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

Ebat: px
Şu sayfadan göstermeyi başlat:

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

Transkript

1 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 k ya da daha yüksek boyutlu rasgele değşkenler ele alınır. Örneğn, br fabrkada üretlen br çelk parçasının sertlğ ve dayanıklılığı le lglenlp, br tek deneysel netce olarak (sertlk, dayanıklılık) kls göz önüne alınablr. Tanım 5... E br deney ve S de bu deneyle lgl örnek uzay olsun. X X () s ve Y Y() s se, her br her br s S netcesne br gerçek sayı karşılık getren k fonksyon olsun. Bu durumda ( XY, ) klsne k boyutlu br rasgele değşken denr. Tanım 5... Eğer ( XY, ) nn mümkün değerler sonlu ya da sayılablr sonsuz se ( XY, ) ye k boyutlu keskl rasgele değşken denr. Eğer ( XY, ) Ökld düzlemnn sayılamaz br alt kümesndek tüm değerler alıyorsa ( XY, ) ye k boyutlu sürekl rasgele değşken denr. Örneğn, eğer ( XY, ) kls {( x, y) : x y } çember veya {( x, y) : a x b, c y d} dkdörtgen çndek tüm değerler alıyorsa ( XY, ) k boyutlu sürekl rasgele değşken Tanım (Ortak Olasılık Fonksyonu) a) ( XY, ) k boyutlu keskl rasgele değşken olsun. Her br ( x, y ) mümkün netces le aşağıdak koşulları sağlayan ve f ( x, y ) f ( x, y ) P( X x, Y y ) le xy gösterlen fonksyona X ve Y rasgele değşkennn ortak olasılık fonksyonu denr. ( x, y, f ( x, y )) üçlüsüne se ( XY, ) nn olasılık dağılımı denr. () f ( x, y ) 0, ( x, y ) () f ( x, y )

2 b) ( XY, ) düzlemn br R bölgesnde (sayılablr olmayan) tüm değerler alan k boyutlu sürekl rasgele değşken olsun. Aşağıdak koşulları sağlayan br f fonksyonuna ( XY, ) nn ortak olasılık yoğunluk fonksyonu denr. () f ( x, y) 0, xy, () f ( x, y) dxdy Tanım (Ortak Dağılım Fonksyonu) ( XY, ) k boyutlu rasgele değşken olsun. ( XY, ) nn ortak dağılım fonksyonu F( x, y) P( X x, Y y) le tanımlanır. Tanım (Marnal Olasılık Fonksyonu) ( XY, ) k boyutlu rasgele değşken olsun. Breysel olarak X ve Y nn olasılık dağılımları ele alınablr. a) ( XY, ) keskl rasgele değşken se, X n marnal olasılık fonksyonu Y nn marnal olasılık fonksyonu f ( x ) f ( x ) f ( x, y ),,,... x f ( y ) f ( y ) f ( x, y ),,,... y (b) ( XY, ) sürekl rasgele değşken se, X ve Y nn marnal olasılık yoğunluk fonksyonları sırasıyla şeklnde tanımlanır. g( x) f ( x, y) dy, h( y) f ( x, y) dx

3 Tanım (Koşullu Olasılık Fonksyonu) (a) ( XY, ) ortak olasılık yoğunluk fonksyonu f olan k boyutlu sürekl br rasgele değşken ve g ve h sırasıyla X ve Y nn marnal olasılık yoğunluk fonksyonları olsun. Bu durumda verlen br Y y çn X n koşullu olasılık yoğunluk fonksyonu f ( x, y) g( x y), h( y) 0 hy ( ) ve verlen br X x çn Y nn koşullu olasılık yoğunluk fonksyonu f ( x, y) h( y x), g( x) 0 gx ( ) olarak tanımlanır. (b) ( XY, ) k boyutlu keskl rasgele değşken se, koşullu olasılık fonksyonları P( x, y ) p( x y ) P( X x, Y y ), q( y ) 0 qy ( ) ve P( x, y ) q( y x ) P( Y y X x ), p( x ) 0 px ( ) Olarak tanımlanır. Burada P( x, y ), ( XY, ) ortak olasılık fonksyonu ve p( x ) ve q( y ) sırasıyla X ve Y nn marnal olasılık fonksyonlarıdır. Örnek 5... ( XY, ) sürekl rasgele değşkenn ortak olasılık yoğunluk fonksyonu olsun. xy x, 0 x, 0 y f ( x, y) 3 0, dğer 3

4 a) () x [0,] ve y [0,] çn f ( x, y) 0 dır. () 3 xy xy x x x dydx x y dx ( ) b) xy x g( x) ( x ) dy x ve xy ( ) ( ) y h y x dx c) xy x f ( x, y) 3 6x xy g( x y), 0 x, 0 y h( y) y y 6 3 xy x f ( x, y) 3 3x xy 3x y h( y x), 0 x, 0 y g( x) x x 6x x 6x Bağımsız Rasgele Değşkenler Tanım 5... (a) ( XY, ) k boyutlu keskl rasgele değşken ve ( x, y ), ( XY, ) nn olanaklı sonuçları,,,..., m, y,,..., n olsun. X ve Y nn bağımsız olmaları çn gerek ve yeter koşul ( x, y ) çn P( X x, Y y ) P( X x ) P( Y y ) (b) ( XY, ) k boyutlu sürekl rasgele değşken olsun. X ve Y nn bağımsız olmaları çn gerekl ve yeterl koşul br S örnek uzayındak ( xy, ) çn f ( x, y) g( x) h( y) Burada gx ( ) ve hy ( ) sırasıyla X ve Y nn marnal olasılık yoğunluk fonksyonudur. Örnek 5... X ve Y rasgele değşkenlernn ortak olasılık yoğunluk fonksyonu 4

5 olsun. f x y e x y ( xy) (, ), 0, 0 ( x y) x y x x ( ) ( ), 0 g x e dy e e dy e e x 0 0 ( x y) y x y y ( ) ( ), 0 h y e dx e e dx e e y 0 0 x y f ( x, y) e e g( x) h( y) olduğundan X ve Y bağımsız rasgele değşkenler BÖLÜM 6 RASGELE DEĞİŞKENLERİN DİĞER KARAKTERİSTİKLERİ 6.. Beklenen Değer Tanım 6... (Beklenen değer) X rasgele değşken x, x,..., x n,... değerlern f ( x) P( X x) p( x),,..., n,... olasılıklarıyla alan keskl rasgele değşken olsun. X n EX ( ) le gösterlen beklenen değer (matematksel beklents) E( X ) x f ( x ) x f ( x ) x f ( x ) x f ( x ) n n (Bu değere X n ortalaması veya ktle ortalaması denr). X br boyutlu sürekl rasgele değşken olsun. f ( x), X rasgele değşkennn olasılık yoğunluk fonksyonu olmak üzere, X rasgele değşkennn beklenen değer EX ( ) 5

6 olarak tanımlanır. E( X ) xf ( x) dx, x Örnek 6... Br zar br kez atılsın. X üstte görülen noktaların sayısı olsun. Bu durumda 7 EX ( ) olur. Örnek 6... X sürekl rasgele değşkennn olasılık yoğunluk fonksyonu, 0 x f( x) olsun. EX ( ) bulunuz: 0, dğer E( X ) xf ( x) dx Beklenen Değern Özellkler Teorem 6... c br sabt ve X rasgele değşken olmak üzere X=c se E( X ) c Teorem 6... c br sabt ve X rasgele değşken olmak üzere E( cx ) ce( X ) Teorem c ve d brer sabt ve X rasgele değşken olmak üzere E( cx d) ce( X ) d Sonuç 6... X rasgele değşken olmak üzere E( X E( X )) 0 dır. 6

7 Tanım 6... (Br rasgele değşkennn fonksyonunun beklenen değer) X rasgele değşken olsun. Y g( X ), X rasgele değşkennn br fonksyonu olarak tanımlansın. () X keskl rasgele değşken se, E( g( X )) g( x) f ( x) () X sürekl rasgele değşken se, E( g( X )) g( x) f ( x) dx Örnek 6... X rasgele değşkennn olasılık dağılımı X x f ( x) P( X x) olarak verlyor. Buna göre; EX ( ) (a) E( X ) E( X ) (b) E(3X ) (c) (d) 6 3 EX ( ) E(X ) E( X ) Varyans Tanım (Varyans) Br X rasgele değşkennn V( X ) veya X olarak gösterlen varyansı aşağıdak gb tanımlanır. 7

8 V ( X ) X E X E( X ) (a) X keskl rasgele değşken se, n X x E X f x ( ( )) ( ) (b) X sürekl rasgele değşken se, X ( x E( X )) f ( x) dx. Tanım (Standart sapma) X, μ ortalamalı keskl veya sürekl rasgele değşken olsun. X n standart sapması, X, varyansın kareköküdür, yan X var( X ) E X. olarak tanımlanır. Teorem X, EX ( ) ortalamalı ve V( X) varyanslı br rasgele değşken se, E( X ) E( X ) E( X ) 6.4. Varyansın Özellkler Teorem a br sabt ve X rasgele değşken olsun. V ax ( ) a V( X ). Teorem b br sabt ve X rasgele değşken olsun. V( X b) V( X ). 8

9 Sonuç a ve b sabtler ve X rasgele değşken olsun. V ax b a V X ( ) ( ) BÖLÜM 7 BAZI KESİKLİ OLASILIK DAĞILIMLARI 7.. Bernoull Dağılımı Uygulamaların çoğunda br deneme çn genellkle başarılı ya da başarısız olarak ntelendrlen k sonuçla lglenlr. Böyle denemelere Bernoull denemeler denr. Tanım 7... Br X rasgele değşken çn yalnız k sonuç varsa, X e Bernoull rasgele değşken denr. Tanım 7... X rasgele değşken 0 ve değerlern alsın. X n olasılık fonksyonu P( X ) p P( X 0) p q veya f x P X x p q x x x ( ) ( ). 0, Bu dağılıma Bernoull dağılımı denr. Teorem 7... X, Bernoull dağılımına sahp rasgele değşken olsun. Bu durumda dır. E( X ) p ve E( X ) E( X ) p. q Örnek 7... Ardışık üç Bernoull denemesnde P(üçüde başarılı)=0,008 se, üç denemenn üçünün de başarısız olma olasılığı nedr? p 0,008 p 0, q 0, 0,8 q (0,8) 0,5 9

10 7.. Bnom Dağılımı(İk Terml Dağılım) Bernoull denemelernn br dzsnden oluşan deneye Bnom deney denr. Tanım 7... Brbrnden bağımsız n özdeş Bernoull denemesnden başarılı olanların toplam sayısı X rasgele değşken olsun. Br tek deneme çn başarılı olma olasılığı p, başarısız olma olasılığı -p=q se aşağıdak koşulları sağlayan X rasgele değşkenne Bnom rasgele değşken denr. () Deney n özdeş denemeden oluşmaktadır. () Her br deneme çn yalnız sonuç vardır.(başarılı-başarısız) ()Başarı olasılığı p her deneme çn aynıdır ve q=-p (v) Denemeler brbrnden bağımsızdır. Tanım 7... Brbrnden bağımsız n özdeş Bernoull denemes çn X, her br denemede başarı olasılığı p, başarısızlık olasılığı q olan bnom rasgele değşken se, X n olasılık fonksyonu n x nx f ( x). p. q, x=0,,...n x Bu dağılıma Bnom dağılımı denr. Teorem 7... X, Bnom dağılımına sahp rasgele değşken olsun. Bu durumda E( X ) np V ( X ) E( X ) E( X ) npq Örnek çocuklu br alede erkek çocuk olma olasılığı nedr? n p, q P( x ) f ().. 3 x 0

11 7.3. Posson Dağılımı Tanım Bell br zaman veya hacmde gözlenen başarıların sayısı X olsun. Eğer aşağıdak koşullar sağlanıyorsa X e Posson rasgele değşken denr: () X keskl br rasgele değşken () Tekrarlar rasgele () Tekrarlar bağımsızdır. Tanım X, 0,, değerlern alablen br Posson rasgele değşken olsun. X n olasılık fonksyonu aşağıdak gbdr: x e. f ( x) P( X x), x=0,,..., 0 x! Teorem X rasgele değşken Posson dağılımına sahp olsun. E( X ) ve V( X ) Örnek Saat 9:00 dan 9:05 e kadar operatörün aldığı telefon konuşmalarının sayısı olan Posson dağılımına sahptr. Br sonrak gün aynı zaman aralığında operatörün telefon konuşması almaması olasılığı nedr? 0 e. X 0 f(0)= 0, ! e 7.4. Düzgün Dağılımı Tanım7.4.. X rasgele değşkennn alableceğ değerler x, x,..., x N ve X n olasılık fonksyonu f ( x) P( X x),,..., N N

12 olsun. Bu durumda X rasgele değşkenne keskl düzgün rasgele değşken ve dağılımına da keskl düzgün dağılım denr. Teorem X keskl düzgün rasgele değşken olsun. Bu durumda aşağıdakler doğrudur. N E( X ) ve V ( X ) N Örnek Br para kez atılıyor. Turaların sayısının dağılımı nedr? N f ( x) x=0, 3 E(X)= 3 V( X) 4 BÖLÜM 8 BAZI SÜREKLİ OLASILIK DAĞILIMLARI 8.. Normal Dağılım Tanım 8... Sürekl rasgele değşken X n olasılık yoğunluk fonksyonu X x f ( x) e 0 se X rasgele değşkenne normal dağılıma sahptr denr. Burada μ dağılımın ortalaması ve σ dağılımın standart sapmasıdır. Bu fade X N(, ) le gösterlr; Ortalama (Beklenen) Değer: EX ( ), Varyans: V( X). Tanım 8... X N(, ) se, X n a ve b değerler arasında bulunma olasılığı

13 b x ( ) P( a X b) e dx a f( x) eğrs altında, x eksennn yukarısında ve x a, x b doğruları arasında kalan alandır. Teorem 8... X N(, ) se Y ax b X N a b a (, ) Örnek 8... X N(4,) Y 5X 4 ün dağılımını bulunuz. Y N N (54 4,5 ) (4,50) 8.. Standart Normal Dağılım Tanım 8... Br X normal rasgele değşken çn 0 yoğunluk fonksyonu x f ( x) e, x ve se, X n olasılık Bu durumda X rasgele değşkenne standart normal dağılıma sahp rasgele değşken ve dağılıma da standart normal dağılım (Brm Normal Dağılım) denr ve X N (0,) olarak yazılır. Burada f ( x) 0 ve f ( x) dx Yan, x e dx olduğuna dkkat edlmel Teorem 8... dağılıma sahptr. X N(, ) Z X rasgele değşken N (0,) standart normal 3

14 Örnek 8... Br sınıftak öğrenclern boy uzunlukları E( X ) 65 ve V( X ) 9 olan br normal dağılıma sahptr. PX ( 6)? X 65 X N(65,9) ve Z Z P( Z ) 3 P( Z ) 0,5 P( Z ) 0,5 0,343 0,587. (Burada z çn tablo değer 0,343 tür.) 8.3. Düzgün Dağılım Tanım X rasgele değşkennn olasılık yoğunluk fonksyonu f ( x) a x b b a se, X rasgele değşkenne sürekl düzgün dağılıma sahp rasgele değşken ve dağılımına da sürekl düzgün dağılım denr. Teorem X düzgün dağılıma sahp rasgele değşken se ( ) ( ) a b ve ( ) b E X V X a 8.4. Üstel Dağılım Tanım X 0 rasgele değşkennn olasılık yoğunluk fonksyonu x e, x0, 0 f( X) 0, dğer se, bu durumda X sürekl rasgele değşkenne üstel dağılıma sahp br rasgele değşken ve dağılıma da üstel dağılım denr. Teorem X üstel dağılıma sahp rasgele değşken olsun. Bu durumda E( X ) ve V( X ) 4

15 Örnek Br öğrenc sınavda saatte ortalama 0 soru cevaplamaktadır. Br soruyu cevaplandırmak çn gereken sürenn üstel dağılıma sahp olduğunu varsayalım. Öğrencnn lk soruyu 5 dakka veya daha uzun sürede çözmes olasılığı nedr? X: soruyu çözmek çn gereken süre olsun. Bu öğrenc saatte 0 soru çözüyorsa soruyu yaklaşık 3 dakkada çözüyor demektr. EX ( ) 3 3 tür. x x x P( X 5) e dx e dx e e dır. 5

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

Rasgele Vektörler Çok Değişkenli Olasılık Dağılımları

Rasgele Vektörler Çok Değişkenli Olasılık Dağılımları 4.Ders Rasgele Vektörler Çok Değişkenli Olasılık Dağılımları Tanım:,U, P bir olasılık uzayı ve X, X,,X n : R n X, X,,X n X, X,,X n olmak üzere, her a, a,,a n R n için : X i a i, i,, 3,,n U özelliği sağlanıyor

Detaylı

6. NORMAL ALT GRUPLAR

6. NORMAL ALT GRUPLAR 6. ORMAL ALT GRUPLAR G br grup ve olsun. 5. Bölümden çn eştlğnn her zaman doğru olamayacağını blyoruz. Fakat bu özellğ sağlayan gruplar, grup teorsnde öneml rol oynamaktadır. Bu bölümde bu tür grupları

Detaylı

ÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU

ÇOKLU 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

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

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

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

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

OLASILIK. Bölüm 4. Temel Tanımlar ve Kavramlar-I. Olasılık

OLASILIK. Bölüm 4. Temel Tanımlar ve Kavramlar-I. Olasılık ölüm 4 Olasılık OLSILIK opulasyon hakkında blg sahb olmak amacı le alınan örneklerden elde edlen blgler bre br doğru olmayıp heps mutlaka br hata payı taşımaktadır. u hata payının ortaya çıkmasının sebeb

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

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

Farklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2 Eşit Varyans

Farklı 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

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

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

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

Communication Theory

Communication Theory Communcaton Theory ENFORMASYON TEORİSİ KODLAMA Doç. Dr. Hakan Doğan ENFORMASYON DEYİMİ NEDEN KULLANILMIŞ? Kaynaklarn, kanalların,alıcıların blg karakterstklern ncelemek. Blgnn letmn optmze etmek çn İletmn

Detaylı

DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre

DOĞRUSAL 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

Detaylı

1. KEYNESÇİ PARA TALEBİ TEORİSİ

1. KEYNESÇİ PARA TALEBİ TEORİSİ DERS NOTU 07 KEYNESÇİ PARA TALEBİ TEORİSİ, LM EĞRİSİ VE PARA TALEBİ FAİZ ESNEKLİĞİ Bugünk dersn çerğ: 1. KEYNESÇİ PARA TALEBİ TEORİSİ... 1 1.1 İŞLEMLER (MUAMELELER) TALEBİ... 2 1.2 ÖNLEM (İHTİYAT) TALEBİ...

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

TESADÜFİ DEĞİŞKENLERLE İLGİLİ BAZI YAKINSAKLIK ÇEŞİTLERİNİN KARŞILAŞTIRILMASI

TESADÜFİ DEĞİŞKENLERLE İLGİLİ BAZI YAKINSAKLIK ÇEŞİTLERİNİN KARŞILAŞTIRILMASI ISSN:1306-3111 e-journal of New Worl Scences Acaemy 2008, Volume: 3, Number: 4 Artcle Number: A0108 NATURAL AND APPLIED SCIENCES MATHEMATICS APPLIED MATHEMATICS Receve: March 2008 Accepte: September 2008

Detaylı

PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ. χ 2 Kİ- KARE TESTLERİ. Doç.Dr. Ali Kemal ŞEHİRLİOĞLU Araş.Gör. Efe SARIBAY

PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ. χ 2 Kİ- KARE TESTLERİ. Doç.Dr. Ali Kemal ŞEHİRLİOĞLU Araş.Gör. Efe SARIBAY PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ- KARE TESTLERİ Doç.Dr. Al Kemal ŞEHİRLİOĞLU Araş.Gör. Efe SARIAY Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı,

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

OLASILIK KURAMI. Temel Tanımlar ve Kavramlar-III. Temel Tanımlar ve Kavramlar-II. Temel Tanımlar ve Kavramlar-I OLASILIK

OLASILIK KURAMI. Temel Tanımlar ve Kavramlar-III. Temel Tanımlar ve Kavramlar-II. Temel Tanımlar ve Kavramlar-I OLASILIK Dr. Mehmet KSRYLI OLSILIK OLSILIK KURMI Dokuz Eylül Ünverstes Ekonometr Böl. www.mehmetaksarayl.com Populasyon hakkında blg sahb olmak amacı le alınan örneklerden elde edlen blgler bre br doğru olmayıp

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

ALGILANAN HİZMET KALİTESİ VE LOJİSTİK REGRESYON ANALİZİ İLE HİZMET TERCİHİNE ETKİSİNİN BELİRLENMESİ. Özet

ALGILANAN HİZMET KALİTESİ VE LOJİSTİK REGRESYON ANALİZİ İLE HİZMET TERCİHİNE ETKİSİNİN BELİRLENMESİ. Özet Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Yayın Gelş Tarh: 18.02.2011 Clt: 13, Sayı: 1, Yıl: 2011, Sayfa: 21-37 Yayına Kabul Tarh: 17.03.2011 ISSN: 1302-3284 ALGILANAN HİZMET KALİTESİ VE LOJİSTİK

Detaylı

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

Tek Yönlü Varyans Analizi

Tek Yönlü Varyans Analizi Tek Yönlü Varyan Analz Nedr ve hang durumlarda kullanılır? den fazla grupların karşılaştırılmaı öz konuu e, çok ayıda t-tet nn kullanılmaı, Tp I hatanın artmaına yol açar; Örneğn, eğer 5 grubu kşerl olarak

Detaylı

YÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA

YÖNETİM 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.,

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

ADIYAMAN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YÜKSEK LİSANS TEZİ SOFT KÜMELER VE BAZI SOFT CEBİRSEL YAPILAR.

ADIYAMAN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YÜKSEK LİSANS TEZİ SOFT KÜMELER VE BAZI SOFT CEBİRSEL YAPILAR. ADIYAMAN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YÜKSEK LİSANS TEZİ SOFT KÜMELER VE BAZI SOFT CEBİRSEL YAPILAR Ebubekr İNAN DANIŞMAN Yrd. Doç. Dr. Mehmet Al ÖZTÜRK ADIYAMAN 2011 Her

Detaylı

PORTFÖY OPTİMİZASYONU. Doç.Dr.Aydın ULUCAN

PORTFÖY OPTİMİZASYONU. Doç.Dr.Aydın ULUCAN PORTFÖY OPTİMİZASYOU Doç.Dr.Aydın ULUCA KARAR VERME Karar verme, ş dünyasının çalışmasını sağlayan temel unsurlardandır. Tüm yönetcler, bulundukları faalyet alanı ve kademelernden bağımsız olarak stratejk

Detaylı

YAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS

YAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS YAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS NURAY TUNCER PROF. DR. DURDU KARASOY Tez Danışmanı Hacettepe Ünverstes Lsansüstü Eğtm-Öğretm Yönetmelğnn İstatstk Anablm Dalı İçn Öngördüğü

Detaylı

bir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre

bir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak

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

UYGULAMA 2. Bağımlı Kukla Değişkenli Modeller

UYGULAMA 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.

Detaylı

OLASILIK ve ÝSTATÝSTÝK ( Genel Tekrar Testi-1) KPSS MATEMATÝK. Bir anahtarlıktaki 5 anahtardan 2 si kapıyı açmak - tadır.

OLASILIK ve ÝSTATÝSTÝK ( Genel Tekrar Testi-1) KPSS MATEMATÝK. Bir anahtarlıktaki 5 anahtardan 2 si kapıyı açmak - tadır. OLASILIK v ÝSTATÝSTÝK ( Gnl Tkrar Tsti-1) 1. Bir anahtarlıktaki 5 anahtardan si kapıyı açmak - tadır. Açmayan anahtar bir daha dnnmdiğin gör, bu kapının n çok üçüncü dnmd açılma olasılığı kaçtır? 5 6 7

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

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

KOCAELİ ÜNİVERSİTESİ Mühendislik Fakültesi Makina Mühendisliği Bölümü Mukavemet I Vize Sınavı (2A)

KOCAELİ ÜNİVERSİTESİ Mühendislik Fakültesi Makina Mühendisliği Bölümü Mukavemet I Vize Sınavı (2A) KOCELİ ÜNİVERSİTESİ Mühendslk akültes Makna Mühendslğ Bölümü Mukavemet I Vze Sınavı () dı Soyadı : 18 Kasım 013 Sınıfı : No : SORU 1: Şeklde verlen levhalar aralarında açısı 10 o la 0 o arasında olacak

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

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

Örnek Uzay: Bir deneyin tüm olabilir sonuçlarının kümesine Örnek Uzay denir. Genellikle harfi ile gösterilir.

Örnek Uzay: Bir deneyin tüm olabilir sonuçlarının kümesine Örnek Uzay denir. Genellikle harfi ile gösterilir. BÖLÜM 3. OLASILIK ve OLASILIK DAĞILIMLARI Rasgele Sonuçlu Deney: Sonuçlarının kümesi belli olan, ancak hangi sonucun ortaya çıkacağı önceden söylenemeyen bir işleme Rasgele Sonuçlu Deney veya kısaca Deney

Detaylı

Hasar sıklıkları için sıfır yığılmalı kesikli modeller

Hasar 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

Detaylı

KAMU PERSONEL SEÇME SINAVI ÖĞRETMENLİK ALAN BİLGİSİ TESTİ ORTAÖĞRETİM MATEMATİK ÖĞRETMENLİĞİ TG 9 ÖABT ORTAÖĞRETİM MATEMATİK Bu testlerin her hakkı saklıdır. Hangi amaçla olursa olsun, testlerin tamamının

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

BULANIK HEDEF PROGRAMLAMA VE BİR TEKSTİL FİRMASINDA UYGULAMA ÖRNEĞİ

BULANIK 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

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

YER ÖLÇÜLERİ. Yer ölçüleri, verilerin merkezini veya yığılma noktasını belirleyen istatistiklerdir.

YER ÖLÇÜLERİ. Yer ölçüleri, verilerin merkezini veya yığılma noktasını belirleyen istatistiklerdir. YER ÖLÇÜLERİ Yer ölçüler, verler merkez veya yığılma oktasıı belrleye statstklerdr. Grafkler bze verler yığılma oktaları hakkıda ö blg vermede yardımcı olurlar. Acak bu değerler gerçek değerler değldr,

Detaylı

1981 ÜYS Soruları. 1. Bir top kumaşın önce i, sonra da kalanın ü. satılıyor. Geriye 26 m kumaş kaldığına göre, kumaşın tümü kaç metredir?

1981 ÜYS Soruları. 1. Bir top kumaşın önce i, sonra da kalanın ü. satılıyor. Geriye 26 m kumaş kaldığına göre, kumaşın tümü kaç metredir? 98 ÜYS Sorulrı. r top kumşın önce, sonr d klnın ü 5 stılıor. Gere 6 m kumş kldığın göre, kumşın tümü kç metredr? ) 7 ) 65 ) 6 ) 55 ) 5 4. r şekln, u brm uzunluğun göre ln ölçüsü, v brm uzunluğun göre ln

Detaylı

ALTERNATİF AKIM DEVRE YÖNTEM VE TEOREMLER İLE ÇÖZÜMÜ

ALTERNATİF AKIM DEVRE YÖNTEM VE TEOREMLER İLE ÇÖZÜMÜ BÖLÜM 6 ALTERNATİF AKIM DEVRE ÖNTEM VE TEOREMLER İLE ÇÖZÜMÜ 6. ÇEVRE AKIMLAR ÖNTEMİ 6. SÜPERPOZİSON TEOREMİ 6. DÜĞÜM GERİLİMLER ÖNTEMİ 6.4 THEVENİN TEOREMİ 6.5 NORTON TEOREMİ Tpak GİRİŞ Alternatf akımın

Detaylı

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ Gülesen ÜSTÜNDAĞ BAZI PARAMETRİK OLMAYAN İSTATİSTİKSEL YÖNTEMLERİN İNCELENMESİ İSTATİSTİK ANABİLİM DALI ADANA, 005 ÇUKUROVA ÜNİVERSİTESİ

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

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

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

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

Tahmin Edicilerin ve Test Đstatistiklerinin Simülasyon ile Karşılaştırılması

Tahmin Edicilerin ve Test Đstatistiklerinin Simülasyon ile Karşılaştırılması . Ders ĐSTATĐSTĐKTE SĐMÜLASYON Tahm Edcler ve Test Đstatstkler Smülasyo le Karşılaştırılması Đstatstk rasgelelk olgusu çere olay süreç ve sstemler modellemesde özellkle bu modellerde souç çıkarmada ve

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

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

NİTEL TERCİH MODELLERİ

NİTEL 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:

Detaylı

YAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE

YAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE BAÜ Fen Bl. Enst. Dergs (6).8. YAYII YÜK İE YÜKENİŞ YAPI KİRİŞERİNDE GÖÇE YÜKÜ HESABI Perhan (Karakulak) EFE Balıkesr Ünverstes ühendslk marlık Fakültes İnşaat üh. Bölümü Balıkesr, TÜRKİYE ÖZET Yapılar

Detaylı

FİNANSAL MODELLEME. Doç.Dr.Aydın ULUCAN Hacettepe Üniversitesi

FİNANSAL MODELLEME. Doç.Dr.Aydın ULUCAN Hacettepe Üniversitesi FİNANSAL MODELLEME Doç.Dr.Aydın ULUCAN Hacettepe Ünverstes KARAR VERME Karar verme, ş dünyasının çalışmasını sağlayan temel unsurlardandır. Tüm yönetcler, bulundukları faalyet alanı ve kademelernden bağımsız

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

İki veri setinin yapısının karşılaştırılması

İki veri setinin yapısının karşılaştırılması İk ver set yapısıı karşılaştırılması Dağılım: 6,6,6 Ortalama: 6 Medya: 6 Mod: 6 td. apma: 0 Dağılım: 0,6,1 Ortalama: 6 Medya: 6 Mod: çoklu mod td: apma: 6 Amaç: Görüe Ötese Bakablmek Verler değşkelk durumuu

Detaylı

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇOKLU İÇ İLİŞKİ VE EKOLOJİK REGRESYON İSTATİSTİK ANABİLİM DALI

ÇUKUROVA 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

Standart Model (SM) Lagrange Yoğunluğu. u, d, c, s, t, b. e,, Şimdilik nötrinoları kütlesiz Kabul edeceğiz. Kuark çiftlerini gösterelim.

Standart Model (SM) Lagrange Yoğunluğu. u, d, c, s, t, b. e,, Şimdilik nötrinoları kütlesiz Kabul edeceğiz. Kuark çiftlerini gösterelim. SM de yer alacak fermyonlar Standart Model (SM) agrange Yoğunluğu u s t d c b u, d, c, s, t, b e e e,, Şmdlk nötrnoları kütlesz Kabul edeceğz. Kuark çftlern gösterelm. u, c ve t y u (=1,,) olarak gösterelm.

Detaylı

TEMEL DEVRE KAVRAMLARI VE KANUNLARI

TEMEL DEVRE KAVRAMLARI VE KANUNLARI TDK Temel Devre Kavramları ve Kanunları /0 TEMEL DEVRE KAVRAMLARI VE KANUNLARI GĐRĐŞ: Devre analz gerçek hayatta var olan fzksel elemanların matematksel olarak modellenerek gerçekte olması gereken sonuçların

Detaylı

Cinsiyet Değişkeni Bağlamında Harcama Alt Grupları ve Gelir Đlişkisi: Dumlupınar Üniversitesi Öğrencileri Üzerine Bir Uygulama.

Cinsiyet Değişkeni Bağlamında Harcama Alt Grupları ve Gelir Đlişkisi: Dumlupınar Üniversitesi Öğrencileri Üzerine Bir Uygulama. Cnsye Değşken Bağlamında Harcama Al Grupları ve Gelr Đlşks: Dumlupınar Ünverses Öğrencler Üzerne Br Uygulama Mahmu ZORTUK * Öze: Đksa blmnn en öneml konuları arasında yer alan gelr le ükem lşks her dönem

Detaylı

ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI

ENDÜSTRİNİN 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

Detaylı

OLASILIK. P(A) = şeklinde ifade edilir.

OLASILIK. P(A) = şeklinde ifade edilir. OLASILIK Olasılık belirli bir olayın olabilirliğinin sayısal ölçüsüdür. Olasılık bir diğer ifadeyle bir olayın meydana gelme şansının sayısal ifadesidir. 17 yy. da şans oyunlarıyla birlikte kullanılmaya

Detaylı

ZKÜ Mühendislik Fakültesi - Makine Mühendisliği Bölümü ISI VE TERMODİNAMİK LABORATUVARI Sudan Suya Türbülanslı Akış Isı Değiştirgeci Deney Föyü

ZKÜ Mühendislik Fakültesi - Makine Mühendisliği Bölümü ISI VE TERMODİNAMİK LABORATUVARI Sudan Suya Türbülanslı Akış Isı Değiştirgeci Deney Föyü ZKÜ Müendslk Fakültes - Makne Müendslğ Bölümü Sudan Suya Türbülanslı Akış Isı Değştrge Deney Föyü Şekl. Sudan suya türbülanslı akış ısı değştrge (H950 Deneyn adı : Boru çnde sudan suya türbülanslı akışta

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

Araş.Gör. Efe SARIBAY

Araş.Gör. Efe SARIBAY GÜVEN ARALIKLARI (ARALIK TAHMİNİ) ALIŞTIRMA SORULARI Araş.Gör. Efe SARIBAY 1) Bir hisse senedinin $ bazında fiyatının ortalamasını incelemek için yapılan bir araştırmada 18 gün boyunca hisse senedinin

Detaylı

4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ

4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ Ünsal M.; Varol, A.: Soğutma Kulelernn Boyutlandırılması İçn Br Kuramsal 8 Mayıs 990, S: 8-85, Adana 4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ Asaf Varol Fırat Ünverstes, Teknk Eğtm Fakültes,

Detaylı

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences Pamukkale Ünverstes Mühendslk Blmler Dergs, Clt 0, Sayı 3, 04, Sayfalar 85-9 Pamukkale Ünverstes Mühendslk Blmler Dergs Pamukkale Unversty Journal of Engneerng Scences PREFABRİK ENDÜSTRİ YAPIARININ ARMONİ

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

10. Sınıf Matemat k Ders İşleme Defter. Altın Kalem Yayınları

10. Sınıf Matemat k Ders İşleme Defter. Altın Kalem Yayınları 10. Sınıf Matemat k Ders İşleme Defter OLASILIK Altın Kalem Yayınları KOŞULLU OLASILIK Bas t olayların olma olasılıklarını 9. sınıf matemat k konularında şlem şt k. Ş md yapacağımız se daha karmaşık olayların

Detaylı

DÜŞEY ELEKTRİK SONDAJI VERİLERİNİN YORUMU

DÜŞEY ELEKTRİK SONDAJI VERİLERİNİN YORUMU DÜŞEY ELEKTRİK SONDAJI VERİLERİNİN YORUMU Prof.Dr. Ahmet Tuğrul BAŞOKUR Jeofzk Mühendslğ Bölümü Mayıs 4 İletşm: Prof. Dr. Ahmet T. BAŞOKUR Ankara Ünverstes, Mühendslk Fakültes Jeofzk Mühendslğ Bölümü 6

Detaylı

İSTATİSTİK. Doç. Dr. Suat ŞAHİNLER Arş.Gör. Özkan GÖRGÜLÜ

İSTATİSTİK. Doç. Dr. Suat ŞAHİNLER Arş.Gör. Özkan GÖRGÜLÜ İSTATİSTİK Doç. Dr. Suat ŞAHİNLER Arş.Gör. Özka GÖRGÜLÜ Tavsye Edle Kayak Ktaplar Her öğrec keds tuttuğu düzel otlar.. Akar, M. ve S. Şahler, (997). İstatstk. Ç.Ü. Zraat Fakültes Geel Yayı No: 74, Ders

Detaylı

Fumonic 3 radio net kablosuz duman dedektörü. Kiracılar ve mülk sahipleri için bilgi

Fumonic 3 radio net kablosuz duman dedektörü. Kiracılar ve mülk sahipleri için bilgi Fumonc 3 rado net kablosuz duman dedektörü Kracılar ve mülk sahpler çn blg Tebrk ederz! Darenze akıllı fumonc 3 rado net duman dedektörler monte edlmştr. Bu şeklde ev sahbnz yasal donanım yükümlülüğünü

Detaylı

MATLAB GUI İLE DA MOTOR İÇİN PID DENETLEYİCİLİ ARAYÜZ TASARIMI INTERFACE DESING WITH PID CONTROLLER FOR DC MOTOR BY MATLAB GUI

MATLAB GUI İLE DA MOTOR İÇİN PID DENETLEYİCİLİ ARAYÜZ TASARIMI INTERFACE DESING WITH PID CONTROLLER FOR DC MOTOR BY MATLAB GUI İler Teknoloj Blmler Dergs Clt 2, Sayı 3, 10-18, 2013 Journal of Advanced Technology Scences Vol 2, No 3, 10-18, 2013 MATLAB GUI İLE DA MOTOR İÇİN PID DENETLEYİCİLİ ARAYÜZ TASARIMI M. Fath ÖZLÜK 1*, H.

Detaylı

Veride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir?

Veride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir? MEH535 Örünü Tanıma 7. Kümeleme (Cluserng) Doç.Dr. M. Kemal GÜLLÜ Elekronk ve Haberleşme Mühendslğ Bölümü web: hp://akademkpersonel.kocael.edu.r/kemalg/ E-posa: kemalg@kocael.edu.r Verde eke blgs yok Denemsz

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

FARKLI VERİ YAPILARINDA KULLANILABİLECEK REGRESYON YÖNTEMLERİ

FARKLI 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

Detaylı

TEKNOLOJİ BAĞIMLI YAŞAMIN MATEMATİKSEL DESENLERİ-I

TEKNOLOJİ BAĞIMLI YAŞAMIN MATEMATİKSEL DESENLERİ-I TEKNOLOJİ BAĞIMLI YAŞAMIN MATEMATİKSEL DESENLERİ-I Fevz ÜNLÜ *, Esra DALAN YILDIRIM **,Şule AYAR *** ÖZET: Evren her an nano-önces, nano, mkro, normal, makro ve makro-ötes gözler le gözlemlermze açıktır.

Detaylı

ÇOK BĐLEŞENLĐ DAMITMA KOLONU TASARIMI PROF. DR. SÜLEYMAN KARACAN

ÇOK BĐLEŞENLĐ DAMITMA KOLONU TASARIMI PROF. DR. SÜLEYMAN KARACAN ÇOK BĐLEŞENLĐ DAMITMA KOLONU TASARIMI PROF. DR. SÜLEYMAN KARACAN 1 DAMITMA KOLONU Kmya ve buna bağlı endüstrlerde en çok kullanılan ayırma proses dstlasyondur. Uygulama alanı antk çağda yapılan alkol rektfkasyonundan

Detaylı

Sıfır Ağırlıklı Sayma ile Elde Edilen Veriler İçin Çok Seviyeli ZIP Regresyon * Multilevel ZIP Regression for Zero-Inflated Count Data

Sıfır 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

Detaylı

ÇOK DURUMLU AĞIRLIKLANDIRILMIŞ BİLEŞENLİ SİSTEMLERİN DİNAMİK GÜVENİLİRLİK ANALİZİ

ÇOK DURUMLU AĞIRLIKLANDIRILMIŞ BİLEŞENLİ SİSTEMLERİN DİNAMİK GÜVENİLİRLİK ANALİZİ T.C. KARA HARP OKULU SAVUNMA BİLİMLERİ ENSTİTÜSÜ HAREKÂT ARAŞTIRMASI ANA BİLİM DALI ÇOK DURUMLU AĞIRLIKLANDIRILMIŞ BİLEŞENLİ SİSTEMLERİN DİNAMİK GÜVENİLİRLİK ANALİZİ DOKTORA TEZİ Hazırlayan Al Rıza BOZBULUT

Detaylı

ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ

ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ Emel KOCADAYI EGE ÜNİVERSİTESİ MÜH. FAK., KİMYA MÜH. BÖLÜMÜ, 35100-BORNOVA-İZMİR ÖZET Bu projede, Afyon Alkalot Fabrkasından

Detaylı

TEKNOLOJĐK ARAŞTIRMALAR

TEKNOLOJĐK ARAŞTIRMALAR www.teknolojkarastrmalar.com ISSN:134-4141 Makne Teknolojler Elektronk Dergs 28 (1) 61-68 TEKNOLOJĐK ARAŞTIRMALAR Kısa Makale Tabakalı Br Dskn Termal Gerlme Analz Hasan ÇALLIOĞLU 1, Şükrü KARAKAYA 2 1

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

PROJE PLANLAMASINDA BULANIK HEDEF PROGRAMLAMA YAKLAŞIMI. Müh. Ramadan VATANSEVER

PROJE PLANLAMASINDA BULANIK HEDEF PROGRAMLAMA YAKLAŞIMI. Müh. Ramadan VATANSEVER İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ PROJE PLANLAMASINDA BULANIK HEDEF PROGRAMLAMA YAKLAŞIMI YÜKSEK LİSANS TEZİ Müh. Ramadan VATANSEVER Anablm Dalı: İşletme Mühendslğ Programı: İşletme

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

Direct Decomposition of A Finitely-Generated Module Over a Principal Ideal Domain *

Direct Decomposition of A Finitely-Generated Module Over a Principal Ideal Domain * BİR ESAS İDEAL BÖLGESİ ÜZERİNDEKİ SONLU DOĞURULMUŞ BİR MODÜLÜN DİREK PARÇALANIŞI * Drec Decompoon of A Fnely-Generaed Module Over a Prncpal Ideal Doman * Zeynep YAPTI Fen Blmler Enüü Maemak Anablm Dalı

Detaylı

Fen ve Mühendislik için Fizik 1 Ders Notları: Doç.Dr. Ahmet CANSIZ

Fen ve Mühendislik için Fizik 1 Ders Notları: Doç.Dr. Ahmet CANSIZ 9. ÇİZGİSEL (OĞRUSAL) OENTU VE ÇARPIŞALAR 9. Kütle erkez Ssten kütle erkeznn yern ssten ortalaa konuu olarak düşüneblrz. y Δ Δ x x + x = + Teraz antığı le düşünürsek aşağıdak bağıntıyı yazablrz: Δ= x e

Detaylı

Dersin Yürütülmesi Hakkında. (Örgün / Yüz Yüze Eğitim için) (Harmanlanmış Eğitim için) (Uzaktan Eğitim için)

Dersin Yürütülmesi Hakkında. (Örgün / Yüz Yüze Eğitim için) (Harmanlanmış Eğitim için) (Uzaktan Eğitim için) Ders Kodu Teork Uygulama Lab. Uluslararası Muhasebe ve Fnansal Raporlama Standartları Ulusal Kred Öğretm planındak AKTS 344000000000510 3 0 0 3 6 Ön Koşullar : Bu dersn ön koşulu ya da yan koşulu bulunmamaktadır.

Detaylı

Çok Parçalı Basınç Çubukları

Çok Parçalı Basınç Çubukları Çok Parçalı Basınç Çubukları Çok parçalı basınç çubukları genel olarak k gruba arılır. Bunlar; a) Sürekl brleşk parçalardan oluşan çok parçalı basınç çubukları b) Parçaları arasında aralık bulunan çok

Detaylı

TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI

TÜKETİCİ 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

Detaylı

YARIPARAMETRİK KISMİ DOĞRUSAL PANEL VERİ MODELLERİYLE ULUSLAR ARASI GÖÇ

YARIPARAMETRİK 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

Detaylı

Bu malzemelere atıfta bulunmak veya kullanım şartlarını öğrenmek için http://ocw.mit.edu/terms sitesini ziyaret ediniz

Bu malzemelere atıfta bulunmak veya kullanım şartlarını öğrenmek için http://ocw.mit.edu/terms sitesini ziyaret ediniz MIT OpnoursWar http://ocw.mt.du 5.6 Thrmodnamk v Kntk Bahar 8 Bu malzmlr atıfta bulunmak vya kullanım şartlarını öğrnmk çn http://ocw.mt.du/trms stsn zyart dnz MODEL SİSTEMLER Molkülr gçş, dönm v rşm çn

Detaylı

HİSSE SENETLERİNİN BEKLENEN GETİRİ VE RİSKLERİNİN TAHMİNİNDE ALTERNATİF MODELLER

HİSSE SENETLERİNİN BEKLENEN GETİRİ VE RİSKLERİNİN TAHMİNİNDE ALTERNATİF MODELLER İstanbul Ünverstes İktsat Fakültes Malye Araştırma Merkez Konferansları 47. Ser / Yıl 005 Prof. Dr. Türkan Öncel e Armağan HİSSE SENETLERİNİN BEKLENEN GETİRİ VE RİSKLERİNİN TAHMİNİNDE ALTERNATİF MODELLER

Detaylı