Rasgele Sayı Üretme. Rasgele Sayıların Özellikleri. İki önemli istaiksel özelliği var :

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Rasgele Sayı Üretme. Rasgele Sayıların Özellikleri. İki önemli istaiksel özelliği var :"

Transkript

1 Rasgele Sayı Üretme Rasgele Sayıların Özellikleri İki önemli istaiksel özelliği var : Düzgünlük (Uniformity) Bağımsızlık R i, rasgele sayısı olasılık yoğunluk fonksiyonu aşağıdaki gibi olan uniform bir dağılımdan bağımsız olarak seçilmelidir:, f ( x) 0, 0 x diğer durumlarda E( R) xdx 0 2 x Şekil: rasgele sayılar için pdf

2 Pseudo-Rasgele Sayıların Üretilmesi Pseudo (yalancı) olmasının nedeni: bilinen bir yöntem kullanılarak sayıların üretilmesi gerçek rasgelelik potansiyelini ortadan kaldıryor. Amaç: rasgele sayıların (RN) ideal özelliklerni taklit eden, [0,] aralığında bir sayı dizisi üretmek. RN rutinlerinde dikkat edilecek önemli hususlar: Hızlı Farklı bilgisayarlara taşınabilir Yeterince uzun çevrime sahip Yinelenebilir (aynı başlangıç koşulları verildiğinde) Düzgünlük ve bağımsızlık için gerekli ideal istatiksel özellikleri sağlama Rasgele Sayı Üretme Teknikleri Lineer Eşleşiklsel Yöntem - Linear Congruential Method (LCM). Birleştirilmiş Lineer Eşleşiklsel Üreteçler - Combined Linear Congruential Generators (CLCG). Rasgele-Sayı Dizileri - Random-Number Streams. 2

3 Linear Congruential Metodu 0 ve m- arasında, X, X 2, gibi bir tamsayı dizisi üretmek için kullanılacak rekürsif ilişki : X ( ax i + c) mod m, 0,,2,... i+ i Çarpan Artım Modül c, m, ve X 0 değerlerinin seçimi istatiksel özellikleri ve çevrim uzunluğunu önemli derecede etkiler. [0,m-] aralığında rasgele tamsayılar üretildikten sonra bunları rasgele sayılara dönüştürmek için: X i Ri, i,2,... m Örnek [LCM] X 0 27, a 7, c 43, ve m 00 değerlerini kullanacak olursak, X i ve R i değerleri: X (7*27+43) mod mod 00 2, R 0.02; X 2 (7*2+43) mod 00 77, R ; X 3 (7*77+43) mod 00 52, R ; 3

4 İyi Bir Üreteçin Karakteristik Özellikleri [LCM] Maksimum Yoğunluk R i, i,2, ile kabul edilen değerler [0,] aralığında büyük boşluklar bırakmamalı. Problem: Herbir R i değeri sürekli değil, ayrıktır. Çözüm: m için büyük bir tamsayı kullanılması Yuvalama çok az etki ediyor Maksimum Periyod Maksimum yoğunluğa ulaşmak ve uzun çevrim için gerekli. a, c, m, ve X 0 değerlerinin uygun seçilmesi ile mümkün Bilgisayarlar sayıların binary karşılığını kullanır m, modül değerinin 2 nin kuvveti olması hız ve etkinlik için önemlidir. Maksimum Periyod m2 b ve c 0 iken mümkün olan en uzun periyod: Pm2 b dir. En uzun periyoda m ile c birbirine göre asal iken erişilebilir (ebob(m,c) ) m2 b ve c0 iken mümkün olan en uzun periyod: Pm/4 2 b-2 dir. En uzun periyoda X 0 (seed) tek olmak üzere a 3+8k veya a5+8k (k0,,..) şeklinde seçildiğinde erişilebilir. m asal bir sayı ve c0 iken mümkün olan en uzun periyod: Pm- dir. En uzun periyoda a k - değerinin m ile bölünebildiği en küçük k değeri km- iken erişilebilir. 4

5 Maksimum Periyod a3, m6426, c0 iken X 0 (seed),2,3,4 seçilirse maksimum periyod Pm/46 olacaktır ve ancak X 0 (seed) veya 3 iken yani tek iken elde edilebilir. Birleştirilmiş Lineer Congruential Üreteçler Neden: Simülasyon sistemlerinin karmaşıklığı arttıkça daha uzun periyodlara ihtiyaç duyulmuş, tek üreteç yetersiz kalmıştır. Yaklaşım: İki veya daha fazla çarpımsal eşleşiklsel (congruential) üreteçin birleştirilmesi. X i,, X i,2,, X i,k, k adet farklı eşleşiklsel (congruential) üreteçlerin i. çıktıları olsun. j. üreteç: m j asal modülüne, a j çarpanına sahip ve periyodu m j - ise üreteceği X i,j tamsayıları [, m j -] aralığında yakalşık üniformdur. W i,j X i,j - ise [0, m j -2] aralığındaki tamsayılar için yakalşık üniformdur. 5

6 Birleştirilmiş Lineer Congruential Üreteçler L Ecuyer tarafından buna dayanarak k adet birleştirilmiş üreteç için önerilen form: k j X i X ( ) i X i, j mod m, X i 0 j m Ri m, X i 0 m ( X Bu katsayı W i, X i, - çıkarma işlemini sağlar k2 için k 2 0 j i, ) + ( X i,2 ) ( ) ( X i, ) + ( ) ( X i,2 ) ( ) j Mümkün olan maksimum periyod: P ( m )( m )...( 2 2 k m k ) X i, j Birleştirilmiş Lineer Congruential Üreteçler] 32-bit bilgisayarlar için, L Ecuyer [988] k 2 adet üretecin m 2,47,483,563, a 40,04 ve m 2 2,47,483,399 a 2 20,692 olmak üzere birleştirilmesini önerir. Algoritma şu şekildedir: Adım : Kökler seçilir:. üreteç için X,0 [, 2,47,483,562] kademesinde 2. üreteç için X 2,0 [, 2,47,483,398] kademesinde. Adım 2: Herbir üreteç için, X,j+ 40,04 X,j mod 2,47,483,563 X 2,j+ 40,692 X,j mod 2,47,483,399. Adım 3: X j+ (X,j+ - X 2,j+ ) mod 2,47,483,562 (m -). Adım 4: X j+, X j+ > 0 R + 2,47,483,563 j 2,47,483,562, X j+ 0 2,47,483,563 Adım 5: j j+, 2. adıma geri dön. Bu birleştirilmiş üretecin periyou: (m )(m 2 )/2 ~ 2 x 0 8 6

7 Rasgele-Sayı Dizileri Lineer eşleşiklsel bir üreteç için kök (seed) değer: Rasgele sayı dizisini başlatan bir tamsayıdır. Bu dizideki herhangi bir değer üreteç için seed olarak kullanılabilir. Rasgele sayı dizisi: X 0, X,, X P. diziisinden alınmış bir başlangıç değerine (seed) işaret eder. Başlangıç değerleri dizinin bütünü içinde birbirinden uzakta seçilir. Eğer diziler b değer uzaklıkta ise i. dizi başlangıç değeri ile tanımlanır: S i X b ( i ) Eski üreteçlerde: b 0 5 civarında iken, yenilerde: b 0 37 gibi büyük değerler kullanılıyor. k alt diziden oluşan tek bir rasgele sayı üreteci k farklı sanal rasgele sayı üreteci gibi kullanılabilir. Rasgele-SayıTestleri İki kategoride topanır: Uniformluk Testi: H 0 : R i ~ U[0,] H : R i ~ U[0,] / H 0 hipotezi sayıların [0,] aralığında rasgele dağıldığını söyler, hipotezin aksinin gösterilememesi uniformluğun olmadığının tesbit edilemediğini söyler. Bağımsızlık Testi: H 0 : R i ~ bağımsız H : R i ~ / bağımsız H 0 hipotezi sayıların bağımsız olduğunu söyler, hipotezin aksinin gösterilememesi bağımlılık tesbit edilemediğini söyler. Önem derecesi α, H 0 doğru iken reddetme olasılığıdır: α P(red H 0 H 0 doğru) 7

8 Rasgele-SayıTestleri Ne zaman kullanılmalı: Bilinen simülasyon dilleri veya rasgele sayı üreteçleri kullanılıyorsa test etmek gerekli olmayabilir, Eğer üreteç özellikle bilinmiyo veya dökümante edilmemiş ise (tablolama programları, nümerik-sembolik hesaplayıcılar gibi) pek çok örnek sayı için testler uygulanmalıdır. Test Tipleri: Teorik testler: Gerçek sayları üretmeden m, a, ve c gibi parametre seçimlerini inceler. Ampirik (deneysel) testler: Üretilen gerçek sayı dizilerine uygulanır. Rasgele-SayıTestleri Frekans Testleri Uniforlmluk ile ilgili Kolmogorov-Smirnov testi Chi-square testi Otokorolasyon Testleri Bağımsızlık ile ilgili 8

9 Kolmogorov-Smirnov Testi [Frekans Testleri] Uniform dağılımın sürekli kümülatif dağılım fonksiyonu, F(x) ile N adet örnek gözlem için deneysel kümülatif dağılım fonksiyonu S N (x) karşılaştırılır. Uniform dağılım için: F( x) x, 0 x Rasgele sayı üretecinden alınan örnekler R, R 2,, R N, ise deneysel cdf, S N (x): S R, R,..., Rn, x olan örnek sayısı x) N 2 N ( Kolmogorov-Smirnov testi F(x) ile S N (x) arasındaki en büyük mutlak sapma ile ilgilenir: D max F(x) - S N (x) D nin dağılımı N in fonksiyonu olarak tablolanmıştır 9

10 Kolmogorov-Smirnov Testinin Uygulanışı Örnek: N5 adet üretilmiş sayının 0.44, 0.8, 0.4, 0.05, 0.93 olduğu verilmiş Adım: Adım 2: R (i) i/n i/n R (i) R (i) (i-)/n Adım 3: D max(d +, D - ) 0.26 Adım 4: İstenilen önem derecesi α 0.05 ise, tablodan D α > D R (i) küçükten büyüğe sıralanır D + max {i/n R (i) } D - max {R (i) -(i-)/n} Bu durumda, H 0 hipotezi doğru (ret edilmedi). Otokorolasyon Testleri i. sayıdan itibaren her m. sayı arasındaki otokorolasyona bakılır. m gecikme (lag) olarak adlandırılır. R i, R i+m, R i+2m, R i+(m+)m sayıları arasındaki otokorolasyon ρ im M, Hipotez: i + (M + )m H H 0 : N : ρ 0, im ρ 0, im olmak üzere en büyük tamsayıdır. sayılar bağımsız ise sayılar bağımlı ise Eğer değerler karşılıklı ilişkisiz ise: M in büyük değerleri için, ρ im in dağılımı ( dağılımdır. ρˆim ) yaklaşık normal 0

11 Otokorolasyon Testleri ˆ ρ Teste ait istatistik: im Z0 ˆ σ ˆ ρ im Z 0 0 ortalama ve varyans ile normal dağılıma sahiptir ve : ρˆ σˆ im ρ im M Ri M + k 0 3M + 7 2(M + ) + km Eğer - z α/2 Z 0 z α/2 ise dizi (seçilen sayılar) ilişkili değildir. (α önem derecesidir z α/2, kümülatif normal dağılım tablosundan bulunabilir) Eğer ρ im > 0 ise, seçilen dizi pozitif otokorolasyona sahip Büyük rasgele sayıları yine büyük sayılar takip etme eğiliminde, vs. Eğer ρ im < 0 ise, seçilen dizi negatif otokorolasyona sahip Küçük rasgele sayıları büyük sayılar takip etme eğiliminde, vs. R i+ (k + )m Örnek Aşaağıda verilen sayı dizisi için, dizideki 3.,8.,3.,... sayıların ilişkili olup olmadığını α 0.05 önem derecesi için test ediniz

12 Örnek Verilenlere göre α 0.05, i 3, m 5, N 30, ve M 4 ρˆ σˆ 35 ρ35 (0.23)(0.28) + (0.25)(0.33) + (0.33)(0.27) (0.28)(0.05) (0.05)(0.36) (4) ( 4 + ) Z Aşağıdaki gibi bir kümilatif normal dağılım tablosundan yararlanılırsa z olduğu ve - z α/2 Z 0 z α/2 koşulu sağlandığı için bağımsızlık hipotezinin reddedilmediği görülür. 2

13 Yukarıda verilen tablo kümülatif normal dağılım eğrisi altında kalan alanları (olasılıkları) temsil ediyor. Daha fazla bilgi için: n3/eda3672.htm ÖNEMLİ NOT Ödev vermekten vazgeçtim yukarıdaki örneği inceleyin lütfen. Kendi projenizde kendi yazacağınız bir rasgele sayı üreteci kullanmayı düşünmeniz iyi olur (girdilerinizin hangi değerleri alabileceği bellidir ama olası değerlerden hangisini seçeceğinize üretilen rasgele sayı karar versin). Eğer tarif edilen üreteçlerden birini yazıp kullanıyorsanız otokorolasyon testi gerekmeyebilir ama üreteci kendiniz yazmamanız durumunda otokorolasyon testini uygulayın. 3

RASTGELE SAYI ÜRETİMİ VE UYGULANAN TESTLER HAZIRLAYAN: ÖZLEM AYDIN

RASTGELE SAYI ÜRETİMİ VE UYGULANAN TESTLER HAZIRLAYAN: ÖZLEM AYDIN RASTGELE SAYI ÜRETİMİ VE UYGULANAN TESTLER HAZIRLAYAN: ÖZLEM AYDIN RASTGELE SAYILARIN ÜRETİLMESİ Rastgele değişimler yapay tablolardan veya parametreleri verilen teorik dağılım fonksiyonlarından elde edilir.

Detaylı

Rasgele Sayılar (Random Numbers) NUPAMC-2012 Bitlis

Rasgele Sayılar (Random Numbers) NUPAMC-2012 Bitlis Rasgele Sayılar (Random Numbers) NUPAMC-2012 Bitlis Gültekin YEĞİN Fizik Bölümü Celal Bayar Üniversitesi Manisa 10 Mayıs 2012 Doç.Dr.Gultekin Yeğin (C.B.Ü. Fizik) Rasgele Sayılar (Random Numbers) NUPAMC-2012

Detaylı

RASSAL SAYI ve RASSAL DEĞİŞ ĞİŞKEN. dd Her Ui nin beklenen değeri; Benzetimde rassallık k varsa, bir veya birden fazla dağı

RASSAL SAYI ve RASSAL DEĞİŞ ĞİŞKEN. dd Her Ui nin beklenen değeri; Benzetimde rassallık k varsa, bir veya birden fazla dağı RASSAL SAYI ve RASSAL DEĞİŞ ĞİŞKEN ÜRETİMİ Benzetimde rassallık k varsa, bir veya birden fazla ğılımdan rassal değişken üretimi yapılacakt lacaktır. Bu ğılımlar, gözlemden g elde edilen veriye giydirilmiş

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

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

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

Kuyruk Sistemlerinin Simülasyonu

Kuyruk Sistemlerinin Simülasyonu Kuyruk Sistemlerinin Simülasyonu Kuyruk sistemlerinin simülasyonu sonraki adımda ne olacağını belirlemek üzere bir olay listesinin tutulmasını ve bakımını gerektirir. Simülasyonda olaylar genellikle gerçek

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

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

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

Gezgin Satıcı Probleminin İkili Kodlanmış Genetik Algoritmalarla Çözümünde Yeni Bir Yaklaşım. Mehmet Ali Aytekin Tahir Emre Kalaycı

Gezgin Satıcı Probleminin İkili Kodlanmış Genetik Algoritmalarla Çözümünde Yeni Bir Yaklaşım. Mehmet Ali Aytekin Tahir Emre Kalaycı Gezgin Satıcı Probleminin İkili Kodlanmış Genetik Algoritmalarla Çözümünde Yeni Bir Yaklaşım Mehmet Ali Aytekin Tahir Emre Kalaycı Gündem Gezgin Satıcı Problemi GSP'yi Çözen Algoritmalar Genetik Algoritmalar

Detaylı

YAPI İŞLETMESİ VE ŞANTİYE TEKNİĞİ 11 MONTE CARLO SİMÜLASYONU İLE İNŞAAT PROJELERİNDE SÜRE PLANLAMASI

YAPI İŞLETMESİ VE ŞANTİYE TEKNİĞİ 11 MONTE CARLO SİMÜLASYONU İLE İNŞAAT PROJELERİNDE SÜRE PLANLAMASI MONTE CARLO SİMÜLASYONU İLE İNŞAAT PROJELERİNDE SÜRE PLANLAMASI Simülasyon gerçek yaşamı taklit etme sürecidir. Simülasyon Çeşitleri Fiziksel simülasyon Bilgisayarlı simülasyon Bilgisayarlı simülasyon

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

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5

Detaylı

BÖLÜM 13 HİPOTEZ TESTİ

BÖLÜM 13 HİPOTEZ TESTİ 1 BÖLÜM 13 HİPOTEZ TESTİ Bilimsel yöntem aşamalarıyla tanımlanmış sistematik bir bilgi üretme biçimidir. Bilimsel yöntemin aşamaları aşağıdaki gibi sıralanabilmektedir (Karasar, 2012): 1. Bir problemin

Detaylı

İKİ EŞ ARASINDAKİ FARKIN ÖNEMLİLİK TESTİ. Biyoistatistik (Ders 5: Bağımlı Gruplarda İki Örneklem Testleri) İKİ ÖRNEKLEM TESTLERİ

İKİ EŞ ARASINDAKİ FARKIN ÖNEMLİLİK TESTİ. Biyoistatistik (Ders 5: Bağımlı Gruplarda İki Örneklem Testleri) İKİ ÖRNEKLEM TESTLERİ İKİ ÖRNEKLEM TESTLERİ BAĞIMLI GRUPLARDA İKİ ÖRNEKLEM TESTLERİ Yrd. Doç. Dr. Ünal ERKORKMAZ Sakarya Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı uerkorkmaz@sakarya.edu.tr İKİ ÖRNEKLEM TESTLERİ

Detaylı

Dr. Fatih AY Tel: 0 388 225 22 55 fatihay@fatihay.net www.fatihay.net

Dr. Fatih AY Tel: 0 388 225 22 55 fatihay@fatihay.net www.fatihay.net Bilgisayar Programlama Ders 6 Dr. Fatih AY Tel: 0 388 225 22 55 fatihay@fatihay.net www.fatihay.net Fonksiyon Prototipleri Fonksiyon Prototipleri Derleyici, fonksiyonların ilk hallerini (prototiplerini)

Detaylı

Zeki Optimizasyon Teknikleri

Zeki Optimizasyon Teknikleri Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:

Detaylı

İNÖNÜ ÜNİVERSİTESİ MÜH. FAK. BİLGİSAYAR MÜH. BÖL. ALGORİTMA VE PROGRAMLAMA 1 DERSİ LAB. ÖDEVİ

İNÖNÜ ÜNİVERSİTESİ MÜH. FAK. BİLGİSAYAR MÜH. BÖL. ALGORİTMA VE PROGRAMLAMA 1 DERSİ LAB. ÖDEVİ İNÖNÜ ÜNİVERSİTESİ MÜH. FAK. BİLGİSAYAR MÜH. BÖL. ALGORİTMA VE PROGRAMLAMA 1 DERSİ LAB. ÖDEVİ AD SOYAD : TESLİM TARİHİ : OKUL NO : TESLİM SÜRESİ : 2 hafta Ödev No : 7 ****(ilk 3 soru çıktı üzerinde el

Detaylı

1106104 SİSTEM SİMÜLASYONU

1106104 SİSTEM SİMÜLASYONU 6 SİSTEM SİMÜLASYONU Yrd Doç. Dr. Sırma Yavuz Çarşamba : - : (F-9) Ofis: B Blok - Kat Donanım Lab. Ofis Saatleri : Çarşamba 6: - 7: İçerik Simülasyon Modeli Yaklaşımları Kuyruk Sistemlerinin Simülasyonu

Detaylı

6.046J/18.401J DERS 7 Kıyım Fonksiyonu (Hashing I) Prof. Charles E. Leiserson

6.046J/18.401J DERS 7 Kıyım Fonksiyonu (Hashing I) Prof. Charles E. Leiserson Algoritmalara Giriş 6.046J/8.40J DERS 7 Kıyım Fonksiyonu (Hashing I) Doğrudan erişim tabloları Çarpışmaları ilmekleme ile çözmek Kıyım fonksiyonu seçimi Açık adresleme Prof. Charles E. Leiserson October

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

K-S Testi hipotezde ileri sürülen dağılımla örnek yığılmalı dağılım fonksiyonunun karşılaştırılması ile yapılır.

K-S Testi hipotezde ileri sürülen dağılımla örnek yığılmalı dağılım fonksiyonunun karşılaştırılması ile yapılır. İstatistiksel güven aralıkları uygulamalarında normallik (normal dağılıma uygunluk) oldukça önemlidir. Kullanılan parametrik istatistiksel tekniklerin geçerli olabilmesi için populasyon şans değişkeninin

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

VERİ KÜMELERİNİ BETİMLEME

VERİ KÜMELERİNİ BETİMLEME BETİMLEYİCİ İSTATİSTİK VERİ KÜMELERİNİ BETİMLEME Bir amaç için derlenen verilerin tamamının olduğu, veri kümesindeki birimlerin sayısal değerlerinden faydalanarak açık ve net bir şekilde ilgilenilen özellik

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

TANIMLAYICI İSTATİSTİKLER

TANIMLAYICI İSTATİSTİKLER TANIMLAYICI İSTATİSTİKLER Tanımlayıcı İstatistikler ve Grafikle Gösterim Grafik ve bir ölçüde tablolar değişkenlerin görsel bir özetini verirler. İdeal olarak burada değişkenlerin merkezi (ortalama) değerlerinin

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

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

Herhangi bir oranın belli bir değere eşit olmadığını test etmek için kullanılır.

Herhangi bir oranın belli bir değere eşit olmadığını test etmek için kullanılır. Hipotez testleri-oran testi Oran Testi Herhangi bir oranın belli bir değere eşit olmadığını test etmek için kullanılır Örnek: Yüz defa atılan bir para 34 defa yazı gelmiştir Paranın yazı gelme olasılığının

Detaylı

Ki- Kare Testi ANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL

Ki- Kare Testi ANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL ANADOLU ÜNİVERSİTESİ ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL İYİ UYUM TESTİ Rassal değişkenin olasılık yoğunluk fonksiyonunun ve parametresinin bilinmediği, ancak belirli

Detaylı

Kalitatif Veri. 1. Kalitatif random değişkenler sınıflanabilen yanıtlar vermektedir. Örnek: cinsiyet (Erkek, Kız)

Kalitatif Veri. 1. Kalitatif random değişkenler sınıflanabilen yanıtlar vermektedir. Örnek: cinsiyet (Erkek, Kız) Kalitatif Veri 1. Kalitatif random değişkenler sınıflanabilen yanıtlar vermektedir. Örnek: cinsiyet (Erkek, Kız). Ölçüm kategorideki veri sayısını yansıtır 3. Nominal yada Ordinal ölçek Multinomial Deneyler

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 5- SONLU FARKLAR VE İNTERPOLASYON TEKNİKLERİ Doç. Dr. Ali Rıza YILDIZ MAK 210 - Sayısal Analiz 1 İNTERPOLASYON Tablo halinde verilen hassas sayısal değerler veya ayrık noktalardan

Detaylı

ÖZEL EGE LİSESİ FİBONACCİ DİZİLERİ YARDIMIYLA DEĞERİNİ HESAPLAYAN BİR FORMÜL

ÖZEL EGE LİSESİ FİBONACCİ DİZİLERİ YARDIMIYLA DEĞERİNİ HESAPLAYAN BİR FORMÜL ÖZEL EGE LİSESİ FİBONACCİ DİZİLERİ YARDIMIYLA DEĞERİNİ HESAPLAYAN BİR FORMÜL HAZIRLAYAN ÖĞRENCİ: Tilbe GÖKÇEL DANIŞMAN ÖĞRETMEN: Emel ERGÖNÜL İZMİR 2013 İÇİNDEKİLER 1. PROJENİN AMACI... 3 2. GİRİŞ... 3

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

KARAKTER DİZGİLERİ, BAĞINTILAR, FONKSİYONLAR KESİKLİ MATEMATİKSEL YAPILAR

KARAKTER DİZGİLERİ, BAĞINTILAR, FONKSİYONLAR KESİKLİ MATEMATİKSEL YAPILAR KARAKTER DİZGİLERİ, BAĞINTILAR, FONKSİYONLAR KESİKLİ MATEMATİKSEL YAPILAR 2012-2013 Karakter Dizgisi Karakter Dizgisi Üzerine İşlemler Altdizgi Tanım 3.1.1: Bir X kümesi üzerinde bir karakter dizgisi (string)

Detaylı

EBOB - EKOK EBOB VE EKOK UN BULUNMASI. 2. Yol: En Büyük Ortak Bölen (Ebob) En Küçük Ortak Kat (Ekok) www.unkapani.com.tr. 1. Yol:

EBOB - EKOK EBOB VE EKOK UN BULUNMASI. 2. Yol: En Büyük Ortak Bölen (Ebob) En Küçük Ortak Kat (Ekok) www.unkapani.com.tr. 1. Yol: EBOB - EKOK En Büyük Ortak Bölen (Ebob) İki veya daha fazla pozitif tamsayıyı aynı anda bölen pozitif tamsayıların en büyüğüne bu sayıların en büyük ortak böleni denir ve kısaca Ebob ile gösterilir. Örneğin,

Detaylı

DOĞUŞ ÜNİVERSİTESİ 8. İSTANBUL MATEMATİK YARIŞMASI LİSELER KATEGORİSİ TAKIM YARIŞMASI

DOĞUŞ ÜNİVERSİTESİ 8. İSTANBUL MATEMATİK YARIŞMASI LİSELER KATEGORİSİ TAKIM YARIŞMASI DOĞUŞ ÜNİVERSİTESİ 8. İSTANBUL MATEMATİK YARIŞMASI LİSELER KATEGORİSİ TAKIM YARIŞMASI 1-60) Dört çocuk, Ahmet, Ferit, Berk ve Mehmet koşu yarışı yapıyorlar. Yarışma sonucunda, Ahmet, "Ben birinci ve sonuncu

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

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

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

Örnek...3 : Aşağıdaki ifadelerden hangileri bir dizinin genel terim i olabilir?

Örnek...3 : Aşağıdaki ifadelerden hangileri bir dizinin genel terim i olabilir? DİZİLER Tanım kümesi pozitif tam sayılar kümesi olan her fonksiyona dizi denir. Örneğin f : Z + R, f (n )=n 2 ifadesi bir dizi belirtir. Diziler, değer kümelerine göre adlandırı - lırlar. Dizinin değer

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

İÇİNDEKİLER İÇİNDEKİLER KODLAB

İÇİNDEKİLER İÇİNDEKİLER KODLAB İÇİNDEKİLER IX İÇİNDEKİLER 1 GİRİŞ 1 Kitabın Amacı 1 Algoritmanın Önemi 2 Bilgisayarın Doğuşu ve Kullanım Amaçları 3 Programlama Dili Nedir? 3 Entegre Geliştirme Ortamı (IDE) Nedir? 4 2 ALGORİTMA VE AKIŞ

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

SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) İÇİN MODELLEME VE BENZETİM. Dr. Murat Günal

SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) İÇİN MODELLEME VE BENZETİM. Dr. Murat Günal 1 SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) İÇİN MODELLEME VE BENZETİM Dr. Murat Günal SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) Sekröte sunulacak Yeni Ürün (veya Teknoloji) Mevcut ve gelecekteki demografik durum

Detaylı

olsun. Bu halde g g1 g1 g e ve g g2 g2 g e eşitlikleri olur. b G için a b b a değişme özelliği sağlanıyorsa

olsun. Bu halde g g1 g1 g e ve g g2 g2 g e eşitlikleri olur. b G için a b b a değişme özelliği sağlanıyorsa 1.GRUPLAR Tanım 1.1. G boş olmayan bir küme ve, G de bir ikili işlem olsun. (G, ) cebirsel yapısına aşağıdaki aksiyomları sağlıyorsa bir grup denir. 1), G de bir ikili işlemdir. 2) a, b, c G için a( bc)

Detaylı

Yrd. Doç. Dr. Neşet Demirci, Balıkesir Üniversitesi NEF Fizik Eğitimi. Parametrik Olmayan Testler. Ki-kare (Chi-Square) Testi

Yrd. Doç. Dr. Neşet Demirci, Balıkesir Üniversitesi NEF Fizik Eğitimi. Parametrik Olmayan Testler. Ki-kare (Chi-Square) Testi Parametrik Olmayan Testler Ki-kare (Chi-Square) Testi Ki-kare (Chi-Square) Testi En iyi Uygunluk (Goodness of Fit) Ki-kare Dağılımı Bir çok önemli istatistik testi ki kare diye bilinen ihtimal dağılımı

Detaylı

BÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3

BÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3 KİTABIN İÇİNDEKİLER BÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3 BÖLÜM-2.BİLİMSEL ARAŞTIRMA Belgesel Araştırmalar...7 Görgül Araştırmalar Tarama Tipi Araştırma...8

Detaylı

Mustafa Özdemir İrtibat İçin : veya Altın Nokta Yayınevi

Mustafa Özdemir İrtibat İçin : veya Altın Nokta Yayınevi 2 Matematik Olimpiyatlarına Hazırlık 4 Mustafa Özdemir MATEMATİK OLİMPİYATLARINA HAZIRLIK 4 (336 sayfa) ANALİZ CEBİR 1 TANITIM DÖKÜMANI (Kitabın içeriği hakkında bir bilgi verilmesi amacıyla bu döküman

Detaylı

a.c = 48 3a + 2b c = 37 ise, a nın alacağı en küçük değer kaçtır?

a.c = 48 3a + 2b c = 37 ise, a nın alacağı en küçük değer kaçtır? . a,b,c birbirinden farklı tamsayılar ve a sıfırdan. a, b, c R olmak üzere farklı olmak üzere, a.b = 0 c

Detaylı

A GRUBU Noktaları adlandırılmış K 6 tam çizgesinin tam olarak 3 noktalı kaç tane alt çizgesi vardır? A) 9 B) 20 C) 24 D) 60 E) 160

A GRUBU Noktaları adlandırılmış K 6 tam çizgesinin tam olarak 3 noktalı kaç tane alt çizgesi vardır? A) 9 B) 20 C) 24 D) 60 E) 160 A GRUBU.. Numarası :............................................. Adı Soyadı :............................................. SINAV YÖNERGESİ İşaretlemelerinizde kurşun kalem kullanınız. Soru ve cevap kağıtlarına

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

Veriye Dayalı Karar Verme (Bölüm 2) Can Akkan

Veriye Dayalı Karar Verme (Bölüm 2) Can Akkan Veriye Dayalı Karar Verme (Bölüm 2) Can Akkan 1 Ders Planı 1. Karar Problemleri i. Karar problemlerinin bileşenleri ii. Değerler, amaçlar, bağlam iii. Etki diagramları 2. Model Girdilerinde Belirsizlik

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

TOZ METALURJİSİ Prof.Dr.Muzaffer ZEREN

TOZ METALURJİSİ Prof.Dr.Muzaffer ZEREN . TEKNİK SEÇİMLİ DERS I TOZ METALURJİSİ Prof.Dr.Muzaffer ZEREN TOZ KARAKTERİZASYONU TOZ KARAKTERİZASYONU Tüm toz prosesleme işlemlerinde başlangıç malzemesi toz olup bundan dolayı prosesin doğasını anlamak

Detaylı

ZAMAN SERİLERİNDE REGRESYON ANALİZİ

ZAMAN SERİLERİNDE REGRESYON ANALİZİ ZAMAN SERİLERİNDE REGRESYON ANALİZİ 1 1. GİRİŞ Trent, serinin genelinde yukarıya ya da aşağıya doğru olan hareketlere denmektedir. Bu hareket bazen düz bir doğru şeklinde olmaktadır. Bu tür harekete sahip

Detaylı

IE 303 SİSTEM BENZETİMİ

IE 303 SİSTEM BENZETİMİ IE 303 SİSTEM BENZETİMİ DERS 2 : S I M U L A S Y O N Ö R N E K L E R I...making simulations of what you're going to build is tremendously useful if you can get feedback from them that will tell you where

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

1.GRUPLAR. c (Birleşme özelliği) sağlanır. 2) a G için a e e a a olacak şekilde e G. vardır. 3) a G için denir) vardır.

1.GRUPLAR. c (Birleşme özelliği) sağlanır. 2) a G için a e e a a olacak şekilde e G. vardır. 3) a G için denir) vardır. 1.GRUPLAR Tanım 1.1. G boş olmayan bir küme ve, G de bir ikili işlem olsun. (G, ) cebirsel yapısına aşağıdaki aksiyomları sağlıyorsa bir grup denir. 1) a, b, c G için a ( b c) ( a b) c (Birleşme özelliği)

Detaylı

1. ÇÖZÜM YOLU: (15) 8 = = 13 13:2 = :2 = :2 = 1.2+1

1. ÇÖZÜM YOLU: (15) 8 = = 13 13:2 = :2 = :2 = 1.2+1 . ÇÖZÜM YOLU: (5) 8 =.8+5 = 3 3:2 = 6.2+ 6:2 = 3.2+0 3:2 =.2+ En son bölümden başlayarak kalanları sıralarız. (5) 8 = (0) 2 2. ÇÖZÜM YOLU: 8 sayı tabanında verilen sayının her basamağını, 2 sayı tabanında

Detaylı

8.Konu Vektör uzayları, Alt Uzaylar

8.Konu Vektör uzayları, Alt Uzaylar 8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye

Detaylı

Excel Formüller ve Fonksiyonlar. Yusuf MANSUROĞLU Mühendislik Hizmetleri Müdür Yardımcısı 11.02.2015

Excel Formüller ve Fonksiyonlar. Yusuf MANSUROĞLU Mühendislik Hizmetleri Müdür Yardımcısı 11.02.2015 Excel Formüller ve Fonksiyonlar Yusuf MANSUROĞLU Mühendislik Hizmetleri Müdür Yardımcısı 11.02.2015 Excel de Yapabileceklerimiz Temel aritmetik işlemler (4 işlem) Mantıksal karşılaştırma işlemleri (>,>=,

Detaylı

HPFBU. MADX III (Methodical Accelerator Design) Yöntemli Hızlandırıcı Tasarımı Programı

HPFBU. MADX III (Methodical Accelerator Design) Yöntemli Hızlandırıcı Tasarımı Programı MADX III (Methodical Accelerator Design) Yöntemli Hızlandırıcı Tasarımı Programı Dr. Öznur METE University of Manchester The Cockcro: Ins

Detaylı

İÇİNDEKİLER ÖNSÖZ Bölüm 1 KÜMELER Bölüm 2 SAYILAR

İÇİNDEKİLER ÖNSÖZ Bölüm 1 KÜMELER Bölüm 2 SAYILAR İÇİNDEKİLER ÖNSÖZ III Bölüm 1 KÜMELER 11 1.1. Küme 12 1.2. Kümelerin Gösterimi 13 1.3. Boş Küme 13 1.4. Denk Küme 13 1.5. Eşit Kümeler 13 1.6. Alt Küme 13 1.7. Alt Küme Sayısı 14 1.8. Öz Alt Küme 16 1.9.

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

p sayısının pozitif bölenlerinin sayısı 14 olacak şekilde kaç p asal sayısı bulunur?

p sayısının pozitif bölenlerinin sayısı 14 olacak şekilde kaç p asal sayısı bulunur? 07.10.2006 1. Kaç p asal sayısı için, x 3 x + 2 (x r) 2 (x s) (mod p) denkliğinin tüm x tam sayıları tarafından gerçeklenmesini sağlayan r, s tamsayıları bulunabilir? 2. Aşağıdaki ifadelerin hangisinin

Detaylı

İstatistik Nedir? İstatistiğin Önemi Nedir? Tanımlayıcı ve Çıkarımcı İstatistik ttitik Tanımlayıcı İstatistik Türleri Çıkarımcı İstatistiğin i iği

İstatistik Nedir? İstatistiğin Önemi Nedir? Tanımlayıcı ve Çıkarımcı İstatistik ttitik Tanımlayıcı İstatistik Türleri Çıkarımcı İstatistiğin i iği İSTATİSTİK E GİRİŞ TEMEL KAVRAMLAR İstatistik Nedir? İstatistiğin Önemi Nedir? Tanımlayıcı ve Çıkarımcı İstatistik ttitik Tanımlayıcı İstatistik Türleri Çıkarımcı İstatistiğin i iği Elemanlarıl AMAÇ İstatistiğe

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

LOGİSTİC DAĞILIM VE RANDOM SAYI ÜRETİMİ

LOGİSTİC DAĞILIM VE RANDOM SAYI ÜRETİMİ C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 3, Sayı, 9 LOGİSTİC DAĞILIM VE RANDOM SAYI ÜRETİMİ Yalçın KARAGÖZ Cumhuriyet Üniversitesi, İ.İ.B.F. İşletme Bölümü Özet Bu çalışmada logistic dağılım hakkında

Detaylı

Türkiye Ulusal Matematik Olimpiyatları DENEME SINAVI. 4. Deneme

Türkiye Ulusal Matematik Olimpiyatları DENEME SINAVI. 4. Deneme Türkiye Ulusal Matematik Olimpiyatları Birinci Aşama Zor Deneme Sınavı 11 Haziran 2016 DENEME SINAVI 4. Deneme Soru Sayısı: 32 Sınav Süresi: 210 dakika Başarılar Dileriz... Page 1 of 9 DENEME SINAVI (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

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

8. FET İN İNCELENMESİ

8. FET İN İNCELENMESİ 8. FET İN İNCELENMESİ 8.1. TEORİK BİLGİ FET transistörler iki farklı ana grupta üretilmektedir. Bunlardan birincisi JFET (Junction Field Effect Transistör) ya da kısaca bilinen adı ile FET, ikincisi ise

Detaylı

NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ

NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ History in Pictures - On January 5th, 1940, Edwin H. Armstrong transmitted thefirstfmradiosignalfromyonkers, NY to Alpine, NJ to Meriden, CT to Paxton, MA to Mount Washington. 5 January is National FM

Detaylı

Buna göre, eşitliği yazılabilir. sayılara rasyonel sayılar denir ve Q ile gösterilir. , -, 2 2 = 1. sayıdır. 2, 3, 5 birer irrasyonel sayıdır.

Buna göre, eşitliği yazılabilir. sayılara rasyonel sayılar denir ve Q ile gösterilir. , -, 2 2 = 1. sayıdır. 2, 3, 5 birer irrasyonel sayıdır. TEMEL KAVRAMLAR RAKAM Bir çokluk belirtmek için kullanılan sembollere rakam denir. 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 sembolleri birer rakamdır. 2. TAMSAYILAR KÜMESİ Z = {..., -3, -2, -1, 0, 1, 2, 3, 4,... }

Detaylı

Algoritmalar, Akış Şemaları ve O() Karmaşıklık Notasyonu

Algoritmalar, Akış Şemaları ve O() Karmaşıklık Notasyonu Algoritmalar, Akış Şemaları ve O() Karmaşıklık Notasyonu Öğr. Gör. M. Ozan AKI r1.0 Algoritmalar (Algorithms) Algoritma, bir problemin çözümünü sağlayan ancak deneme-yanılma ve sezgisel çözüme karşıt bir

Detaylı

Asal sayılar. II denklem. I denklem

Asal sayılar. II denklem. I denklem Asal sayılar I denklem II denklem 5 ( n+1 ) + n 5.1+0 = 5 5.2+1 = 11 5.3+2 = 17 5.4+3 = 23 5.5+4 = 29 *5.6+5 =35= 5.7 5.7+6 = 41 5.8+7 =47 5.9+8 =53 5.10+9 =59 * 5.11+10 =65=5.13 5.12+11 =71 * 5.13+12

Detaylı

Popülasyon Ortalamasının Tahmin Edilmesi

Popülasyon Ortalamasının Tahmin Edilmesi Güven Aralıkları Popülasyon Ortalamasının Tahmin Edilmesi Tanımlar: Nokta Tahmini Popülasyon parametresi hakkında tek bir rakamdan oluşan tahmindir. Popülasyon ortalaması ile ilgili en iyi nokta tahmini

Detaylı

ISBN NUMARASI: ISBN NUMARASI: ISBN NUMARASI: ISBN NUMARASI:

ISBN NUMARASI: ISBN NUMARASI: ISBN NUMARASI: ISBN NUMARASI: Bu formun ç kt s n al p ço altarak ö rencilerinizin ücretsiz Morpa Kampüs yarıyıl tatili üyeli inden yararlanmalar n sa layabilirsiniz.! ISBN NUMARASI: 84354975 ISBN NUMARASI: 84354975! ISBN NUMARASI:

Detaylı

Hipotez Testleri. Mühendislikte İstatistik Yöntemler

Hipotez Testleri. Mühendislikte İstatistik Yöntemler Hipotez Testleri Mühendislikte İstatistik Yöntemler Hipotez Testleri Parametrik Testler ( z ve t testleri) Parametrik Olmayan Testler (χ 2 Testi) Hipotez Testleri Ana Kütle β( µ, σ ) Örnek Kütle b ( µ

Detaylı

T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ

T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI Doç.Dr. Necaattin BARIŞÇI YAPAY SİNİR AĞLARI İLE KORONER ARTER HASTALIĞI RİSK Öğrenci : SİNEM ÖZDER Numarası : 118229001004

Detaylı

İSTATİSTİK EXCEL UYGULAMA

İSTATİSTİK EXCEL UYGULAMA İSTATİSTİK EXCEL UYGULAMA EXCEL UYGULAMA Bu bölümde Excel ile ilgili temel bilgiler sunulacak ve daha sonra İstatistiksel Uygulamalar hakkında bilgi verilecektir. İşlenecek Konular: Merkezi eğilim Ölçüleri

Detaylı

ÖĞRENME ALANI TEMEL MATEMATİK BÖLÜM TÜREV. ALT ÖĞRENME ALANLARI 1) Türev 2) Türev Uygulamaları TÜREV

ÖĞRENME ALANI TEMEL MATEMATİK BÖLÜM TÜREV. ALT ÖĞRENME ALANLARI 1) Türev 2) Türev Uygulamaları TÜREV - 1 - ÖĞRENME ALANI TEMEL MATEMATİK BÖLÜM TÜREV ALT ÖĞRENME ALANLARI 1) Türev 2) Türev Uygulamaları TÜREV Kazanım 1 : Türev Kavramını fiziksel ve geometrik uygulamalar yardımıyla açıklar, türevin tanımını

Detaylı

SİSTEM SİMÜLASYONU

SİSTEM SİMÜLASYONU 1106104 SİSTEM SİMÜLASYONU Yrd Doç. Dr. Sırma Yavuz Çarşamba 13:00-15:30 (F-19) Ofis: B Blok - Kat 4 Donanım Lab. Ofis Saatleri : Çarşamba 16:00-17:00 Ders İçeriği Simülasyona Giriş: Simülasyonun avantaj

Detaylı

İstatistik Dersi Çalışma Soruları Arasınav(Matematik Müh. Bölümü-2014)

İstatistik Dersi Çalışma Soruları Arasınav(Matematik Müh. Bölümü-2014) İstatistik Dersi Çalışma Soruları Arasınav(Matematik Müh. Bölümü-2014) S-1) Bir otoyol üzerinde radarla hız kontrolü yapan, polis ekipler tarafından tespit edilen tane aracın hızları aşağıdaki tabloda

Detaylı

TAMSAYILAR. 9www.unkapani.com.tr. Z = {.., -3, -2, -1, 0, 1, 2, 3, } kümesinin her bir elemanına. a, b, c birer tamsayı olmak üzere, Burada,

TAMSAYILAR. 9www.unkapani.com.tr. Z = {.., -3, -2, -1, 0, 1, 2, 3, } kümesinin her bir elemanına. a, b, c birer tamsayı olmak üzere, Burada, TAMSAYILAR Z = {.., -, -, -, 0,,,, } kümesinin her bir elemanına tamsayı denir. Burada, + Z = {,,,...} kümesine, pozitif tamsayılar kümesi denir. Z = {...,,,,} kümesine, negatif tamsayılar kümesi denir.

Detaylı

Parametrik Olmayan İstatistik

Parametrik Olmayan İstatistik Parametrik Olmayan İstatistik 2 Anakütlenin Karşılaştırılması İki Anakütlenin Karşılaştırılması Bağımsız Örnekler Eşleştirilmiş Örnekler Wilcoxon Mertebe Toplam Testi İşaret Testi Wilcoxon İşaretli Mertebe

Detaylı

Hipotez Testlerine Giriş. Hipotez Testlerine Giriş

Hipotez Testlerine Giriş. Hipotez Testlerine Giriş Hipotez Testlerine Giriş Hipotez Testlerine Giriş Hipotez Testlerine Giriş Gözlem ya da deneme sonucu elde edilmiş sonuçların, raslantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel

Detaylı

İstatistik Yöntemleri ve Hipotez Testleri

İstatistik Yöntemleri ve Hipotez Testleri Sağlık Araştırmalarında Kullanılan Temel İstatistik Yöntemleri ve Hipotez Testleri Yrd. Doç. Dr. Emre ATILGAN BİYOİSTATİSTİK İstatistiğin biyoloji, tıp ve diğer sağlık bilimlerinde kullanımı biyoistatistik

Detaylı

Zemin Gerilmeleri. Zemindeki gerilmelerin: 1- Zeminin kendi ağırlığından (geostatik gerilme),

Zemin Gerilmeleri. Zemindeki gerilmelerin: 1- Zeminin kendi ağırlığından (geostatik gerilme), Zemin Gerilmeleri Zemindeki gerilmelerin: 1- Zeminin kendi ağırlığından (geostatik gerilme), 2- Zemin üzerine eklenmiş yüklerden (Binalar, Barağlar vb.) kaynaklanmaktadır. 1 YERYÜZÜ Y.S.S Bina yükünden

Detaylı

sayısının tamkare olmasını sağlayan kaç p asal sayısı vardır?(88.32) = n 2 ise, (2 p 1

sayısının tamkare olmasını sağlayan kaç p asal sayısı vardır?(88.32) = n 2 ise, (2 p 1 TAM KARELER 1. Bir 1000 basamaklı sayıda bir tanesi dışında tüm basamaklar 5 tir. Bu sayının hiçbir tam sayının karesi olamayacağını kanıtlayınız. (2L44) Çözüm: Son rakam 5 ise, bir önceki 2 olmak zorunda.

Detaylı

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

Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM X 1,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun.

Detaylı

OLASILIK ve İSTATİSTİK Hipotez Testleri

OLASILIK ve İSTATİSTİK Hipotez Testleri OLASILIK ve İSTATİSTİK Hipotez Testleri Yrd.Doç.Dr. Pınar YILDIRIM Okan Üniversitesi Mühendislik ve Mimarlık Fakültesi Bilgisayar Mühendisliği Bölümü Hipotezler ve Testler Hipotez, kitleye(yığına) ait

Detaylı

İleri Diferansiyel Denklemler

İleri Diferansiyel Denklemler MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret

Detaylı

13.DERS Konfigürasyon Yönetimi

13.DERS Konfigürasyon Yönetimi 13.DERS Konfigürasyon Yönetimi 1 Konfigürasyon Yönetimi Nedir? Aşağıda sıralanan teknik ve yönetimsel direktiflerin uygulandığı ve gözlemlendiği bir disiplindir: Konfigürasyon biriminin fonksiyonel ve

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

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

11.Konu Tam sayılarda bölünebilme, modüler aritmetik, Diofant denklemler

11.Konu Tam sayılarda bölünebilme, modüler aritmetik, Diofant denklemler 11.Konu Tam sayılarda bölünebilme, modüler aritmetik, Diofant denklemler 1. Asal sayılar 2. Bir tam sayının bölenleri 3. Modüler aritmetik 4. Bölünebilme kuralları 5. Lineer modüler aritmetik 6. Euler

Detaylı

Mühendislikte İstatistik Yöntemler

Mühendislikte İstatistik Yöntemler .0.0 Mühendislikte İstatistik Yöntemler İstatistik Parametreler Tarih Qma.3.98 4..98 0.3.983 45 7..984 37.3.985 48 0.4.986 67.4.987 5 0.3.988 45.5.989 34.3.990 59.4.99 3 4 34 5 37 6 45 7 45 8 48 9 5 0

Detaylı