Baml deikenin simetrik bulank say olmas durumunda parametre tahmini
|
|
- Melek Dağtekin
- 8 yıl önce
- İzleme sayısı:
Transkript
1 statstkçler Dergs 3 (00) 54-6 statstkçler Dergs Baml dekenn smetrk bulank say olmas durumunda arametre tahmn Kamle anl Kula Ah Evran Ünverstes, Matematk Bölümü, 4000, Krehr, ürkye sanl004@hotmal.com ürkan Erbay Dalklç Karadenz eknk Ünverstes, $statstk ve Blgsayar Blmler Bölümü, 6080, rabzon, ürkye tedalklc@gmal.com Ayen Aaydn Ankara Ünverstes, $statstk Bölümü, 0600-ando+an, Ankara, ürkye aaaydn@scence.ankara.edu.tr Özet Bu çalmada, baml dekenn smetrk bulank say olmas durumunda, regresyon modelnn arametrelernn tahmn edlmes çn, bulank çkarsama sstemne dayal uyarlamal an (ANFIS) kullanld br algortma ve bulank robust regresyon a dayal br algortma ele alnarak arametre tahmn yalmtr. Bulank robust regresyon ve ANFIS n kullanld algortmadan elde sonuçlar Dmond (988) tarafndan önerlen yöntemden elde edlen sonuçlar le karlatrlmtr. Anahtar sözcükler: Smetrk bulank say, Bulank robust regresyon, ANFIS. Abstract Parameter estmaton n the case of symmetrc fuzzy number deendent varable In ths study, we wll use two algorthms for a regresson arameter s estmaton. Based on ANFIS and fuzzy robust regresson model, n cases where deendent varables s a symmetrcal fuzzy number. Results taken from the fuzzy robust regresson are based on ANFIS and are comared wth the Damond method. Keywords: Symmetrcal fuzzy number, fuzzy robust regresson, ANFIS.. Gr! Regresyon analz k ya da daha çok deken arsndak fonksyonel yay belrlemekte kullanlan br yöntemdr. Mühendslk, byoloj, ekonom, letme vb. ek çok alanda yaygn olarak kullanlmaktadr (Kao ve Chyu, 003). Br baml ve bamsz deken arasndak fonksyonel ya = j j + j= y x e =,,..., n j =,,..., () olarak tanmlanr. Burada y, nc gözlem çn baml deken deer, x, x,..., x, bamsz deken deer, e rassal hata mktar ve,,..., regresyon katsaylardr. Etlk () de tanmlanan regresyon model matrs gösterm le
2 K.. Kula v.d. / statstkçler Dergs 3 (00) Y = X + ya da y x.. x 0 e.. y x x e. = yn xn xn en dr. Burada Y ; nx boyutlu baml deken çn gözlemlern vektörü, X ; [nx(m+)] boyutlu bamsz dekenlere lkn matrs, ; [(m+)x] boyutlu regresyon katsaylarnn vektörü ve ; (nx) boyutlu hata vektörüdür. Bulank regresyon çözümlemes klask regresyon çözümlemesnn bulank genlemes olarak düünüleblr. Çetl alanlarda yaygn olarak çallm ve uygulanmtr. Genel olarak bulank regresyon çözümlemes k gruta tolanr. Bunlardan brncs anaka vd. (98) nn dorusal rogramlama yaklamna, kncs se Damond (988) tarafndan önerlen klask regresyon çözümlemesnn br genlemes olan bulank en küçük kareler yaklamna dayanr. Bulank regresyon çözümlemes lgl ek çok çalma lteratürde yer almaktadr. anaka (987) model sklkla kesn saylar ürett çn Celmns (987) tarafndan eletrlmtr. Daha sonra anaka vd (98) tarafndan ler sürülen en küçükleme roblemnn ölçek baml olduunu Jo zsef (99) ler sürmütür. Celmns (987) n eletrsne karlk anaka ve Ishbuch (99) etkleml bulank katsaylar elde etmek çn br yöntem geltrmlerdr (Redden ve Woddall, 996). Bu yöntemn aykr deerlere güçlü br eklde duyarl olduu, vernn çerd kesn blgy göz ard ett ve snrsz çözüm ürett Redden ve Woddall (996) tarafndan gösterlmtr. Watada ve Yabuuch (994), aykr deer tarafndan etklenmeyen br bulank robust regresyon model önermlerdr. Otmzasyon roblemn çözmek çn genetk algortma kullanlmtr. Chang ve Lee (996) aykr deer olmas durumu çn üyelk dereceleryle arlklandrma yaan ve karar verc le etkleme dayanan genelletrlm bulank arlklandrlm en küçük kareler yöntemn ler sürmülerdr. Yang ve Ko (997) bast dorusal regresyonda arlklandrlm bulank en küçük kareler çözümlemes çn ynelemel algortmay geltrmlerdr. Bu algortma k aamaldr. Hlk olarak gözlemlern snf üyelklern veren bulank snflama yöntem seçlr, daha sonra üyelklern bu deerler arlklar olarak kullanlr. Bulank regresyon çözümlemesnde arlklandrlm bulank en küçük kareler br otmzasyon roblem olarak düünülmütür. Ishbuch ve Ne (00) smetrk üçgensel bulank katsayl dorusal modeller çn bulank regresyon yöntemn önermlerdr. Kao ve Chyu (003) çalmalarnda klask regresyonda skça kullanlan en küçük kareler yöntemn bulank regresyon katsaylarn belrlemek üzere uyarlamlardr. Yang ve Lu (003) etkleml bulank dorusal regresyon modeller çn bulank en küçük kareler algortmasn önermlerdr. Bu algortma bast regresyon çn aykr deere kar robusttr. D Urso (003) kesn veya bulank grdler ve kesn veya bulank çktlar le bulank regresyon modeller önermtr. Hong ve Hwang (004) Damond un modeln çok dekenl bulank regresyon modeller olarak genelletrmlerdr. Cho ve Buckley (007) verde aykr deer olmas durumunda en küçük mutlak sama yöntem le arametre tahmn yamlardr. Chuang vd. (009) aykr deer çn agak-sugeno- Kang bulank modelne dayanan melez bulank robust regresyon yaklamn ler sürmülerdr. Bu yaklamda kümeleme analzn kullanmlardr. Bulank regresyon model baml ve bamsz dekenlern koullarna göre 4 gruta tolanablr: ) Grd ve çkt verlernn her ksnn de kesn (non-fuzzy) say olmas durumu, ) Grd dekennn kesn, çkt dekennn bulank say olmas durumu, ) Hem grd hem de çkt dekennn bulank say olmas durumu, v) Parametrelern bulank say olmas durumu (Cho ve Buckley, 008).
3 K.. Kula v.d. / statstkçler Dergs 3 (00) Bulan$k regresyon Grd dekenlernn kesn say, çkt dekennn bulank say olmas durumu, baka br fade le gözlemlenm verler ( ~ y, x,..., xn ) =,,..., n le gösterlr. LR t bulank saylar le lglenldnde Y ~ = ( m l,, u) bçmnde gösterlr. Burada m merkez, l sol yaylmay ve u se sa yaylmay LR göstermektedr. Bulank regresyon model, ~ ~ ~ ~ Y = A + A x A x,,,...,, 0 = n bçmnde tanmlanr. Burada x j kesn say, Y ~ ~ = ( y, L, R ) ve A ( ) = a, L, R üçgensel bulank saylardr. LR t bulank sayda L = R se smetrk üçgensel bulank say olarak fade edlr (Coa vd. 006). Genel olarak bulank regresyon modellernn çözümlemes k kategorde tolanr. Bunlardan brncs anaka vd (98) nn dorusal rogramlama yaklamdr. anaka model, Mn n = = J c x ( ) ( ) ( ) ( ) Kst x + h c x y + h e x + h c x y + h e 0 h< c 0 bçmnde tanmlanr. Burada h karar verc tarafndan belrlenen ek düzeydr. anaka vd (98) modelnde bamsz deken x kesn (crs) say, baml deken merkez y, yaylmas e olan bulank say ( Y = ( y, e) ), arametreler merkez a j, yaylmas c j olan ve A= ( aj, cj) olarak tanmlanan bulank saydr (Redden and Woddall 996). Bulank regresyon çözümlemesnn kncs se bulank en küçük kareler yaklamna dayanr. Dmond (988) bulank en küçük kareler yaklamn önermtr. Dmond (988) bamsz deken x n kesn say ve baml deken Y = ( y,, ) nn smetrk üçgensel bulank say olmas durumda bulank regresyon modeln, Y = A+ xb () olarak tanmlamtr. Burada A= ( a,, ) ve B = (, b, ) smetrk üçgensel bulank arametrelerdr. () etlndek arametre tahmnlern yaablmek çn en küçük kareler otmzasyon roblem, Mnmum r( A, B) = d( A + x B, Y ) bçmndedr. Burada d( A+ x B, Y ) = ( a+ bx x y + ) + ( a+ bx + + x y ) + ( a+ bx y ) olarak tanmlanr (Chang and Lee 996, Damond 988).
4 K.. Kula v.d. / statstkçler Dergs 3 (00) Algortmalar 3.. Parametre tahmn çn ANFIS e dayal br algortma ANFIS, bulank regresyon analz çn, çkarsama sstemnn leyne mkan veren br yadr. Uyarlamal a; çok tabakal, ler beslemel br snr adr. Her snr grd snyaller üzernde özel fonksyonlar gösterr. Regresyon fonksyonuna y br yaklam elde etmek çn kullanlan, snrlere ve balantlara sah uyarlamal a be tabakadan oluur (Goger 993, Dalklç ve Aaydn 009). Brnc tabakadak her snr dlsel deerl grdye dayanan br üyelk fonksyonu üretr yan çkts üyelk L fonksyonudur. Hknc tabakadak snrler; grd snyallerne bal w (L=,...,6) arlklarn çkartrlar. Üçüncü tabaka, knc tabakadan gelen çkt snyallernn br normalzasyon levn çerr. Dördüncü tabakadak her snr alt modellerden brn üretr; Y L L L L L L snr Y = c0 + cx + cx cx eklnde tanmlanr. Son olarak benc tabaka, dördüncü tabakadan gelen tüm çktlarn tolamdr (James ve Donalt, 999). Regresyon modellerne at tahmn setnn elde edlmes sürec k öneml admdan olumaktadr. Bunlardan brncs, verlern geld snf karakterze eden önsel arametre setnn belrlenmes ve bu arametrelern süreç çnde güncellenmes, kncs se sonsal arametre setnn tahmn edlmesdr. ANFIS le regresyon modellernn arametrelernn belrlenmes sürec, bamsz dekenlern snf ya da düzey saylarnn ve önsel arametrelern belrlenmes le balar. ANFIS le regresyon modellernde arametre tahmnne lkn algortma; Adm : Bamsz dekenlere at ver kümesne lkn otmal snf saylar belrlenr. Adm : Önsel arametreler belrlenr. Yaylmlar, grd dekenlernn deer ald arala ve dekenlern düzey saylarna göre belrlenr. Merkez arametreler de dekenlern deer ald arala ve düzey saysna baldr ve max( X) mn( X) v = mn( X) + *( ) ( c ) =,..., (3) le belrlenr. L Adm 3: w arlklar bamsz dekenn at olduu dalm alesne dar üyelk fonksyonlarndan yararlanlarak hesalanr. Üyelk fonksyonlar normal dalm fonksyonu olarak düünüldüünde, x v h µ F ( x ) ex h = h (4) bçmnde tanmlanr. Adm 4: Bamsz dekenlern kesn, baml dekenn bulank saylardan olutuu durumda, sonsal arametre set bulank saylar olarak elde edlr. Sonsal arametre setnn satanmas çn, ( Z = B B) B Y (5) etl kullanlr. Burada, B le arlklandrlm [((+)*m )*n] boyutlu ver matrs, Y baml deken deerlernden oluan (n*) boyutlu vektör ve Z sonsal arametrelere lkn
5 K.. Kula v.d. / statstkçler Dergs 3 (00) Z = a,..., a, a,..., a, a,..., a (6) m m m 0 0 bçmnde tanmlanan [(+)*m ] boyutlu vektördür. L L L L L Adm 5: Sonsal arametre set kullanlarak, Y = c0 + cx + cx cx bçmnde fade edlen regresyon modeller oluturulur. n Adm 6: Modele lkn hata = ( Y Yˆ ) bçmnde hesalanr. Eer n (7) k= < se sürece son verlr. Eer k k / se Adm7 ye geçlr. Adm 7: Adm de belrlenen merkez önsel arametreler, v = v ± t le güncellenr. ' Adm 8: En küçük hatay veren önsel arametreler ve bu arametrelere lkn modellerden elde edlen tahmn çkt olarak alnr. 3.. Bulank robust regresyon çn algortma x n kesn say ve Y = ( y,, ) nn smetrk üçgensel bulank say olmas durumda bulank çok dekenl regresyon model ~ ~ Y = A ~ + A x ~ A,,,..., 0 x = n olsun. Bu durumda otmzasyon roblem ~ ~ ~ ~ ~ ~ ( A, A A..., A ) d( A + A x... A x, Y ), P : Mn r,, = ~ ~ olarak tanmlanr. Burada A = (,, ), ( b, ) 0 a smetrk üçgensel bulank arametreler olmak üzere d ~ ~ ~ ~ ( A + A x A x, Y ) = ( a + b x b x y ) 0 + +, A =,,..., A ( b,, ) ( a + b x b x x x... x y + ) ( a + b x b x + + x + x x y ) ~ = bçmnde tanmlanan dr. P roblemnn a, b ya göre ve,,, ya göre türev aln sfra etlendnde normal denklem sstemler elde edlr. Bu sstem çözüldüünde elde edlen tahmn edcler yardmyla bulanan tahmnler le bulank regresyon model yazlr. Bulank robust regresyon le arametre tahmnne lkn algortma: Adm : x n kesn say ve Y = ( y,, ) smetrk üçgensel bulank say olmas durumda balangç bulank tahmn regresyon model P roblemnden bulunur. (8)
6 K.. Kula v.d. / statstkçler Dergs 3 (00) Adm : Merkezler çn tahmn deerler ( y ˆ ) ve artklar ( r ) belrlenr. hesalanr. OM ndeksne göre artklar Adm 3: Artklarn mutlak deerlerne göre medyan belrlenr ve D ( abs( r )),,...,, = = abs( r ) medan n uzakl hesalanr. Adm 4: Uzaklklara bal olarak üyelk fonksyonu µ! b abs( r) b a 0 abs( r) a, () r = a < abs() r d. d, < b, (9) bçmnde tanmlanr. Burada; dr. a = medan b = max ( D ), ( D ) + d. d = medan r medan ( r ) / , Adm 5: Etlk (9) da tanmlanan üyelk fonksyonu le üyelk dereceler belrlenr ve arlk matrs oluturulur. Arlk matrs, köegen elemanlar üyelklerden oluan dagonal matrstr. Elde edlen arlk matrs yardmyla arlklandrlm bulank en küçük kareler tahmnler bulunur. k + k Adm 6: Eer ˆ ˆ < se durulur. Aks durumda Adm ye gdlr. Burada ˆ tahmn edlen regresyon model arametreler, k yneleme says ve > 0 olmak üzere çok küçük br saydr( Kula ve Aaydn, 008). 4. Uygulama Uygulamada kullanlan ver set Cheng ve Lee (999) den alnmtr. Smetrk bulank saylardan oluan baml dekenn yer ald ver setnde k bamsz deken ve 30 gözlem bulunmaktadr. Ver set Çzelge de, yöntemlere lkn tahmnler ve artklar Çzelge de verlmtr. Algortmalarn çözümü çn MALAB da yazlan rogramlar kullanlmtr.
7 K.. Kula v.d. / statstkçler Dergs 3 (00) x Çzelge. Ver set x ~ y (, ) y x x ~ y (, ) y (4.990,.480) (4.8490,.0) (5.560,.340) (4.9940,.480) (3.750, 0.890) (4.8370,.090) (5.040,.600) (5.760,.390) (5.3840,.3460) (4.3790,.0950) (4.080,.050) (4.8870,.0) (5.670,.90) (3.380, ) (5.0330,.580) (4.730,.0680) (5.600,.900) (5.300,.380) (5.0360,.590) (4.7550,.890) (6.0470,.50) (5.630,.90) (5.4090,.350) (5.0750,.690) (5.380,.3300) (5.0350,.590) (4.9040,.60) (5.00,.530) (4.8630,.60) (4.860,.070) Bulank robust regresyon, ANFIS e dayal algortma ve Damond yöntem çn elde edlen model tahmnler srasyla etlk (0, ve ) de verlmtr. Y FRR = (4.9,.306) + (0.004, 0.006) X + (0.0070, 0.007) X (0) Y Y Y Y ANN ANN ANN 3 ANN 4 = (5.74,.933) (0.0367, ) X = (6.764,.693) + (0.7, 0.03) X = (5.470,.363) + (0.05, ) X = (.4836,0.647) + (0.485, 0.038) X (0.75, ) X (0.093, 0.086) X + (0.00, 0.030) X + (0.408, 0.0) X () Y DIM = (4.933,.33) + (0.0039,0.000) X + ( 0.009, 0,007) X () Ver kümes çn artk analz yalm 5, 4 ve. gözlemlern aykr gözlem olduu görülmütür. Bulank robust regresyon çözümlemes le her br gözlem arlklandrlarak modele etk yamtr, elde edlen model tahmn kullanlarak tahmnler ve artklar hesalanmtr. Yöntemler çn hata etlk 7 den elde edlmtr. Çzelge den FRR çn artklar ncelendnde aykr deerler çn artklarn büyük ancak der gözlemler çn küçük olduu görülmektedr. Böylece yöntemn aykr deer dndak gözlemler çn uyumu ydr. ANFIS te se etlk (0) da verlen regresyon modellernn arlkl ortalamalarndan elde edlen tahmn deerlerne dayanarak belrlenen artk deerler hesalanmtr. ANFIS te balangçta gözlemler kümelend ve sonuçta arlklandrlm artklar elde edld çn artklar küçük ve hata krterne göre de en küçük hata elde edlmtr. Damond yöntemnde se hatann FRR ye göre küçük olmasnn neden aykr gözlemlere FRR ye göre daha küçük artk deer vermesndendr. FRR ve Damond yöntemler çn 5, 4 ve. gözlemlern artklar göz önünde bulundurulmadnda FRR çn hata bulunurken Damond çn olarak bulunmutur. Buda bze FRR le elde edlen modeln aykr deerler dndak gözlemler çn uyumunun y olduunu göstermektedr.
8 K.. Kula v.d. / statstkçler Dergs 3 (00)
9 K.. Kula v.d. / statstkçler Dergs 3 (00) Kaynaklar [] P.. Chang, E.S. Lee, 996 A generalzed fuzzy weghted least-squares regresson. Fuzzy Sets and Systems, 8, [] A. Celmns, 987, Least squares model fttng to fuzzy vector data, Fuzzy Sets and Systems,, [3] C.B. Cheng, E.S. Lee, 999, Alyng Fuzzy Adatve Network to Fuzzy Regresson Analyss, An Internatonal Journal Comuters & Mathematcs Wth Alcatons, 38,3 40. [4] S.H. Cho, J.J. Buckley,008, Fuzzy regresson usng least absolute devaton estmators, Soft Comut,, [5] C.C. Chuang, J.. Jeng, C.W. ao,009, Hybrd robust aroach for SK fuzzy modelng wth outlers, Exert Systems wth Alcatons, 36, [6] R. Coa, P. D Ursob, P. Gordana, and A. Santorob,006, Least squares estmaton of a lnear regresson model wth LR fuzzy resonse, Comutatonal Statstcs & Data Analyss, 5, [7] P. Dmond,988, Fuzzy least squares, Informaton Scence, 46,4-57 [8] P. D Urso, 003, Lnear regresson analyss for fuzzy/crs nut and fuzzy/crs outut, Comutatonal Statstcs & Data Analyss, 4, [9] D.. Erbay, A. Aaydn, 009, A Fuzzy Adatve Network Aroach to Parameter Estmaton n case Where Indeendent Varables Come From Exonental Dstrbuton, Journal of Comutatonal and Aled Mathematcs, 33, [0] D.H. Hong, Hwang, C.,004, Extended fuzzy regresson model usng regularzaton method, Informaton Scence, 64, [] H. Ishbuch, M. Ne, 00, Fuzzy Regresson usng Asymmetrc Fuzzy Coeffcents and Fuzzed Neural Networks, Fuzzy Sets and Systems, 9, [] D. James, W. Donalt, 999, Fuzzy Number Neural Networks, Fuzzy Sets and Systems,08, [3] S. Jozsef, 99, On the e_ect of lnear data transformaton n the ossblstc fuzzy lnear regresson, Fuzzy Sets and Systems,45, [4] J. Jyh-Shng Roger, 993, ANFIS: Adatve-Network-Based Fuzzy Inference System, IEEE ransacton on Systems, Man and Cybernetcs, 3(3), [5] C. Kao, CL. Chyu,003, Least-squares estmates n fuzzy regresson analyss. Eur. J. Oeratonal Res,48, [6] K.S. Kula, A. Aaydn, 008, Fuzzy Robust Regresson Analyss Based on the Rankng of Fuzzy Sets, Internatonal Journal of Uncertanty, Fuzzness and Knowledge-Based Systems, 6, [7] D.. Redden, W.H. Woddall,996, Further examnaton of fuzzy lnear regresson, Fuzzy Sets and Systems 79, 03-. [8] H. anaka, S. Uejma, K. Asa, 98, Lnear regresson analyss wth fuzzy model. IEEE rans. Systems Man Cybernet,, [9] H. anaka, I. Ishbuch, 99, Identfcaton of ossblty lnear systems by quadratc membersh functons of fuzzy arameters, Fuzzy Sets and Systems, 4, [0] H. anaka, 987, Fuzzy data analyss by ossblstc lnear models, Fuzzy Sets and Systems, 4, [] M.S. Yang, H.H. Lu, 003, Fuzzy least squares algorthms for nteractve fuzzy lnear regresson models. Fuzzy Sets and Systems, 35, [] M.S. Yang, C.H. Ko, 997, On cluster-wse fuzzy regresson analyss. IEE ransacton on Systems, Man and Cybernetcs Part B: Cybernetcs, 7, -3. [3] J. Watada, Y. Yabuuch,994, Fuzzy robust regresson analyss. Fuzzy/IEEE 94, herd IEEE Internatonal Conference on Fuzzy Systems, -7.
THE FUZZY ROBUST REGRESSION ANALYSIS, THE CASE OF FUZZY DATA SET HAS OUTLIER
G.Ü. Fen Blmler Dergs 7(3):7-84 (4) ISSN 33-979 G.U. Journal of Scence 7(3):7-84 (4) THE FUZZY ROBUST REGRESSION ANALYSIS, THE CASE OF FUZZY DATA SET HAS OUTLIER Kamle ŞANLI, Ayşen APAYDIN* Ankara Unversty,
Detaylıkadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.
KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X
DetaylıÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU
6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız
DetaylıROBİNSON PROJEKSİYONU
ROBİNSON PROJEKSİYONU Cengzhan İPBÜKER ÖZET Tüm yerkürey kapsayan dünya hartalarının yapımı çn, kartografk lteratürde özel br öneme sahp olan Robnson projeksyonu dk koordnatlarının hesabı brçok araştırmacı
DetaylıHAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :
HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını
DetaylıBulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi
Harta Teknolojler Elektronk Dergs Clt: 5, No: 1, 2013 (61-67) Electronc Journal of Map Technologes Vol: 5, No: 1, 2013 (61-67) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn: 1309-3983 Makale
DetaylıYÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA
YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,
DetaylıARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ
ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,
DetaylıFARKLI VERİ YAPILARINDA KULLANILABİLECEK REGRESYON YÖNTEMLERİ
Anadolu Tarım Blm. Derg., 203,28(3):68-74 Anadolu J Agr Sc, 203,28(3):68-74 do: 0.76/anaas.203.28.3.68 URL: htt://dx.do.org/0.76/anaas.203.28.3.68 Derleme Revew FARKLI VERİ YAPILARINDA KULLANILABİLECEK
DetaylıNİTEL TERCİH MODELLERİ
NİTEL TERCİH MODELLERİ 2300 gözlem sayısı le verlen değşkenler aşağıdak gbdr: calsma: çocuk çalışıyorsa 1, çalışmıyorsa 0 (bağımlı değşken) Anne_egts: Anne eğtm sevyes Baba_egts: Baba eğtm sevyes Kent:
DetaylıPROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt 3, Sayı:2, 2001 PROJE SEÇİMİ VE KAYAK PLALAMASI İÇİ BİR ALGORİTMA lgün MORALI 1 C. Cengz ÇELİKOĞLU 2 ÖZ Kaynak tahss problemler koşullara bağlı olarak
DetaylıENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI
V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN
DetaylıTürkiyede ki ĠĢ Kazalarının Yapay Sinir Ağları ile 2025 Yılına Kadar Tahmini
Türkyede k ĠĢ Kazalarının Yapay Snr Ağları le 2025 Yılına Kadar Tahmn Hüseyn Ceylan ve Murat Avan Kırıkkale Meslek Yüksekokulu, Kırıkkale Ünverstes, Kırıkkale, 71450 Türkye. Kaman Meslek Yüksekokulu, Ah
DetaylıTürkiye deki Đşsizlik Oranının Bulanık Doğrusal Regresyon Analiziyle Tahmini
İstatstkçler Dergs: İstatstk & Aktüerya Journal of Statstcans: Statstcs and Actuaral Scences IDIA 8, 5, -6 Gelş/Receved:6.4.5, Kabul/Accepted: 3.6.5 www.statstkcler.org Türkye dek Đşszlk Oranının Bulanık
DetaylıUYGULAMA 2. Bağımlı Kukla Değişkenli Modeller
UYGULAMA 2 Bağımlı Kukla Değşkenl Modeller Br araştırmacı Amerka da yüksek lsans ve doktora programlarını kabul ednlmey etkleyen faktörler ncelemek stemektedr. Bu doğrultuda aşağıdak değşkenler ele almaktadır.
DetaylıANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ SWITCHING REGRESYON DA BULANIK SİNİR AĞLARI YAKLAŞIMI İLE PARAMETRE TAHMİNİ
ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ SWITCHING REGRESYON DA BULANIK SİNİR AĞLARI YAKLAŞIMI İLE PARAMETRE TAHMİNİ Türkan ERBAY DALKILIÇ İSTATİSTİK ANABİLİM DALI ANKARA 005 Her hakkı
DetaylıOLMAYAN ve ARA-NOKTA KO ULLARI LE TEMEL VE SAYISAL ÇÖZÜMLER
KNC MERTEBEDEN DFERANSYEL DENKLEMLERN YEREL- OLMAYAN ve ARA-NOKTA KOULLARI LE TEMEL VE SAYISAL ÇÖZÜMLER Kamil ORUÇOLU ve Ali DNLER stanbul Teknik Üniversitesi, Matematik Bölümü, 34469 Maslak, e-osta: koruc@itu.edu.tr
DetaylıYapay Sinir Ağı ve Bulanık-Yapay Sinir Ağı Yöntemleri Kullanılarak Tava Buharlaşma Tahmini
Tarım Blmler Araştırma Dergs 3 (): 45-5, 00 ISSN: 308-3945, E-ISSN: 308-07X, www.nobel.gen.tr Yapay Snr Ağı ve Bulanık-Yapay Snr Ağı Yöntemler Kullanılarak Tava Buharlaşma Tahmn Özgür KIŞI Selcan AFŞA
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon 1 Korelasyon Analz İk değşken arasında lşk olup olmadığını belrlemek çn yapılan analze korelasyon analz denr. Korelasyon; doğrusal yada doğrusal olmayan dye kye ayrılır. Korelasyon
DetaylıFAKTÖRİYEL TASARIMA ADAPTİF AĞ TABANLI BULANIK MANTIK ÇIKARIM SİSTEMİ İLE FARKLI BİR YAKLAŞIM. Sevil ŞENTÜRK
FAKTÖRİYEL TASARIMA ADAPTİF AĞ TABANLI BULANIK MANTIK ÇIKARIM SİSTEMİ İLE FARKLI BİR YAKLAŞIM Sevl ŞENTÜRK Anadolu Ünverstes, Fen Fakültes, İstatstk Bölümü,26470, ESKİŞEHİR, e-mal:sdelgoz@anadolu.edu.tr
Detaylı5.3. Tekne Yüzeylerinin Matematiksel Temsili
5.3. Tekne Yüzeylernn atematksel Temsl atematksel yüzey temslnde lk öneml çalışmalar Coons (53) tarafından gerçekleştrlmştr. Ferguson yüzeylernn gelştrlmş hal olan Coons yüzeylernde tüm sınır eğrler çn
DetaylıHasar sıklıkları için sıfır yığılmalı kesikli modeller
www.statstkcler.org İstatstkçler Dergs 5 (01) 3-31 İstatstkçler Dergs Hasar sıklıkları çn sıfır yığılmalı keskl modeller Sema Tüzel Hacettepe Ünverstes Aktüerya Blmler Bölümü 06800-Beytepe, Ankara, Türkye
DetaylıTÜRKYE'DE TRAFK KAZALARININ MODELLENMES K. Selçuk ÖÜT A. Faik YNAM ÖZET
TÜRKYE'DE TRAFK KAZALARININ MODELLENMES K. Selçuk ÖÜT A. Fak YNAM stanbul Teknk Ünverstes stanbul Teknk Ünverstes ÖZET Trafk kazaları, ülkemz gündemn sürekl olarak gal eden konularıdan brdr. Üzernde çok
DetaylıG.1. : Y.Kutlu, M.Kuntalp, D.Kuntalp. : Öz Düzenleyici Haritalar Kullanilarak Diken Dalgalarin Analizi. Yay nlanan Kitapç k.
G.1 Yazarlar : Y.Kutlu, M.Kuntalp, D.Kuntalp Ba l k : Öz Düzenley Hartalar Kullanlarak Dken Dalgalarn Analz Yay nlanan Ktapç k : Genç Blm nsanlar le Beyn Byofz II. Çal tay, Izmr / Turkey, 21-23 ubat2008
DetaylıPARABOLİK YOĞUNLUK FONKSİYONUNU KULLANARAK SEDİMANTER TEMEL DERİNLİKLERİNİN KESTİRİMİ
Uygulamalı Yerblmler Sayı: (Mayıs-Hazran ) -9 PARABOLİK YOĞUNLUK FONKSİYONUNU KULLANARAK SEDİMANTER TEMEL DERİNLİKLERİNİN KESTİRİMİ Estmaton of Sedmentary Basement Depths By Usng Parabolc Densty Functon
DetaylıPARÇALI DOĞRUSAL REGRESYON
HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal
DetaylıElectronic Letters on Science & Engineering 2(1) (2006) Available online at www.e-lse.org
Electronc Letters on Scence & Engneerng ) 6) Avalable onlne at www.e-lse.org An Approxmaton to Multsource Suppler Selecton Problem usng Extended Fuzzy AHP and GA Bars Yuce, Ibrahm Dokuzer Sakarya Unversty,
Detaylı2005 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:16, s31-46
2005 Gaz Ünverstes Endüstryel Sanatlar Eğtm Fakültes Dergs Sayı:16, s31-46 ÖZET BANKALARDA MALİ BAŞARISIZLIĞIN ÖNGÖRÜLMESİ LOJİSTİK REGRESYON VE YAPAY SİNİR AĞI KARŞILAŞTIRMASI 31 Yasemn KESKİN BENLİ 1
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR
Resim ÖZGEÇMİŞ 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR Telefon : 386 280 45 50 Mail : kskula@ahievran.edu.tr
DetaylıT.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ QUANTILE REGRESYON ve BİR UYGULAMA İlkay ALTINDAĞ YÜKSEK LİSANS TEZİ İSTATİSTİK ANABİLİM DALI Ağustos-1 KONYA Her Hakkı Saklıdır ÖZET YÜKSEK LİSANS TEZİ
DetaylıYARIPARAMETRİK KISMİ DOĞRUSAL PANEL VERİ MODELLERİYLE ULUSLAR ARASI GÖÇ
Özet YARIPARAMETRİK KISMİ DOĞRUSAL PANEL VERİ MODELLERİYLE ULUSLAR ARASI GÖÇ Atıf EVREN *1 Elf TUNA ** Yarı parametrk panel ver modeller parametrk ve parametrk olmayan modeller br araya getren; br kısmı
DetaylıBULUT TEKNOLOJ S F RMALARININ BULANIK AHP MOORA YÖNTEM KULLANILARAK SIRALANMASI
BULUT TEKNOLOJ S F RMALARININ BULANIK AHP MOORA YÖNTEM KULLANILARAK SIRALANMASI Bahad r Fath YILDIRIM.Ü. letme Fakültes Say sal Yöntemler ABD. Onur ÖNAY.Ü. letme Fakültes Say sal Yöntemler ABD. ÖZET Bulut
DetaylıEMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering
KSÜ Mühendslk Blmler Dergs, (), 9 5 KSU Journal of Engneerng Scences, (), 9 EMG İşaretlernn K-Ortalama Algortması Kullanılarak Öbekleştrlmes Mücahd Günay, Ahmet ALKA, KSÜ Mühendslk-Mmarlık Fakültes Elektrk-Elektronk
DetaylıA İSTATİSTİK. 4. X kesikli rasgele (random) değişkenin moment çıkaran. C) 4 9 Buna göre, X in beklenen değeri kaçtır?
. Br torbada 6 syah, 4 beyaz top vardır. Bu torbadan yerne koyarak top seçlyor. A İSTATİSTİK KPSS/-AB-PÖ/006. Normal dağılıma sahp br rasgele (random) değşkenn varyansı 00 dür. Seçlen topların ksnn de
DetaylıTÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI
1 TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI Metehan TOLON Nuray GÜNERİ TOSUNOĞLU Özet Tüketc tatmn araştırmaları özelde pazarlama yönetclernn, genelde
DetaylıDoğrusal Korelasyon ve Regresyon
Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan
DetaylıBir-Yönlü ANOVA (Tamamen Rasgele Tasarm)
Bir-Yönlü ANOVA (Tamamen Rasgele Tasarm) Birdal eno lu ükrü Acta³ çindekiler 1 Giri³ Giri³ 2 3 4 LS Tahmin Edicilerinin Özellikleri 5 Genel Kareler Toplamnn Parçalan³ ndirgenmi³ Model-Tam Model Yakla³m
DetaylıDeney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı
SRY ÜNİVERSİESİ Djtal ontrol Laboratuvar Deney Föyü Deney No: 2 Sıvı Sevye ontrol Deney 2.. Deneyn macı Bu deneyn amacı, doğrusal olmayan sıvı sevye sstemnn belrlenen br çalışma noktası cvarında doğrusallaştırılmış
DetaylıObtaining Classical Reliability Terms from Item Response Theory in Multiple Choice Tests
Ankara Unversty, Journal of Faculty of Educatonal Scences, year: 26, vol: 39, no: 2, 27-44 Obtanng Classcal Relablty Terms from Item Response Theory n Multple Choce Tests Hall Yurdugül * ABSTRACT: The
DetaylıKRİTİK (KRİZ) DÖNEM ENFLASYON HESAPLAMALARINDA BULANIK REGRESYON TAHMİNLEMESİ
Doğuş Ünverstes Dergs, 13 (2) 2012, 239-253 KRİTİK (KRİZ) DÖNEM ENFLASYON HESAPLAMALARINDA BULANIK REGRESYON TAHMİNLEMESİ FUZZY REGRESSION FORECASTING ON COMPUTATION FOR CRITICAL TERM (CRISIS) INFLATION
Detaylıkili ve Çoklu Kar³la³trmalar
kili ve Çoklu Kar³la³trmalar Birdal eno lu ükrü Acta³ çindekiler 1 Giri³ 2 3 4 5 6 7 Bu bölümde, (2.1) modelinde, H 0 : µ 1 = µ 2 = = µ a = µ (1) ³eklinde ifade edilen sfr hipotezinin reddedilmesi durumunda,
DetaylıBilgisayarla Görüye Giriş
Blgsayarla Görüye Grş Ders 8 Görüntü Eşleme Alp Ertürk alp.erturk@kocael.edu.tr Panorama Oluşturma Görüntüler eşlememz / çakıştırmamız gerekmektedr Panorama Oluşturma İk görüntüden özntelkler çıkar Panorama
DetaylıÜç Boyutlu Yapı-Zemin Etkileşimi Problemlerinin Kuadratik Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak Çözümü
ECAS Uluslararası Yapı ve Deprem Mühendslğ Sempozyumu, Ekm, Orta Doğu Teknk Ünverstes, Ankara, Türkye Üç Boyutlu Yapı-Zemn Etkleşm Problemlernn Kuadratk Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak
DetaylıCalculating the Index of Refraction of Air
Ankara Unversty Faculty o Engneerng Optcs Lab IV Sprng 2009 Calculatng the Index o Reracton o Ar Lab Group: 1 Teoman Soygül Snan Tarakçı Seval Cbcel Muhammed Karakaya March 3, 2009 Havanın Kırılma Đndsnn
DetaylıSıfır Ağırlıklı Sayma ile Elde Edilen Veriler İçin Çok Seviyeli ZIP Regresyon * Multilevel ZIP Regression for Zero-Inflated Count Data
Yüzüncü Yıl Ünverstes Fen Blmler Ensttüsü Dergs/ Journal of The Insttute of Natural & Appled Scences 18 (1-):01-08, 013 Araştırma Makales/Research Artcle Sıfır Ağırlıklı Sayma le Elde Edlen Verler İçn
DetaylıKaresel Olumsallık Tablolarında Asimetri ve Çarpık Simetri Modelleri
ORİJİNAL ARAŞTIRMA ORIGINAL RESEARCH Karesel Olumsallık Tablolarında Asmetr ve Çarık Smetr Modeller Asymmetry and Skew-Symmetry Models for Square Contngency Tables Gökçen ALTUN, a Serl AKTAŞ a a İstatstk
DetaylıK-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi *
İMO Teknk Derg, 2012 6037-6050, Yazı 383 K-Ortalamalar Yöntem le Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelern Belrlenmes * Mahmut FIAT* Fath DİKBAŞ** Abdullah Cem KOÇ*** Mahmud GÜGÖ**** ÖZ
DetaylıOtomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya DOĞRUSAL KONTROL SİSTEMLERİ
DOĞRUSAL KONTROL SİSTEMLERİ 96 Anahtarlamalı Sstemler Kararlı Yapan PI Kontrolör Setnn Hesabı İbrahm Işık, Serdar Ethem Hamamcı Elektrk-Elektronk Mühendslğ Bölümü İnönü Ünverstes, Malatya {İbrahm.sk, serdar.hamamc}@nonu.edu.tr
DetaylıUYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.
UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres
DetaylıKaraciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi
Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes Bülent Haznedar 1*, Mustafa Turan Arslan 2, Adem Kalınlı 3 ÖZ 21.06.2016 Gelş/Receved, 30.11.2016 Kabul/Accepted
DetaylıYÜKSEK FREKANSLI HABERLEÞME DEVRELERÝ ÝÇÝN, TOPLU - DAÐINIK, KARMA ELEMANLI ARABAÐLAÞIM MODELLERÝNÝN BÝLGÝSAYAR DESTEKLÝ TASARIMI
ÝSTANBUL ÜNÝVERSÝTESÝ MÜENDÝSLÝK FAKÜLTESÝ ELEKTRÝK-ELEKTRONÝK DERGÝSÝ YIL CÝLT SAYI : 21-22 : 1 : 1 ( 32 4 ) YÜKSEK FREKANSLI ABERLEÞME DEVRELERÝ ÝÇÝN, TOPLU - DAÐINIK, KARMA ELEMANLI ARABAÐLAÞIM MODELLERÝNÝN
DetaylıMakine Öğrenmesi 6. hafta
Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,
DetaylıDokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Cilt 8, Say: 3, 2006 OYLAMA YÖNTEMNE DAYALI AIRLIKLANDIRMA LE GRUP KARARININ OLUTURULMASI
Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Cilt 8, Say: 3, 2006 OYLAMA YÖNTEMNE DAYALI AIRLIKLANDIRMA LE GRUP KARARININ OLUTURULMASI Onur ÖZVER( * ÖZET Organizasyonlarda karar vericiler
DetaylıBulanık TOPSIS ve Bulanık VIKOR Yöntemleriyle Alışveriş Merkezi Kuruluş Yeri Seçimi ve Bir Uygulama
EGE AKADEMİK BAKIŞ / EGE ACADEMIC REVIEW Clt: 14 Sayı: 3 Temmuz 2014 ss. 463-479 Bulanık TOPSIS ve Bulanık VIKOR Yöntemleryle Alışverş Merkez Kuruluş Yer Seçm ve Br Uygulama Selecton of Shoppng Center
DetaylıBOOTSTRAP VAR MODELLER VE TÜRKİYE DE TANZİ ETKİSİ
ZKÜ Sosyal Blmler Dergs, Clt 3, Sayı 6, 2007, ss. 89 108. BOOTSTRAP VAR MODELLER VE TÜRKİYE DE TANZİ ETKİSİ Dr. Mustafa Kemal BEŞER Eskşehr Osmangaz Ünverstes İİBF, İktsat Bölümü mkbeser@ogu.edu.tr ÖZET
DetaylıFarklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = σ i2. Eşit Varyans. Hata. Zaman
Farklı Varyans Var(u X ) = Var(u ) = E(u ) = σ Eşt Varyans Y X Farklı Varyans Hata Var(u X ) = Var(u ) = E(u ) = σ Farklı Varyans Zaman Farklı Varyans le Karşılaşılan Durumlar Kest Verlernde. Kar dağıtım
DetaylıTÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ
TÜRİYE DEİ 38 kv LU 4 BARALI GÜÇ SİSTEMİDE EOOMİ YÜLEME AALİZİ Mehmet URBA Ümmühan BAŞARA 2,2 Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlık Fakültes Anadolu Ünverstes İk Eylül ampüsü, 2647, ESİŞEHİR
DetaylıKonumsal Enterpolasyon Yöntemleri Uygulamalarında Optimum Parametre Seçimi: Doğu Karadeniz Bölgesi Günlük Ortalama Sıcaklık Verileri Örneği
S. ZENGİN KAZANCI, E. TANIR KAYIKÇI Konumsal Enterpolasyon Yöntemler Uygulamalarında Optmum Parametre Seçm: Doğu Karadenz Bölges Günlük Ortalama Sıcaklık S. ZENGİN KAZANCI 1, E. TANIR KAYIKÇI 1 1 Karadenz
DetaylıFARKLI REGRESYON YÖNTEMLERİ İLE BETA KATSAYISI ANALİZİ
FARKLI REGRESYON YÖNTEMLERİ İLE BETA KATSAYISI ANALİZİ M.Ensar YEŞİLYURT (*) Flz YEŞİLYURT (**) Özet: Özellkle uzak verlere sahp ver setlernn analz edlmesnde en küçük kareler tahmnclernn kullanılması sapmalı
DetaylıŞiddet-Süre-Frekans Bağıntısının Genetik Algoritma ile Belirlenmesi: GAP Örneği *
İMO Teknk Derg, 28 4393-447, Yazı 29 Şddet-Süre-Frekans Bağıntısının Genetk Algortma le Belrlenmes: GAP Örneğ * Hall KARAHAN* M. Tamer AYVAZ** Gürhan GÜRARSLAN*** ÖZ Bu çalışmada, Genetk Algortma (GA)
DetaylıFAKTÖR A ALĐZ SKORLARI KULLA ILARAK KARAYAKA KUZULARI DA CA LI AĞIRLIK TAHMĐ Đ
Anadolu Tarım Blm. Derg., 2009,24(2):98-102 Anadolu J. Agrc. Sc., 2009,24(2):98-102 Araştırma Research FAKTÖR A ALĐZ SKORLARI KULLA ILARAK KARAYAKA KUZULARI DA CA LI AĞIRLIK TAHMĐ Đ Soner ÇA KAYA* Aydın
DetaylıKorelasyon analizi. Korelasyon analizinin niteliği. Sınava hazırlanma süresi ile sınavdan alınan başarı arasında ilişki var mıdır?
Korelasyon analz Korelasyon analz Sınava hazırlanma süres le sınavdan alınan başarı arasında lşk var mıdır? q N sayıda öğrencnn sınava hazırlanma süreler le sınavdan aldıkları puanlar tespt edlr. Reklam
DetaylıBULANIK HEDEF PROGRAMLAMA VE BİR TEKSTİL FİRMASINDA UYGULAMA ÖRNEĞİ
Eskşehr Osmangaz Ünverstes Sosyal Blmler Dergs Clt: 6 Sayı: 2 Aralık 2005 BULANIK HEDEF PROGRAMLAMA VE BİR TEKSTİL FİRMASINDA UYGULAMA ÖRNEĞİ İrfan ERTUĞRUL Pamukkale Ünverstes İİBF, Denzl ÖZET Günümüzde
DetaylıTRANSPORT PROBLEMI için GELIsTIRILMIs VAM YÖNTEMI
Yönetm, Yl 9, Say 28, Ekm - 1997,5.20-25 TRANSPORT PROBLEMI ÇIN GELIsTIRILMIs VAM YÖNTEMI Dr. Erhan ÖZDEMIR I.Ü. Teknk Blmler M.Y.O. L.GIRIs V AM transport problemlerne en düsük malyetl baslangç çözüm
DetaylıSEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)
SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler
DetaylıPOLİNOMLARLA VE BULANIK MANTIK İLKELERİNE GÖRE GEOİT BELİRLEMENİN PRESİZYONA ETKİSİ
TMMOB Harta ve Kadastro Mühendsler Odası 0. Türkye Harta Blmsel ve Teknk Kurultayı 8 Mart - Nsan 00, Ankara POLİNOMLARLA VE BULANIK MANTIK İLKELERİNE GÖRE GEOİT BELİRLEMENİN PRESİZONA ETKİSİ M. ılmaz,
DetaylıÖlçek Geli,tirme Çal.,malar.nda Kapsam Geçerlii için Kapsam Geçerlik &ndekslerinin Kullan.lmas.
XIV. Ulusal Eitim ilimleri Kongresi Pamukkale Üniversitesi Eitim Fakültesi 28 30 Eylül 2005 DEN&ZL& Ölçek Geli,tirme Çal.,malar.nda Kapsam Geçerlii için Kapsam Geçerlik &ndekslerinin Kullan.lmas. Dr. Halil
DetaylıANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ BULANIK HEDONİK REGRESYON. Gökalp Kadri YENTÜR İSTATİSTİK ANABİLİM DALI ANKARA 2011
ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ BULANIK HEDONİK REGRESYON Gökalp Kadr YENTÜR İSTATİSTİK ANABİLİM DALI ANKARA 011 Her hakkı saklıdır ÖZET Yüksek Lsans Tez BULANIK HEDONİK
DetaylıYAPILARIN ENERJİ ESASLI TASARIMI İÇİN BİR HESAP YÖNTEMİ
YAPILARI EERJİ ESASLI TASARIMI İÇİ BİR HESAP YÖTEMİ Araş. Gör. Onur MERTER Araş. Gör. Özgür BOZDAĞ Prof. Dr. Mustafa DÜZGÜ Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Fen Blmler Ensttüsü
DetaylıYANLI REGRESYON KESTİRİMİNDE SAPAN DEĞERLERİN BELİRLENMESİ İÇİN TANILAMA YÖNTEMLERİ
YANLI REGRESYON KESTİRİMİNDE SAPAN DEĞERLERİN BELİRLENMESİ İÇİN TANILAMA YÖNTEMLERİ Dagnostc Measures for Identfcaton of Outlers n Based Estmaton Asuman Seda TOPÇUBAŞI Fen Blmler Ensttüsü Matematk Anablm
DetaylıÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS EN KÜÇÜK KARELER, RİDGE REGRESYON VE ROBUST REGRESYON YÖNTEMLERİNDE ANALİZ SONUÇLARINA AYKIRI DEĞERLERİN ETKİLERİNİN BELİRLENMESİ ZOOTEKNİ ANABİLİM
DetaylıREGRESYONDA ETKİLİ GÖZLEMLERİ BELİRLEME YÖNTEMLERİ VE KARŞILAŞTIRMALARI. Can DARICA YÜKSEK LİSANS TEZİ İSTATİSTİK
REGRESYONDA ETKİLİ GÖZLEMLERİ BELİRLEME YÖNTEMLERİ VE KARŞILAŞTIRMALARI Can DARICA YÜKSEK LİSANS TEZİ İSTATİSTİK GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ŞUBAT 014 ANKARA Can DARICA tarafından hazırlanan
DetaylıFOTOGRAMETRİK NOKTA AĞLARI İÇİN BASİT BİR OPTİMİZASYON METODU
Selçuk Ünverstes Jeode ve Fotogrametr Mühendslğ Öğretmnde 0. õl Sempoumu6-8 Ekm 00 Kona SUNULMUŞ İLDİRİ FOTOGRMETRİK NOKT ĞLRI İÇİN SİT İR OTİMİSON METODU Esra TUNÇ Jurgen FRIEDRICH Fev KRSLI Karaden Teknk
DetaylıSosyal Bilimlerde Yanlı Regresyon Tahmin Edicilerinin Kullanılması
Eğtmde ve Pskolojde Ölçme ve Değerlendrme Dergs, Kış 00, (), 00-08 Sosyal Blmlerde Yanlı Regresyon Tahmn Edclernn Kullanılması Orkun COŞKUNTUNCEL * Mersn Ünverstes Özet Regresyon analz değşkenler arasındak
DetaylıSaccharomyces cerevisia Maya Hücresinin Büyüme Eğrisinin ANFIS ile Modellenmesi
06 Publshed n 4th Internatonal Symposum on Innovatve Technologes n Engneerng and Scence 3-5 ovember 06 (ISITES06 Alanya/Antalya - Turkey) Saccharomyces cerevsa Maya Hücresnn Büyüme Eğrsnn AFIS le Modellenmes
DetaylıMakine Öğrenmesi 10. hafta
Makne Öğrenmes 0. hafta Lagrange Optmzasonu Destek Vektör Maknes (SVM) Karesel (Quadratc) Programlama Optmzason Blmsel term olarak dlmze geçmş olsa da bazen en leme termle karşılık bulur. Matematktek en
DetaylıCuEEG: EEG Verilerinin Hızlı İşlenmesi için GPU Tabanlı Bir Yaklaşım CuEEG: A GPU-Based Approach for Fast Processing of EEG Data
ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa CuEEG: EEG Verlernn Hızlı İşlenmes çn GPU Tabanlı Br Yaklaşım CuEEG: A GPU-Based Approach for Fast Processng
DetaylıFarklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2 Eşit Varyans
Farklı Varyans Var(u X ) = Var(u ) = E(u ) = s Eşt Varyans Y X 1 Farklı Varyans Hata Var(u X ) = Var(u ) = E(u ) = s Farklı Varyans Zaman EKKY nn varsayımlarından br anakütle regresyon fonksyonu u lern
DetaylıMeteorolojik Verilerin Yapay Sinir Ağları Đle Modellenmesi
KSÜ Fen ve Mühendslk Dergs, 10(1), 2007 148 KSU Journal of Scence and Engneerng, 10(1), 2007 Meteorolojk Verlern Yapay Snr Ağları Đle Modellenmes Kemal ATĐK 1, Emrah DENĐZ 1, Enver YILDIZ 2 1 ZKÜ. Karabük
DetaylıDeprem Tepkisinin Sayısal Metotlar ile Değerlendirilmesi (Newmark-Beta Metodu) Deprem Mühendisliğine Giriş Dersi Doç. Dr.
Deprem Tepksnn Sayısal Metotlar le Değerlendrlmes (Newmark-Beta Metodu) Sunum Anahat Grş Sayısal Metotlar Motvasyon Tahrk Fonksyonunun Parçalı Lneer Interpolasyonu (Pecewse Lnear Interpolaton of Exctaton
DetaylıBulank kümeleme analizi ile ülkelerin turizm istatistikleri bakmndan snflandrlmas
www.istatistikciler.org statistikçiler Dergisi 4 (011) 31-38 statistikçiler Dergisi Bulank kümeleme analizi ile ülkelerin turizm istatistikleri bakmndan snflandrlmas brahim Klç Afyon Kocatepe Üniversitesi,
DetaylıKIRMIZI, TAVUK VE BEYAZ ET TALEBİNİN TAM TALEP SİSTEMİ YAKLAŞIMIYLA ANALİZİ
Süleyman Demrel Ünverstes Sosyal Blmler Ensttüsü Dergs Yıl: 2007/2, Sayı: 6 Journal of Suleyman Demrel Unversty Insttue of Socal Scences Year: 2007/2, Number: 6 KIRMIZI, TAVUK VE BEYAZ ET TALEBİNİN TAM
DetaylıDOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre
1 DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cnemre 2 BİRİNCİ BÖLÜM HEDEF PROGRAMLAMA 1.1 Grş Karar problemler amaç sayısına göre tek amaçlı ve çok amaçlı
DetaylıOnüçüncü Bölüm Zaman Serisi Analizi
OnüçüncüBölüm ZamanSerisiAnalizi Hedefler Buüniteyiçalktansonra; Zaman serisine en uygun tahmin denklemini belirler, Tahmin denklemini kullanarak projeksiyon yapar, Tahminler için yaplan hatay ölçer, Belli
DetaylıEK-1 01 OCAK 2014 TARİHLİ VE 28869 SATILI RESMİ GAZETEDE YAYINLANMIŞTIR.
EK-1 01 OCAK 2014 TARİHLİ VE 28869 SATILI RESMİ GAZETEDE YAYINLANMIŞTIR. Bu Doküman Hakkında TEİAŞ Türkye Elektrk İletm Anonm Şrket İletm Sstem Sstem Kullanım ve Sstem İşletm Tarfelern Hesaplama ve Uygulama
DetaylıBULANIK MODELLEME YAKLAŞIMININ TENÖR KESTİRİMİNDE KULLANILMASI ABSTRACT
BULANIK MODELLEME YAKLAŞIMININ TENÖR KESTİRİMİNDE KULLANILMASI Use of Fuzzy Modelng Approach n Grade Estmaton MADENCİLİK, Clt 45, Sayı, Sayfa 39-47, Hazran 6 Vol.45, No., pp 39-47, June 6 Bülent TÜTMEZ
DetaylıGenel Doğrusal Karışık Modellerde Farklı Kovaryans Yapıları ve Tahmin Yöntemlerinin Performanslarının Karşılaştırılması 1
Hayvansal Üretm 54(): 8-3, 03 Araştırma Makales Genel Doğrusal Karışık Modellerde Farklı Kovaryans Yapıları ve Tahmn Yöntemlernn Performanslarının Karşılaştırılması Gazel Ser *, Barış Kak, Abdullah Yeşlova,
DetaylıKIRIKKALE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ENDÜSTRİ MÜHENDİSLİĞİ ÇOK KRİTERLİ KARAR VERME YÖNTEMLERİNDEN AHP VE TOPSIS İLE KAMP YERİ SEÇİMİ
KIRIKKALE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ENDÜSTRİ MÜHENDİSLİĞİ ÇOK KRİTERLİ KARAR VERME YÖNTEMLERİNDEN AHP VE TOPSIS İLE KAMP YERİ SEÇİMİ Burak KARAHAN Burak PEKEL Neşet BEDİR Cavt CAN Kırıkkale -2014-
DetaylıHANNOVER YAKLAŞIMI İLE GEOMETRİK ANALİZ SÜRECİNE BİR KISA YOL ÖNERİSİ
HAVE YAKLAŞIMI İLE GEMEİK AALİZ SÜECİE Bİ KISA YL ÖEİSİ S. DEMİKAYA,.G. HŞBAŞ, H. EKAYA Yılız eknk Ünverstes, Meslek Yüksekokulu, İstanbul, emrkay@ylz.eu.tr Yılız eknk Ünverstes, İnşaat Fakültes, Jeoez
DetaylıProf. Dr. Nevin Yörük - Yrd. Doç. Dr. S. Serdar Karaca Yrd. Doç. Dr. Mahmut Hekim - Öğr. Grv. İsmail Tuna
Anadolu Ünverstes Sosyal Blmler Dergs Anadolu Unversty Journal of Socal Scences Sermaye Yapısını Etkleyen Faktörler ve Fnansal Oranlar le Hsse Getrs Arasındak İlşknn ANFIS Yöntem le İncelenmes: İMKB de
DetaylıBÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER
BÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER Blmn amaçlarından br yaşanılan doğa olaylarını tanımlamak ve olayları önceden tahmnlemektr. Bu amacı başarmanın yollarından br olaylar üzernde etkl olduğu
DetaylıBALİ KHO BİLİM DERGİSİ CİLT:23 SAYI:2 YIL:2013. BULANIK BOYUT ANALİZİ ve BULANIK VIKOR İLE BİR ÇNKV MODELİ: PERSONEL SEÇİMİ PROBLEMİ.
BULANIK BOYUT ANALİZİ ve BULANIK VIKOR İLE BİR ÇNKV MODELİ: PERSONEL SEÇİMİ PROBLEMİ Özkan BALİ ÖZET Personel seçm organzasyonların başarısını etkleyen en öneml problemlerden brdr. Bu seçm, belrszlk çeren
DetaylıMerkezi Eğilim (Yer) Ölçüleri
Merkez Eğlm (Yer) Ölçüler Ver setn tanımlamak üzere kullanılan ve genellkle tüm elemanları dkkate alarak ver setn özetlemek çn kullanılan ölçülerdr. Ver setndek tüm elemanları temsl edeblecek merkez noktasına
Detaylıİki Durumlu Karışımlı Lojistik Regresyona İlişkin Bir Uygulama. An Application for Binary Mixture Logistic Regression
BİLİŞİM TENOLOJİLERİ DERGİSİ, CİLT: 4, SAYI: 3, EYLÜL 2011 53 İ Durumlu arışımlı Lojst Regresyona İlşn Br Uygulama Yılmaz AYA 1, Abdullah YEŞİLOVA 2 1 Blgsayar Mühendslğ Bölümü, Srt Ünverstes, Srt, Türye
DetaylıSamsun Bölgesindeki Hava Kirliliğinin Neden Olduğu Hastalıkların İstatistiksel Modellenmesi
KFBD Karadenz Fen Blmler Dergs / The Black Sea Journal of Scences 3(8):27-36, 2013 ISSN: 1309-4726 http://kfbd.gresun.edu.tr Samsun Bölgesndek Hava Krllğnn Neden Olduğu Hastalıkların İstatstksel Modellenmes
DetaylıAN IMPLEMENTATION OF INTEGRATED MULTI-CRITERIA DECISION MAKING TECHNIQUES FOR ACADEMIC STAFF RECRUITMENT
Journal of Management, Marketng and Logstcs (JMML), ISSN: 48-6670 Year: 04 Volume: Issue: AN IMPLEMENTATION OF INTEGRATED MULTI-CRITERIA DECISION MAKING TECHNIQUES FOR ACADEMIC STAFF RECRUITMENT Kemal
DetaylıTuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi
Fırat Ünv. Fen ve Müh. Bl. Der. Scence and Eng. J of Fırat Unv. 18 (1), 133-141, 2006 18 (1), 133-141, 2006 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Ömer KELEŞOĞLU ve Adem
DetaylıÜrün geliştirme sürecinde çok amaçlı karar verme yaklaşımı
tüdergs/d mühendslk Clt:5, Sayı:6, 15-26 Aralık 2006 Ürün gelştrme sürecnde çok amaçlı karar verme yaklaşımı Sadettn Emre ALPTEKİN, Ethem TOLGA İTÜ Fen Blmler Ensttüsü, Mühendslk Yönetm Programı, 34469,
Detaylı01.01.2015 tarih ve 29223 sayılı Resmi Gazetede yayımlanmıştır. KURUL KARARI. Karar No: 5398-1 Karar Tarihi: 30/12/2014
01.01.2015 tarh ve 29223 sayılı Resm Gazetede yayımlanmıştır. Enerj Pyasası Düzenleme Kurumundan : KURUL KARARI Karar No: 5398-1 Karar Tarh: 30/12/2014 Enerj Pyasası Düzenleme Kurulunun 30/12/2014 tarhl
DetaylıÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇOKLU İÇ İLİŞKİ VE EKOLOJİK REGRESYON İSTATİSTİK ANABİLİM DALI
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ Berrn GÜLTAY YÜKSEK LİSANS TEZİ ÇOKLU İÇ İLİŞKİ VE EKOLOJİK REGRESYON İSTATİSTİK ANABİLİM DALI ADANA, 9 ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇOKLU
Detaylı