İSTATİSTİK I KAVRAMLARININ
|
|
- Selim Özker
- 8 yıl önce
- İzleme sayısı:
Transkript
1 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme İSTATİSTİK I KAVRAMLARININ GÖZDEN GEÇİRİLMESİ Hüseyin Taştan Yıldız Teknik Üniversitesi, İktisat Bölümü, tastan@yildiz.edu.tr YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 2 İSTATİSTİK BİLİMİNİN UĞRAŞI ALANLARI Veriden anlam çıkarılması, özetlenmesi Belirsizlik: neyin olduğu değil, neyin olası olduğu Örnekleme (sampling): anakütlenin (population) tümüne ait bilgi toplamak çoğu zaman imkansızdır. Bunun yerine anakütleye ilişkin analiz bu anakütleyi en iyi temsil eden bir örnekleme dayandırılabilir. İktisadi ilişkilerin analizi: Ekonometrinin alanı Kestirim (Prediction) Belirsizlik altında karar alma
2 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 3 İSTATİSTİK İSTATİSTİK I Olasılık Teorisi Rassal Değişkenler Kesikli ve Sürekli R.D. Olasılık Fonksiyonu Beklenen Değer, Moment Normal Dağılım Merkezi Limit Teoremi İSTATİSTİK II Örnekleme ve Örneklem Dağılımları Nokta ve Aralık Tahmini Hipotez Testi Regresyon ve Korelasyon Parametrik Olmayan Testler Varyans Analizi YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 4 RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI Rassal (Stokastik) Değişken (r.d.) : Alacağı değer belli bir rassal denemenin sonucuna bağlı olan, bu değere ilişkin kesinlik bulunmayan değişken. Büyük harflerle göstereceğiz. x: rassal değişken X in aldığı belli bir değer. Kesikli r.d. : Alacağı değerler sayılabilir (sonlu ya da sonsuz) olan rassal değişkenler. Örneğin, iki zar atımında üste gelen sayıların toplamı, belli bir üretim bandında bir çalışanın yaptığı hata sayısı, bir bankaya 5 dk içinde gelen müşteri sayısı, vb. Sürekli r.d.: Belli bir aralıkta her hangi bir değeri alabilen rassal değişken. Bir çok iktisadi değişken bu gruba girer, örneğin, bir şehirdeki ortalama harcanabilir gelir, belli bir dönemdeki enflasyon oranı, İMKB endeksinin kapanış değeri, bir yılda yapılan toplam ihracat tutarı, vb.
3 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 5 OLASILIK DAĞILIMLARI - KESİKLİ f(x) ile göstereceğiz, f(x), f(x) = P(X = x), x f(x) =, Bu toplam x in alabileceği tüm değerler üzerinedir, Birikimli dağılım fonksiyonu: P(X x ) = F(x ) = x x f(x) YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 6 KESİKLİ OLASILIK DAĞILIMLARI Örnek: 3 para atılıyor ve tura (T) gelme sayısı X ile gösteriliyor. Bu deneyde ortaya çıkabilecek sonuçlar şunlardır: (TTT), (TTY), (TYT), (YTT), (TYY), (YTY), (YYT), ve (YYY). Bu 8 sonuç karşılıklı olarak bağdaşmazdır ve herbirinin gelme olasılığı aynıdır. Olasılık: /8. X in alabileceği değerler:,, 2, and 3. X rassal değişkeninin dağılımını bulalım.
4 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 7 Sonuçlar x f(x) YYY /8 YYT YTY 3/8 TYY YTT 2 TYT 2 3/8 TTY 2 TTT 3 /8 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 8 X in olasılık dağılımı: x f(x) = x 2 3 f(x) = P(X = x) P(X ) =? P( X 3) =?
5 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 9 X in birikimli olasılık dağılımı F(x) = P(X x) =, x < ; 8, x < ; 2, x < 2; 7 8, 2 x < 3;, x 3. YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme.4 OLASILIK FONKSIYONU f(x) x BIRIKIMLI OLASILIK FONKSIYONU.8.6 F(x) x
6 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme Kesikli r.d. lerin BEKLENEN DEĞERLERİ Kesikli r. d. X in beklenen değeri E(X) = x xf(x) g(x), X in bir fonksiyonu olsun, g(x) in beklenen değeri E(g(X)) = x g(x)f(x) YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 2 ÖRNEK Önceki örnekte X in beklenen değerini bulun. E(X) = = 3 2 (i) g(x) = x 2 nin beklenen değerini bulun. E(X 2 ) = = 3
7 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 3 Kesikli r.d. lerin VARYANSları Tanım: V ar(x) = E [(X E(X)) 2] = E [ (X 2 2XE(X) + (E(X)) 2 ) ] = E ( X 2) 2E (XE(X)) + E ( (E(X)) 2 ) ) = E ( X 2) 2E(X) 2 + (E(X)) 2 = E ( X 2) E(X) 2 µ x = E(X) dersek varyans olarak yazılabilir. V ar(x) = E ( X 2) µ 2 x YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 4 Kesikli r.d. lerin MOMENTLERİ Tanım: Kesikli r.d. X in knci momenti µ k = E(X k ) = x x k f(x) k =,,2,.... moment µ = E(X) = populasyon ortalaması 2. moment µ 2 = E(X 2 ) = V ar(x) + µ 2 3. moment µ 3 = E(X 3 ) 4. moment µ 4 = E(X 4 )
8 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 5 Kesikli r.d. lerin MERKEZİ MOMENTLERİ Tanım: Kesikli r.d. X in knci merkezi momenti m k = E((X µ ) k ) = x (x µ ) k f(x) k =,,2,.... merkezi moment m = 2. merkezi moment m 2 = E((X µ ) 2 ) = V ar(x) 3. merkezi moment m 3 = E((X µ ) 3 ) 4. merkezi moment m 4 = E((X µ ) 4 ) YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 6 Kesikli r.d. lerin STANDART MOMENTLERİ Tanım: Kesikli r.d. X in knci standart momenti γ k = m k σ k k =,,2,... Burada σ populasyon standart sapmasıdır: σ = V ar(x) = E [(X µ ) 2]. standart moment γ = 2. standart moment γ 2 = neden? 3. standart moment γ 3 = m 3 σ 3 4. standart moment γ 4 = m 4 σ 4 çarpıklık (skewness) basıklık (kurtosis)
9 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 7 Bazı Kesikli Dağılımlar Bernoulli Binom Hipergeometrik Poisson YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 8 Bernoulli(p) Dağılımı: p, if X = f(x) = p, if X = Beklenen Değer: E(X) = x xf(x) = p + ( p) = p İkinci Moment: E(X 2 ) = x x 2 f(x) = p + ( p) = p Varyans (ikinci merkezi moment): V ar(x) = E(X 2 ) (E(X)) 2 = p p 2 = p( p)
10 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 9 BİNOM DAĞILIMI X, n bağımsız Bernoulli denemesinde değerini alma (başarı) sayısı olsun. Yani eğer Y Bernoulli(p) ise X = (Y ), Binom(n,p) dağılımına uyar. X toplam başarı sayısı. f(x) = n p x ( p) n x n! = x x!(n x)! px ( p) n x, x =,,2,...,n E(X) = np V ar(x) = np( p) YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 2 HİPERGEOMETRİK DAĞILIM Eğer Bernoulli denemeleri birbirinden bağımsız değilse, toplam başarı sayısı Binom dağılımına uymaz. İçinde B tane başarı bulunan N nesneli rassal bir örneklemde, toplam başarı sayısı X in olasılık dağılımı f(x) = B x N B n x N n Burada x max(,n (N B)) ve min(n,b) arasında tamsayı değerler alabilir E(X) = np, V ar(x) = N n np( p), N p = B N
11 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 2 POISSON DAĞILIMI Bir olayın belli bir zaman diliminde gerçekleşme sayısı Notasyon: X P oisson(λ), pmf: f(x,λ) = λx e λ, x =,,2,... x! E(X) = λ V ar(x) = λ skewness = λ excess kurtosis = λ YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 22 Kesikli r.d. için ORTAK DAĞILIMLAR ORTAK OLASILIK FONKSİYONU: Birden fazla r.d. in ortak davranışını betimlemek istiyoruz. Önce iki değişkenli durumu inceleyelim. X ve Y iki r.d. olsun. Bunların ortak olasılık fonksiyonu f(x,y) = P(X = x Y = y) Daha genel olarak X,X 2,...,X k k tane kesikli r.d. ise bunların ortak olasılık fonksiyonu şöyle olur: f(x,x 2,...,x k ) = P(X = x X 2 = x 2,,..., X k = x k )
12 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 23 X: Bir bankada nolu gişede sırada bekleyen müşteri sayısı, Y : Bir bankada 2 nolu gişede sırada bekleyen müşteri sayısı. Bu iki r.d. için ortak olasılık fonksiyonu aşağıdaki tabloda verilmiştir. y \ x 2 3 Toplam Toplam YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 24 MARJİNAL OLASILIK FONKSİYONU Ortak olasılık fonksiyonu biliniyorsa, bundan hareketle marjinal ya da tekil olasılık fonksiyonları elde edilebilir. X in marjinal olasılık fonksiyonu: f(x) = y f(x,y) Y nin marjinal olasılık fonksiyonu: f(y) = x f(x,y)
13 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 25 KOŞULLU OLASILIK FONKSİYONU Ortak olasılık fonksiyonu biliniyorsa, bundan hareketle koşullu olasılık fonksiyonları elde edilebilir. Y = y verilmişken X in koşullu olasılık fonksiyonu: f(x y) = f(x,y) f(y) X = x verilmişken Y nin koşullu olasılık fonksiyonu: f(y x) = f(x,y) f(x) YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 26 BAĞIMSIZLIK X ve Y r.d. lerinin istatistik bakımından bağımsız olduğunu söyleyebilmemiz için aşağıdaki koşulun sağlanması gerekir: Başka bir deyişle f(x,y) = f(x)f(y) f(x y) = f(x), vef(y x) = f(y)
14 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 27 KOVARYANS g(x,y ), X ve Y r.d. lerinin herhangi bir fonksiyonunu ifade etsin. Bu fonksiyonun beklenen değeri: E [g(x,y )] = g(x,y)f(x,y) x y g(x,y ) = (X µ x )(Y µ y ) olsun. Bu fonksiyonun beklenen değerine KOVARYANS denir: Cov (X,Y ) = (x µ x )(y µ y )f(x,y) x y YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 28 SÜREKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI X sürekli bir r.d. ise verilmiş bir aralıkta herhangi bir değeri alabilir. Bir sürekli rassal değişkenin belli bir değere eşit olma olasılığından (kesikli r.d. gibi) bahsedemeyiz. Ancak verilmiş bir aralık içine düşme olasılıklarını bulabiliriz. f(x): olasılık yoğunluk fonksiyonu. Özellikleri: f(x) f(x)dx = Pr(a < X < b) = b a f(x)dx
15 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 29 f(x) P(a<X<b) = b a f(x)dx a b x YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 3 BİRİKİMLİ OLASILIK FONKSİYONU X sürekli r.d. için birikimli olasılık fonksiyonu, ya da dağılım fonksiyonu, X in belli bir x değerini aşmama olasılığı olarak tanımlanır ve F(x) ile gösterilir. F(x) = P(X x) = oyf ile dağılım fonksiyonu arasındaki ilişki: x f(x) = df(x) dx f(t)dt
16 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 3 BİRİKİMLİ OLASILIK FONKSİYONU F(x) in özellikleri: F( ) =, F(+ ) = Buna göre F(x), x in azalmayan bir fonksiyonudur. x x 2 olmak üzere F(x ) F(x 2 ). P(a < X < b) = F(b) F(a) = b a f(x)dx P( < X < + ) = P( < X < a)+p(a < X < b)+p(b < X < + ) f(x)dx = a f(x)dx + b a f(x)dx + + b f(x)dx F(+ ) F( ) = [F(a) F( )] + P(a < X < b) + [F(+ ) F(b)] = F(a) + P(a < X < b) + F(b) P(a < X < b) = F(b) F(a) YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 32 f(x) F(+ ) F(b) = F(b) F(a) F( ) = F(a) b a f(x)dx = F(b) F(a) a b x
17 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 33 SÜREKLİ r.d. lerin BEKLENEN DEĞERLERİ E(X) µ x = g(x), X in bir fonksiyonu ise, E(g(X)) = V ar(x) = xf(x)dx g(x)f(x)dx (x µ x ) 2 f(x)dx YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 34 İntegral özellikleri kullanılarak V ar(x) aşağıdaki gibi yazılabilir: V ar(x) = E [ (X E(X)) 2] = = = E(X 2 ) µ 2 x x 2 f(x)dx + µ 2 x ( x 2 f(x)dx xf(x)dx (x µ x ) 2 f(x)dx f(x)dx 2µ x xf(x)dx Burada f(x)dx = ve xf(x)dx = E(X) µ x özelliklerini kullandık. Bunu kesikli r.d.ler için de göstermiştik. ) 2
18 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 35 Sürekli r.d. lerin MOMENTLERİ Tanım: Sürekli r.d. X in knci momenti µ k = E(X k ) = x k f(x)dx k =,,2,... x X. moment µ = E(X) = populasyon ortalaması 2. moment µ 2 = E(X 2 ) = V ar(x) + µ 2 3. moment µ 3 = E(X 3 ) 4. moment µ 4 = E(X 4 ) YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 36 Sürekli r.d. lerin MERKEZİ MOMENTLERİ Tanım: Sürekli r.d. X in knci merkezi momenti m k = E((X µ ) k ) = (x µ ) k f(x)dx k =,,2,... x X. merkezi moment m = 2. merkezi moment m 2 = E((X µ ) 2 ) = V ar(x) 3. merkezi moment m 3 = E((X µ ) 3 ) 4. merkezi moment m 4 = E((X µ ) 4 )
19 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 37 BEKLENTİ İŞLEMCİSİNİN ÖZELLİKLERİ Doğrusallık: X rassal değişkeninin doğrusal bir fonksiyonu Y = a + bx olsun. Y nin beklenen değeri: E[Y ] = E[a + bx] = a + be(x) X,X 2,...,X n rassal değişkenlerinin aşağıdaki gibi bir fonksiyonu tanımlanıyor: Y nin beklenen değeri: ya da kısaca Y = b X + b n X b n X n E[Y ] = b E[X ] + b 2 E[X 2 ] b n E[X n ] ( n ) E(Y ) = E b i X i = i= n b i E(X i ) i= YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 38 BEKLENTİ İŞLEMCİSİNİN ÖZELLİKLERİ X in doğrusal olmayan bir fonksiyonu için genellikle E[h(X)] h(e(x)) Örneğin, E(X2 ) (E(X)) 2, E(ln(X)) ln(e(x)) X ve Y gibi iki r.d. için E ( ) X E(X) Y E(Y )
20 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 39 VARYANSIN ÖZELLİKLERİ Herhangi bir c sabit sayısı için V ar(c) = Y = bx in varyansı, b sabit V ar(y ) = V ar(bx) = b 2 V ar(x) Y = a + bx in varyansı V ar(y ) = V ar(a + bx) = b 2 V ar(x) X ve Y iki bağımsız r.d. ise V ar(x + Y ) = V ar(x) + V ar(y ) V ar(x Y ) = V ar(x) + V ar(y ) Bu kural n r.d. için genelleştirilebilir. YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 4 Sürekli Standart Uniform (Tekdüze) Dağılım: Notation: X U(, ), oyf:, if < x <, f(x) = (), otherwise. E(X) = 2 V ar(x) = 2
21 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 4 (Genel) Uniform (Tekdüze) Dağılım: Notation: X U(a, b), oyf: b a if a < x < b, f(x;a,b) =, otherwise. E(X) = b a 2 Median = b a 2 (b a)2 V ar(x) = 2 Skewness = Excess kurtosis = 6 5 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 42 X U(a,b) için beklenen değer ve varyans: E(X) = = b x a b a dx [ b 2 a 2 ] b a 2 (b a)(b + a) = 2(b a) = a + b 2
22 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 43 X U(a,b) için g(x) = x 2 fonksiyonunun beklenen değerini bulalım. E[g(x)] = b a x 2 b a = b3 a 3 3(b a) = (b a)(b2 + ab + a 2 ) 3(b a) = a2 + ab + b 2 3 = E[X 2 ]. YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 44 X U(a,b) için varyans: V ar(x) = E[(X E(X)) 2 ] = E(X 2 ) [E(X)] 2 = (a2 + ab + b 2 ) 3 (b a)2 = 2 (a + b)2 4
23 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 45 U (a,b) için dağılım fonksiyonu: F(x) = P(X x) = = x a b a dt x t b a = x a b a, a a x b aralığı için yazılabilir. Öyleyse X U(a, b) nin bof nu şöyle olur:, x < a için; F(x) = x a b a, a x b için;, x > b için. YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 46 f(x) F(x) b a a b x a b x
24 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 47 ÖRNEK: Aşağıda verilen fonksiyonu düşünelim. e x, < x < ise; f(x) =, değilse.. Bunun bir oyf olduğunu gösterin. 2. Bu fonksiyunun grafiğini çizin ve X > olasılığı ile ilgili alanı işaretleyin. 3. P(X > ) olasılığını hesaplayın. 4. Birikimli olasılık fonksiyonunu bulun. YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 48 CEVAP:. Olasılık yoğunluk fonksiyonları özelliklerini sağlayıp sağlamadığına bakalım: (a) (i) İlk olarak, f(x) koşulunun < x < aralığındaki her x değeri için sağlandığı açıktır. (b) (ii) Ayrıca, x in değerler aralığında oyf nin integralinin olması gerekir. e x dx = e x = e ( e ) = + = e = lim x e x = olarak düşünülmelidir. Bu koşul da sağlandığına göre fonksiyon bir oyf dir.
25 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 49. P(X > ) olasılığı grafikte gösterilmiştir. 2. P(X > ) = e x dx 3. F(x) = = e x = e x e t dt = e t x = e x + e = e x YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 5 Buradan birikimli olasılık fonksiyonu, x < ; F(x) = e x, < x <. olarak bulunur.
26 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 5 f ( x ) oyf: f( x) =e x F ( x ) bof: f( x) = e x P( X > ) = e x dx x x YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 52 ORTAK OLASILIK YOĞUNLUK FONKSİYONU X ve Y, sırasıyla, < X < + ve < Y < + aralıklarında tanımlı iki sürekli r.d. olsun. Bu iki r.d. için ortak olasılık yoğunluk fonksiyonu, f(x,y) ile gösterilir ve aşağıdaki gibi tanımlanır. f(x,y), Pr(a < X < b,c < Y < d) = f(x,y)dxdy =, d b c a f(x, y)dxdy.
27 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 53 f(x,y) = xye (x2 +y 2), x >, y >, için ortak olasılık yoğunluk fonksiyonu f(x,y) y.5.5 x YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 54 Örnek: Aşağıda verilen iki değişkenli fonksiyonun bir ortak olasılık yoğunluk fonksiyonu olmasını sağlayacak k sabit sayısını bulun. Elde ettiğiniz ooyf nu kullanarak P ( < X < 2, < Y < 2) olasılığını bulun. k(x + y), < x <, < y < 2 ise; f(x,y) =, değilse.
28 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 55 Öncelikle f(x,y) > koşulunun sağlanabilmesi için k > olmalı. İkinci koşuldan hareketle 2 k(x + y)dxdy = 2 ( ) ( ) = k 2 + y dy = k 2 y + y2 2 2 = 3k = k = 3 bulunur. Öyleyse ooyf 3 (x + y), < x <, < y < 2 ise; f(x,y) =, değilse. YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 56 İstenen olasılık ooyf nun altındaki hacim olarak bulunur: P ( < X < 2 ) 2, < Y < 2 2 = (x + y) dxdy 3 ) = 3 2 ( y dy = 3 ( ) 8 y + y2 2 4 = 7 24
29 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 57 MARJİNAL YOĞUNLUK FONKSİYONU X in myf: f(x) = İntegralin sınırları y nin tanım aralığıdır. f(x,y)dy Y nin myf: f(y) = İntegralin sınırları x in tanım aralığıdır. f(x,y)dx YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 58 Önceki örnekteki ooyf nu kullanarak X ve Y rassal değişkenlerinin marjinal olasılık yoğunluk fonksiyonlarını bulalım. 2 f(x) = (x + y)dy 3 = ) (xy + y = 2 (x + ) 3
30 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 59 Böylelikle X için moyf nu şöyle yazılır: 2 3 (x + ), < x < ise; f(x) =, degilse. Benzer şekilde Y nin moyf nu 3 g(y) = (y + 2 ), < y < 2 ise;, degilse. olur. YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 6 KOŞULLU OLASILIK YOĞUNLUK FONKSİYONU Y = y değeri verilmişken X in koşullu yoğunluk fonksiyonu: f(x y) = f(x,y) f(y) Benzer şekilde X = x verilmişken Y nin koşullu yoğunluk fonksiyonu f(y x) = f(x,y) f(x)
31 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 6 BAĞIMSIZLIK Hatırlarsak aşağıdaki koşul sağlanıyorsa A ve B bağımsız olaylardır denir: P(A B) = P(A)P(B) Benzer şekilde X ve Y iki bağımsız sürekli r.d. ise koşulu sağlanmalıdır. f(x,y) = f(x)f(y) i.e., ortak yoğunluk fonksiyonu, marjinal yoğunlukların çarpımı olarak yazılabiliyorsa bu iki r.d. birbirinden bağımsızdır. YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 62 BAĞIMSIZLIK: önceki koşul genelleştirilebilir. X,X 2,...,X n rassal değişkenlerinin ortak olasılık yoğunluk fonksiyonu marjinal yoğunluk fonksiyonlarının çarpımı olarak yazılabiliyorsa f(x,x 2,...,x n ) = f (x ) f 2 (x 2 ),..., f n (x n ) n = f j (x j ) bu rassal değişkenler birbirinden bağımsızdır denir. Bu özellik kullanılarak Maksimum Olabilirlik (Maximum Likelihood) tahmin edicileri türetilebilmektedir. Bu konuya Tahmin Yöntemleri başlığı altında değineceğiz. j=
32 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 63 BAĞIMSIZLIK ÖRNEK: Önceki örnekteki ortak oyf ve marjinal oyf nı kullanarak X ve Y nin bağımsız olup olmadığını bulalım. f(x)g(x) = 2 3 (x + ) 3 (y + 2 ) f(x,y) olduğundan X ve Y rassal değişkenleri bağımsız değildir. YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 64 BAĞIMSIZLIK ÖRNEK: Aşağıda verilen ooyf nu kullanarak moyf nı bularak bağımsız olup olmadıklarına karar verelim. 9, < x < 4, < y < 4 ise; f(x,y) =, degilse. Marjinal olasılık yoğunluk fonksiyonları Buradan f(x) = g(y) = dy = 3 9 dx = 3 f(x,y) = 9 = f(x)g(y) = ( 3 ) ( ) 3 koşulu sağlandığı için X ve Y rassal değişkenleri bağımsızdır.
33 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 65 NORMAL DAĞILIM: Notasyon: X N(µ,σ 2 ) f(x;µ,σ 2 ) = σ 2π exp ( ) (x µ)2, < x < 2σ2 E(X) = µ V ar(x) = σ 2 skewness = kurtosis = 3 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 66 Normal Dağılım oyf, σ 2 =, farklı lokasyon parametreleri (µ).4 Normal Dagilim, σ 2 =.35 µ = 2 µ = µ = 2 µ = µ = 5 φ(x) x
34 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 67 Normal Dağılım oyf, µ =, farklı varyans (scale) parametreleri.4 Normal Dagilim, µ=.35.3 σ 2 =, µ =.25 φ(x).2 σ 2 = 2, µ =.5. σ 2 = 3, µ = x YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 68 STANDART NORMAL DAĞILIM: Z = X µ σ, φ(z) = exp ( 2 ) 2π z2, < z < Birikimli dağılım fonksiyonu: Φ(z) = P(Z z) = E(Z) = V ar(z) = z exp ( 2 ) 2π t2 dt
35 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 69.4 STANDART NORMAL DAGILIM φ(z) STANDART NORMAL DAGILIM Φ(z) YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 7 NORMAL DAĞILIM OLASILIKLARININ HESAPLANMASI X N(µ,σ 2 ) olsun. Aşağıdaki olasılığı hesaplamak istiyoruz: b ( P(a < X < b) = σ 2π exp ) (x µ)2 dx 2σ2 a Bu integralin açık bir çözümü yoktur. Ancak nümerik yöntemlerle istenen kesinlik düzeyinde hesaplanabilir. Bunun için her seferinde bilgisayarda hesap yapmak yerine, standart normal dağılım tablolarını kullanabiliriz. İstenen olasılığı aşağıdaki gibi yazalım: ( a µ P < X µ < b µ ) ( a µ = P σ σ σ σ < Z < b µ ) σ
36 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 7 NORMAL DAĞILIM OLASILIKLARININ HESAPLANMASI ( a µ P σ < Z < b µ ) ( b µ = Φ σ σ ) ( ) a µ Φ σ Burada Φ(z) = P(Z z) standart normal dağılımın z deki değeridir. Kitaptaki notasyonda Φ(z) yerine F(z) kullanıldığına dikkat edin. Standart Normal olasılık tablosu: Ek Çizelge 3 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 72 NORMAL DAĞILIM OLASILIKLARININ HESAPLANMASI Bu tabloda sadece pozitif değerler için dağılım fonksiyonu değerleri verilmiştir. Negatif değerler için Φ(z) = P(Z z) nin simetri özelliği kullanılabilir: e.g.: Φ( z) = P(Z z) = P(Z z) = P(Z z) = Φ(z) P(Z.25) = Φ(.25) = Φ(.25) =.8944 =.56
37 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme P(.25<Z<.25) = Φ(.25) Φ(.25) = Φ(.25) ( Φ(.25)) = = Φ(.25) =.56 Φ(.25) =
38 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 75 MERKEZİ LİMİT TEOREMİ (CENTRAL LIMIT THEOREM) X,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun. Başka bir şekilde ifade etmek istersek: X i i.i.d (µ,σ 2 ), i =,2,...,n iid: türdeş (identical), ve bağımsız (independent) dağılımlı Burada dağılımın ne olduğunu belirtmediğimize dikkat edin. Bu r.d. lerin toplamlarının beklenen değeri ve varyansı: E[X + X X n ] = E[X ] + E[X 2 ] E[X n ] = nµ V ar[x + X X n ] = V ar[x ] + V ar[x 2 ] V ar[x n ] = nσ 2 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 76 MERKEZİ LİMİT TEOREMİ (CENTRAL LIMIT THEOREM) Bu r.d. lerin toplamına X diyelim. Yani, X = X + X X n Z = X E(X) V ar(x) = X nµ nσ 2 = X n µ n /2 n σ = X µ σ/ n N(,) MLT ye göre gözlem sayısı arttıkça, yani, n, yukarıdaki ifade standart normal dağılıma yakınsar, yani, Z N(,)
39 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 77 2 n= 4 n= 2 4 n= n= 5 n= 3 6 n= n= 75 6 n= 6 n= YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 78 BÜYÜK SAYILAR KANUNU (LAW of LARGE NUMBERS) Merkezi Limit Teoremi, Büyük Sayılar Kanunu ile yakından ilişkilidir. Büyük Sayılar Kanununa göre, türdeş dağılımlı (aynı anakütle beklenen değeri µ ve varyansına σ 2 sahip), birbirinden bağımsız ve sonlu varyanslı n r.d. in aritmetik ortalaması (örneklem ortalaması) n büyüdükçe anakütle ortalamasına yakınsar. X n = n (X + X X n ) örneklem ortalaması olsun. Büyük sayılar yasasına göre n, X n µ Başka bir deyişle, istediğimiz kadar küçük seçebileceğimiz ǫ gibi pozitif herhangi bir sayı için: lim P [ X n µ < ǫ ] = n
40 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 79 MERKEZİ LİMİT TEOREMİ ÖRNEK: X,X 2,...,X 2 birbirinden bağımsız ve herbiri U (,b), b > dağılımına sahip rassal değişkenler olsun. Merkezi Limit Teoremini kullanarak P( b 4 < X < 3b 4 ) olasılığının yaklaşık.9973 olduğunu gösterelim. CEVAP: Bu 2 bağımsız r.d. uniform anakütleden geldiğine göre önce anakütledeki ortalama ve varyansı bulmamız gerekir. Uniform(a,b) dağılım için beklenen değer ve varyans olduğuna göre, örneğimizde µ x = b + a 2, σ2 x = (b a)2 2 olur. µ x = b 2, σ2 x = b2 2 YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme 8 MERKEZİ LİMİT TEOREMİ V ar(x) = σ2 x n = b2 44 CEVAP (devam): MLT yi kullanarak: P ( b 4 < X < 3b ) 4 = P ( b 4 b 2 b 2 < X µ 3b x σ 2 x /n < 4 ) b 2 b 2 = P( 3 < Z < 3) = Φ(3) ( Φ(3)) = (.99865) =.9973
Olasılık ve Dağılım Teorisi Kavramlarının Gözden Geçirilmesi
İSTATİSTİK I: Olasılık ve Dağılım Teorisi Kavramlarının Gözden Geçirilmesi Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü 22 Eylül 2012 Ekonometri: Olasılık ve Dağılım - H. Taştan 1 İstatistik
DetaylıZ = 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.
Detaylıİstatistik I Ders Notları
İstatistik I Ders Notları Sürekli Rassal Değişkenler Hüseyin Taştan Kasım 2, 26 İçindekiler Sürekli Rassal Değişkenlerin Özellikleri 2 2 Olasılık Yoğunluk Fonksiyonu 2 Birikimli Olasılık Fonksiyonu 6 4
DetaylıAppendix B: Olasılık ve Dağılım Teorisi
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi
Detaylıaltında ilerde ele alınacaktır.
YTÜ-İktisat İstatistik II Nokta Tahmin Yöntemleri 1 NOKTA TAHMİN YÖNTEMLERİ Şimdiye kadar verilmiş tahmin edicilerin sonlu örneklem ve asimptotik özelliklerini inceledik. Acaba bilinmeyen anakütle parametrelerini
DetaylıİÇİNDEKİLER. Ön Söz Saymanın Temel Kuralları Permütasyon (Sıralama) Kombinasyon (Gruplama) Binom Açılımı...
İÇİNDEKİLER Ön Söz... Saymanın Temel Kuralları... Permütasyon (Sıralama)... 8 Kombinasyon (Gruplama)... 6 Binom Açılımı... Olasılık... 9 İstatistik... 8... Dağılımlar... 5 Genel Tarama Sınavı... 6 RASTGELE
DetaylıAppendix C: İstatistiksel Çıkarsama
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama Doç.
DetaylıALIŞTIRMALAR. Sayısal Bilginin Özetlenmesi:
İSTATİSTİK I ALIŞTIRMALAR Y.Doç.Dr. Hüseyin Taştan AÇIKLAMA: N: P. Newbold, İşletme ve İktisat için İstatistik, 4. basımdan çeviri. Çift sayılı alıştırmalar için kitabın arkasındaki çözümlere bakabilirsiniz.
DetaylıDers 4: Rastgele Değişkenler ve Dağılımları
Ders 4: Rastgele Değişkenler ve Dağılımları Rastgele değişken kavramı Kesikli ve sürekli rastgele değişkenler İki boyutlu rastgele değişkenler Beklenen değer Varyans Örnek uzaydaki her elemanı bir sayıyla
Detaylı3 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
DetaylıRASSAL 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
Detaylı3.Ders Rasgele Değişkenler
3.Ders Rasgele Değişkenler Tanım:,U, P bir olasılık uzayı ve X : R X olmak üzere, a R için, : X a U oluyorsa X fonksiyonuna bir rasgele değişken denir. a R için X, a : X a U özelliğine sahip bir X rasgele
DetaylıSÜREKLİ 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
DetaylıÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ
ÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ TEMEL KAVRAMLAR PARAMETRE: Populasyonun sayısal açıklayıcı bir ölçüsüdür ve anakütledeki tüm elemanlar dikkate alınarak hesaplanabilir. Ana kütledeki
Detaylıİstatistik, genel olarak, rassal bir olayı (ya da deneyi) matematiksel olarak modellemek ve bu model yardımıyla, anakütlenin bilinmeyen karakteristik
6.SUNUM İstatistik, genel olarak, rassal bir olayı (ya da deneyi) matematiksel olarak modellemek ve bu model yardımıyla, anakütlenin bilinmeyen karakteristik özellikleri (ortalama, varyans v.b. gibi) hakkında
DetaylıAKT201 Matematiksel İstatistik I Yrd. Doç. Dr. Könül Bayramoğlu Kavlak
AKT20 Matematiksel İstatistik I 207-208 Güz Dönemi AKT20 MATEMATİKSEL İSTATİSTİK I ÖDEV 6 Son Teslim Tarihi: 29 Aralık 207 Cuma, Saat: 5:00 (Ödevlerinizi Arş. Gör. Ezgi NEVRUZ a elden teslim ediniz.) (SORU
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıARALIK TAHMİNİ (INTERVAL ESTIMATION):
YTÜ-İktisat İstatistik II Aralık Tahmini I 1 ARALIK TAHMİNİ INTERVAL ESTIMATION): Nokta tahmininde ilgilenilen anakütle parametresine ilişkin örneklem bilgisinden hareketle tek bir sayı üretilir. Bir nokta
DetaylıMatris Cebiriyle Çoklu Regresyon Modeli
Matris Cebiriyle Çoklu Regresyon Modeli Hüseyin Taştan Mart 00 Klasik Regresyon Modeli k açıklayıcı değişkenden oluşan regresyon modelini her gözlem i için aşağıdaki gibi yazabiliriz: y i β + β x i + β
DetaylıÖrnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? n(s) = 3 6 = 1 2
Bir Olayın Olasılığı P(A) = n(a) n(s) = A nın eleman sayısı S nin eleman sayısı Örnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? Çözüm: S
DetaylıEME Sistem Simülasyonu. Giriş. Olasılık Dağılımı. Rassal Degiskenler
EME 3105 1 Giriş Sistem Simülasyonu Önümüzdeki hafta simulasyon girdilerinin modellenmesinde kullanılan kesikli ve sürekli Simulasyonda İstatistiksel Modeller-I Ders 4 dağılımlar hatırlatılacaktır. Rassal
DetaylıANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER DOÇ. DR. NİHAL ERGİNEL 2015 X beklenen değeri B[X] ile gösterilir. B[X] = BEKLENEN DEĞER Belli bir malzeme taşınan kolilerin ağırlıkları
DetaylıDr. Mehmet AKSARAYLI
Dr. Mehmet AKSARAYLI Şans Değişkeni: Bir dağılışı olan ve bu dağılışın yapısına uygun frekansta oluşum gösteren değişkendir. Şans Değişkenleri KESİKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI Kesikli
Detaylırasgele değişkeninin olasılık yoğunluk fonksiyonu,
3.6. Bazı Sürekli Dağılımlar 3.6.1 Normal Dağılım Normal dağılım hem uygulamalı hem de teorik istatistikte kullanılan oldukça önemli bir dağılımdır. Normal dağılımın istatistikte önemli bir yerinin olmasının
DetaylıRastgele Değişkenlerin Dağılımları. Mühendislikte İstatistik Yöntemler
Rastgele Değişkenlerin Dağılımları Mühendislikte İstatistik Yöntemler Ayrık Rastgele Değişkenler ve Olasılık Dağılımları Yapılan çalışmalarda elde edilen verilerin dağılışı ve dağılış fonksiyonu her seferinde
DetaylıSimülasyonda İstatiksel Modeller
Simülasyonda İstatiksel Modeller Amaç Model-geliştirici dünyaya deterministik değil olasıksal olarak bakar. İstatiksel modeller değişimleri iyi tanımlayabilir. İlgilenilen olayın örneklenmesi ile uygun
DetaylıTesadüfi Değişken. w ( )
1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere
DetaylıIE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R
IE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R Geçen Ders Envanter yonetımı: Gazetecı problemı Rastsal Rakamlar Üret Talebi hesapla Geliri hesapla Toplam maliyeti hesapla Günlük ve aylık
Detaylıİstatistik 1. Bölüm 5 Olasılık Teorisi ve Kesikli Olasılık Dağılımları. Ankara Üniversitesi SBF, GYY
İstatistik 1 Bölüm 5 Olasılık Teorisi ve Kesikli Olasılık Dağılımları Bu Bölümde İşlenecek Konular Temel Olasılık Teorisi Örnek uzayı ve olaylar, basit olasılık, birleşik olasılık Koşullu Olasılık İstatistiksel
DetaylıYapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( )
İKİ DEĞİŞKENLİ OLASILIK Rassal bir deneme yapılmakta ve farklı iki olay ile ilgilenilmektedir. A 1, A 2,,A i olayları bağdaşmaz ve bütünü kapsayıcıdır. B 1, B 2,,B j olayları bağdaşmaz ve bütünü kapsayıcıdır.
DetaylıANADOLU ÜNİVERSİTESİ. ENM 317 Prof. Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 Prof. Dr. Nihal ERGİNEL 2 ÖRNEKLEME Anakütleden n birimlik örnek alınması ve anakütle parametrelerinin örnekten tahmin edilmesidir. 3 ÖRNEKLEME ALMANIN NEDENLERİ Anakütleye
DetaylıEkonometri I VARSAYIMLARI
Ekonometri I ÇOK DEĞİŞKENLİ REGRESYON MODELİNİN VARSAYIMLARI Hüseyin Taştan Temmuz 23, 2006 İçindekiler 1 Varsayım MLR.1: Parametrelerde Doğrusallık 1 2 Varsayım MLR.2: Rassal Örnekleme 1 3 Varsayım MLR.3:
DetaylıBirden Fazla RDnin Bileşik Olasılık Fonksiyonları
Birden Fazla RDnin Bileşik Olasılık Fonksiyonları Birden fazla x 1, x 2,..., x n gibi RDlerimiz olsun. Bunların bileşik olasılık fonksiyonları kesikli ve rastgele RDler için sırasıyla şu şekilde tanımlanır
DetaylıRassal Değişken. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Rassal Değişken Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK tover@sakarya.edu.tr S örnek uzayı içindeki her bir basit olayı yalnız bir gerçel (reel) değere dönüştüren fonksiyona rassal değişken adı verilir. O halde
Detaylı2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım
2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı
DetaylıKesikli ġans DeğiĢkenleri Ġçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları
Kesikli ġans DeğiĢkenleri Ġçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları Kesikli ġans DeğiĢkenlerinin Olasılık Fonksiyonları X, şans değişkeni ve, 2,.., n ise bu tesadüfi değişkenin
Detaylı1-2 - * 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
DetaylıProf.Dr.A.KARACABEY Doç.Dr.F.GÖKGÖZ RANDOM DEĞİŞKEN
SÜREKSİZ (DISCRETE) OLASILIK DAĞILIMLARI 1 RANDOM DEĞİŞKEN Nümerik olarak ifade edilebilen bir deneyin sonuçlarına rassal (random) değişken denir. Temelde iki çeşit random değişken vardır. ##süreksiz(discrete)
DetaylıRasgele 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
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıÇıkarsama, Tahmin, Hipotez Testi
İSTATİSTİK II: Çıkarsama, Tahmin, Hipotez Testi Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü 23 Eylül 2012 Ekonometri: İstatistiksel Çıkarsama - H. Taştan 1 İstatistik Biliminin Uğraşı
DetaylıSÜREKLİ 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.
DetaylıWEIBULL DAĞILIMI WEIBULL DAĞILIMI ANADOLU ÜNİVERSİTESİ
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ SÜREKLİ DAĞILIMLAR-2 DOÇ. DR. NİHAL ERGİNEL 2015 WEIBULL DAĞILIMI Weibull dağılımı, pek çok farklı sistemlerin bozulana kadar geçen süreleri ile ilgilenir. Dağılımın
Detaylıkümeleri sırasıyla n 1, n 2,..., n k eleman içeriyorsa, önce A 1 nin bir elemanını seçmenin n 1
3. Olasılık Hesapları ve Olasılık Dağılımları 3.3. Sayma Teknikleri Olasılık hesapları ve istatistikte birçok problem, verilen küme elemanlarının sayılmasını veya sıralanmasını gerektirir. Eğer bir olayın
Detaylı1.58 arasındaki her bir değeri alabileceği için sürekli bir
7.SUNUM Hatırlanacağı gibi, kesikli rassal değişkenler sonlu (örneğin; 0, 1, 2,...,10) veya sayılabilir sonsuzlukta (örneğin; 0, 1, 2,...) değerler alabilmektedir. Fakat birçok uygulamada, rassal değişkenin
DetaylıEME 3117 SİSTEM SIMÜLASYONU. Girdi Analizi. Özet İstatistikler ve Histogram (Minitab)(1) Örnek: Eczane İçin Servis Süreleri
EME 3117 1 2 Girdi Analizi SİSTEM SIMÜLASYONU Modellenecek sistemi (prosesi) dokümante et. Veri toplamak için bir plan geliştir. Veri topla. Verilerin grafiksel ve istatistiksel analizini yap. Girdi Analizi-I
DetaylıUygulama 3 Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Uygulama 3 Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr Olasılık Hatırlatma Olasılık teorisi,
Detaylı19.11.2013 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)
DetaylıRİSK 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
DetaylıStokastik Süreçler. Bir stokastik süreç ya da rastgele süreç şöyle tanımlanabilir.
Bir stokastik süreç ya da rastgele süreç şöyle tanımlanabilir. Zamanla değişen bir rastgele değişkendir. Rastgele değişkenin alacağı değer zamanla değişmektedir. Deney çıktılarına atanan rastgele bir zaman
DetaylıCh. 5: SEKK (OLS) nin Asimptotik Özellikleri
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri
Detaylı2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK
Soru 1 X rassal değişkeninin olasılık yoğunluk fonksiyonu x x, x> f ( x) = 0, dy. 1 werilmiş ve Y = rassal değişkeni tanımlamış ise, Y değişkenin 0< 1 X 1 y için olasılık yoğunluk fonksiyonu aşağıdaki
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri
DetaylıHerhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır.
Kümülatif Dağılım Fonksiyonları Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. F X (x) = P (X x) = x f X(x ) dx Sürekli
DetaylıKesikli 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.
DetaylıDers 6: Sürekli Olasılık Dağılımları
Ders 6: Sürekli Olasılık Dağılımları Normal Dağılım Standart Normal Dağılım Binom Dağılımına Normal Yaklaşım Düzgün (uniform) Dağılım Üstel Dağılım Dağılımlar arası ilişkiler Bir rastgele değişkenin, normal
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıIE 303T Sistem Benzetimi
IE 303T Sistem Benzetimi 1 L E C T U R E 5 : O L A S I L I K T E K R A R 2 Review of the Last Lecture Random Variables Beklenen Değer ve Varyans Moment Kesikli Dağılımlar Bernoulli Dağılımı Binom Dağılımı
DetaylıMatematik Ders Notları. Doç. Dr. Murat Donduran
Matematik Ders Notları Doç. Dr. Murat Donduran Mart 18, 28 2 İçindekiler 1 Tanımlı Integral Uygulamaları 5 1.1 Olasılık.............................. 5 3 4 İÇINDEKILER Bölüm 1 Tanımlı Integral Uygulamaları
DetaylıBİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Uygulamalı bilim
Detaylıİstatistiksel Kavramların Gözden Geçirilmesi
İstatistiksel Kavramların Gözden Geçirilmesi Anlamlı Basamaklar Konusu ve Olasılık Ekonometri 1 Konu 1 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial
DetaylıBİYOİSTATİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTTİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. slı SUNER KRKÜLH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim D. Web: www.biyoistatistik.med.ege.edu.tr 1 OLSILIK Olasılık; Tablo
Detaylı13. Olasılık Dağılımlar
13. Olasılık Dağılımlar Mühendislik alanında karşılaşılan fiziksel yada fiziksel olmayan rasgele değişken büyüklüklerin olasılık dağılımları için model alınabilecek çok sayıda sürekli ve kesikli fonksiyon
DetaylıİÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37
İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
DetaylıEME 3117 SISTEM SIMÜLASYONU. Üçgensel Dağılım. Sürekli Düzgün Dağılım. Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar
0..07 EME 37 SISTEM SIMÜLASYONU Simulasyonda İstatistiksel Modeller-II Ders 5 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar Sürekli Düzgün (Uniform) Dağılım Normal Dağılım Üstel (Exponential)
DetaylıSimülasyonda İstatiksel Modeller. Banks, Carson, Nelson & Nicol Discrete-Event System Simulation
Simülasyonda İstatiksel Modeller Banks, Carson, Nelson & Nicol Discrete-Event System Simulation Amaç Model-geliştirici dünyaya deterministik değil olasıksal olarak bakar. İstatiksel modeller değişimleri
DetaylıGAZİ ÜNİVERSİTESİ, İ.İ.B.F, İSTATİSTİK VE OLASILIĞA GİRİŞ I, UYGULAMA SORULARI. Prof. Dr. Nezir KÖSE
GAZİ ÜNİVERSİTESİ, İ.İ.B.F, İSTATİSTİK VE OLASILIĞA GİRİŞ I, UYGULAMA SORULARI Prof. Dr. Nezir KÖSE 30.12.2013 S-1) Ankara ilinde satın alınan televizyonların %40 ı A-firması tarafından üretilmektedir.
Detaylıİstatistik 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
DetaylıTablo (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
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 5: Rastgele Değişkenlerin Dağılımları II Prof. Dr. İrfan KAYMAZ Sık Kullanılan Dağılımlar Frekans tablolarına dayalı histogram ve frekans poligonları, verilerin dağılımı hakkında
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıDENİZ HARP OKULU TEMEL BİLİMLER BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
DENİZ HARP OKULU TEMEL BİLİMLER BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS OLASILIK VE İSTATİSTİK FEB-222 2/ 2.YY 3+0+0 3 3 Dersin Dili Dersin Seviyesi
DetaylıDeney Dizaynı ve Veri Analizi Ders Notları
Deney Dizaynı ve Veri Analizi Ders Notları Binom dağılım fonksiyonu: Süreksiz olaylarda, sonuçların az sayıda seçenekten oluştuğu durumlarda kullanılır. Bir para atıldığında yazı veya tura gelme olasılığı
DetaylıRD lerin Fonksiyonları
RD lerin Fonksiyonları Diğer değişkenler gibi rastgele değişkenlerin de fonksiyonları olur Örneğin 0 ile 1 arasında rastgele seçilmiş bir çap uzunluğu ile oluşturulan dairenin alanı bir RD olarak çap uzunluğunun
DetaylıKESİKLİ DÜZGÜN DAĞILIM
KESİKLİ DÜZGÜN DAĞILIM Eğer X kesikli rassal değişkeninin alabileceği değerler (,,..., ) eşit olasılığa sahip ise, kesikli düzgün dağılım söz konusudur. p(x) =, X=,,..., şeklinde gösterilir. Bir kutuda
DetaylıOlasılık 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
DetaylıİSTATİSTİK DERS NOTLARI
Balıkesir Üniversitesi İnşaat Mühendisliği Bölümü umutokkan@balikesir.edu.tr İSTATİSTİK DERS NOTLARI Yrd. Doç. Dr. Umut OKKAN Hidrolik Anabilim Dalı Balıkesir Üniversitesi Balıkesir Üniversitesi İnşaat
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Örnekleme Planlar ve Dağılımları Prof. Dr. İrfan KAYMAZ Tanım İncelenen olayın ait olduğu anakütlenin bütünüyle dikkate alınması zaman, para, ekipman ve bunun gibi nedenlerden dolayı
DetaylıRastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble.
1 Rastgele Süreçler Olasılık taması Rastgele Deney Çıktı Örnek Uzay, S (s) Zamanın Fonksiy onu (t, s) Olayları Tanımla Rastgele süreç konsepti (Ensemble) deney (t,s 1 ) 1 t Örnek Fonksiyonlar (t,s ) t
DetaylıBağımsızlık özelliğinden hareketle Ortak olasılık fonksiyonu (sürekli ise
YTÜ-İktisat İstatistik II Örekleme ve Öreklem Dağılımları BASİT RASSAL ÖRNEKLEME N tae ese arasıda taelik bir öreklem seçilmesii istediğii düşüelim. eseli olaaklı her öreklemi seçilme şasıı eşit kıla seçim
Detaylı3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1
3. TAHMİN 3.1. En Küçük Kareler (EKK) Yöntemi 1 En Küçük Kareler (EKK) yöntemi, regresyon çözümlemesinde en yaygın olarak kullanılan, daha sonra ele alınacak bazı varsayımlar altında çok aranan istatistiki
DetaylıMIT 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.
DetaylıSÜREKLİ OLASILIK DAĞILIŞLARI
SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıAnkara Üniversitesi, SBF İstatistik 2 Ders Notları Prof. Dr. Onur Özsoy 1
1 Rastgele bir denemede ortaya çıkması olası sonuçların tamamıdır Örnek: bir zar bir kez yuvarlandığında S= Yukarıdaki sonuçlardan biri elde edilecektir. Sonuçların her biri basit olaydır Örnek: Bir deste
DetaylıİST Rassal Süreçler Dersi Tarihli Ders Notları. Öznur AY
İST 522 - Rssl Süreçler Dersi 3.3.217 Trihli Ders Notlrı Öznur AY 1 Beklenen Değer E[X] xp(x) xf(x)dx x X Bernoulli(p) E[X] p.1 + (1 p). p X Binomil(n, p) E[X] i.p (X i) ( ) n i p i (1 p) n i i n! i. (n
DetaylıKESİKLİ ŞANS DEĞİŞKENLERİNİN OLASILIK DAĞILIMLARI. Bernoulli Dağılımı Binom Dağılımı Poisson Dağılımı
KESİKLİ ŞANS DEĞİŞKENLERİNİN OLASILIK DAĞILIMLARI Bernoulli Dağılımı Binom Dağılımı Poisson Dağılımı 1 Bernoulli Dağılımı Bir şans değişkeninin bernoulli dağılımı göstermesi için ilgilenilen süreçte bernoulli
DetaylıKümülatif Dağılım Fonksiyonları. F X (x) = P (X x) = P X (x) = P (X x) = p X (x ) f X (x) = df X(x) dx
Kümülatif Dağılım Fonksiyonları Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. F X (x) = P (X x) = x f X (x ) dx Sürekli
DetaylıÖrneklem 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
DetaylıOLASILIK OLASILIK. Bireysel belirsizlik ve uzun dönemdeki düzenlilik deneysel bilimlerde de sık sık ortaya çıkar
OLASILIK OLASILIK İstatistiğin temel araçlarından biri olasılıktır 17. yy daşans oyunları ile başlamıştır Her bir denemenin çıktısı belirsizdir Fakat uzun dönemde çıktı kestirimlenebilir Bireysel belirsizlik
DetaylıLys x 2 + y 2 = (6k) 2. (x 2k) 2 + y 2 = (2k 5) 2 olduğuna göre x 2 y 2 =? Cevap: 14k 2
1. 1 =? Lys 1 7. x + y = (6k) (x k) + y = (k 5) olduğuna göre x y =?. 6 a.b = ise a + 1 b. b 1 a =? 1k 8. x ve y birbirinden farklı pozitif gerçel sayılar olmak üzere, x y y x. x.y = (x y) ise x y =?.
DetaylıOlasılık Kuramı ve İstatistik. Konular Olasılık teorisi ile ilgili temel kavramlar Küme işlemleri Olasılık Aksiyomları
Olasılık Kuramı ve İstatistik Konular Olasılık teorisi ile ilgili temel kavramlar Küme işlemleri Olasılık Aksiyomları OLASILIK Olasılık teorisi, raslantı ya da kesin olmayan olaylarla ilgilenir. Raslantı
DetaylıTÜREV VE UYGULAMALARI
TÜREV VE UYGULAMALARI 1-TÜREVİN TANIMI VE GÖSTERİLİŞİ a,b R olmak üzere, f:[a,b] R fonksiyonu verilmiş olsun. x 0 (a,b) için lim x X0 f(x)-f( x 0 ) limiti bir gerçel sayı ise bu limit değerine f fonksiyonunun
DetaylıEME 3117 SİSTEM SİMÜLASYONU. Üçgensel Dağılım. Sürekli Düzgün Dağılım. Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar
9.0.06 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar EME 7 SİSTEM SİMÜLASYONU Simulasyonda İstatistiksel Modeller (Sürekli Dağılımlar) Ders 5 Sürekli Düzgün Dağılım Sürekli Düzgün (Uniform)
DetaylıNORMAL 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