Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ"

Transkript

1 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. Başka bir şekilde ifade etmek istersek: X i i.i.d µ,σ 2, i = 1,2,...,n iid: türdeş identical, ve bağımsız independent dağılımlı Burada dağılımın ne olduğunu belirtmediğimize dikkat edin. Bu r.d. lerin toplamlarının beklenen değeri ve varyansı: E[X 1 + X X n ] = E[X 1 ] + E[X 2 ] E[X n ] = nµ V ar[x 1 + X X n ] = V ar[x 1 ] + V ar[x 2 ] V ar[x n ] = nσ 2 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 2 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM Bu r.d. lerin toplamına S n diyelim. Yani, S n = X 1 + X X n Z = S n ES n V arsn = S n nµ nσ 2 = S nn µ n 1/2 n σ = X n µ σ/ n N,1 MLT ye göre gözlem sayısı arttıkça, yani, n, yukarıdaki ifade standart normal dağılıma yakınsar, yani, Z N,1

2 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 3 2 n= 1 4 n= 2 4 n= n= 1 5 n= 3 6 n= n= 75 6 n= 1 6 n= YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 4 BÜYÜK SAYILAR KANUNU LAW of LARGE NUMBERS Merkezi Limit Teoremi, Büyük Sayılar Kanunu ile yakından ilişkilidir. Büyük Sayılar Kanununa göre, türdeş dağılımlı aynı anakütle beklenen değeri µ ve varyansına σ 2 sahip, birbirinden bağımsız ve sonlu varyanslı n r.d. in aritmetik ortalaması örneklem ortalaması n büyüdükçe anakütle ortalamasına yakınsar. X n = 1 n X 1 + X X n örneklem ortalaması olsun. Büyük sayılar yasasına göre n, X n µ Başka bir deyişle, istediğimiz kadar küçük seçebileceğimiz ǫ gibi pozitif herhangi bir sayı için: lim P [ X n µ < ǫ ] = 1 n

3 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 5 MERKEZİ LİMİT TEOREMİ ÖRNEK: X 1,X 2,...,X 12 birbirinden bağımsız ve herbiri U,b, b > dağılımına sahip rassal değişkenler olsun. Merkezi Limit Teoremini kullanarak P b 4 < X < 3b 4 olasılığının yaklaşık.9973 olduğunu gösterelim. CEVAP: Bu 12 bağımsız r.d. uniform anakütleden geldiğine göre önce anakütledeki ortalama ve varyansı bulmamız gerekir. Uniforma,b dağılım için beklenen değer ve varyans olduğuna göre, örneğimizde µ x = b + a 2, σ2 x = b a2 12 olur. µ x = b 2, σ2 x = b2 12 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 6 MERKEZİ LİMİT TEOREMİ V arx = σ2 x n = b2 144 CEVAP devam: MLT yi kullanarak: P b 4 < X < 3b 4 = P b 4 b 2 b 12 < X µ 3b x σ 2 x /n < 4 b 2 b 12 = P 3 < Z < 3 = Φ3 1 Φ3 = =.9973

4 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 7 BİNOM DAĞILIMININ NORMAL YAKINSAMASI X: Başarı olasılığının p olduğu n bağımsız Bernoulli denemesinde toplam başarı sayısı, X Binomn, p EX = np, V arx = n yeterince büyükse Merkezi Limit Teoreminden hareketle şu yazılabilir: Z = X EX V arx = X np N,1 Başarı sayısı X in a ve b arasında olma olasılığı: a np Pa X b = P = P a np Z X np b np b np YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 8 BİNOM DAĞILIMININ NORMAL YAKINSAMASI Kesikli bir dağılımı sürekli bir dağılıma yakınsadığımızdan bu formüle süreklilik düzeltmesi uygularsak, yani a yerine a.5 ve b yerine b +.5 yazarsak: Pa X b = P = P a.5 np a.5 np Z Şu olasılığı hesaplamak istediğimizi düşünelim: P1 X 15 X np b +.5 np b +.5 np Binom dağılımında X her zaman bir tamsayı olacağından yukarıdaki olasılık P1 X 15 = P9.1 X şeklinde yazılabilir. Bu iki uç noktanın ortasını kullanarak iyi bir yakınsama yapabiliriz.

5 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 9 BİNOM DAĞILIMININ NORMAL YAKINSAMASI ÖRNEK 5.11, s.23: Bir satıcı müşteri olabilecek kimselerle önceden telefonla bağlantı kurup, bunların evlerine uğrama kararını vermektedir. Deneyimine göre, bu ön bağlantıların %4 ı eve uğramayla sonuçlanmaktadır. Bu satıcı 1 kişiyle telefonda bağlantı kursa, bunun sonucunda 45 ile 5 arasında eve gitme olasılığı kaçtır? P45 X 5 = P Z Süreklilik düzeltmesi yaparsak: P45 X 5 = P = P1.2 Z 2.4 = Φ2.4 Φ1.2 = = Z = P.92 Z 2.14 = Φ2.14 Φ.92 = =.1626 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 POISSON DAĞILIMININ NORMAL YAKINSAMASI X: Bir olayın belli bir zaman diliminde gerçekleşme sayısı, λ parametresi de bu zaman diliminde ortalama gerçekleşme sayısını göstersin. Bu durumda X aşağıdaki ortalama ve varyansa sahip Poisson dağılımına uyar X Poissonλ EX = λ, V arx = λ Merkezi Limit Teoreminden hareketle şu yazılabilir: Z = X EX V arx = X λ λ N,1 X in a ve b arasında olma olasılığı: a λ Pa X b = P X λ b λ λ λ λ a λ = P Z b λ λ λ

6 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 11 POISSON DAĞILIMININ NORMAL YAKINSAMASI Süreklilik düzeltmesi yapıldığınıda X in a ve b arasında olma olasılığı: a.5 λ Pa X b = P X λ b +.5 λ λ λ λ = P a.5 λ λ Z b +.5 λ λ ÖRNEK: Bir tüketici danışma merkezine günde ortalama 25 başvuru yapılmaktadır. Bu başvuruların Poisson dağılımına uyduğu düşünülmektedir. Belli bir günde 2 ile 3 arasında başvuru yapılma olasılığı nedir? P2 X 3 = P X λ 25 λ = P 1.1 Z 1.1 = YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 12 ÜSTEL EXPONENTIAL DAĞILIM: Bekleme kuyruğu problemleri, müşteriye hizmet süresinin belirsiz olduğu durumlarda üstel dağılım iyi bir yakınsama sağlayabilir. Olasılık yoğunluk fonksiyonu µ >, e = Simetrik olmayan bir dağılım fx = 1 µ e x/µ, x için Beklenen değer: EX = µ, Varyans: V arx = µ 2 Birikimli dağılım fonksiyonu: Fx = 1 e x/µ, x için

7 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 13 fx.2.18 µ=5 ortalamaya sahip Ustel Dagilim x YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 14 Fx 1.9 µ=5 ortalamaya sahip Ustel Dagilimin Birikimli Dagilim Fonksiyonu x

8 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 15 ÜSTEL EXPONENTIAL DAĞILIM: ÖRNEK 5.13, s.235: Bir kitaplığın danışma masasında kullanıcılara verilen hizmet 5 dk. ortalama süre ile üstel dağılıma uymaktadır. bir kullanıcıya verilen hizmetin 1 dakikadan uzun sürme olasılığı kaçtır? CEVAP: X verilen hizmet süresi olmak üzere Olasılık yoğunluk fonksiyonu: ve birikimli dağılım fonksiyonu: İstenen olasılık: fx = 1 5 e x/5, x için Fx = 1 e x/5, x için PX > 1 = P1 < X < = F F1 = 1 1 e 1/5 = e 2 =.1353

İSTATİSTİK I KAVRAMLARININ

İSTATİSTİK 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

Detaylı

SÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım

SÜREKLİ 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

Detaylı

rasgele değişkeninin olasılık yoğunluk fonksiyonu,

rasgele 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

Detaylı

altında ilerde ele alınacaktır.

altında 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

Dr. Mehmet AKSARAYLI

Dr. 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

Detaylı

NORMAL DAĞILIM. 2., anakütle sayısı ile Poisson dağılımına uyan rassal bir değişkense ve 'a gidiyorsa,

NORMAL DAĞILIM. 2., anakütle sayısı ile Poisson dağılımına uyan rassal bir değişkense ve 'a gidiyorsa, NORMAL DAĞILIM TEORİK 1., ortalaması, standart sapması olan bir normal dağılıma uyan rassal bir değişkense, bir sabitken nin beklem üreten fonksiyonunu bulun. 2., anakütle sayısı ile Poisson dağılımına

Detaylı

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI

3 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

Detaylı

SÜREKLİ RASSAL DEĞİŞKENLER

SÜREKLİ RASSAL DEĞİŞKENLER SÜREKLİ RASSAL DEĞİŞKENLER Sürekli Rassal Değişkenler Sürekli Rassal Değişken: Değerleriölçümyadatartımla elde edilen, bir başka anlatımla sayımla elde edilemeyen, değişkene sürekli rassal değişken denir.

Detaylı

RİSK ANALİZİ VE AKTÜERYAL MODELLEME

RİSK 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

Detaylı

19.11.2013 EME 3105 SİSTEM SİMÜLASYONU. Sürekli Dağılımlar (2) Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar.

19.11.2013 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)

Detaylı

Simülasyonda İstatiksel Modeller

Simülasyonda İstatiksel Modeller Simülasyonda İstatiksel Modeller Amaç Model-geliştirici dünyaya deterministik değil olasıksal olarak bakar. İstatiksel modeller değişimleri iyi tanımlayabilir. İlgilenilen olayın örneklenmesi ile uygun

Detaylı

Appendix B: Olasılık ve Dağılım Teorisi

Appendix 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

Detaylı

Kesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları

Kesikli 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.

Detaylı

Örneklem Dağılımları ve Merkezi Limit Teoremi

Örneklem Dağılımları ve Merkezi Limit Teoremi Örneklem Dağılımları ve Merkezi Limit Teoremi Çıkarımsal İstatistik (Inferential Statistics) : Örneklemden yola çıkarak ana kütleyle (popülasyonla) ilgili çıkarımlarda bulunmak (Smidt, 2001) İstatistiksel

Detaylı

Tablo (2): Atıştırma Sayısı ve Günlük Sınav Sayısı Atıştırma Sınav Sayısı (X) 0 0.07 0.09 0.06 0.01

Tablo (2): Atıştırma Sayısı ve Günlük Sınav Sayısı Atıştırma Sınav Sayısı (X) 0 0.07 0.09 0.06 0.01 Ortak Varyans ve İstatistiksel Bağımsızlık Bir rassal değişken çifti istatistiksel olarak bağımsız ise aralarındaki ortak varyansın değeri 0 dır. Ancak ortak varyans değerinin 0 olması, iki rassal değişkenin

Detaylı

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN

RASSAL 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

Detaylı

IE 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 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

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT 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.

Detaylı

ANADOLU ÜNİVERSİTESİ ÖRNEK: GEOMETRİK DAĞILIM

ANADOLU ÜNİVERSİTESİ ÖRNEK: GEOMETRİK DAĞILIM ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ KESİKLİ DAĞILIMLAR-2 DOÇ. DR. NİHAL ERGİNEL 2015 GEOMETRİK DAĞILIM Bir Bernoulli deneyi ilk olumlu sonuç elde edilmesine kadar tekrarlansın. X: ilk olumlu sonucun

Detaylı

Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir,

Faktöriyel: 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.

Detaylı

2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK

2016 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

Detaylı

Başarı olasılığı olan bir Bernoulli denemesinin aynı şartlar altında (bağımsız olarak) n kez tekrarlanması ile oluşan deneye binom deneyi denir.

Başarı 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

Detaylı

SİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN

SİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN SİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN SİMÜLASYON ÇEŞİTLERİ Günümüz simülasyonları gerçek sistem davranışlarını, zamanın bir fonksiyonu olduğu düşüncesine dayanan Monte Carlo yöntemine dayanır. 1.

Detaylı

MIT 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 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.

Detaylı

Olasılık Kuramı ve Bazı Olasılık Dağılımları

Olasılık 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

Detaylı

Matris Cebiriyle Çoklu Regresyon Modeli

Matris 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

Detaylı

Poisson Dağılımı Özellikleri ve Olasılıkların Hesaplanması

Poisson Dağılımı Özellikleri ve Olasılıkların Hesaplanması Özellikleri ve Olasılıkların Hesaplanması Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Poisson dağılımı kesikli dağılımlar içinde Binom dağılımından

Detaylı

İstatistik I Ders Notları

İstatistik 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

MIT 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 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.

Detaylı

4) Seyrek rastlanılan bir hastalık için belli bir zaman araalığında bu hastalığa yakalananların sayısının gözlenmesi,

4) Seyrek rastlanılan bir hastalık için belli bir zaman araalığında bu hastalığa yakalananların sayısının gözlenmesi, POĐSSON DAĞILIMI Poisson Dağılımı sürekli oramlarda (zaman, alan, hacim, ) kesikli sonuçlar veren ve aşağıda a),b),c) şıklarında belirilen özelliklere sahip deneylerin modellenmesinde kullanılan bir dağılım

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT 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.

Detaylı

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37 İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar

Detaylı

OLASILIK ve İSTATİSTİĞE GİRİŞ. Yrd. Doç. Dr. Hüsey n Dem r

OLASILIK ve İSTATİSTİĞE GİRİŞ. Yrd. Doç. Dr. Hüsey n Dem r OLASILIK ve İSTATİSTİĞE GİRİŞ Yrd. Doç. Dr. Hüsey n Dem r Yrd. Doç. Dr. Hüseyin Demir OLASILIK VE İSTATİSTİĞE GİRİŞ ISBN 978-605-318-470-6 DOI 10.14527/9786053184706 Kitap içeriğinin tüm sorumluluğu yazarlarına

Detaylı

Matematik Ders Notları. Doç. Dr. Murat Donduran

Matematik Ders Notları. Doç. Dr. Murat Donduran Matematik Ders Notları Doç. Dr. Murat Donduran Mart 18, 28 2 İçindekiler 1 Tanımlı Integral Uygulamaları 5 1.1 Olasılık.............................. 5 3 4 İÇINDEKILER Bölüm 1 Tanımlı Integral Uygulamaları

Detaylı

ĐST 474 Bayesci Đstatistik

ĐST 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

Detaylı

ENM 316 BENZETİM ÖDEV SETİ

ENM 316 BENZETİM ÖDEV SETİ ENM 16 BENZETİM ÖDEV SETİ Ödev 1. Bir depo ve N adet müşteriden oluşan bir taşımacılık sisteminde araç depodan başlayıp bütün müşterileri teker teker ziyaret ederek depoya geri dönmektedir. Sistemdeki

Detaylı

Rassal Değişken Üretimi

Rassal 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.

Detaylı

SIRADAN EN KÜÇÜK KARELER (OLS)

SIRADAN EN KÜÇÜK KARELER (OLS) SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge

Detaylı

1-2 - * 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... 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

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT 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.

Detaylı

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER 8

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER 8 PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER 8 Prof. Dr. Ali ŞEN İki Populasyonun Karşılaştırılması: Eşleştirilmiş Örnekler için Wilcoxon İşaretli Mertebe Testi -BÜYÜK ÖRNEK Bağımsız populasyonlara uygulanan

Detaylı

Girdi Analizi. 0 Veri toplama 0 Girdi sürecini temsil eden olasılık dağılımı belirleme. 0 Histogram 0 Q-Q grafikleri

Girdi Analizi. 0 Veri toplama 0 Girdi sürecini temsil eden olasılık dağılımı belirleme. 0 Histogram 0 Q-Q grafikleri Girdi Analizi 0 Gerçek hayattaki benzetim modeli uygulamalarında, girdi verisinin hangi dağılımdan geldiğini belirlemek oldukça zor ve zaman harcayıcıdır. 0 Yanlış girdi analizi, elde edilen sonuçların

Detaylı

ÜNİTE 5 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI

ÜNİTE 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

Detaylı

H 0 : θ = θ 0 Bu sıfır hipotezi şunu ifade eder: Anakütle parametresi θ belirli bir θ 0

H 0 : θ = θ 0 Bu sıfır hipotezi şunu ifade eder: Anakütle parametresi θ belirli bir θ 0 YTÜ-İktisat İstatistik II Hipotez Testi 1 HİPOTEZ TESTİ: AMAÇ: Örneklem bilgisinden hareketle anakütleye ilişkin olarak kurulan bir hipotezin (önsavın) geçerliliğinin test edilmesi Genel notasyon: anakütleye

Detaylı

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım 2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT 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.

Detaylı

Rastlantı Değişkenleri

Rastlantı Değişkenleri Rastlantı Değişkenleri Olasılık Kütle Fonk. Example: A shipment of 8 similar microcomputers to a retail outlet contains 3 that are defective. If a school makes a random purchase of 2 of these computers,

Detaylı

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,

Detaylı

BİLİŞİM TEKNOLOJİLERİ İÇİN İŞLETME İSTATİSTİĞİ

BİLİŞİM TEKNOLOJİLERİ İÇİN İŞLETME İSTATİSTİĞİ SAKARYA ÜNİVERSİTESİ BİLİŞİM TEKNOLOJİLERİ İÇİN İŞLETME İSTATİSTİĞİ Hafta 7 Yrd. Doç. Dr. Halil İbrahim CEBECİ Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir. "Uzaktan

Detaylı

1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN. Ders No:5 Rassal Değişken Üretimi

1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN. Ders No:5 Rassal Değişken Üretimi 1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN Ders No:5 RASSAL DEĞIŞKEN ÜRETIMI Bu bölümde oldukça yaygın bir biçimde kullanılan sürekli ve kesikli dağılımlardan örneklem alma prosedürleri

Detaylı

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler 1 SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge

Detaylı

SÜREKSİZ(DISCRETE) OLASILIK DAĞILIMLARI

SÜREKSİZ(DISCRETE) OLASILIK DAĞILIMLARI SÜREKSİZ(DISCRETE) OLASILIK DAĞILIMLARI Yrd. Doç.Dr. İrfan Yolcubal Kocaeli Üni. Jeoloji Müh. Random Değişken: Nümerik olarak ifade edilen bir deneyin sonuçları Süreksiz(Discrete) Random Değişken: Randomdeğişken

Detaylı

RİSK ANALİZİ VE AKTÜERYAL MODELLEME MAYIS 2015

RİSK ANALİZİ VE AKTÜERYAL MODELLEME MAYIS 2015 RİSK ANALİZİ VE AKTÜERYAL MODELLEME MAYIS 2015 SORU 2: Motosiklet sigortası pazarlamak isteyen bir şirket, motosiklet kaza istatistiklerine bakarak, poliçe başına yılda ortalama 0,095 kaza olacağını tahmin

Detaylı

12. Hafta Ders Notları GENEL TEKRAR

12. Hafta Ders Notları GENEL TEKRAR 12. Hafta Ders Notları GENEL TEKRAR A Veri Türleri Anakütle bir bütünü temsil ederken; örneklem, bir bütünün sadece bir kısmını temsil etmektedir. Anakütledeki gözlem sayısı N ile temsil edilirken; örneklemdeki

Detaylı

0.04.03 Standart Hata İstatistikte hesaplanan her istatistik değerin mutlaka hatası da hesaplanmalıdır. Çünkü hesaplanan istatistikler, tahmini bir değer olduğu için mutlaka hataları da vardır. Standart

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ 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

Detaylı

DOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: STATISTICS. Dersin Kodu: STA 1302

DOKUZ 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

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT 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.

Detaylı

Temel İstatistik. Y.Doç.Dr. İbrahim Turan Mart Tanımlayıcı İstatistik. Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri

Temel İstatistik. Y.Doç.Dr. İbrahim Turan Mart Tanımlayıcı İstatistik. Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri Temel İstatistik Tanımlayıcı İstatistik Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri Y.Doç.Dr. İbrahim Turan Mart 2011 DAĞILIM / YAYGINLIK ÖLÇÜLERİ Verilerin değişkenlik durumu ve dağılışın şeklini

Detaylı

SÜREKLİ OLASILIK DAĞILIŞLARI

SÜREKLİ OLASILIK DAĞILIŞLARI SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla

Detaylı

Markov Zinciri Monte Carlo Yaklaşımı. Aktüeryal Uygulamaları

Markov Zinciri Monte Carlo Yaklaşımı. Aktüeryal Uygulamaları Markov Zinciri Monte Carlo Yaklaşımı ve Aktüeryal Uygulamaları ŞİRZAT ÇETİNKAYA Aktüer Sistem Araştırma Geliştirme Bölümü AKTÜERLER DERNEĞİ 2.0.20080 2008 - İSTANBUL Sunum Planı. Giriş 2. Bayesci Metodun

Detaylı

Rastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble.

Rastgele 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

Detaylı

Faaliyet Faaliyet zamanı dağılımı A U(5, 8) B U(6, 15) U(10,20) U(4,20) U(12,25) U(15,30)

Faaliyet Faaliyet zamanı dağılımı A U(5, 8) B U(6, 15) U(10,20) U(4,20) U(12,25) U(15,30) ENM 316 BENZETİM ÖDEV SETİ Ödev 1. Bir projede A, B, C, D, E ve F olmak üzere 6 faaliyet vardır. Projenin tamamlanması için bu faaliyetlerin sırası ile yapılması gerekmektedir. Her faaliyetin tamamlanması

Detaylı

9/22/2014 EME 3105 SİSTEM SİMÜLASYONU. Giriş. Tek Kanallı Kuyruk Sistemi. Kuyruk Sistemlerinin Simulasyonu. Simulasyon Örnekleri Ders 2

9/22/2014 EME 3105 SİSTEM SİMÜLASYONU. Giriş. Tek Kanallı Kuyruk Sistemi. Kuyruk Sistemlerinin Simulasyonu. Simulasyon Örnekleri Ders 2 EME 3105 SİSTEM SİMÜLASYONU Simulasyon Örnekleri Ders Giriş Bu derste bilgisayar yardımı olmaksızın çalıştırılabilen birkaç simulasyon örneği verilmiştir. Bu örnekler size sistem simulasyonu metodolojisini

Detaylı

İstatistik ve Olasılık

İstatistik 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

Detaylı

Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder.

Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder. Yayılma Ölçütleri Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder. Bir başka ifade ile, bir veri setinin,

Detaylı

BMÜ-421 Benzetim ve Modelleme Kesikli Olay Benzetimi. İlhan AYDIN

BMÜ-421 Benzetim ve Modelleme Kesikli Olay Benzetimi. İlhan AYDIN BMÜ-421 Benzetim ve Modelleme Kesikli Olay Benzetimi İlhan AYDIN KESİKLİ-OLAY BENZETİMİ Kesikli olay benzetimi, durum değişkenlerinin zaman içinde belirli noktalarda değiştiği sistemlerin modellenmesi

Detaylı

χ =1,61< χ χ =2,23< χ χ =42,9> χ χ =59,4> χ

χ =1,61< χ χ =2,23< χ χ =42,9> χ χ =59,4> χ SORU : Ortalaması, varyansı olan bir raslantı değişkeninin, k ile k arasında değer alması olasılığının en az 0,96 olmasını sağlayacak en küçük k değeri aşağıdakilerden hangisidir? A),5 B) C) 3,75 D) 5

Detaylı

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER Prof. Dr. Ali ŞEN 1 Tek Örneklem İşaret Testi İşaret Testi parametrik olmayan prosedürler içinde en eski olanıdır. Analiz yapılırken serideki verileri artı ve

Detaylı

BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler

BÖLÜM 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

Detaylı

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1

3. 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

Detaylı

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5

Hatalar 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

Detaylı

MATE211 BİYOİSTATİSTİK

MATE211 BİYOİSTATİSTİK MATE211 BİYOİSTATİSTİK ÇALIŞMA SORULARININ ÇÖZÜM VE CEVAPLARI Yapılan bir araştırmada, 136 erişkin kişinin kanlarındaki kolesterol düzeyleri gr/dl cinsinden aşağıda verilmiştir: 180 230 190 186 220 191

Detaylı

BÖLÜM 12 STUDENT T DAĞILIMI

BÖLÜM 12 STUDENT T DAĞILIMI 1 BÖLÜM 12 STUDENT T DAĞILIMI 'Student t dağılımı' ya da kısaca 't dağılımı'; normal dağılım ve Z dağılımının da içerisinde bulunduğu 'sürekli olasılık dağılımları' ailesinde yer alan dağılımlardan bir

Detaylı

İstanbul Aydın Üniversitesi İ.İ.B.F Öğretim Üyesi Sigorta Matematiği. İstanbul, 2013

İstanbul Aydın Üniversitesi İ.İ.B.F Öğretim Üyesi Sigorta Matematiği. İstanbul, 2013 i Yrd. Doç. Dr. Çiğdem ÖZARI İstanbul Aydın Üniversitesi İ.İ.B.F Öğretim Üyesi cigdemozari@aydin.edu.tr MSc. Elif ÇAKMAKOĞLU elifcakmakoglu@gmail.com Sigorta Matematiği İstanbul, 2013 ii Yayın No : 2953

Detaylı

MIT 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 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.

Detaylı

DERS 8 BELİRSİZ TALEP DURUMUNDA STOK KONTROL. Zamanlama Kararları. Bir Seferlik Karar

DERS 8 BELİRSİZ TALEP DURUMUNDA STOK KONTROL. Zamanlama Kararları. Bir Seferlik Karar Zamanlama Kararları DERS 8 BELİRSİZ TALEP DURUMUNDA STOK KONTROL Miktar kararları Ne zaman sipariş verilecek? kararıyla birlikte verilir. Bu karar, stok yönetimindeki ana kararlardan biridir. Ne zaman

Detaylı

SÜREKLİ( CONTINUOUS) OLASILIK

SÜREKLİ( CONTINUOUS) OLASILIK SÜREKLİ( CONTINUOUS) OLASILIK DAĞILIMLARI Sürekli bir random değişken (a,b) aralığındaki her değeri alabiliyorsa bu değişkene ait olasılık dağılım fonksiyonunun grafiğinde eğri altında kalan alan bize

Detaylı

Nicel / Nitel Verilerde Konum ve Değişim Ölçüleri. BBY606 Araştırma Yöntemleri 2013-2014 Bahar Dönemi 13 Mart 2014

Nicel / Nitel Verilerde Konum ve Değişim Ölçüleri. BBY606 Araştırma Yöntemleri 2013-2014 Bahar Dönemi 13 Mart 2014 Nicel / Nitel Verilerde Konum ve Değişim Ölçüleri BBY606 Araştırma Yöntemleri 2013-2014 Bahar Dönemi 13 Mart 2014 1 Konum ölçüleri Merkezi eğilim ölçüleri Verilerin ortalamaya göre olan gruplanması nasıl?

Detaylı

14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi

14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi ÇOK DEĞİŞKENLİ REGRESYON ANALİZİ: ÇIKARSAMA Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri

Detaylı

Öğrenim Kazanımları Bu programı başarı ile tamamlayan öğrenci;

Öğrenim Kazanımları Bu programı başarı ile tamamlayan öğrenci; Image not found http://bologna.konya.edu.tr/panel/images/pdflogo.png Ders Adı : SOSYAL BİLİMLERDE İSTATİSTİK Ders No : 000100 Teorik : Pratik : 0 Kredi : ECTS : Ders Bilgileri Ders Türü Öğretim Dili Öğretim

Detaylı

Veri Ağlarında Gecikme Modeli

Veri Ağlarında Gecikme Modeli Veri Ağlarında Gecikme Modeli Giriş Veri ağlarındaki en önemli performans ölçütlerinden biri paketlerin ortalama gecikmesidir. Ağdaki iletişim gecikmeleri 4 farklı gecikmeden kaynaklanır: 1. İşleme Gecikmesi:

Detaylı

İstatistiksel Yorumlama

İstatistiksel Yorumlama İstatistiksel Yorumlama Amaç, popülasyon hakkında yorumlamalar yapmaktadır. Populasyon Parametre Karar Vermek Örnek İstatistik Tahmin 1 Tahmin Olaylar hakkında tahminlerde bulunmak ve karar vermek zorundayız

Detaylı

KUYRUK TEORİSİ (BEKLEME HATTİ MODELLERİ) Hazırlayan: Özlem AYDIN

KUYRUK TEORİSİ (BEKLEME HATTİ MODELLERİ) Hazırlayan: Özlem AYDIN KUYRUK TEORİSİ (BEKLEME HATTİ MODELLERİ) Hazırlayan: Özlem AYDIN GİRİŞ Bir hizmet için beklemek günlük yaşantının bir parçasıdır. Örneğin, restoranlarda yemek yemek için bekleme, hastanelerdeki hasta kuyruğunda

Detaylı

MIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için

MIT Açık Ders Malzemeleri  Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için MIT Açık Ders Malzemeleri http://ocw.mit.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için http://ocw.mit.edu/terms veya http://www.acikders.org.tr adresini ziyaret

Detaylı

istatistik 4. Bir frekans dağılımına ilişkin birikimli seriler 1. Birimlerle ilgili aşağıdaki ifadelerden hangisi

istatistik 4. Bir frekans dağılımına ilişkin birikimli seriler 1. Birimlerle ilgili aşağıdaki ifadelerden hangisi 2010 S 4200- İstatistik sorulannın cevap l anmasında gerekli olabilecek t ablolar ve f ormüller bu kitapçığın sonunda verilmiştir. 1. Birimlerle ilgili aşağıdaki ifadelerden hangisi yanlıstır? ) Maddesel

Detaylı

İstatistiksel Kavramların Gözden Geçirilmesi

İstatistiksel Kavramların Gözden Geçirilmesi İstatistiksel Kavramların Gözden Geçirilmesi Anlamlı Basamaklar Konusu ve Olasılık Ekonometri 1 Konu 1 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial

Detaylı

MIT 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 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.

Detaylı

İstatistiksel Tahmin ÜNİTE. Amaçlar. İçindekiler. Yazar Doç.Dr. Ahmet ÖZMEN

İstatistiksel Tahmin ÜNİTE. Amaçlar. İçindekiler. Yazar Doç.Dr. Ahmet ÖZMEN İstatistiksel Tahmin Yazar Doç.Dr. Ahmet ÖZMEN ÜNİTE 7 Amaçlar Bu üniteyi çalıştıktan sonra; evren parametreleri hakkında yorum yapmayla ilgili iki yöntemden birisi olan evren parametrelerinin tahmin edilmesine

Detaylı

HİPOTEZ TESTLERİ ANADOLU ÜNİVERSİTESİ. Hipotez Testleri ENM317 Mühendislik İstatistiği Doç. Dr. Nihal ERGİNEL 2014

HİPOTEZ TESTLERİ ANADOLU ÜNİVERSİTESİ. Hipotez Testleri ENM317 Mühendislik İstatistiği Doç. Dr. Nihal ERGİNEL 2014 ANADOLU ÜNİVERSİTESİ Hipotez Testleri ENM317 Mühendislik İstatistiği Doç. Dr. Nihal ERGİNEL 2014 HİPOTEZ TESTLERİ Pek çok problemde bazı parametrelere bağlı bir ifadeyi kabul yada red etmek için karar

Detaylı

SİMULASYON MODELLEME VE ANALİZ. Giriş. Arena Ortamı. Simulasyon Dilleri HAFTA 2. Yrd.Doç.Dr.Beyazıt Ocaktan

SİMULASYON MODELLEME VE ANALİZ. Giriş. Arena Ortamı. Simulasyon Dilleri HAFTA 2. Yrd.Doç.Dr.Beyazıt Ocaktan SİMULASYON MODELLEME VE ANALİZ 1 2 Giriş Bu derste ARENA ortamında modelleme yeteneklerini genel olarak tanıtmak için basit bir model sunulacaktır. HAFTA 2 Yrd.Doç.Dr.Beyazıt Ocaktan Simulasyon Dilleri

Detaylı

Rastgele Değişkenler ve Olasılık

Rastgele Değişkenler ve Olasılık Rastgele Değişkenler ve Olasılık Yrd. Doç. Dr. Ümit Deniz Uluşar Doğum Günü Problemi Rastgele seçilen n kişiden en az iki tanesinin doğum günleri aynı olma olasılığı. n 367 ise %100 n 57 ise %99 n 23 ise

Detaylı

MIT 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 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.

Detaylı

ÖRNEKLEME TEORİSİ. Prof.Dr.A.KARACABEY Doç.Dr.F.GÖKGÖZ

ÖRNEKLEME TEORİSİ. Prof.Dr.A.KARACABEY Doç.Dr.F.GÖKGÖZ ÖRNEKLEME TEORİSİ 1 Bir popülasyonu istatistiksel açıdan incelemek ve işlemler yapabilmek için popülasyon içerisinden seçilen örneklemlerden yararlandığımızı söylemiştik. Peki popülasyonun istatistiksel

Detaylı

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007

RASGELE 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

15.433 YATIRIM. Ders 2: Menkul Kıymetler ve Wall Street de Rassal Yürüyüş. Bahar 2003

15.433 YATIRIM. Ders 2: Menkul Kıymetler ve Wall Street de Rassal Yürüyüş. Bahar 2003 15.433 YATIRIM Ders 2: Menkul Kıymetler ve Wall Street de Rassal Yürüyüş Bahar 2003 İçerik Olasılık Teorisi Olasılık dağılımlarının kısa bir gözden geçirmesi Rassal olayları normal olaylarla değerlendirmek

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık Ders 8: Prof. Dr. Tanım Hipotez, bir veya daha fazla anakütle hakkında ileri sürülen, ancak doğruluğu önceden bilinmeyen iddialardır. Ortaya atılan iddiaların, örnekten elde edilen

Detaylı

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI

ISTATISTIK 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,

Detaylı

İstatistik ve Olasılığa Giriş. İstatistik ve Olasılığa Giriş. Ders 3 Verileri Sayısal Ölçütlerle İfade Etme. Verileri Sayısal Ölçütlerle İfade Etme

İstatistik ve Olasılığa Giriş. İstatistik ve Olasılığa Giriş. Ders 3 Verileri Sayısal Ölçütlerle İfade Etme. Verileri Sayısal Ölçütlerle İfade Etme İstatistik ve Olasılığa Giriş Robert J. Beaver Barbara M. Beaver William Mendenhall Presentation designed and written by: Barbara M. Beaver İstatistik ve Olasılığa Giriş Ders 3 Verileri Sayısal Ölçütlerle

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT 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.

Detaylı