MONTE CARLO SMÜLASYONUNDA BETMSEL ÖRNEKLEME YAKLAIMI VE GDA BAKIRKÖY VEZNELERNE BR UYGULAMA ÇALIMASI
|
|
- Süleyman Sayın
- 7 yıl önce
- İzleme sayısı:
Transkript
1 MONTE CARLO SMÜLASYONUNDA BETMSEL ÖRNEKLEME YAKLAIMI VE GDA BAKIRKÖY VEZNELERNE BR UYGULAMA ÇALIMASI SErdal DNÇER (*) Habib KOÇAK (**) Özet: Monte Carlo uygulamaları sonucunda ortaya çıkan, düük deerdeki kesinlik tesadüfi davranıların tanımlanmasında kullanılan girdi örneklemlerin tesadüfi olarak oluturulmasından kaynaklanmaktadır Bu nedenle ortaya çıkan olumsuzlukları gidermeye yönelik olarak varyans azaltma tekniklerine bavurulmakta ancak bu da ilem yükünün artmasına neden olmaktadır Bu sorunu ortadan kaldırmak amacıyla basit tesadüfi örneklemeye karılık olarak betimsel örnekleme yönteminden yararlanılmakta ve bu yöntemle elde edilen sonuçların çok daha kesin deerlere sahip olduu görülmektedir Bu çalımada, betimsel örnekleme yönteminin basit tesadüfi örnekleme yöntemine göre Monte Carlo simülasyonunda çok daha uygun sonuçlara ulatıını göstermeye yönelik olarak gerçek bir duruma uygulamasına çalıılmı ve elde edilen sonuçların betimsel örnekleme lehine oldukça uygun sonuçları içerdii görülmütür Abstract: In any Monte Carlo application, sampled distributions are assumed to be known Using simple random sampling, sample histograms or, equivalently, sample moments will vary at random, thus producing an imprecise description of the known input distribution, and consequently increasing the variance of simulation estimates This problem can be avoided with descriptive sampling, here proposed as a more appropriate approach in Monte Carlo simulation than simple random sampling The basis of topic, examples of its use and emprical results are presented I Giri Bugüne kadar Monte Carlo simülasyonunda tesadüfi davranıların tanımlanmasında kullanılan girdi örneklemler tesadüfi olarak oluturulmaktaydı Basit tesadüfi örnekleme, simülasyonda standart örneklemeye dönütürülerek ileme tabii tutulmaktadır Bu durum yüksek deikenlik gösteren tahminlerin yanı sıra, bu yüksek deikenlik gösteren tahminlerden dolayı da geçerlilii oldukça tartımalı sonuçların meydana gelmesine neden olmaktadır Simülasyon tahminlerindeki bu düük deerdeki kesinlik Monte Carlo uygulamaları sonucunda ortaya çıkmakta ve bu da varyans azaltma tekniklerinin kullanılması zorunluluunu gündeme getirmektedir Varyans azaltma tekniklerine örnek olarak; antitetik varyans, tabakalı örnekleme, ortak tesadüfi (*) ÖrGörMarmara Üniversitesi BF Ekonometri Bölümü (**) ÖrGörMarmara Üniversitesi BF Ekonometri Bölümü
2 128 SErdal DNÇER, Habib KOÇAK sayılar ve yeni gelitirilen Latin hiper küp örneklemesi verilebilir Bu tür çalımalarda, varyans kontrolünden baka, çok daha kontrol edilebilir örneklem seçimine ihtiyaç duyulmaktadır Ancak Monte Carlo prensiplerini veya kavramsal yapısını kırmadan bunun gerçeklemesi oldukça zor bir ilemdir Ayrıca pek çok Monte Carlo uygulamasında kullanılan örneklemlerin bilinen bir daılıma uyduu da kabul edilmek zorundadır Uygulamalardan elde edilen sonuçlar kullanılan yöntemlerin hatalı olduunu göstermekte ve bir anakütle hakkında gereken bilgilerin elde edilmesinde derinlemesine bir tesadüfi örneklemeye ihtiyaç duyulduunu ortaya koymaktadır (James, 1985: 525) Bu çalımada, örneklemenin amacı Monte Carlo örneklemesi için çok daha iyi ve uygun olduu belirlenen betimsel örnekleme tekniinin üstünlüünü basit tesadüfi örnekleme teknii ile karılatırarak göstermektir Bu yeni yaklaımın ana farklılıı çalımalarda kullanılan örneklemin amaca yönelik olarak belirlenmesinde betimsel örneklemeden faydalanılmasıdır Betimsel örnekleme yönteminde örneklemin seçiminde sunulan daılım ile aratırmaya dahil edilen örneklemlere ait daılımın uygunluunun gerçekletirilmesi temel zorunluluk olup, aratırmaya dahil edilen örneklemlerin ise tesadüfilii söz konusudur Betimsel örnekleme uygulamada kolay bir yöntemdir lem sırasında herhangi bir düzeltme ve iyiletirmeye ihtiyaç duymaz Genel olarak çok daha iyi ve uygun tahminler üretmektedir Betimsel örneklemenin kullanımı için gerekli olan yalnızca balangıçta kullanılacak olan örnek büyüklüünün belirlenmesidir Betimsel örnekleme simülasyon uygulamalarına katkıda bulunmasına ramen daha etkili tahminlerin elde edilmesine de yardımcı olmaktadır Çalımanın temel noktasını bir Monte Carlo çalımasında örnek deikenlerin belirlenmesinde basit tesadüfi örneklemenin kullanılmasının art olmadıı görüünü göstermek oluturmaktadır Bu nokta açıkça ortaya konulduktan sonra simülasyon dahil olmak kaydıyla herhangi bir Monte Carlo uygulamasında bunu kanıtlamak mümkün olmaktadır (Saliby, 1989: 123) II Monte Carlo Simülasyonu Sistemin durumunu deitiren olayların gerçekleme zamanlarına ait deerlerinin bir olasılık daılımından faydalanılarak belirlenmesi Monte Carlo simülasyonu olarak adlandırılır (Taha, 1989: 694) Yöntem sistemin belli bir zaman aralıında yer alan belirli bir anın durumunu yansıttıı için bir statik simülasyon modelidir Bu metod olasılık teorisine balıdır Genel olarak, bir probleme uygulanması, problemin tesadüfi sayılar kullanılarak defalarca simüle edilip, hesap edilmek istenen parametrenin bu simülasyonların sonucuna bakılarak yaklaık olarak hesaplanması fikrine dayanır Gerçek bir durumun stokastik modelini oluturup, bu model üzerinden örnekleme deneyleri hazırlama teknii olarak da tanımlanabilir Bu tip simülasyonlar stokastik
3 ktisadi ve dari Bilimler Dergisi, Cilt: 19 Eylül 2005 Sayı: yapıda birbirleriyle ilikili çok sayıda deikene sahip sistem çıktılarının çalımasında kullanılmaktadır (Laufer, 1995:168) Bu konu hakkındaki ilk çalımalar 1873 yılında A Hall tarafından pi sayısı üzerinde balatılmı, daha sonra 1890 yıllarında WGosset tarafından gelitirilmeye çalıılmıtır 1899 yılında Rayleigh tarafından parabolik diferansiyel denklemlere ait tek boyutlu rastgele sayıların yaklaık deerlerini bulma çalıması gerçekletirilmitir 1931 de Kolmogorov belirli diferansiyel denklemlerin integral hesaplarında bir balantı kurmutur (Kalos ve Whitlock, 1986:45) Monte Carlo simülasyonu özellikle 1930 lardan sonra hızla gelimeye balamı matematiksel bir tekniktir Bu metot 1940 yılında nükleer silah gelitirilmesi projesinde çalıan JVon Neumann, Fermi ve Ulam adlı bilim adamlarınca gelitirilmitir Balangıç bir simülasyon problemi aaıdaki gibi sunulabilir; (a) Sistem davranıını tasvir eden bir model (b) ekil 1 de yer alan bu model kendisine dahil edilen tesadüfi girdi deikenlerini ( X A, X B,) tesadüfi çıktı deikenlere ( Z A, Z B,) dönütürmektedir Bu deikenlere cevap deikenleri adı verilmektedir (Law ve Kelton, 1991: 247) Girdi Deikenleri Cevap Deikenleri X A Z A X B Z B X C Z C ekil 1: Örnek Bir Simülasyon Modeli (c) Girdi deikenlerinin daılımının bilindii ancak cevap deikenlerinin daılımının ise bilinmedii varsayılmaktadır Buradaki amaç cevap deikenlerinin veya onlara ait parametrelerin daılımlarını incelemektir (d) Problem simüle edildiinde, girdi tesadüfi deikenleri örnekler aracılııyla deitirilirler (e) Simülasyon ilemi balatıldıında, her bir cevap deikeni için bir deikenler kümesi oluturularak hesaplamalar gerçekletirilir Burada dikkat
4 130 SErdal DNÇER, Habib KOÇAK edilmesi gereken sonlu bir sistemin simüle edilmesi durumunda her bir denemenin her bir cevap deikeni için bir gözlem deerini oluturduu ve simülasyon tahmininin ise N cevap deikenleri kümesinden hesaplandııdır Bundan dolayı da simülasyon iletilmesi N deneme tarafından tanımlanmaktadır Dier simülasyon çalımalarından farkı her ilemin bir tahmin ve simülasyon denemesi olmasıdır Cevap parametrelerinin sabit olmasına ramen her bir simülasyon ilemi farklı bir tahminler kümesini oluturmaktadır Bu farklı tahminler kümesindenkaynaklanan ve minimize edilmesi gereken tahmin hatası Monte Carlo yönteminin kullanımında katlanılması zorunlu bir durumu oluturmaktadır (Kleijnen, 1974: 318) III Betimsel Örnekleme Çalımaya katılan bir cevap deikeni ve tesadüfi girdi deikeninin simülasyonu yönlendirdiini varsayacak olursak, simülasyonun çalımasını fonksiyon eklinde ifade edebiliriz Y = F (x, x,, x ), j =,,, L (1) j j Burada Y j, n j =,,, L, cevap deikeni daılımı ile ilikili olmak üzere Q j parametresi için tahmincidir ve F j, Y j, j =,,, L, tahmincisine uygun olarak ilikilendirilmi girdi deikeni, X i, ( i =,,,n) nin bir deterministik fonksiyonudur Girdi örneklem hacmi sonsuza yönlendiinde iki asimptotik özellik söz konusu olmaktadır Bunlar; Yansızlık ; E(Y ) Q, j =,,, L ve Uygunluk ; j j Var(Y j ), j =,,, L Bu çalımada N, sonlu bir sistem için tek bir çalımaya göre düzenlenmi denemeler sayısını, T, sonsuz bir sistem için çalıma uzunluunu ifade etmekte ve n ise her bir çalıma için girdi örneklem hacmini göstermektedir (Tocher, 1963: 256) (1) nolu denklemden, simülasyon tahminlerine ait deikenlerin yalnızca girdi örnek deikenliine balı olduunu görmekteyiz Her bir deneme için farklı bir girdi örnei çizmek mümkündür Bu da birbirinden farklı tahminler kümesini oluturmaktadır Beklendii üzere, cevap deikenleri ve girdi deikenleri arasında bir iliki söz konusudur Simülasyonun genel kabulüne balı olarak, her bir girdi örneklemi 2 genel özellik açısından incelenmektedir a Deerler kümesi; tüm örnek deerleri toplu halde göz önünde bulundurularak tanımlanır, fakat onların özel sıralanmaları göz önüne alınmaz
5 ktisadi ve dari Bilimler Dergisi, Cilt: 19 Eylül 2005 Sayı: b Bu deerler özel sıralamalarda meydana gelirler Her iki özellikte iki temel olasılık kavramıyla yakından ilikilidir Bunlar, deerler kümesinin daılımı ile göreceli sıklık daılımının uygunluk göstermesi ile sıralamanın tesadüfi olmayan bir iliki göstermesidir Basit tesadüfi örneklemenin kullanılması durumunda küme elemanlarının ve sıralamanın her ikisinin de deimesine izin verilmektedir Bu nedenle her iki özellik simülasyon tahminlerindeki deiimin kaynaı olarak kabul edilmektedir (Saliby,1990: 319) A Tahminlerin Deikenlii Basit tesadüfi örneklemenin kullanılması durumunda simülasyon tahminlerindeki deikenlik aaıda yer alan ana hatlarla ortaya konulabilir 1 Küme deikenlii tahminlerin varyansları üzerinde önemli ve özelletirilmi bir etkiye sahip olan girdi örneklemi ile ilikilidir Küme deikenliinin varyansın tahminine göreceli etkisi %50 veya daha fazladır Küme deikenliinin göreceli etkisinin bir dier önemli sonucu çalıma uzunluunun göz ardı edilmesidir Çalıma uzunluunun artmasıyla girdi örnekleminin tanımlanan daılımı daha kapalı hale gelmekte, ancak küme deikenliinin göreceli etkisi ise aynı kalmaktadır 2 Dorusal bir regresyon modeli uygun teorik deerler ile girdi örnek momentleri arasındaki sapmalardaki veri etkisini ortaya koymaktadır Dorusal regresyon modeli matematiksel olarak kontrol deiimi yöntemiyle aynıdır Dorusal regresyon modeli yardımıyla açıklanan deikenlik R deeriyle ifade edilmektedir R katsayısı set etkisinin tahmin edilmesine olanak salamaktadır 3 Küme etkisi pek çok simülasyon probleminde ortak özellik olarak karımıza çıkmaktadır Bunun en bariz örnei M/M/1 (Poisson gelili/ Poisson ayrılılı/ Tek kanallı) kuyruk simülasyonu olarak gösterilebilir Küme etkisi dorusal regresyon modeli yardımıyla açıklanabilmesine ramen birbirini takip eden özellikleri tahmine yönelik olarak gelitirilmi genel bir model mevcut deildir (Saliby, 1989:135) Basit tesadüfi örnekleme yönteminin kullanılması çeitli simülasyon çalımaları arasında farklılıın olumasına neden olmaktadır Tesadüfi seçim, tahmin deerlerinin varyansını arttırmakta ve veri etkisine neden olmaktadır Monte Carlo simülasyonunda basit tesadüfi örneklemenin kullanılması kavramsal yapının taklit edilmesi durumunun ortaya çıkmasına sebep olmakta ve bundan dolayı da tesadüfi davranıların tanımlanması zorunluluunu ortaya çıkarmaktadır Bu durumda herhangi bir örneklem bu durumu taklit etmek zorundadır (Stuart, 1976:165) Tesadüfi bir davranıı tanımlayabilmenin iki temel olasılık kavramıyla ilikisi vardır Bunlar; (a) Sıklık
6 132 SErdal DNÇER, Habib KOÇAK (b) Tesadüfilie sahip olma Betimsel örnekleme Monte Carlo örneklemesinde küme deikenliini ortadan kaldırmaya veya en aza indirgemeye yöneliktir Yöntem girdi deikenlerinin ve onların tesadüfi yerlemelerinin belirleyici bir seçiminin yapılmasına dayanmaktadır Sembolik olarak; Betimsel örnekleme=deterministik veri Tesadüfi seri Basit tesadüfi Örnekleme= Tesadüfi veri Tesadüfi seri ifade edilebilir (Saliby, 1990:1133) B Betimsel Örneklemenin Uygulanması Basit tesadüfi örneklemenin zorluuna karın, betimsel örneklemenin kullanımı ve programlaması son derece kolaydır Bundan daha da önemlisi, herhangi bir özel programlamaya ihtiyaç duymaksızın tamamen hızlı bir ekilde kullanılabilmektedir Genel olarak betimsel örnekleme iki ana adımdan meydana gelmektedir Bunlar, betimsel deikenlerin ve bu deikenlerin tesadüfi yerleim setlerinin oluturulmasıdır (Saliby, 1990: 319) C Deikenler Kümesinin Oluturulması Betimsel örnekleme sürecinde, deikenler kümesi daha sonra kullanılmak üzere düzenlenir Tek bir deiiklik yardımıyla terse dönütürme ileminin genel algoritması kullanılarak betimsel örnekleme deerleri üretilir Bunun için gerekli formülasyon aaıda yer almaktadır (Saliby, 1989: 120) Tablo 1: Negatif Bir Exponansial Daılım çin Deerler Setinin Tanımlanması 1 Xd = F [(i 0,5)/ n], i =,,, n i i ( i, ) / n i Xd = ln[1 (i 0,5)/ n] 1 0,05 0, ,15 0, ,25 0, ,35 0, ,45 0, ,55 0, ,65 1, ,75 1, ,85 1, ,95 2,996 Toplam 0,50 0,9
7 ktisadi ve dari Bilimler Dergisi, Cilt: 19 Eylül 2005 Sayı: Tablo 1 de ortalama E(x) = 1 ve n =10 durumu için terse çevirme ilemi X = ln( R) durumuyla ifade edilmitir Simülasyon için n = 10 gibi küçük bir örneklem olmasına ramen bu örneklem daılımında oldukça baarılı bir sonuca ulaılmıtır Daılım fonksiyonunun tersinin eldesi analitik olarak mümkün deildir Bu nedenle yaklaık bir durum tercih edilir Burada dikkat edilmesi gereken bir dier durumda tesadüfi örneklemenin oluturulmasında da aynı mantıın geçerli olduudur Ters dönüümün söz konusu olması durumunda betimsel deikenlerin oluturulmasında da aynı adımlar geçerlidir Bir simülasyon çalımasında tüm iletimler için set deerleri yalnızca bir defa kullanılabilir Uygulamada, yer deitirme olmaksızın ilem zinciri daha önce tanımlanmı deikenler kümesinin önsel tanımlanmasıyla oluturulan örneklem ile oluturulur Burada veri yapısı algoritma ile tanımlanır Veri yapısına yönelik olarak, her bir tesadüfi girdi deikeni için aaıda yer alan kapsam dahilinde bir kayıt oluturulur (Saliby, 1990:1133) n = Örnek hacmi Xd = Küme deerlerinden oluan gerçek sıralama [,,, n] P= En küçük Xd elemanına karılık gelen indeks deeri ayet P=1 ise herhangi bir grafiksel gösterim söz konusu deildir ayet P=n+1 ise tüm deerler kümesi grafiksel gösterime hazırdır Algoritma iki aamadan meydana gelir; 1 Balangıç aaması: Simülasyona balamadan önce n tanımlanır Küme deerleri (Xd) oluturulur ve P=1 olarak kabul edilir 2 Örneklem çalımaya dahil edilmeden bir betimsel örnek deeri talep edilir a P > n ise P = olarak kabul edilir b Tesadüfi olarak bir tamsayı belirlenir c Xd[P] ile Xd[Tesadüfi tamsayı] yer deitirilir d P=P+1 olarak kabul edilir P, Xd vektörünü iki kısma ayırmaktadır lk parça P-1, bu parça grafiksel olarak ifade edilmi olan küme deerlerinden olumaktadır Dier parça ise geri kalan ifade edilmemi küme deerlerinden olumaktadır = döngüsü çizilmek suretiyle tamamlanır Bundan sonra tesadüfi yer deitirme ilemi balatılır Bu sırada herhangi bir anda veri karıtırma ilemine balanabilir Benzer bir yaklaımla aynı veri yapısı ve oluturulan küme deerleri örneklemin oluturulmasında kullanılır IV Uygulama Monte Carlo uygulamaları sonucunda ortaya çıkan ve varyans azaltma tekniklerinin kullanılmasını zorunlu hale getiren tesadüfi örneklemeye karın, bu sorunları ortadan kaldırmada daha baarılı bir yöntem olan betimsel
8 134 SErdal DNÇER, Habib KOÇAK örneklemenin uygulanabilirliliinin gösterilmesine yönelik olarak gerçek bir problem üzerinde uygulama çalıması yapılmıtır Bu uygulamaya konu olan çalıma GDA a ait Bakırköy hizmet veznelerini kapsamakta olup klasik M/M/S sabit servis sisteminden hareketle gerçekletirilmitir Simülasyon ilemi için 30 çalıma günü ve günlük 480 dakikalık çalıma zamanı baz alınmı olup, uygulamaya konu olan servis oranı (µ t ) üssel daılıma, varıların oranı (λ t ) ise poisson daılımına uygunluk göstermektedir Ortalama geli oranı 3 müteri/dk ve ortalama servis oranı 05 müteri/dk olarak hesaplanmıtır Uygulamadan elde edilen sonuçların geçerliliinin test edilmesine yönelik olarak her iki örnekleme yöntemini de kapsayacak ekilde hizmet gielerinin sayılarına yönelik alternatif senaryolar üretilmi ve çözümler bu alternatif senaryolara göre gerçekletirilmitir M/M/S kuyruk sisteminin betimsel örnekleme yöntemiyle çözüme ulatırılmasında servis zamanı için aaıda yer alan set deerleri oluturulmutur (Saliby, 1990:1135) TS i = - MS ln [(i-05)/n], i=1,2,,n Burada MS ortalama servis zamanını ifade etmektedir Varı süresi için ise; TA i = - MA ln [(i-05)/n], i=1,2,,n Burada yer alan MA ortalama varı süresini ifade etmektedir Betimsel örneklemenin basit tesadüfi örneklemeye nazaran daha uygun sonuç verdiini vurgulamaya yönelik olarak 4 farklı servis kanalı senaryosu sonuçları Tablo 1 de yer almaktadır Elde edilen sonuçların tümü göz önüne alındıında betimsel örnekleme yardımıyla gerçekletirilen kuyruk simülasyonu çalımasından elde edilen sonuçların varyansları basit tesadüfi örnekleme yönteminin kullanılmasıyla elde edilen sonuçlara nazaran oldukça düük deerlerde olduu görülmektedir Dört farklı senaryonun oluturularak çözülmesi ve her birinde de aynı sonucun elde edilmesi betimsel örneklemenin Monte Carlo çalımalarında basit tesadüfi örneklemeye nazaran çok daha uygun sonuç verdiini göstermektedir
9 ktisadi ve dari Bilimler Dergisi, Cilt: 19 Eylül 2005 Sayı: Basit Tesadüfi Örnekleme Bekleme Zamanı (dk) S=3 Ortalama Varyans S=4 Ortalama Varyans S=5 Ortalama Varyans S=6 Ortalama Varyans Betimsel örnekleme Bekleme Zamanı (dk) S=3 Ortalama Varyans S=4 Ortalama Varyans S=5 Ortalama Varyans S=6 Ortalama Varyans Tablo 2: X Dakikadan Daha Fazla Bekleme Olasılıkları V Sonuç Bu çalımada, Monte Carlo uygulamaları sonucunda ortaya çıkan ve basit tesadüfi örneklemeden kaynaklanan tahminlerdeki düük deerdeki kesinliin yol açtıı bir takım güçlükleri ve düzeltme tekniklerinin kullanılma zorunluluunu ortadan kaldırmaya yönelik olarak gelitirilen betimsel örneklemenin uygulanabilirliliinin ve genel ileyi adımlarının incelenmesine çalıılmıtır Bu amaç dorultusunda yapılan çalıma sonucunda Monte Carlo uygulamalarında kullanılan basit tesadüfi örneklemeye nazaran betimsel örnekleme yönteminin kullanılmasıyla elde edilen sonuçların çok daha düük
10 136 SErdal DNÇER, Habib KOÇAK varyans deerlerine sahip olduu ve bu nedenle de varyans indirgeme tekniklerinin kullanılmasına ihtiyaç duyulmadıı görülmütür Bu elde edilen sonuçlar ve literatürlerde bu konuya yönelik olarak yer alan dier çalımalardan da hareketle Monte Carlo çalımalarına yeni bir bakı açısı gelitirilebilecei ve bunun da yapılacak çalımaların daha etkin ve geçerli sonuçlara sahip olması açısından yardımcı olacaı görülmektedir Kaynaklar Stuart A (1976), Basic Ideas of Scientific Sampling, 2nd Ed Griffin, London James BAP (1985), Variance Reduction Technigues Journal of Operations Research Society, Vol:36, ss Saliby E (1989), Rethinking Simulation: Descriptive Sampling Atlas, EDUFRJ, Sao Paula Saliby E (1990), Understanding the Variability of Simulation Results; an Emprical Study, Journal of Operations Research Society, Vol: 41, ss Saliby E (1990), Descriptive Sampling: A better Approach to Monte Carlo Simulation, Journal of Operations Research Society, Vol:12, ss Kleijnen JPC (1974), Statistical Technigues in Simulation,Part1 Marcel Dekker, New York Kalos, MH, Whitlock, PA, (1986), Monte Carlo Methods Volume:1 Basics, John Wiley&Sons Laufer, A, (1995), Operations Management, Ohio:South-Western Publishing Co, Ohio, USA Law, A, Kelton W, (1991), Simulation Modelling & Analysis, 2th Ed, Mc Graw Hill, New York Taha AH, (1989), Operations Research An Introduction, 4th Ed, Mac Millan Publishing Company, New York Simandl M, Soukup T,(2002) Simulation Monte Carlo Methods in Extended Stochastic Volatility Models, International Journal of Intelligent Systems in Accounting Finance and Management, Apr/Jun, ss Gagne R, OuelletteP (1998), On The Choice of Functional Forms: Summary of a Monte Carlo Experiment, Journal of Business and Economic Statistics, ss
Sosyo-Ekonomik Gelimilik Aratırması
Giri Sosyo-Ekonomik Gelimilik Aratırması Taner Kavasolu Devlet Planlama Tekilatı Kalkınma Planlarımızda, ülke corafyasında ve kesimler arasında dengeli bir gelime salanması hedefi, ülke ekonomisi için
DetaylıEL PARMAKLARINA DEERLER VEREREK KOLAY YOLDAN ÇARPMA ÖRETM YÖNTEMYLE ZHN ENGELL ÖRENCLERE ÇARPIM TABLOSU ÖRETM UYGULAMASI
Bu aratırma 2005 yılında 1. Uluslararası zmir Özel Eitim ve Otizm Sempozyumu'nda poster bildiri olarak sunulmutur. EL PARMAKLARINA DEERLER VEREREK KOLAY YOLDAN ÇARPMA ÖRETM YÖNTEMYLE ZHN ENGELL ÖRENCLERE
DetaylıOTSTK ÇOCUKLARIN ALELERNE YÖNELK GRUP REHBERL NN ANNE BABALARIN DEPRESYON VE BENLK SAYGISINA ETKS
Bu aratırma 2005 yılında 1. Uluslararası zmir Özel Eitim ve Otizm Sempozyumu'nda poster bildiri olarak sunulmutur. OTSTK ÇOCUKLARIN ALELERNE YÖNELK GRUP REHBERL NN ANNE BABALARIN DEPRESYON VE BENLK SAYGISINA
Detaylır i = a i + b i r m + i
Endeks Modelleri William Sharpe tarafından gelitirilen tekli endeks modeli ve onu takip eden çoklu endeks modelleri, portföyün beklenen getirisi ve riskinin hesaplanması için gereken veri sayısını ciddi
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.
DetaylıÖrnekleme Yöntemleri
Örnekleme Yöntemleri Evren & Örneklem (Fraenkel & Wallen, 1990) Evren & Örneklem 2 Evren Evren, araştırma sonuçlarının genelleneceği (geçerli olacağı) büyük grup. Hedef evren, araştırmacının ulaşmak istediği,
DetaylıPozisyon Kontrol Sistemi Üzerine Karakteristik Yapı Çalı ması: STANBUL - 2010
Pozisyon Kontrol Sistemi Üzerine Karakteristik Yapı Çalıması: Set Üzerinde Kullanılacak Ekipman: 1 Motor sürücü ve çıkı potansiyometresi, 1 Ayarlama amplifikatörü, 1 Türevsel amplifikatör, 1 Toplama amplifikatörü,
DetaylıLOGİSTİC DAĞILIM VE RANDOM SAYI ÜRETİMİ
C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 3, Sayı, 9 LOGİSTİC DAĞILIM VE RANDOM SAYI ÜRETİMİ Yalçın KARAGÖZ Cumhuriyet Üniversitesi, İ.İ.B.F. İşletme Bölümü Özet Bu çalışmada logistic dağılım hakkında
DetaylıKAZIKLI YAYILI TEMELLERN SAYISAL ANALZ
KAZIKLI YAYILI TEMELLERN SAYISAL ANALZ Sayısal analiz yöntemlerindeki gelimeler, imdiye kadar çounlukla iki boyutta incelenebilen zemin-yapı etkileiminin ve zeminlerin dorusal olmayan yük-ekil deitirme
DetaylıBekleme Hattı Teorisi
Bekleme Hattı Teorisi Sürekli Parametreli Markov Zincirleri Tanım 1. * +, durum uzayı * +olan sürekli parametreli bir süreç olsun. Aşağıdaki özellik geçerli olduğunda bu sürece sürekli parametreli Markov
DetaylıProgramlama Dilleri 1. Ders 3: Rastgele sayı üretimi ve uygulamaları
Ders 3: Rastgele sayı üretimi ve uygulamaları Ders 3 Genel Bakış Giriş Rastgele Sayı Rastgele Sayı Üreteci rand Fonksiyonunun İşlevi srand Fonksiyonunun İşlevi Monte Carlo Yöntemi Uygulama 1: Yazı-Tura
DetaylıSIKI TIRILMI YOL ZEM NLER N N KOMPAKS YON PARAMETRELER N N KONTROLÜ
SIKITIRILMI YOL ZEMNLERNN KOMPAKSYON PARAMETRELERNN KONTROLÜ Selim ALTUN Yrd. Doç. Dr. Ege Üniversitesi naat Müh. Bölümü zmir,türkiye Alper SEZER n.yük.müh. Ege Üniversitesi naat Müh. Bölümü zmir,türkiye
DetaylıMONTE CARLO BENZETİMİ
MONTE CARLO BENZETİMİ U(0,1) rassal değişkenler kullanılarak (zamanın önemli bir rolü olmadığı) stokastik ya da deterministik problemlerin çözümünde kullanılan bir tekniktir. Monte Carlo simülasyonu, genellikle
DetaylıKONTROL SSTEMLER LABORATUARI
YILDIZ TEKNK ÜNVERSTES ELEKTRK-ELEKTRONK FAKÜLTES KONTROL ve OTOMASYON MÜHENDSL BÖLÜMÜ KONTROL SSTEMLER LABORATUARI Doç.Dr. Haluk GÖRGÜN Ar.Gör. brahim ALIKAN Ar.Gör. Yavuz EREN STANBUL - 2010-1 - DiGiAC
DetaylıSIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ
Sıra İstatistikleri ve Uygulama Alanlarından Bir Örneğin Değerlendirmesi 89 SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ Esin Cumhur PİRİNÇCİLER Araş. Gör. Dr., Çanakkale Onsekiz
DetaylıTürkiye'de Kriz Döneminde Kur-Faiz-Borsa likilerinin Dinamik Analizi Banka-Mali ve Ekonomik Yorumlar, Sayı: 11, ss: 47-56, 2002
Türkiye'de Kriz Döneminde KurFaizBorsa likilerinin Dinamik Analizi BankaMali ve Ekonomik Yorumlar, Sayı:, ss: 4756, 2002 Osman KARAMUSTAFA * Yakup KÜÇÜKKALE ** Giri Finans literatüründe döviz kurları ile
DetaylıBURSA DA GÖREV YAPAN MÜZK ÖRETMENLERNN ULUDA ÜNVERSTES ETM FAKÜLTES GÜZEL SANATLAR ETM BÖLÜMÜ MÜZK ETM ANABLM DALI LE LETM VE ETKLEM
BURSA DA GÖREV YAPAN MÜZK ÖRETMENLERNN ULUDA ÜNVERSTES ETM FAKÜLTES GÜZEL SANATLAR ETM BÖLÜMÜ MÜZK ETM ANABLM DALI LE LETM VE ETKLEM Dr. Ayhan HELVACI *1924-2004 Musiki Muallim Mektebinden Günümüze Müzik
DetaylıTaıt alımlarının ette tüketim endeksi kapsamında izlenmesi hakkında bilgi notu
Taıt alımlarının ette tüketim endeksi kapsamında izlenmesi hakkında bilgi notu ette tüketim endeksi, ekonomideki tüketim eilimlerini kartla yapılan tüketimi baz alarak incelemektedir. Bu nedenle, endeks
DetaylıMUSK MUALLM MEKTEBNDEN GÜNÜMÜZE MÜZK ÖRETMEN YETTRME PROGRAMLARINDAK YAYLI ÇALGI ÖRETMNE LKN SINAMA-ÖLÇME-DEERLENDRME DURUMLARININ NCELENMES
MUSK MUALLM MEKTEBNDEN GÜNÜMÜZE MÜZK ÖRETMEN YETTRME PROGRAMLARINDAK YAYLI ÇALGI ÖRETMNE LKN SINAMA-ÖLÇME-DEERLENDRME DURUMLARININ NCELENMES 1. GR Yrd.Doç.Dr.Cansevil TEB *1924-2004 Musiki Muallim Mektebinden
DetaylıSarıçam (Pinus sylvestris L.) Mecerelerinin Hacim Artımının Mecere Yaı, Bonitet Endeksi ve Sıklık Derecesine Göre Deiimi
Geli Tarihi: 7..6 Sarıçam (Pinus sylvestris L.) Mecerelerinin Hacim Artımının Mecere Yaı, Bonitet Endeksi ve Sıklık Derecesine Göre Deiimi lker ERCANLI Fatih SVRKAYA Sedat KELE Alkan GÜNLÜ K.T.Ü., Orman
Detaylı#$% &'#(# Konular. Binary Tree Structures. Binary Search Trees AVL Trees Internal Path Reduction Trees Deerlendirme
!" #$% &'#(# Konular Binary Search Trees Deerlendirme Binary Search Trees Bir binary search tree üzerindeki her node hem data saklar hemde dier node lara ulaılırken yön belirler Bir binary search tree
Detaylı! " # $ % & '( ) *' ' +, -. / $ 2 (.- 3( 3 4. (
!"#$ %& '()*' ' +,-. / 0 100$ 2 (.-3( 34.( ,-. '45 45 6#5 6+ 6"#0" '7086 $ $ 89 44" :#! ;{0, 1, 2, 3,..., 9}, L * olarak tanımlı olsun ve sadece 2 ye veya 3 e bölünebilen ve önünde 0 olmayan pozitif sayılara
DetaylıMATHEMATICAL MODELLING OF PORE WATER PRESSURE VARIATION OF SATURATED NORMALLY CONSOLIDATED CLAYEY SOILS
MATHEMATICAL MODELLING OF PORE WATER PRESSURE VARIATION OF SATURATED NORMALLY CONSOLIDATED CLAYEY SOILS Uur DADEVREN Res. Ass. Sakarya University Sakarya, TURKEY udagdeviren@sakarya.edu.tr Mustafa TUNCAN
Detaylı#$% &'#(# Konular. Bits of Information. Binary Özellikler Superimposed Coding Signature Formation Deerlendirme
!" #$% &'#(# Konular Binary Özellikler Deerlendirme Binary Özellikler Bir binary özellik iki deer alabilir (kapalı veya açık; var veya yok gibi) Bir kiiye ait bilgiler binary olarak aaıdaki gibi gösterilebilir
DetaylıMarkov Zinciri Monte Carlo Yaklaşımı. Aktüeryal Uygulamaları
Markov Zinciri Monte Carlo Yaklaşımı ve Aktüeryal Uygulamaları ŞİRZAT ÇETİNKAYA Aktüer Sistem Araştırma Geliştirme Bölümü AKTÜERLER DERNEĞİ 2.0.20080 2008 - İSTANBUL Sunum Planı. Giriş 2. Bayesci Metodun
DetaylıDers Kodu Dersin Adı Yarıyıl Teori Uygulama Lab Kredisi AKTS IND 621 Stokastik Süreçler
İçerik Ders Kodu Dersin Adı Yarıyıl Teori Uygulama Lab Kredisi AKTS IND 621 Stokastik Süreçler 1 3 0 0 3 8 Ön Koşul Derse Kabul Koşulları Dersin Dili Türü Dersin Düzeyi Dersin Amacı İngilizce Zorunlu Doktora
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
DetaylıQUANTILE REGRESYON * Quantile Regression
QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine
DetaylıVakko Tekstil ve Hazır Giyim Sanayi letmeleri A.. 30.06.2013 Tarihi tibarıyla Sona Eren Hesap Dönemine likin Yönetim Kurulu Yıllık Faaliyet Raporu
Sayfa No: 1 Vakko Tekstil ve Hazır Giyim Sanayi letmeleri A.. 30.06.2013 Tarihi tibarıyla Sona Eren Hesap Dönemine likin Yönetim Kurulu Yıllık Faaliyet Raporu Sayfa No: 2 Vakko Tekstil ve Hazır Giyim Sanayi
DetaylıBu model ile çalımayı öngören kuruluların (servis ve içerik salayıcılar),.nic.tr sistemi ile uyumlu, XML tabanlı yazılım gelitirmeleri gerekmektedir.
.tr alan adlarını tescili, 1991 yılından itibaren, Türkiye'yi ilk olarak nternet'e balayan Üniversitemiz bünyesinde devam etmektedir. Bu kapsamda, bugün itibarı ile, toplam yaklaık 70,000 adet.tr uzantılı
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
Detaylı3. 27 I C C' C C (V B ' C ') C DC. EM1 Modeli I B C E (V B ' E ') E' r E ' I E
3. 27 3.2.2. EM2 Modeli EM2 modeli, bir bipolar tranzistordaki yük birikimi olaylarının temsil edildii birinci dereceden bir modeldir. Bu model, kısıtlı da olsa, frekans domeni ve geçici hal analizlerinin
DetaylıSİMÜLASYON Hazırlayan: Özlem AYDIN
SİMÜLASYON Hazırlayan: Özlem AYDIN Not: Bu sunumda Yrd. Doç. Dr. Yılmaz YÜCEL in Modelleme ve Benzetim dersi notlarından faydalanılmıştır. SİMÜLASYONUN ORTAYA ÇIKIŞI Simülasyonun modern anlamda kullanılışı
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
DetaylıTÜLN OTBÇER. Seminer Raporu Olarak Hazırlanmıtır.
TÜLN OTBÇER Seminer Raporu Olarak Hazırlanmıtır. Ankara Hacettepe Üniversitesi Mayıs, 2004 ! - " $ - "%%&%$ - "%' $ - "(%' $ - "( ) (* $+,( $ - ") (',( $ - "- %./$ 0 1*&/1(2, %("%. 3/1(4""3%(/1-( /32 $$
DetaylıSİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN
SİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN SİMÜLASYON ÇEŞİTLERİ Günümüz simülasyonları gerçek sistem davranışlarını, zamanın bir fonksiyonu olduğu düşüncesine dayanan Monte Carlo yöntemine dayanır. 1.
DetaylıII. Ara tırmanın Amacı III. Ara tırmanın Önemi
Uluslararası Sosyal Aratırmalar Dergisi The Journal of International Social Research Cilt: 7 Sayı: 34 Volume: 7 Issue: 34 www.sosyalarastirmalar.com Issn: 1307-9581 ETKL OKUL-ÇEVRE LKSNDE ALENN KATKISINA
DetaylıSRKÜLER NO: POZ - 2006 / 42 ST, 08. 08. 2006 YEN KURUMLAR VERGS KANUNU NDA ÖRTÜLÜ SERMAYE
SRKÜLER NO: POZ - 2006 / 42 ST, 08. 08. 2006 çindekiler: Yeni Kurumlar Vergisi Kanunu nda örtülü sermaye YEN KURUMLAR VERGS KANUNU NDA ÖRTÜLÜ SERMAYE Bilindii üzere, 21.06.2006 tarihli Resmi Gazete de
Detaylı! " # $ % & '( ) *' ' +, -. /.,
!"#$ %& '()*' ' +,-./.,-. 0 12.30.420 ,-./.,-,-.5' $-.5 6# #",-.5 2(3 # #",-.5 6') 7 2(3 87" $-.5.$-.5) 7 # * ",222 2 #5# * #)7 #7",-./.,- Theorem: Context-free diller union, concatenation ve Kleene star
DetaylıAnahtar Kelimeler: Deikenlik Ödünlemesi, Bi-variate GARCH (1,1), Enflasyon, Çıktı, stikrar Programları.
Enflasyon-Çıktı Deikenlii Ödünlemesi: Bivariate GARCH(1,1) Bulguları Bu çalıma, DE Aratırma Sempozyumu 2003 Ankara da tebli olarak sunulmutur. Yakup Küçükkale * Özet Makroekonomik etkinliin incelenmesinde
DetaylıUluslararası Sosyal Aratırmalar Dergisi. The Journal of International Social Research. Cilt: 7 Sayı: 31 Volume: 7 Issue: 31
GR LK ANALZ LE ÖRENCLERN TEKNOLOJ VE TASARIM DERS TUTUMLARI ATTITUDE OF TECHNOLOGY AND DESIGN COURSE OF STUDENTS WITH GREY RELATION ANALYSIS Necla TEKTA * Mihriban AYDIN ** Öz Bu aratırmada; 2006-2007
DetaylıTemel ve Uygulamalı Araştırmalar için Araştırma Süreci
BÖLÜM 8 ÖRNEKLEME Temel ve Uygulamalı Araştırmalar için Araştırma Süreci 1.Gözlem Genel araştırma alanı 3.Sorunun Belirlenmesi Sorun taslağının hazırlanması 4.Kuramsal Çatı Değişkenlerin açıkça saptanması
DetaylıBELEDYELERDE NORM KADRO ÇALIMASI ESASLARI
BELEDYELERDE NORM KADRO ÇALIMASI ESASLARI Belediyelerin görevlerini etkin ve verimli bir ekilde yerine getirebilmeleri için ihtiyaç duydukları optimal (ihtiyaçtan ne fazla ne de az) kadronun nicelik ve
DetaylıGenetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:
Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.
DetaylıOTSTK BR OLGUNUN DUYGULARI ANLAMA VE FADE ETME BECERSNN KAZANDIRILMASINA YÖNELK DÜZENLENEN KISA SÜREL BR E TM PROGRAMININ NCELENMES
Bu aratırma 005 yılında 1. Uluslararası zmir Özel Eitim ve Otizm Sempozyumu'nda poster bildiri olarak sunulmutur. OTSTK BR OLGUNUN DUYGULARI ANLAMA VE FADE ETME BECERSNN KAZANDIRILMASINA YÖNELK DÜZENLENEN
Detaylı2. Bölgesel Kalkınma ve Yönetiim Sempozyumu 25-26 Ekim 2007, zmir
Yönetiim, Bölgesel Kalkınma ve Kalkınma Ajansları: Çukurova Kalkınma Ajansı Uygulaması A. Celil Öz 1 1- Giri Son çeyrek yüzyılda küresellemenin ve uluslar arası ve uluslar üstü kurumların da etkisiyle
Detaylı! " # $ % & '( ) *' ' +, $ $ - $ (. $- $ ( / $ % / $ 0 -( 1( $ (2- -(
!"#$ %& '()*' ' +. $-$( /$% /$0 -(1($(2--( 3 #*'- # 4(5 (6" #7##0 7 $$(5 (6",7 - #, $$ -$(2,-0 # # *'6' (6" 6(50 #" #06 $8# 0 #0 7" 976 0#$ 6 $$" 76 $:;)8) (6",-07#$87 07" $8#< 6 $ < 6))70" ,-$#',-$#'
DetaylıBazı Odundıı Orman Ürünlerinin Üretim, thalat ve hracat Projeksiyonları
Geli Tarihi: 29.11.26 Bazı Odundıı Orman Ürünlerinin Üretim, thalat ve hracat Projeksiyonları ÖZET Aytaç AYDIN brahim YILDIRIM Kadri C. AKYÜZ Kemal ÜÇÜNCÜ KTÜ Orman Endüstri Müh. Bölümü, Orman Fak., Trabzon
DetaylıGÜZEL SANATLAR ETM BÖLÜMÜ ÖRENCLERNN OKUL DENEYM I DERSNE YÖNELK LGLER VE BEKLENTLER **
GÜZEL SANATLAR ETM BÖLÜMÜ ÖRENCLERNN OKUL DENEYM I DERSNE YÖNELK LGLER VE BEKLENTLER ** Yrd.Doç.Dr. Gürsan SARAÇ * **1924-2004 Musiki Muallim Mektebinden Günümüze Müzik Öretmeni Yetitirme Sempozyumu Bildirisi
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
DetaylıÜNVERSTELERN GÜZEL SANATLAR ETM BÖLÜMÜ MÜZK ETM ANABLM/ANASANAT DALI BRNC SINIF ÖRENCLERNN KSEL PROFLLER *
ÜNVERSTELERN GÜZEL SANATLAR ETM BÖLÜMÜ MÜZK ETM ANABLM/ANASANAT DALI BRNC SINIF ÖRENCLERNN KSEL PROFLLER * Ara.Gör.Ilgım KILIÇ *1924-2004 Musiki Muallim Mektebinden Günümüze Müzik Öretmeni Yetitirme Sempozyumu
DetaylıTÜBTAK UEKAE Gebze/KOCAEL, ihasircioglu@uekae.tubitak.gov.tr
TÜBTAK UEKAE Gebze/KOCAEL, ihasircioglu@uekae.tubitak.gov.tr ÖZET : Bu bildiride ETSI standardında tanımlanan Elektronik mza yapısı ve farklı kullanım amaçları için oluturulabilecek imza formatları incelenecek,
DetaylıÖrneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir.
ÇIKARSAMALI İSTATİSTİKLER Çıkarsamalı istatistikler, örneklemden elde edilen değerler üzerinde kitleyi tanımlamak için uygulanan istatistiksel yöntemlerdir. Çıkarsamalı istatistikler; Tahmin Hipotez Testleri
DetaylıYÖNETİM BİLİŞİM SİSTEMLERİ BÖLÜMÜ YENİ DERS MÜFREDATI (1) FAKÜLTESİ: İŞLETME FAKÜLTESİ / BUSINESS SCHOOL
(3) SINIFI: 1. Yıl Güz Dönemi MIS101 BİLGİSAYAR PROGRAMLAMA 1 COMPUTER PROGRAMMING 1 Z 3-0 4 BUS101 BİLİM VE TEKNOLOJİ TARİHİ HISTORY OF SCIENCE AND TECHNOLOGY Z 3-0 4 BUS103 İŞLETMECİLER İÇİN MATEMATİK
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıLUMP-PARAMETRE MODELLERYLE YAPILAN PERFORMANS TAHMNLERNDEK BELRSZLN DEERLENDRLMES: ZMR BALÇOVA-NARLIDERE VE AFYON ÖMER-GECEK SAHALARINA UYGULAMALAR
LUMP-PARAMETRE MODELLERYLE YAPILAN PERFORMANS TAHMNLERNDEK BELRSZLN DEERLENDRLMES: ZMR BALÇOVA-NARLIDERE VE AFYON ÖMER-GECEK SAHALARINA UYGULAMALAR 127 Ömer nanç TÜREYEN Hülya SARAK Mustafa ONUR ÖZET Uygulanan
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
DetaylıKENTÇ TOPLU TAIMA SSTEMLERNN TÜREL DAILIMI
KENTÇ TOPLU TAIMA SSTEMLERNN TÜREL DAILIMI Kemal Selçuk ÖÜT Ara. Gör., stanbul Teknik Üniversitesi, naat Fakültesi, Ulatırma Anabilim Dalı 1. KENTÇ TOPLU TAIMA SSTEMLER Kentiçi toplu taıma sistemleri iki
DetaylıALTERNATF BR ENERJ KAYNAI ÜRETELM
ALTERNATF BR ENERJ KAYNAI ÜRETELM Hazırlayanlar Cannur KURUOLU 6B Pırıl ALP 6B Danıman Öretmen Demet EROL 2011 ÇNDEKLER Projenin Amacı.....1 Projenin Hedefi.1 Proje çalımaları sırasında gerçekletirilen
Detaylı! " # $ % & '( ) *' ' +, -. /) /) 0 # /) %, %, 1 2
!"#$ %& '()*' ' +,-./) /) 0 #/) %,%, 12 $$(/3#/ " '$$(/34" '$$(//44 / 4 /4/ 4# ##4" 5-6/'$##/" 7#! a(a * b * )b regular expression ile önce bir a üretilir. Ardından iki durumdan birisine göre devam edilir.
DetaylıİÇİNDEKİLER ÖN SÖZ...
İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN
DetaylıDr. Yakup KÜÇÜKKALE Karadeniz Teknik Üniversitesi Ünye ktisadi ve dari Bilimler Fakültesi ktisat Bölümü Ünye/ORDU
BELRSZLK DURUMUNDA ÇIKTI-ENFLASYON DEKENL ÖDÜNLEMES (TRADE-OFF) VE STKRAR POLTKALARI Bu çalıma, DE statistik Aratırma Sempozyumu 2000 Ankara da tebli olarak sunulmutur. Dr. Yakup KÜÇÜKKALE Karadeniz Teknik
Detaylıstatistiksel Proses Kontrol -Uygulamalar -
statistiksel Proses Kontrol -Uygulamalar - Prof.Dr. Erhan Öner eoner@marmara.edu.tr Prof.Dr. Erhan Öner/PK Problemleri/2002-1/34 Kontrol Diyagramları Niceliksel (kantitatif) kalite özellikleri ile oluturulan
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
Detaylı1. Satı ve Daıtım lemleri " # $ "!!
1. Satı ve Daıtım lemleri " " " " " %& % ' (& " & ' ( Stok kartı ilemlerine girmeden pratik bir ekilde ilem ) " & * + (& ", ) (& Satı Fatura ilemlerinde bu alan tıklayarak veya F 2 - " '"(& ". / 0 " &
Detaylı6. MOS ANALOG ÇARPMA DEVRELER
6. 1 6. MOS ANALOG ÇARPMA DEVRELER Analog çarpma devreleri, giri gerilimlerinin çarpımıyla orantılı çıkı gerilimi veren düzenlerdir ve aradaki iliki V O =.V.V Y (6.1) eklindedir. büyüklüü çarpma devresinin
DetaylıJava Tabanlı Akıı Sisteminin Gelitirilmesi
Java Tabanlı Akıı Sisteminin Gelitirilmesi Deniz KARATOPRAK 1 Meltem Turhan YÖNDEM 2 1 Meteksan Sistem, Simülasyon ve Görsel Sistemler 1,2, Orta Dou Teknik Üniversitesi, Bilgisayar Mühendislii, Ankara,
DetaylıSİSTEM SİMÜLASYONU BENZETIM 1 SİMÜLASYON MODEL TÜRLERİ 1. STATİK VEYA DİNAMİK. Simülasyon Modelleri
SİSTEM SİMÜLASYONU SİMÜLASYON MODELİ TÜRLERİ BİR SİMÜLASYON ÇALIŞMASINDA İZLENECEK ADIMLAR ve SİMÜLASYON MODEL TÜRLERİ Simülasyon Modelleri Üç ana grupta toplanabilir; 1. Statik (Static) veya Dinamik (Dynamic),
DetaylıTÜRKYE SERMAYE PYASASI ARACI KURULULARI BRL SCL TUTMA ESASLARI
Amaç ve Kapsam TÜRKYE SERMAYE PYASASI ARACI KURULULARI BRL SCL TUTMA ESASLARI Madde 1 Bu Esasların amacı, aracı kurulu, portföy yönetim irketi, yatırım fonu, yatırım ortaklıı (menkul kıymetler, gayrimenkul
DetaylıİSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications*
Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications* Işıl FİDANOĞLU İstatistik Anabilim Dalı Fikri
DetaylıKuyruk Teorisi Ders Notları: Bazı Kuyruk Modelleri
Kuyruk Teorisi Ders Notları: Bazı Kuyruk Modelleri Mehmet YILMAZ mehmetyilmaz@ankara.edu.tr 10 KASIM 2017 14. HAFTA 8 Tek kanallı, Sonsuz Kapasiteli, Servis Süreleri Keyfi Dağılımlı Kuyruk Sistemi M/G/1/
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
DetaylıSINIF ÖRETMEN ADAYLARININ NTERNET KULLANIMINA LKN TUTUMLARININ DEERLENDRLMES
Ahi Evran Üniversitesi Kırehir Eitim Fakültesi Dergisi (KEFAD) Cilt 8, Sayı 1, (2007), 209-222 209 SINIF ÖRETMEN ADAYLARININ NTERNET KULLANIMINA LKN TUTUMLARININ DEERLENDRLMES Erturul USTA Ahi Evran Üniversitesi,
DetaylıINVESTIGATION OF THE FACTORS AFFECTING DESIGN OF ANCHORED SHEET PILES
INVESTIGATION OF THE FACTORS AFFECTING DESIGN OF ANCHORED SHEET PILES Özcan TAN Selim ALTUN M. Tarık DLAVER. Hakkı ERKAN Assoc. Prof. Dr. Asst. Prof. Dr. Civil Engineer (MSc) Research Asst. Selçuk Univ.
DetaylıOTSTK ÇOCUKLARDA TEACCH PROGRAMININ GELMSEL DÜZEYE ETKS: OLGU SUNUMU
Bu aratırma 2005 yılında 1. Uluslararası zmir Özel Eitim ve Otizm Sempozyumu'nda poster bildiri olarak sunulmutur. OTSTK ÇOCUKLARDA TEACCH PROGRAMININ GELMSEL DÜZEYE ETKS: OLGU SUNUMU Psk. Deniz VARIR
DetaylıDegree Department Üniversity Year B.S. Statistics Gazi University 1993 M.s. Statistics Gazi University 1998 Ph.D. Statistics Gazi University 2005
Gazi University Faculty of Science Department of Statistics 06500 Teknikokullar ANKARA/TURKEY Tel:+903122021479 e-mail: yaprak@gazi.edu.tr Web site: www.gazi.edu.tr/yaprak EDUCATION Degree Department Üniversity
Detaylısalıklı ve kaliteli bir yaam sürdürebilmesi amacıyla enerji depoladıı bir mekandır. Konut, insan varlıının en etkili güvencesidir (Ören ve Yüksel,
Uluslararası Sosyal Aratırmalar Dergisi The Journal of International Social Research Cilt: 8 Sayı: 37 Volume: 8 Issue: 37 Nisan 2015 April 2015 www.sosyalarastirmalar.com Issn: 1307-9581 DENZL KENTNDE
DetaylıDERS 2 : BULANIK KÜMELER
DERS 2 : BULNIK KÜMELER 2.1 Gİriş Klasik bir küme, kesin sınırlamalarla verilen bir kümedir. Örneğin, klasik bir küme aşağıdaki gibi belirtilebilir: = { x x > 6 }, Kapalı sınır noktası burada 6 dır.burada
DetaylıOlasılık Teorisi ve İstatistik (MATH392) Ders Detayları
Olasılık Teorisi ve İstatistik (MATH392) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Olasılık Teorisi ve İstatistik MATH392 Güz 4 0 0 4 7 Ön Koşul Ders(ler)i
DetaylıYrd. Doç. Dr. Mehmet Güçlü
Dersin Adı DERS ÖĞRETİM PLANI Ekonometri I Dersin Kodu ECO 301 Dersin Türü (Zorunlu, Seçmeli) Dersin Seviyesi (Ön Lisans, Lisans, Yüksek Lisans, Doktora) Dersin AKTS Kredisi 6 Haftalık Ders Saati 4 Haftalık
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 7- SAYISAL TÜREV Doç. Dr. Ali Rıza YILDIZ 1 GİRİŞ İntegral işlemi gibi türev işlemi de mühendislikte çok fazla kullanılan bir işlemdir. Basit olarak bir fonksiyonun bir noktadaki
Detaylı#$% &'#(# Konular. Direct File Organization. Progressive Overflow Buckets Linear Quotient Brent s Method Binary Tree
!" #$% &'#(# Konular Progressive Overflow Buckets Linear Quotient Brent s Method Progressive overflow Coalesced hashing temel dezavantajı linkler için ek yer gerektirmesidir Progressive overflow (linear
DetaylıKAZIK YÜKLEME DENEYLER VER TABANI PROGRAMI
Zemin Mekanii ve Temel Mühendislii Onüçüncü Ulusal Kongresi 30 Eylül - 1 Ekim 2010, stanbul Kültür Üniversitesi, stanbul KAZIK YÜKLEME DENEYLER VER TABANI PROGRAMI A DATABASE PROGRAM FOR PILE LOAD TESTS
DetaylıAST416 Astronomide Sayısal Çözümleme - II. 6. Monte Carlo
AST416 Astronomide Sayısal Çözümleme - II 6. Monte Carlo Bu derste neler öğreneceksiniz? Monte Carlo Yöntemleri Markov Zinciri (Markov Chain) Rastgele Yürüyüş (Random Walk) Markov Chain Monte Carlo, MCMC
DetaylıE-Beyanname* *connectedthinking
E-Beyanname* Neden E-beyanname? Maliye Bakanlıı, Tüm dünyada hızla gelien bilgi ilem teknolojilerinden yararlanmak, Vergi beyannameleri ile bildirim ve eklerinin hızlı, kolay bir ekilde beyanını salamak,
Detaylı9/22/2014 EME 3105 SİSTEM SİMÜLASYONU. Giriş. Tek Kanallı Kuyruk Sistemi. Kuyruk Sistemlerinin Simulasyonu. Simulasyon Örnekleri Ders 2
EME 3105 SİSTEM SİMÜLASYONU Simulasyon Örnekleri Ders Giriş Bu derste bilgisayar yardımı olmaksızın çalıştırılabilen birkaç simulasyon örneği verilmiştir. Bu örnekler size sistem simulasyonu metodolojisini
Detaylı$- &$ $&" &#' $ & $ )$ )&/ &&!! ( & )* # $!%! &($!
Elementary Education Online, 7(3), 785-799, 2008. lköretim Online, 7(3), 785-799, 2008. [Online]: http://ilkogretim-online.org.tr!" # $!% &#' $!($ )*! &$!( &# )$+,*!$" && '"!!%*$!-. #' *$& '&/!&!&/012$!&#!3
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
DetaylıKonular. Sequential File Organization. Direct File Organization #$% &'#(# Binary Search Interpolation Search Self-Organizing Sequential Search
!" #$% &'#(# Konular Sequential File Organization Binary Search Interpolation Search Self-Organizing Sequential Search Locating Information Hashing Functions Collision Resolution Sequential File Organization
DetaylıTOKAT EHRNDE MALA KARI SUÇLAR PROPERTY CRIMES IN TOKAT CITY
TOKAT EHRNDE MALA KARI SUÇLAR PROPERTY CRIMES IN TOKAT CITY Alper UZUN * Alpaslan ALAAOLU** Özet Mala karı ilenen suçlar mekânsal olarak farklı daılı kalıbına sahiptir. Bu çalımanın amacı; 2006 yılında
Detaylı,$( -./(,$( 0$0$ 1 2 134(,$(
!"#$ %& '()*' ' + -./( 0$0$ 1 2 134( 5(/ 4 2 " $#56L = {a n b n c n : n 0}222 #.(.)", #22(# 7# 2", #6,489: 7", #24$62.. ' # #2(; 7 #", #2, #2.24$;7" $.7 2# < #44 )" -2 # 22)#( #4# 7 #7= 8"- 2 " >"",.'#
DetaylıY = 29,6324 X 2 = 29,0871 X 3 = 28,4473 y 2 = 2,04 x 2 2 = 0,94 x 2 3 = 2,29 yx 2 = 0,19 yx 3 = 1,60 x 2 x 3 = 1,06 e 2 = 0,2554 X + 28,47 X 3-0,53
EKONOMETR DERS ÇALIMA SORULARI SORU : 1 1980-1994 y llar aras ndaki Türkiye Özel Yat r m (Y), Reel Mevduat Faiz Oran (X ) ve GSMH (X 3 ) verilerinden hareketle a*a+ daki ortalamadan farklara göre ara sonuçlar
DetaylıÖrneklem. Yöntemleri FBED511 Eğitim Bilimlerinde Temel Araştırma Yöntemleri 1. Evren & Örneklem. Evren. Örneklem ve örnekleme
Yöntemleri & EBE Z Eğitimde Araştırma Yöntemleri (Fraenkel & Wallen, 1990), araştırma sonuçlarının genelleneceği (geçerli olacağı) büyük grup. Hedef evren, araştırmacının ulaşmak istediği, ancak ulaşması
DetaylıPrimary School Teachers Computer Self Efficacies: Sample of Balıkesir*
Elementary Education Online, 6(3), 441-451, 2007. lköretim Online, 6(3), 441-451, 2007. [Online]: http://ilkogretim-online.org.tr Primary School Teachers Computer Self Efficacies: Sample of Balıkesir*
DetaylıKMYA ÖRETMEN ADAYLARININ NTERNET KAYNAKLARINI KULLANIMLA LGL TUTUMLARI VE KARILATIKLARI ZORLUKLAR
Ahi Evran Üniversitesi Kırehir Eitim Fakültesi Dergisi (KEFAD) Cilt 7, Sayı 2, (2006), 207-215 207 KMYA ÖRETMEN ADAYLARININ NTERNET KAYNAKLARINI KULLANIMLA LGL TUTUMLARI VE KARILATIKLARI ZORLUKLAR Selçuk
DetaylıBÖLÜM 10 ÖRNEKLEME YÖNTEMLERİ
İÇİNDEKİLER BÖLÜM 10 ÖRNEKLEME YÖNTEMLERİ I. ÖRNEKLEME... 1 II. ÖRNEKLEMENİN SAFHALARI... 2 III. ÖRNEK ALMA YÖNTEMLERİ 5 A. RASYONEL ÖRNEK ALMA... 5 B. TESADÜFİ ÖRNEK ALMA... 6 C. KADEMELİ ÖRNEK ALMA...
Detaylıolmaması, sistemik hastalık öyküsü olmaması, NSA lara karı bilinen allerjisi olmaması, çalıma süresince analjezik etki oluturabilecek herhangi bir medikasyon (antidepresan, analjezik, trankilizan, hipnotik,
Detaylı