Kenan KÖSE İki ya da daha çok değişken arasında ilişki olup olmadığını, ilişki varsa yönünü ve gücünü inceleyen korelasyon analizi ile değişkenlerden birisi
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
DetaylıRİSK ANALİZİ VE. İşletme Doktorası
RİSK ANALİZİ VE MODELLEME İşletme Doktorası Programı Bölüm - 1 Portföy Teorisi Bağlamında Risk Yönetimi ile İlgili Temel Kavramlar 1 F23 F1 Risk Kavramı ve Riskin Ölçülmesi Risk istenmeyen bir olayın olma
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
DetaylıTOURSOLVER. Tanıtım Sunusu. 6. MapInfo Kullanıcılar Konferansı. www.rutplan.com
TOURSOLVER Tanıtım Sunusu www.rutplan.com Rutlar ile ilgili her gün karşılaşılan sorunlar... Hizmet kalitesini Nasıl artırabiliriz? Sürüş mesafesini Nasıl azaltabiliriz? Yeni depomuz İçin en uygun Yerler?
DetaylıİSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications*
Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications* Işıl FİDANOĞLU İstatistik Anabilim Dalı Fikri
DetaylıNedensel-Karşılaştırma Yöntemi
Nedensel-Karşılaştırma Yöntemi Belli bir değişken açısından farklılaşan grupları birbiriyle karşılaştırmak amaçlanır. Bu amaçla, en az iki gruptan oluşan bir örneklem belirlenir. Örneğin, okulöncesi eğitim
DetaylıEkonometri 2 Ders Notları
Ekonometri 2 Ders Notları A. TALHA YALTA TÜRKİYE BİLİMLER AKADEMİSİ AÇIK DERS MALZEMELERİ PROJESİ SÜRÜM 2.0 EKİM 2011 İçindekiler 1 Dizey Cebirinin Gözden Geçirilmesi 1 1.1 Dizeylere İlişkin Temel Kavramlar..................
DetaylıKLASİK MANTIK (ARİSTO MANTIĞI)
KLASİK MANTIK (ARİSTO MANTIĞI) A. KAVRAM Varlıkların zihindeki tasarımı kavram olarak ifade edilir. Ağaç, kuş, çiçek, insan tek tek varlıkların tasarımıyla ortaya çıkmış kavramlardır. Kavramlar genel olduklarından
Detaylı15.433 YATIRIM. Ders 4: Portföy Teorisi. Bahar 2003
15.433 YATIRIM Ders 4: Portföy Teorisi Bölüm 2: Uzantılar Bahar 2003 Giriş Daha uzun yatırım dönemine sahip bir yatırımcı hisse senedi piyasasına daha çok mu yatırım yapmalıdır? Dinamik yeniden değerlendirmenin
DetaylıBu konuda cevap verilecek sorular?
MANYETİK ALAN Bu konuda cevap verilecek sorular? 1. Manyetik alan nedir? 2. Maddeler manyetik özelliklerine göre nasıl sınıflandırılır? 3. Manyetik alanın varlığı nasıl anlaşılır? 4. Mıknatısın manyetik
DetaylıALPHA ALTIN RAPORU ÖZET 26 Ocak 2016
ALPHA ALTIN RAPORU ÖZET 26 Ocak 2016 19 Ocak 2016 tarihli Alpha Altın raporumuzda paylaştığımız görüşümüz; Kısa dönemde 144 günlük ortalama $1110.82 trend değişimi için referans takip seviyesi olabilir.
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon Korelasyon- (lineer korelasyon) Açıklayıcı (Bağımsız) Değişken x çalışma zamanı ayakkabı numarası İki değişken arasındaki ilişkidir. Günlük sigara sayısı SAT puanı boy Yanıt (Bağımlı)
DetaylıCh. 12: Zaman Serisi Regresyonlarında Ardışık Bağıntı (Serial Correlation) ve Değişen Varyans
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri II Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 12: Zaman Serisi Regresyonlarında
DetaylıOrantısız hazardlar için parametrik ve yarı parametrik yaşam modelleri
www.istatistikciler.org İstatistikçiler Dergisi (008) 5-34 İstatistikçiler Dergisi Orantısız hazardlar için arametrik ve yarı arametrik yaşam modelleri Nihal Ata Hacettee Üniversitesi, Fen Fakültesi, İstatistik
DetaylıALPHA ALTIN RAPORU ÖZET 10 Kasım 2015
ALPHA ALTIN RAPORU ÖZET 10 Kasım 2015 3 Kasım 2015 tarihli Alpha Altın raporumuzda paylaştığımız görüşümüz; RSI indikatörü genel olarak dip/tepe fiyatlamalarında başarılı sonuçlar vermektedir. Günlük bazda
DetaylıVeri Toplama Yöntemleri. Prof.Dr.Besti Üstün
Veri Toplama Yöntemleri Prof.Dr.Besti Üstün 1 VERİ (DATA) Belirli amaçlar için toplanan bilgilere veri denir. Araştırmacının belirlediği probleme en uygun çözümü bulabilmesi uygun veri toplama yöntemi
DetaylıFOTOGRAMETRİK DEĞERLENDİRME - ÇİFT FOT. DEĞ. Analog ve Analitik Stereodeğerlendirme. Yrd. Doç. Dr. Aycan M. MARANGOZ
FOTOGRAMETRİ II FOTOGRAMETRİK DEĞERLENDİRME - ÇİFT FOT. DEĞ. Analog ve Analitik Stereodeğerlendirme BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF336 FOTOGRAMETRİ II DERSi NOTLARI http://geomatik.beun.edu.tr/marangoz/
DetaylıDEVRELER VE ELEKTRONİK LABORATUVARI
DENEY NO: 1 DENEY GRUBU: C DİRENÇ ELEMANLARI, 1-KAPILI DİRENÇ DEVRELERİ VE KIRCHHOFF UN GERİLİMLER YASASI Malzeme ve Cihaz Listesi: 1. 10 Ω direnç 1 adet 2. 100 Ω direnç 3 adet 3. 180 Ω direnç 1 adet 4.
DetaylıMAKİNELERİN YÜKSELİŞİ: Avrupa, mobil işgücü seçeneklerini araştırmaya başlıyor
MAKİNELERİN YÜKSELİŞİ: Avrupa, mobil işgücü seçeneklerini araştırmaya başlıyor Hibrit cihazlar, iş amaçlı dizüstü bilgisayarların Avrupa daki egemenliğini tehdit ediyor Tabletlerin mobil çalışma biçimini
DetaylıEK III POTANSİYELİN TANIMLANMASI
EK III POTANSİYELİN TANIMLANMASI İki vektörün basamaklı (kademeli) çarpımı: Büyüklükte A ve B olan iki vektörünü ele alalım Bunların T= A.B cosθ çarpımı, tanımlama gereğince basamaklıdır. Bu vektörlerden
DetaylıYrd. Doç.Dr. Neşet Demirci, Balıkesir Üniversitesi, NEF, Fizik Eğitimi. Hipotez Testine Giriş
Yrd. Doç.Dr. Neşet Demirci, Balıkesir Üniversitesi, NEF, Fizik Eğitimi 5. ders Hipotez Testine Giriş Yrd. Doç.Dr. Neşet Demirci, Balıkesir Üniversitesi, NEF, Fizik Eğitimi Hipotez Yazma Popülasyon hakkındaki
DetaylıSÜREÇ YÖNETİMİ VE SÜREÇ İYİLEŞTİRME H.Ömer Gülseren > ogulseren@gmail.com
SÜREÇ YÖNETİMİ VE SÜREÇ İYİLEŞTİRME H.Ömer Gülseren > ogulseren@gmail.com Giriş Yönetim alanında yaşanan değişim, süreç yönetimi anlayışını ön plana çıkarmıştır. Süreç yönetimi; insan ve madde kaynaklarını
DetaylıB02.8 Bölüm Değerlendirmeleri ve Özet
B02.8 Bölüm Değerlendirmeleri ve Özet 57 Yrd. Doç. Dr. Yakup EMÜL, Bilgisayar Programlama Ders Notları (B02) Şimdiye kadar C programlama dilinin, verileri ekrana yazdırma, kullanıcıdan verileri alma, işlemler
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
DetaylıExponential Distribution. diger. Probability Distributions. Sürekli Şans Değişkenleri. 0 diger. SÜREKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI
Probability Distributions Probability Distributions SÜREKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI Dr. Mehmet AKSARAYLI Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Ekonometri Bölümü
Detaylıİktisat Anabilim Dalı-(Tezli) Yük.Lis. Ders İçerikleri
1. Yıl - Güz 1. Yarıyıl Ders Planı İktisat Anabilim Dalı-(Tezli) Yük.Lis. Ders İçerikleri Mikroekonomik Analiz I IKT701 1 3 + 0 6 Piyasa, Bütçe, Tercihler, Fayda, Tercih, Talep, Maliyet, Üretim, Kar, Arz.
DetaylıBÖLÜM 3 : SONUÇ VE DEĞERLENDİRME BÖLÜM
İÇİNDEKİLER GİRİŞ... 178 BÖLÜM 1 : Kararların Sınıflandırılması... 179 1.1. Alınan Kararlar... 179 1.2. Kararların İhale Türlerine Göre Sınıflandırılması....180 BÖLÜM 2 : Sonuç Kararlarının Sınıflandırılması...
DetaylıY = 29,6324 X 2 = 29,0871 X 3 = 28,4473 y 2 = 2,04 x 2 2 = 0,94 x 2 3 = 2,29 yx 2 = 0,19 yx 3 = 1,60 x 2 x 3 = 1,06 e 2 = 0,2554 X + 28,47 X 3-0,53
EKONOMETR DERS ÇALIMA SORULARI SORU : 1 1980-1994 y llar aras ndaki Türkiye Özel Yat r m (Y), Reel Mevduat Faiz Oran (X ) ve GSMH (X 3 ) verilerinden hareketle a*a+ daki ortalamadan farklara göre ara sonuçlar
DetaylıFoton Kutuplanma durumlarının Dirac yazılımı
Foton Kutuplanma durumlarının Dirac yazılımı Yatay Kutuplanmış bir foton h ve düşey kutuplanmış bir foton ise ν ile verilmiştir. Şekil I: Foton kutuplanma bazları h, ν ve +45, 45 in tanımı. ±45 boyunca
DetaylıSEYAHAT PERFORMANSI MENZİL
SEYAHAT PERFORMANSI MENZİL Uçakların ne kadar paralı yükü, hangi mesafeye taşıyabildikleri ve bu esnada ne kadar yakıt harcadıkları en önemli performans göstergelerinden biridir. Bir uçağın kalkış noktasından,
Detaylı3. Ders Parametre Tahmini Lineer Tahmin Edilebilme Yeniden Parametrelendirme Lineer Parametrik Kısıtlamalar
3. Ders Parametre Tahmini Lineer Tahmin Edilebilme eniden Parametrelendirme Lineer Parametrik Kısıtlamalar Bir Deney Tasarımı Modeli, X matrisi (veya bir kısmı) özel yapılandırılmış, = X β + biçiminde
DetaylıHİZMET ALIMLARINDA FAZLA MESAİ ÜCRETLERİNDE İŞÇİLERE EKSİK VEYA FAZLA ÖDEME YAPILIYOR MU?
HİZMET ALIMLARINDA FAZLA MESAİ ÜCRETLERİNDE İŞÇİLERE EKSİK VEYA FAZLA ÖDEME YAPILIYOR MU? Rıza KARAMAN Kamu İhale Mevzuatı Uzmanı 1. GİRİŞ İdareler, personel çalıştırılmasına dayalı hizmet alımlarına çıkarken
DetaylıGoldenmotor Çevrim Kitleri Kullanma Kılavuzu
Goldenmotor Çevrim Kitleri Kullanma Kılavuzu İçindekiler 1. Giriş 2. Kurulum 2.1. Bağlantı Şeması 2.2. Gidon Elemanlarının Montajı 2.3. Magicpie4 Arka Teker Montajı 2.4. Smartpie4 Ön Teker Montajı 2.5.
DetaylıBÖLÜM 3 FREKANS DAĞILIMLARI VE FREKANS TABLOLARININ HAZIRLANMASI
1 BÖLÜM 3 FREKANS DAĞILIMLARI VE FREKANS TABLOLARININ HAZIRLANMASI Ölçme sonuçları üzerinde yani amaçlanan özelliğe yönelik gözlemlerden elde edilen veriler üzerinde yapılacak istatistiksel işlemler genel
DetaylıFĐNANSAL RĐSK YÖNETĐMĐ
FĐNANSAL RĐSK YÖNETĐMĐ Doç. Dr. Yusuf Tansel İÇ Başkent Üniversitesi Endüstri Mühendisliği Bölümü Öğretim Üyesi Kasım 2015 Ankara RĐSK Risk, istenmeyen sonuçlarla karşılaşma olasılığıdır. Finansta ise
DetaylıDİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ "A" OLARAK CEVAP KÂĞIDINA İŞARETLEMEYİ UNUTMAYINIZ. SAYISAL BÖLÜM SAYISAL-2 TESTİ
ALES İlkbahar 007 SAY DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ "A" OLARAK CEVAP KÂĞIDINA İŞARETLEMEYİ UNUTMAYINIZ. SAYISAL BÖLÜM SAYISAL- TESTİ Sınavın bu testinden alacağınız standart puan, Sayısal Ağırlıklı
DetaylıC Operatörler. Öğr. Gör. M. Ozan AKI. Rev 1.0
C Operatörler Öğr. Gör. M. Ozan AKI Rev 1.0 Operatörler Bir veya iki değişken ya da sabit arasında işlem yaparak yeni bir değer üreten ya da mevcut bir değişkenin değerinin değiştirebilen, işlem yapan
DetaylıBÖLÜM : ULAŞTIRMA MODELİNİN TANIMI VE MAHİYETİ I. DOĞRUSAL PROGRAMLAMANIN ÖZEL BİR HALİ OLARAK ULAŞTIRMA MODELİ
İ Ç İ N D E K İ L E R GİRİŞ KSM: ULAŞTRMA MODELİ ULAŞTRMA MODELİNİN TANM VE MAHİYETİ. DOĞRUSAL PROGRAMLAMANN ÖZEL BİR HALİ OLARAK ULAŞTRMA MODELİ 9. ULAŞTRMA MODELİNİN TARİHÇESİ 13. ULAŞTRMA MODELİNDE
Detaylı0 dan matematik. Bora Arslantürk. çalışma kitabı
0 dan matematik 0 dan matematik 1 çalışma kitabı Sıfırdan başlanarak matematik ile ilgili sıkıntı yaşayan herkese hitap etmesi, Akıllı renklendirme ile göz yoran değil ayrım yapmayı, istenileni bulmayı
Detaylı2013-2014 EĞİTİM VE ÖĞRETİM YILI TED KDZ EREĞLİ KOLEJİ ORTAOKULU MATEMATİK 8.SINIF ÜNİTELENDİRİLMİŞ YILLIK PLANDIR.
EYLÜL 2013-201 EĞİTİM VE ÖĞRETİM YILI TED KDZ EREĞLİ KOLEJİ ORTAOKULU MATEMATİK 8.SINIF ÜNİTELENDİRİLMİŞ YILLIK PLANDIR. 9-13 Örüntü ve Süslemeler Dönüşüm Geometrisi 1. Doğru, çokgen ve çember modellerinden
Detaylı6.5 Basit Doğrusal Regresyonda Hipotez Testleri. 6.5.1 İçin Hipotez Testi: 1. Hipotez kurulur. 2. Test istatistiği hesaplanır.
6.5 Basit Doğrusal Regresyonda Hipotez Testleri 6.5.1 İçin Hipotez Testi: 1. Hipotez kurulur. 2. Test istatistiği hesaplanır. olduğu biliniyor buna göre; hipotezinin doğruluğu altında test istatistiği
DetaylıB05.11 Faaliyet Alanı
82 Yrd. Doç. Dr. Yakup EMÜL, Bilgisayar Programlama Ders Notları (B05. C de Fonksiyonlar) Bir tanıtıcının faaliyet alanı, tanıtıcının kod içinde kullanılabileceği program kısmıdır. Örneğin, bir blok içinde
DetaylıHatırlatmalar: Model: Y X
Hatırlatmalar: Model: Y X 4. Ders Varsayımların Sınanması Aykırı Değerler ve Etkin Gözlemler = β + ε, ( rank( X : n p) = p) Parametre kümesi: Θ= {( βσ, ) : β R p, σ > 0} Varsayım: A) Eε = Covε = σ I (küçük
Detaylıİstatistiksel Kavramların Gözden Geçirilmesi
İstatistiksel Kavramların Gözden Geçirilmesi Bazı Kuramsal Olasılık Dağılımları Ekonometri 1 Konu 2 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial
DetaylıAB Mevzuatının Uygulanmasına Yönelik Teknik Desteğin Müzakere Edilmesi
Genel DEA Eğitimi 6 8 Temmuz 2009 EuropeAid/125317/D/SER/TR Oturum 10-B AB ye Uyum Sürecinde DEA nin Önemi AB ye Uyum Sürecinde DEA nın Avantajları Mevcut mevzuatın revize edilmesine yönelik opsiyonlar
DetaylıTemel Bilgisayar Programlama
BÖLÜM 9: Fonksiyonlara dizi aktarma Fonksiyonlara dizi aktarmak değişken aktarmaya benzer. Örnek olarak verilen öğrenci notlarını ekrana yazan bir program kodlayalım. Fonksiyon prototipi yazılırken, dizinin
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ MEKATRONİK LABORATUVARI 1. BASINÇ, AKIŞ ve SEVİYE KONTROL DENEYLERİ
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ MEKATRONİK LABORATUVARI 1 BASINÇ, AKIŞ ve SEVİYE KONTROL DENEYLERİ DENEY SORUMLUSU Arş.Gör. Şaban ULUS Haziran 2012 KAYSERİ
DetaylıMUHASEBE GRUBU ÖĞRETMENİ
TANIM Çalıştığı eğitim kurum ya da kuruluşunda; öğrencilere ya da yetişkinlere, muhasebe ile ilgili eğitim veren kişidir. A- GÖREVLER KULLANILAN ARAÇ, GEREÇ VE EKİPMAN Muhasebe ile ilgili hangi bilgi,
DetaylıAR& GE BÜLTEN. Enflasyonla Mücadelede En Zorlu Süreç Başlıyor
Enflasyonla Mücadelede En Zorlu Süreç Başlıyor Ahmet KARAYİĞİT Makroekonomik göstergeler açısından başarılı bir yılı geride bıraktık. Büyüme, ihracat, faizler, kurlar, faiz dışı fazla gibi pek çok ekonomik
DetaylıMAT223 AYRIK MATEMATİK
MAT223 AYRIK MATEMATİK Çizgeler 7. Bölüm Emrah Akyar Anadolu Üniversitesi Fen Fakültesi Matematik Bölümü, ESKİŞEHİR 2014 2015 Öğretim Yılı Çift ve Tek Dereceler Çizgeler Çift ve Tek Dereceler Soru 51 kişinin
DetaylıSTATİK-BETONARME PROJE KONTROL FORMU Evet Hayır
STATİK-BETONARME PROJE KONTROL FORMU Evet Hayır 1. TAŞIYICI SİSTEM SEÇİMİ Mimari ve statik proje kolon sistemi uyumluymuş Mimari projedeki kat planları ile statik projedeki kalıp planları uyumluymuş. Mimari
Detaylıçindekiler Yatay-Kesit Veriler ile Regresyon Analizi 21 Ekonometrinin Do as ve ktisadi Veri 1 Çoklu Regresyon Analizi: Tahmin 68
BÖLÜM 1 Ekonometrinin Do as ve ktisadi Veri 1 1.1 Ekonometri Nedir? 1 1.2 Uygulamal ktisadi Analizin Ad mlar 2 1.3 ktisadi Verinin Yap s 5 Yatay-Kesit Verileri 5 Zaman Serisi Verisi 8 Havuzlanm Yatay Kesitler
DetaylıSOSYAL BİLİMLER ARAŞTIRMALARINDA TASNİF EDİLMİŞ BAĞIMLI DEĞİŞKENLER (Discrete Dependent Variable)
SOSYAL BİLİMLER ARAŞTIRMALARINDA TASNİF EDİLMİŞ BAĞIMLI DEĞİŞKENLER (Discrete Dependent Variable) Dr. Kutluk Kağan SÜMER* ÖZET Bu çalışma iki veya daha fazla nitel seçimin bağımlı değişken olduğu modeller
DetaylıSıva altı montaj için Symaro sensörleri yenilikçi ve enerji verimli
Sıva altı montaj için Symaro sensörleri yenilikçi ve enerji verimli Sıva altı montaj için enerji tasarruflu Symaro sensörleri DELTA anahtarları serisi ile kullanım için uygun Answers for infrastructure
DetaylıÖncelikle Markamıza göstermiş olduğunuz ilgiden dolayı teşekkür ederiz.
Sayın Prefix İş Ortağımız, Öncelikle Markamıza göstermiş olduğunuz ilgiden dolayı teşekkür ederiz. İşletmenize daha fazla kazanç sağlayabilmek, daha kaliteli ve daha süratli hizmet verebilmek için, mevcut
Detaylıint printf (const char *format [, argument,...]);
1 printf (): Fonksiyonu Sayısal ve alfanümerik değerleri ekrana (çıkış elemanı olarak tanımlı ise) göndermek için kullanılan formatlı çıkış fonksiyonudur. Bu fonksiyon stdio.h başlık dosyası altında tanımlıdır.
DetaylıKonsolide Gelir Tablosu (denetlenmemiş)
Konsolide Gelir Tablosu(denetlenmemiş) Konsolide Gelir Tablosu (denetlenmemiş) Sona eren 3 aylık dönem Sona eren 6 aylık dönem m. 30 Haziran 2014 30 Haziran 2013 30 Haziran 2014 30 Haziran 2013 Faiz ve
DetaylıYandaki resimlerde Excel Pazartesi den başlayarak günleri otomatik olarak doldurmuştur.
Otomatik Doldurma; Hızlı veri girişi için Microsoft Excel'in otomatik olarak verileri tekrarlamasını sağlayabilir veya verileri otomatik olarak girebilirsiniz. Excel'in sayı, sayı ve metin birleşimi, tarih
DetaylıONKOLOJİDE SIK KULLANILAN İSTATİSTİKSEL YÖNTEMLER VE SAĞKALIM EĞRİLERİ
ONKOLOJİDE SIK KULLANILAN İSTATİSTİKSEL YÖNTEMLER VE SAĞKALIM EĞRİLERİ HESAPLAMA VE DEĞERLENDİRME YÖNTEMLERİ Prof. Dr. M. Özşahin Radyasyon Onkolojisi Bölümü, Lozan Üniversitesi Hastanesi, İsviçre mahmut.ozsahin@chuv.ch
DetaylıÜÇGEN,TESTERE işaret ÜRETEÇLERi VE veo
Karadeniz Teknik Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü Elektronik Lab. 2 ÜÇGEN,TESTERE işaret ÜRETEÇLERi VE veo. Ön Bilgiler. Üçgen Dalga işaret Üreteci Üçgen dalga işareti kare dalga işaretinin
Detaylı1 / 28. Kataklismik Değişenlerden X-Işınları
1 / 28 Kataklismik Değişenlerden X-Işınları - II - 2 / 28 Kataklismik Değişenlerden X-Işınları - II - Kataklismik Değişenler X-Işın Tayfları X-Işın Süreklilik Modelleri Mekal CeMekal Mkcflow X-Işın Emiyon
DetaylıİSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI YÜZEY DOLDURMA TEKNİKLERİ
İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI YÜZEY DOLDURMA TEKNİKLERİ Deneyde dolu alan tarama dönüşümünün nasıl yapıldığı anlatılacaktır. Dolu alan tarama
DetaylıGAZİ ÜNİVERSİTESİ MÜHENDİSLİK-MİMARLIK FAKÜLTESİ KİMYA MÜHENDİSLİGİ BÖLÜMÜ KM 482 KİMYA MÜHENDİSLİĞİ LABORATUVARI III. DENEY 1b.
GAZİ ÜNİVERSİTESİ MÜHENDİSLİK-MİMARLIK FAKÜLTESİ KİMYA MÜHENDİSLİGİ BÖLÜMÜ KM 482 KİMYA MÜHENDİSLİĞİ LABORATUVARI III DENEY 1b. SICAKLIK KONTROLÜ Denevin Amacı Kontrol teorisini sıcaklık kontrol sistemine
Detaylı08.11.2014-10:30 Adı-Soyadı:... No:... NOT:...
OREN435 TESİS PLNLM 014-015 GÜZ YRIYILI RSINVI CEVP NHTRI 1 08.11.014-10:30 dı-soyadı:... No:... NOT:... Sorular eşit puanlıdır. Yardımcı bellek kullanılabilir. Süre 70 fakikadır. 1. Endüstriyel üretim
DetaylıAŞIRI YAYILIMLI VERİLER İÇİN GENELLEŞTİRİLMİŞ POİSSON KARMA MODELLERİN HAVA KİRLİLİĞİ ÜZERİNE BİR UYGULAMASI. e posta:
IAAOJ, Scientific Science, 2013, 1(2), 3 7 AŞIRI YAYILIMLI VERİLER İÇİN GENELLEŞTİRİLMİŞ POİSSON KARMA MODELLERİN HAVA KİRLİLİĞİ ÜZERİNE BİR UYGULAMASI Haydar KOÇ 1, M. Ali CENGİZ 1, Tuba KOÇ 1, Emre DÜNDER
DetaylıYAPAY ZEKA. 2.1. Problem Çözme ve Karar Verme. 3.2. Problem Çözme Süreci
YAPAY ZEKA 3. Problem Çözümleme Durum Uzayı Arama Yöntemleri Kör Arama Yöntemi Bulgusal (Sezgisel) Arama Yöntemi Oyun (Rakip) Arama Yöntemi 2.1. Problem Çözme ve Karar Verme Problem çözme çoğunlukla düşünen
DetaylıİÇİNDEKİLER. Bölüm 1: BİLİM TARİHİ... 1 Giriş... 1
İÇİNDEKİLER Bölüm 1: BİLİM TARİHİ... 1 Giriş... 1 1.1. İlk Çağ da Bilgi ve Bilimin Gelişimi... 2 1.1.1. İlk Uygarlıklarda Bilgi ve Bilimin Gelişimi... 2 1.1.2. Antik Yunan da Bilgi ve Bilimin Gelişimi...
DetaylıOKUL BAZLI BÜTÇELEME KILAVUZU
Üst Politika Belgelerinde Okul Bazlı Bütçe: Amaç: OKUL BAZLI BÜTÇELEME KILAVUZU 1. Onuncu Kalkınma Planı (2014-2018) 154- Okul idarelerinin bütçeleme süreçlerinde yetki ve sorumlulukları artırılacaktır.
Detaylı: 3218 Sayılı Serbest Bölgeler Kanunu Genel Tebliği (Seri No: 1) nde Değişiklik Yapılmasına Dair Tebliğ (Seri No: 3) yayımlandı.
SİRKÜLER TARİH : 28.04.2016 SAYI : 2016-04-6 KONU ÖZETİ : 3218 Sayılı Serbest Bölgeler Kanunu Genel Tebliği (Seri No: 1) nde Değişiklik Yapılmasına Dair Tebliğ (Seri No: 3) yayımlandı. : Tebliğde serbest
DetaylıCebir Notları. Bağıntı. 1. (9 x-3, 2) = (27, 3 y ) olduğuna göre x + y toplamı kaçtır? 2. (x 2 y 2, 2) = (8, x y) olduğuna göre x y çarpımı kaçtır?
www.mustafayagci.com, 003 Cebir Notları Mustafa YAĞCI, yagcimustafa@yahoo.com (a, b) şeklinde sıra gözetilerek yazılan ifadeye sıralı ikili Burada a ve b birer sayı olabileceği gibi herhangi iki nesne
DetaylıFizik ve Ölçme. Fizik deneysel gözlemler ve nicel ölçümlere dayanır
Fizik ve Ölçme Fizik deneysel gözlemler ve nicel ölçümlere dayanır Fizik kanunları temel büyüklükler(nicelikler) cinsinden ifade edilir. Mekanikte üç temel büyüklük vardır; bunlar uzunluk(l), zaman(t)
DetaylıGALATA YATIRIM A.Ş. Halka Arz Fiyat Tespit Raporu DEĞERLENDİRME RAPORU SAN-EL MÜHENDİSLİK ELEKTRİK TAAHHÜT SANAYİ VE TİCARET A.Ş.
22-11-2013 Fiyat Tespit Raporu DEĞERLENDİRME RAPORU İş bu rapor, Galata Yatırım A.Ş. tarafından, Sermaye Piyasası Kurulu nun 12/02/2013 tarihli ve 5/145 sayılı kararında yer alan; payları ilk kez halka
DetaylıOyun Teorisi IENG 456 Karar Vermede Analitik Yaklaşımlar
Oyun Teorisi IENG 456 Karar Vermede Analitik Yaklaşımlar Bu ders notlarının hazırlanmasında Doç. Dr. İbrahim Çil in ders notlarından faydalanılmıştır. Yrd. Doç. Dr. Hacer GÜNER GÖREN Pamukkale Üniversitesi
DetaylıA N A L Z. Seçim Öncesinde Verilerle Türkiye Ekonomisi 2:
A N A L Z Seçim Öncesinde Verilerle Türkiye Ekonomisi 2: Sektör Mücahit ÖZDEM R May s 2015 Giri Geçen haftaki çal mam zda son aç klanan reel ekonomiye ili kin göstergeleri incelemi tik. Bu hafta ülkemiz
DetaylıPazarlama Araştırması Grup Projeleri
Pazarlama Araştırması Grup Projeleri Projeler kapsamında öğrencilerden derlediğiniz 'Teknoloji Kullanım Anketi' verilerini kullanarak aşağıda istenilen testleri SPSS programını kullanarak gerçekleştiriniz.
DetaylıFen-Teknoloji-Toplum-Çevre I (Elektrik ve Manyetik Alanın Toplumsal ve Çevresel Etkileri)
ĐLKÖĞRETĐM ANABĐLĐM DALI FEN BĐLGĐSĐ EĞĐTĐMĐ BĐLĐM DALI DOKTORA PROGRAMI 2013 2014 EĞĐTĐM ÖĞRETĐM PLANI GÜZ YARIYILI DERSLERĐ Dersin Kodu Dersin Adı T P AKTS ĐFE 600* Seminer 0 3 6 ĐFE 601 Đleri Nicel
DetaylıMAK 4026 SES ve GÜRÜLTÜ KONTROLÜ. 6. Hafta Oda Akustiği
MAK 4026 SES ve GÜRÜLTÜ KONTROLÜ 6. Hafta Oda Akustiği Sesin Oda İçerisinde Yayınımı Akustik olarak sesin odada yayınımı için, sesin dalga boyunun hacmin boyutlarına göre oldukça küçük olması gerekmektedir.
DetaylıFizik I (Fizik ve Ölçme) - Ders sorumlusu: Yrd.Doç.Dr.Hilmi Ku çu
Fizik I (Fizik ve Ölçme) - Ders sorumlusu: Yrd.Doç.Dr.Hilmi Ku çu Bu bölümde; Fizik ve Fizi in Yöntemleri, Fiziksel Nicelikler, Standartlar ve Birimler, Uluslararas Birim Sistemi (SI), Uzunluk, Kütle ve
DetaylıIKTI 102 24 Şubat, 2011 Gazi Üniversitesi-İktisat Bölümü DERS NOTU 01 MAKROEKONOMİYE GİRİŞ NOMİNAL VE REEL ÇIKTI İSTİHDAM VE İŞSİZLİK
DERS NOTU 01 MAKROEKONOMİYE GİRİŞ NOMİNAL VE REEL ÇIKTI İSTİHDAM VE İŞSİZLİK Bugünki dersin içeriği: I. MAKROEKONOMİK ANALİZE GENEL BİR BAKIŞ... 1 1. GİRİŞ... 1 2. MAKROEKONOMİNİN KÖKLERİ... 2 3. MAKROEKONOMİNİN
DetaylıHAYALi ihracatln BOYUTLARI
HAYALi ihracatln BOYUTLARI 103 Müslüme Bal U lkelerin ekonomi politikaları ile dış politikaları,. son yıllarda birbirinden ayrılmaz bir bütün haline gelmiştir. Tüm dünya ülkelerinin ekonomi politikalarında
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. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri
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. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri
DetaylıEtkinliklere katılım, ücretli ve kontenjan ile sınırlıdır.
24-26 Ekim 2016 tarihleri arasında gerçekleşecek olan Future Learning 2016 konferansımızda bu yıl birbirinden ilginç konu başlıklarına sahip eğitimler ve atölye çalışmaları gerçekleştirilecektir. Etkinliklere
DetaylıPORTFÖY PERFORMANSININ DEĞERLENDĐRĐLMESĐ
Ders Notu PORTFÖY PERFORMANSININ DEĞERLENDĐRĐLMESĐ Dr. Veli AKEL Kasım 2006 PORTFÖY PERFORMANSININ DEĞERLENDĐRĐLMESĐ Bir yatırımcı, beklenen getiriyi istenen bir şey olarak düşünürken, getirilerin varyansını
DetaylıAkışkanlar Mekaniği. Dr. Osman TURAN. Makine ve İmalat Mühendisliği. osman.turan@bilecik.edu.tr
Akışkanlar Mekaniği Dr. Osman TURAN Makine ve İmalat Mühendisliği osman.turan@bilecik.edu.tr Kaynaklar Ders Değerlendirmesi 1. Vize 2. Vize Ödev ve Kısa sınavlar Final % 20 % 25 % 15 % 40 Ders İçeriği
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıDoç. Dr. Mehmet Durdu KARSLI Sakarya Üniversitesi E itim fakültesi Doç. Dr. I k ifa ÜSTÜNER Akdeniz Üniversitesi E itim Fakültesi
ÜN VERS TEYE G R SINAV S STEM NDEK SON DE KL E L K N Ö RENC LER N ALGILARI Doç. Dr. Mehmet Durdu KARSLI Sakarya Üniversitesi E itim fakültesi Doç. Dr. I k ifa ÜSTÜNER Akdeniz Üniversitesi E itim Fakültesi
Detaylı