Amerika da Tüketici Fiyat Endeksi İncelenmesi (TÜFE),

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Amerika da Tüketici Fiyat Endeksi İncelenmesi (TÜFE), 1947-2013"

Transkript

1 Amerika da Tüketici Fiyat Endeksi İncelenmesi (TÜFE), Elif AKÇA * Ebru ÖZTÜRK* Tuğçe AYDOĞAN 3 Orta Doğu Teknik Üniversitesi, Fen Edebiyat Fakültesi, İstatistik Bölümü, Türkiye, Orta Doğu Teknik Üniversitesi, Fen Edebiyat Fakültesi, İstatistik Bölümü, Türkiye, 3 Orta Doğu Teknik Üniversitesi, Fen Edebiyat Fakültesi, İstatistik Bölümü, Türkiye, Tüketici tarafından satın alınan mal ve hizmetlerin fiyatlarındaki değişimleri ölçen endeks olan TÜFE ülkenin genelini temsil eden bir örnek kitlenin bir yıl içinde hangi mal ve hizmete ne kadar para harcadığını hesaplamaktadır.yılın her ayının belirli günlerinde ve belirli alışveriş merkezlerinden alınan mal ve hizmet fiyatlarındaki değişim ile o ayın tüketici enflasyon rakamına ulaşılmaktadır (Türkiye Cumhuriyet Merkez Bankası,04). TÜFE de kısa dönemde görülen kayda değer herhangi bir artış ya da azalış enflasyon veya deflasyonun birer göstergesi olabilirler. Bu çalışmanın ilk temel amacı; Amerika da kırsal kesimde yaşayan tüketicilere dair TÜFE nin modellenerek geleceğe dair öngörüde bulunulmasıdır. Çalışmada buna ek olarak, kırsal kesimde yaşayan tüketicilerin alışveriş alışkanlıklarının belirlenmesi amaçlanmaktadır. Böylece enflasyon ve deflasyon zamanlarının belirlenebilmesi ve buna uygun para politikalarının oluşturulması sağlanabilmektedir. Fakat, incelenen veri seti sadece kırsal kesimi yansıttığından dolayı bütün tüketici kesimlerini yansıtan bir örneklemin çalışmada kullanılması daha doğru olacaktır. Bu amaçla, zaman serileri modelleme yöntemi kullanılarak var olan veri seti analiz edilmiştir. Mevsimlik modelleme ve üstel düzgünleştirme yöntemleri kullanılarak veri setine uygun bir model oluşturulmuştur. Kullanılan veri seti Ocak 947- Ekim 03 tarihleri arasında toplanan aylık TÜFE bilgilerini içermektedir. Veri seti tahmin ve öngörü setleri olarak ikiye ayrılmıştır. Son beş gözlem öngörü setine aktarılmıştır. Öngörü seti yapılan tahminlerin doğruluğunu ölçmek için oluşturulmuştur. Uygun metotlar kullanıldığında SARIMA(5,,5)(3,,)s= veri setine en uygun model olarak seçilmiştir. Tablo. SARIMA(5,,5)(3,,)s= modeli için Öngörü TÜFE Değerleri ve Gerçek TÜFE Değerlerinin Karşılaştırılması Öngörü TÜFE Gerçek TÜFE Haziran Temmuz Ağustos Ortalama Karesel Hata=.94553e-07 Eylül Ekim Üstel düzgünleştirme yöntemlerinde Holt un Modeli kullanılmış ve elde edilen öngörü sonuçları ve karşılaştırılması aşağıda belirtilen tabloda verilmiştir.

2 Tablo. Holt un Modeli için Öngörü TÜFE Değerleri ve Gerçek TÜFE Değerlerinin Karşılaştırılması Öngörü TÜFE Gerçek TÜFE Haziran Temmuz Ağustos Ortalama Karesel Hata= Eylül Ekim SARIMA(5,,5)(3,,)s= modelinin ortalama karesel hata değeri daha küçük olduğundan dolayı veriye en çok uyan model olarak seçilmiştir. Fakat, gelecek çalışmalarda ARCH- GARCH modellerinin denenmesi literatürde belirtiliştir. Anahtar Kelimeler: Zaman Serileri, TÜFE, Holt un Modeli, Mevsimsel modelleme Kaynaklar Türkiye Cumhuriyet Merkez Bankası, Türkiye Cumhuriyet Merkez Bankası Terimler Sözlüğü, [Online] Available: (March 4, 04). United Stated Department of Labor 03, The Consumer Price Index for All Urban Consumers in United States of America. [Online] Available: (December 0, 03).

3 Çoklu Regresyon Analizi Buket COŞKUN* Şebnem Gökçe DEMİRCİOĞLU* ODTÜ,Fen Edebiyat Fakültesi, İstatistik, Türkiye, ODTÜ,Fen Edebiyat Fakültesi, İstatistik, Türkiye, Bizim bu projedeki amacımız dünyanın 97 ülkesindeki erkeklerin doğumdaki yaşam beklentilerinin varyasyonunu regresyon analizi ile belirlemek. Analiz ettiğimiz veriler The Annual Register 99 ve The_U.N.E.S.C.O. 990 Demographic Year Book da yayımlanmıştır.bu 97 ülkenin her biri için sekiz farklı değişken toplanmıştır: doğum oranları, ölüm oranları, bebek ölüm oranları, erkek ve kadınların doğumdaki yaşam beklentisi ve gayrisafi milli hasıla.bu data üzerinde çok değişkenli karmaşık bir çoklu regresyon modeli kurmadan önce bebek ölüm oranı analizi için basit doğrusal regresyon modeli kurduk.bu analizin sonucunda bebek ölüm oranı ile erkeklerin doğumdaki yaşam beklentisi arasında negatif bir ilişki olduğunu saptadık. İkinci adım olarak biz beş değişkeni içeren çoklu lineer regresyon modeli belirledik ve bu model için varsayımları kontrol ettik. Şüpheli bazı varsayımlardan memnun değildik ve biz en iyi modeli belirlemek için bazı istatistiksel yöntemler kullandık. Bulduğumuz bu model için de tekrar varsayımları kontrol ettiğimizde hepsinin geçerli olduğunu gördük. Bunlara ek olarak bu modelin yeterliliğini kontrol ettik ve son modeli kurduk: Erkeklerin doğumdaki yaşam beklentisi = doğum oranları ölüm oranları , bebek ölüm oranları gayrisafi milli hasıla Bu modelde erkeklerin doğumdaki yaşam beklentisinin varyasyonunun %93.6 sı doğum oranı, ölüm oranları, bebek ölüm oranları, ve gayrisafi milli hasıla değişkeninden kaynaklanmaktadır. Anahtar Kelimeler: Yaşam beklentisi, modelleme, varsayım kontrolü Kaynaklar Montgomery,D.C.,Peck,E.A. & Vining.G.G (00). Introduction to linear regression analysis(3rd ed.).new York:John Wiley. Pennsylvania State University, Department of statistics.retrived January 0,04,from https://onlinecourses.science.psu.edu/stat50/node/76 U.N.E.S.C.O(990). 990 Demographic Year Book. Retrived November,03,from New York: United Nations s3.pdf

4 Sigara bağımlılığının duman ile ilişkisinin değerlendirilmesi Halil İbrahim ERGÜN* Zeynep ÖZTÜRK, Sinop Üniversitesi, Fen Edebiyat Fakültesi, İstatistik Bölümü, Türkiye, Bu çalışma Sinop Üniversitesi personel ve öğrencilerine sigara içme sayısı ve sigara bağımlılığının duman ile ilişkisi olup olmadığını saptamak amacıyla planlanmıştır. Çalışmaya Sinop Üniversitesi personel ve öğrencilerinden toplam 05 kişi katılmıştır. Bu kişilere yüz yüze görüşme yöntemi ile 3 sorudan oluşan anket uygulanmıştır. Ankete katılanlardan yaşları 0 ile 30 arasında olan erkeklerin daha fazla sigara içtiği gözlenmiştir. Sigara bağımlılığı bu güne kadar psikolojik ve nikotine olan bağımlılık olarak incelenmiştir ama dumanı ile olan ilişki irdelenmemiştir. Bu çalışmada amaç, Sigara bağımlısı olanlar dumanı olmayan bir sigarayı içmek isterler miydi? Yani sigaranın cazip gelmesinin sebebi aslında gördüğümüz duman sayesinde mi? Gözümüz kapalı sigara içmek ister miydik? Sigara tüketiminin sebeplerinden biride dumanı mıdır? Sigara bağımlılığı sadece nikotinle mi alakalıdır? gibi sorulara cevap bulmaktır. SPSS- programı aracılığı ile nitel değişkenlerin karşılaştırılmasında Ki-Kare testi ve sigara içmenin etkili olduğu değişkenleri belirlemede İkili Lojistik Regresyon Analizi kullanıldı. Çalışmanın sonucunda dumanı olmayan bir sigarayı içip keyif alma arasında anlamlı bir ilişki olduğu 0,05 anlamlılık düzeyinde söylenebilir. Sigaraya başlama ve tüketiminde çevrenin etkisinin olduğu görülmüştür. Anahtar Kelimeler: Sigara bağımlılığı, lojistik regresyon analizi, ki kare testi KAYNAKLAR Centers for Disease Control. Annual smoking-attributable mortality, years of potential life lost, and economic costs- United States, Morbid Mortal Weekly 00; 5: Everett, S. A., Warren, C. W., Sharp, et al. Initiation of cigarette smoking and subsequent smoking behavior among U. S. High school students. Prev Med 999; 9: Metin G, Yücel R, Altan M, Öztürk L. Sigarayı Bırakmanın Fiziksel Egzersiz Kapasitesi Üzerine Etkileri. Toraks Dergisi 005; 6(3):-7. Kocabaş A. Öğrencilerde ve öğretmenlerde sigara içimiyle ilgili tutum ve inanışlar. Ankara Tıp Mecmuası 988; 4: Metintalp S, Sarıboyacı MA, Nuhoğlu S ve ark. Eskişehir ilindeki üniversite öğrencilerinde sigara içme alışkanlığına ait özellikler.

5 Farklı Metotların Okuma Üzerindeki Etkileri Şeyma Özgecan Celal Oğuz Ö İ Orta Doğu Teknik Üniversitesi, Fen Edebiyat Fakültesi, İstatistik, Türkiye, Orta Doğu Teknik Üniversitesi, Fen Edebiyat Fakültesi, İstatistik, Türkiye, 3 Orta Doğu Teknik Üniversitesi, Fen Edebiyat Fakültesi, İstatistik, Türkiye, Eğitim bir ülkenin gelişmesine önemli katkı sağlayan olgulardan biridir. Bu nedenledir ki, bu konuyu ele alan birçok istatistiksel araştırma literatürde mevcuttur. Eğitimin ana parçalarından biri olan okuma alışkanlığı çalışmalarda sıkça analiz konusu olmaktadır. Ancak, okuma alışkanlığının ve bu alışkanlığı kazandırmak için uygulanan metotların analizi konunun doğru olarak ele alınması açısından dikkat edilmesi gereken noktalardan biri olmalıdır. Bu raporda, kullanılan farklı metotlarla öğrencilerin anlama ve okunulan konu üzerindeki hâkimiyetlerindeki farklılıklar analiz edilmiştir. Elde bulunan örneklem büyüklüğü 66 dır. Kullanılan metot sayısı 3 ve bunların tanımları şunlardır:.basal METOT: Bu metotla yazılı metin çalışmaları kullanılarak okuma değerlendirmesine ait test sonuçları elde edilmiştir..drta(directed Reading Thinking Activity) METOT: Bu metotla okuma yapılmadan önce okunulacak metin hakkında tahmin yürütülmesi beklenmiş, daha sonra metin bu tahminler doğrultusunda okutulup, okuma değerlendirilmesine ait test sonucu elde edilmiştir. 3. STRAT METOT: Bu metotla kişinin metni okumadan önce kendinin okuma yöntemi hakkında kişiye farkındalık yaratmak amacıyla sorular sorulup, kişinin kendini sorgulaması hedeflenir ve daha sonra istenilen metin okutularak okuma değerlendirilmesine ait test sonucu elde edilmiştir. Örneklem büyüklüğü olan 66 seçilmiş kişi rastgele olarak bahsedilen üç tekniğe atanmıştır. Tekniklerin etkinliği açısından bir karşılaştırma yapabilmek için veri yedi farklı değişken üzerinden toplanmıştır: -Subject: Gözlem numarası -Group: Kişiye uygulanan metot çeşidi (Basal, DRTA, or Strat) 3-PRE: Kişiye metot uygulanmadan ilk okuyuşta alınan test değeri 4-PRE: Kişiye metot uygulanmadan ikinci okuyuşta alınan test değeri 5-POST: Kişiye metot uygulandıktan sonraki ilk okuyuşta alınan test değeri 6-POST: Kişiye metot uygulandıktan sonraki ikinci okuyuşta alınan test değeri 7-POST3: Kişiye metot uygulandıktan sonraki üçüncü okuyuşta alınan test değeri Belirtilen metotlara ait değişkenlerin tanımlayıcı istatististiklerinden bazıları Tablo. Tanımlayıcı İstatistikler deki gibidir.

6 Tablo.Tanımlayıcı İstatistikler BASAL DRTA STRAT ORTALAMA STANDART SAPMA MEDYAN ORTALAMA STANDART SAPMA MEDYAN ORTALAMA STANDART SAPMA MEDYAN PRE 0,50,97,5 9,77, ,43 3,05 9 PRE 5,73, ,09, ,03,9 5,5 POST 6,68,767 6,5 9,773,74 0 8,773 3,49 8,5 POST 5,545,04 5 6,7,09 6 7,95,74 7 POST3 4,05 5, ,73 7,39 48,5 45,5 6,67 48 Her bireyin anlama ve yorumlama yetisi, uygulanan farklı metotlar açısından değişiklik gösterebilir. Bunun nedeni bireyin karakteristik özellikleri veya genetik faktörleriyle ilişkilendirilebilir. Bu araştırmada, türlü durumlar göz önünde bulundurularak farklı yapıdaki bireylerde uygulanan metotların etkinliği ölçülmüştür ve araştırmada yanlı sonuç alınması engellenmeye çalışılmıştır. Nihayetinde, elde bulunan örneklem üzerinden etkinliği en yüksek olan metot belirlenmeye çalışılmıştır. Anahtar Kelimeler: STRAT, BASAL, DRTA, okumanın anlama üzerindeki etkisi, reading comprehension Kaynaklar Moore, David S., and George P. McCabe (989). Introduction to the Practice of Statistics. Original source: study conducted by Jim Baumann and Leah Jones of the Purdue University Education Department. Wonnacot, T.,& Wonnacot, J.(990). Introductory Statistics.(5th ed.). New York: Wiley

7 Memelilerin toplam uyku süresini etkileyen faktörler Özlem ASKER*, Cansu ÖZTÜRK* Orta Doğu Teknik Üniversitesi, Fen Edebiyat Fakültesi, İstatistik Bölümü, Türkiye, Orta Doğu Teknik Üniversitesi, Fen Edebiyat Fakültesi, İstatistik Bölümü, Türkiye, Bu çalışmanın amacı, memelilerde toplam uyku süresini etkileyen faktörleri incelemek ve bu faktörler ile toplam uyku süresi arasında lineer bir ilişki olup olmadığını araştırmak ve eğer varsa bu ilişkileri gösterebilecek lineer modeller kurmaktır. Çalışmada kullanılan veri seti Sleep in Mammals: Ecological and Constitutional Correlates (Allison & Cicchetti-976) isimli makaleden alınmıştır. Veri seti dünyanın farklı yerlerindeki altmış iki adet farklı memeliden alınmıştır ve onbir adet değişken içermektedir. Bu değişkenler: ) Memelinin cinsi ) Vücut ağırlığı (kg) 3) Beyin ağırlığı (g) 4) Rüya görmeden geçirdiği uyku süresi (saat) 5) Rüya görerek geçirdiği uyku süresi (saat) 6) Toplam uyku süresi (saat) 7) Maksimum yaşam süresi (yıl) 8) Anne karnında geçirdiği süre (gün) 9) Avlanma riski ( ile 5 arasında derecelendirilmiştir.) 0) Uykuya maruz kalma derecesi ( ile 5 arasında derecelendirilmiştir.) ) Tehlike altında kalma derecesi ( ile 5 arasında derecelendirilmiştir.) Çalışmada memelilerin toplam uyku süresi ile tehlike altında kalma derecesi arasında lineer bir ilişki olduğu gözlemlenmiştir ve bu ilişki basit lineer regresyon analizi kullanılarak modellenmiştir. Ayrıca, toplam uyku süresi ile anne karnında geçirdiği süre arasında da lineer bir ilişki olduğu saptanmıştır. Bu bilgiler kullanılarak toplam uyku süresi ile anne karnında geçirdiği süre ve tehlike altında kalma derecesi arasındaki ilişki çoklu lineer regresyon analizi kullanılarak modellenmiştir. Sonuç olarak elde edilen modeller:. Toplam uyku süresi = * Tehlike altında kalma derecesi. Toplam uyku süresi = * Anne karnında geçirdiği süre.5 * Tehlike altında kalma derecesi Bu modellemede memelilerin toplam uyku süresi ile tehlike altında kalma derecesi ve anne karnında geçirdiği süre arasında negatif lineer ilişki olduğu görülmektedir. Anne karnında geçirdiği sürenin etkisi çok az görülse de yine de etkisi olduğu söylenebilir. Anahtar kelimeler: Basit lineer regresyon analizi, çoklu lineer regresyon analizi, lineer modelleme Kaynak Allison, T. & Cicchetti, D. (976). Sleep in Mammals: Ecological and Constitutional Correlates. Retrieved November 4, 03, from

8 Türkiye yi Ziyaret Eden Yabancı Turistlerin Ana Bilgi Kaynaklarına Göre Kümelenmesi Ünal CENGİZ*, Mehmet İLHAN, Muğla Sıtkı Koçman Üniversitesi, Fen Fakültesi, İstatistik Bölümü, Muğla Sıtkı Koçman Üniversitesi, Fen Fakültesi, İstatistik Bölümü, p Kümeleme analizi (KA), etiketlenmemiş X = { x, x,..., x n } R veri setinde yer alan ve doğal gruplamaları kesin olarak bilinmeyen birimleri ve değişkenleri, aralarındaki benzerliği veya farklılığı kullanarak, her bir alt küme X in doğal alt yapısını temsil edecek şekilde, <c<n sayıda alt kümeye bölme işlemidir. Diğer bir tanıma göre, KA, bir araştırmada incelenen birimleri aralarındaki benzerliklerine göre, belirli gruplar içinde toplayarak sınıflandırma yapmayı, birimlerin ortak özelliklerini ortaya koymayı ve bu sınıflar ile ilgili genel tanımlamalar yapmayı sağlayan bir yöntemdir. Burada amaç, aynı küme içindeki birimlerin birbirine mümkün olduğunca benzer, farklı kümelerdeki birimlerin ise birbirinden mümkün olduğunca farklı olmasını sağlamaktır (Sharma, 995). KA yaklaşımlarını, iki ana başlık altında toplamak mümkündür: genellikle birimler arasındaki benzerlikleri/uzaklıkları dikkate alan hiyerarşik kümeleme yaklaşımları ve birimler ile c n sayıda küme merkezi arasındaki benzerlikleri/uzaklıkları dikkate alan hiyerarşik olmayan kümeleme yaklaşımları. Hiyerarşik kümeleme metotları, veri setinin birimlerinin birbirlerine olan uzaklık değerlerini kullanarak, veri setindeki birimlerin hiyerarşik ayrıştırmasını yapar. Hiyerarşik ayrıştırma sırasında, ağaç veri yapısı olarak da bilinen dendogram kullanılır. Dendogram, hiyerarşik kümeleme tekniğiyle elde edilen kümelerin görselleştirilmesini sağlar. Bir dendogramın yapısı kökler, iç düğüm ve yapraklardan oluşur. Hiyerarşik olmayan kümeleme yaklaşımları, n adet birimden oluşan veri setini başlangıçta belirlenen k<n olmak üzere k adet kümeye ayırmak için kullanılır. Bu yaklaşımların hiyerarşik yaklaşımlardan en önemli farkından birisi de budur. Hiyerarşik olmayan kümeleme yaklaşımları, hiyerarşik metotlara oranla daha büyük veri setlerine uygulanabilir. Bu yaklaşımlarda oluşturulacak k adet kümede her bir küme en azından bir birim içerir ve her birim yalnızca bir grupta bulunur (www.ist.yildiz.edu.tr/dersler/dersnotu/kum-analiz.doc). En iyi bilinen hiyerarşik olmayan kümeleme algoritması 98 yılında Bezdek tarafından geliştirilen Bulanık C-Ortalamalar (BCO) (Bezdek, 98) algoritmasıdır. BCO algoritması aşağıdaki eşitlikte verilen amaç fonksiyonunun minimize edilmesine dayanır: n c X u v m = u d () (,, ) ik i= k = J ik Bu fonksiyon, En Küçük Kareler fonksiyonudur. n parametresi birim sayısını, c ise küme sayısını, dik = xk vi Öklit uzaklık fonksiyonunu gösterir. u ik k. kümedeki xi nin üyeliğini, J ( X, u, v) değeri ise ağırlıklandırılmış hata karelerin toplamının bir ölçüsüdür. Bu amaç fonksiyonu minimize edildiğinde, üyelik fonksiyonları ve küme merkezleri için aşağıdaki eşitlikler elde edilir: /( ) = ( ) c () m uik d ik d jk j=

9 n m n u x j ij = m vi = u j ij j= BCO algoritması Tablo de verilmektedir. Tablo. BCO algoritması Adım : Başlangıç Değerlerinin Girilmesi: Küme sayısı c, bulanıklık indeksi, m ve üyelik dereceleri matrisi U veya V küme prototiplerini rastgele üret, işlem bitirme kriteri ε gibi. Adım : V küme merkezlerinin rastgele üretildiği varsayılırsa bu değerler kullanılarak üyelik dereceleri matrisini hesapla(3) Adım 3: () e göre V küme merkezlerini hesapla Adım 4: () t ( t ) V V < ε ise iterasyon durdurulur aksi takdirde Adım ye geri dönülür. BCO algoritması uygulandıktan sonra hangi veri noktasının (veya bireyin) hangi kümeye gireceğine karar vermek için üyelik değerleri kullanılır. Burada her bir veri noktası en büyük üyeliğe sahip olduğu kümeye dahil edilir. (Güler, 006) Bu çalışmada BCO algoritması ülkemize gelen yabancı turistlerin milliyetlerine ve ana bilgi kaynaklarına göre kümelenmesine uygulanmıştır. Bu amaca yönelik olarak TUİK resmi web sitesinden 0 yılına ilişkin 34 ülkeye ait veriler elde edilmiştir. Araştırmada kullanılan değişkenler Tablo de verilmiştir. Tablo. Araştırmada Kullanılan Değişkenler X: Türkiye yi daha önce ziyaret etmiş X5: İnternet X:Turizm işletmecileri, seyahat işletmecileri X6:Türk turizm ofisleri X3: Medya(TV.,gazete, magazin ve vb.) X7:Turizm fuarları ve sergileri X4: Akraba ve arkadaş tavsiyeleri X8: Diğer Çalışmada küme sayısı 3 olarak seçilmiştir. Bunun yanında bulanıklık indeksi m için değeri kullanılmıştır. Anahtar Kelimeler: Kümeleme Analizi, Turizm, Bulanık C-Ortalamalar Kaynaklar Sharma, S., (995). Applied Multivariate Techniques, John Wiley & Sons, Inc. Newyork, 56p. Güler, N., (006). Bulanık Kümeleme Analizi ve Bulanık Modellemeye Uygulamaları, Y.Lisans Tezi, Muğla Üniversitesi, Fen Bilimleri Enstitüsü, Muğla. Bezdek, J.C., (98). Pattern Recognition With Fuzzy Objective Function. Plenum Press, New York, 56p. (3)

10 Türkiye yi Ziyaret Eden Yabancı Turistlerin Geliş Amaçlarına Göre Kümelenmesi Hatem Şeyma SEVİM * Muğla Sıtkı Koçman Üniversitesi, Fen Fakültesi, İstatistik Bölümü, p Kümeleme analizi (KA), etiketlenmemiş X = { x, x,..., x n } R veri setinde yer alan ve doğal gruplamaları kesin olarak bilinmeyen birimleri ve değişkenleri, aralarındaki benzerliği veya farklılığı kullanarak, her bir alt küme X in doğal alt yapısını temsil edecek şekilde, <c<n sayıda alt kümeye bölme işlemidir. Diğer bir tanıma göre, KA, bir araştırmada incelenen birimleri aralarındaki benzerliklerine göre, belirli gruplar içinde toplayarak sınıflandırma yapmayı, birimlerin ortak özelliklerini ortaya koymayı ve bu sınıflar ile ilgili genel tanımlamalar yapmayı sağlayan bir yöntemdir. Burada amaç, aynı küme içindeki birimlerin birbirine mümkün olduğunca benzer, farklı kümelerdeki birimlerin ise birbirinden mümkün olduğunca farklı olmasını sağlamaktır (Sharma, 995). KA yaklaşımlarını, iki ana başlık altında toplamak mümkündür: genellikle birimler arasındaki benzerlikleri/uzaklıkları dikkate alan hiyerarşik kümeleme yaklaşımları ve birimler ile c n sayıda küme merkezi arasındaki benzerlikleri/uzaklıkları dikkate alan bölünmeli kümeleme yaklaşımları. Hiyerarşik kümeleme yaklaşımlarında, X veri seti tek bir adımda belirli sayıda bir kümeye bölünemez. Bu tür kümeleme yaklaşımları, küçük kümeleri değişik aşamalarda bir araya getirerek veya büyük kümeleri küçük kümelere bölerek; kümeleri ardışık biçimde oluşturur (Tatlıdil, 00). Bölünmeli kümeleme yaklaşımları ise, X veri setini önceden belirlenen c n sayıda kümeye ayırır ve birimlerin yinelemeli olarak bu kümelere yerleştirilmesine dayanır. Bölünmeli kümeleme yöntemlerinde amaç, seçilen kümeleme kriterini (amaç fonksiyonunu) minimize edecek küme merkezlerini (prototipleri) elde etmeye çalışmaktır. Kümeleme kriteri olarak genellikle hata kareler toplamı seçilmektedir. Bu tür kümeleme yaklaşımlarında, başlangıçta c sayıda küme merkezi rasgele üretilir ve birimler kümeleme kriterini azaltacak şekilde bu kümelere yerleştirilir. Elde edilen kümeleme sonuçlarına göre küme merkezleri yeniden hesaplanır ve bu işlem küme merkezleri sabitlenene (yakınsama sağlanana) kadar devam eder. X vektörünü oluşturan birimleri, kümelere atama işlemi (kümeleme işlemi) her bir birime, bir etiket verilerek gerçekleştirilir. Bu etiket değerleri, birimlerin kümelere benzerliğinin, bir başka deyişle, küme merkezlerine yakınlığının bir göstergesidir. n sayıdaki birimin, c sayıdaki kümeye olan etiketlerinden oluşan (cxn) boyutundaki U = { u ik } matrisi, X in c-bölümlenmesi olarak adlandırılır. Bölünmeli kümeleme yaklaşımları, bölünme matrisinin oluşturulma biçimine göre sert ve bulanık kümeleme olarak e ayrılabilir. Sert kümeleme yaklaşımlarında, her bir birim etiket (üyelik) değeriyle yalnızca bir kümeye atanır. Bir birim bir kümenin ya elemanıdır ya değildir. İkisinin arasında bir durum söz konusu değildir. Dolayısıyla, kümeleme sonucunda elde edilen kümelerin sınırları kesindir. Bulanık kümeleme yaklaşımlarında ise, veri setindeki her bir birimin c sayıda kümenin her birine, belirli ölçüde girmesine izin veren etiket değerlerini (üyelik) sahiptir. Bir başka deyişle, birimlerin iki veya daha fazla kümeye farklı aitlik dereceleriyle girmesine imkân tanımaktadır. Ancak veri noktası hangi küme merkezine yakın ise o kümeye ait olma üyeliği diğer kümelere ait olma üyeliğinden büyük olacaktır. En yaygın kullanılan nokta prototipli

11 bulanık kümeleme algoritması Bezdek (98) tarafından geliştirilen Bulanık C- Ortalamalar(BCO) algoritmasıdır. BCO algoritmasında, amaç fonksiyonunun belirlenen minimum ilerleme değerine yakınsaklaşmasıyla kümeleme işlemi tamamlanmaktadır. Kullanılan amaç fonksiyonu şu şekildedir: n c X u v m = u d () (,, ) ik i= k = J ik Bu fonksiyon, En Küçük Kareler fonksiyonudur. n parametresi birim sayısını, c ise küme sayısını, dik = xk vi Öklit uzaklık fonksiyonunu gösterir. u ik k. kümedeki xi nin üyeliğini, J ( X, u, v) değeri ise ağırlıklandırılmış hata karelerin toplamının bir ölçüsüdür. Bu çalışmada BCO algoritması kullanılarak ülkemizi ziyaret eden yabancı turistlerin geliş amaçlarına göre kümelenmesi amaçlanmıştır. Bu amaca yönelik olarak TUİK resmi web sitesinden 0 yılına ait 34 ülkeye ilişkin veriler elde edilmiştir. Çalışmada her biri bir geliş amacına karşılık gelen 9 değişken kullanılmıştır. Kullanılan değişkenler Tablo de verilmektedir. Tablo. Araştırmada Kullanılan Değişkenler X: Gezi, eğlence, sportif ve kültürel faaliyetler X6: Transit X: Yakınları ziyaret X7: Eğitim X3: Sağlık X8: İş amaçlı (Konferans, toplantı vb) X4: Dini X9: Diğer X5:Alışveriş Çalışmada en uygun küme sayısı olarak 3 seçilmiştir. Küme sayısını belirlemek için herhangi bir küme doğrulama kriteri kullanılmamıştır. Bunun dışında () eşitliğinde verilen bulanıklık indeksi parametresi m için değeri seçilmiştir. Anahtar Kelimeler: Kümeleme Analizi, Turizm, Bulanık C-Ortalamalar Kaynaklar Sharma, S., (995). Applied Multivariate Techniques, John Wiley & Sons, Inc. Newyork, 56p. Tatlıdil, H., (00). Uygulamalı Çok Değişkenli İstatistiksel Analiz, Akademi Matbaası, Ankara, 353p. Bezdek, J.C., (98). Pattern Recognition With Fuzzy Objective Function. Plenum Press, New York, 56p.

12 Monty Hall Paradoksu ve Bir Simülasyon Çalışması Özge Nur KÜREM*, Eda EREN* Muğla Sıtkı Koçman Üniversitesi, Fen Fakültesi, İstatistik Bölümü, Muğla Sıtkı Koçman Üniversitesi, Fen Fakültesi, İstatistik Bölümü, Monty Hall problemi, Amerikan TV yarışma programına dayanan bir olasılık bulmacasıdır. Problem adını, yarışmanın sunucusu Monty Hall dan alır. İçinde bir paradoksu da barındırması nedeni ile Monty Hall paradoksu olarak da anılan bu problemin sonucu kafa karıştırıcı olmakla birlikte, ispatlanabilir ve doğrudur. Bir yarışma programında olduğunuzu ve üç kapıdan birini seçme hakkınız olduğunu varsayalım. Kapılardan birinin ardında bir araba, diğerlerinin ardında ise keçiler vardır. Şekil. Keçi mi? Ferrari mi? Kapılardan birini, diyelim ki 'inciyi seçiyorsunuz ve kapıların ardında ne olduğunu bilen sunucu, diğer kapılardan birini, diyelim ki ardında keçi olan 3'üncüyü açıyor. Daha sonra size soruyor: ". kapıyı seçmek ister misiniz? Yoksa seçiminizi değiştirmek ister misiniz? Seçiminizi değiştirmek sizin yararınıza mıdır? Profesyonel matematikçilerin çoğu bu soruya kapıyı değiştirmekle değiştirmemek arasında bir fark olmadığı, Ferrari marka otomobilin her iki kapından birinde olma olasılığının %50 olduğu şeklinde cevap vermişlerdir. Şekil. Monty Hall Paradoksu

13 Bilindiği üzere Monty Hall probleminin veya genel olarak şans ve risk içeren bütün karar problemlerinin, kesin kazanç getiren stratejileri yoktur. Yapabileceğimiz tek şey kazanma olasılığını mümkün olduğunca arttırmaya çalışmaktır. Bu her zaman kolay değildir, çünkü insan zihni için olasılıklarla düşünmek çok zordur. Birçok kez, varsayımlarımız ve ön kabullerimiz bizi yanıltır. Bu probleme de baktığımızda tıpkı profesyonel matematikçiler gibi birçok kişi bu kapıların eşit olasılığa sahip olduğunu ve seçimi değiştirmenin hiçbir şeyi değiştirmeyeceğini düşünür. Aslında, problemin klasik açıklamasına göre yarışmacı seçimini değiştirmelidir. Zira böylece otomobili bulma olasılığını /3'ten /3'e çıkarır; yani ikiye katlar. Bu çalışmada amaç, bir simülasyon çalışmasıyla Monthy Hall probleminin doğruluğunu kanıtlamaktadır.bu amaca yönelik olarak problem iki farklı şekilde ele alınmış ve her bir durum kez tekrar edilmiştir. İlk durumda, yarışmacının kapı değiştirmediği varsayılmakta ve bu duruma karşılık gelen kazanma olasılığı hesaplanmaktadır. İkinci durum ise yarışmacının kapı değiştirdiği durumu içermektedir. Yapılan analizler neticesinde, kapı değiştirmenin kazanma olasılığını arttırdığı görülmektedir. Anahtar Kelimeler: Monty Hall, paradoks, olasılık Kaynaklar

14 Türkiye yi Ziyaret Eden Yabancı Turistlerin Eğitim ve Profesyonel Statülerine Göre Kümelenmesi Duransel YENER*, Nagihan AKSU* Muğla Sıtkı Koçman Üniversitesi, Fen Fakültesi, İstatistik Bölümü Muğla Sıtkı Koçman Üniversitesi, Fen Fakültesi, İstatistik Bölümü Kümeleme Analizi (KA), bir araştırmada incelenen birimleri aralarındaki benzerliklerine göre belirli gruplar içinde toplayarak sınıflandırma yapmayı, birimlerin ortak özelliklerini ortaya koymayı ve bu sınıflar ile ilgili genel tanımlamalar yapmayı sağlayan bir yöntemdir. Analiz sonucu elde edilen kümeler yüksek düzeyde küme içi homojenlik ve yüksek düzeyde kümeler arası heterojenlik gösterirler (Sharma, 995). KA teknikleri genel olarak iki ana gruba ayrılabilir: Hiyerarşik Kümeleme ve Hiyerarşik Olmayan Kümeleme. Hiyerarşik kümeleme, küçük kümelerin adım adım büyük bir kümede birleştirmesine veya büyük kümelerin adım adım küçük kümelere parçalanmasına dayanır. Bu algoritmanın sonucu dendogram olarak adlandırılan ve kümelerin birbirleriyle olan ilişkilerini gösteren, ağaç şekilde yapıdan oluşur. Dendogram istenilen seviyede kesilerek, veri parçalarının ayrık gruplara bir kümelemesi elde edilebilir. Hiyerarşik olmayan kümeleme ise, veri setini direk olarak ayrık kümelerin bir setine ayrıştırmayı dener. Daha çok kriter fonksiyonunu optimize edecek bölünmelerin sayısını belirlemeye çalışır. Kriter fonksiyonu, verinin yerel veya global yapısı üzerinde durur ve bu kriter fonksiyonunun optimizasyonu döngüsel bir prosedür ile yapılır. En iyi bilinen hiyerarşik olmayan kümeleme algoritması 98 yılında Bezdek tarafından geliştirilen Bulanık C-Ortalamalar (BCO) (Bezdek, 98) algoritmasıdır. BCO algoritmasının uygulanabilmesi için, küme sayısının ve bireylerin kümeye üyelik derecelerinin önceden bilinmesi gerekmektedir. Bu tür parametrelerin önceden bilinmesi zor olduğundan, bu değerler deneme yanılma yoluyla ya da geliştirilen bazı teknikler ile bulunabilir. BCO algoritması bu amaçla geliştirilen tekniklerden biridir ve aşağıdaki eşitlikte verilen amaç fonksiyonunun minimize edilmesine dayanır: n c X u v m = u d () (,, ) ik i= k = J ik Bu fonksiyon, En Küçük Kareler fonksiyonudur. n parametresi birim sayısını, c ise küme sayısını, dik = xk vi Öklit uzaklık fonksiyonunu gösterir. u ik k. kümedeki xi nin üyeliğini, J ( X, u, v) değeri ise ağırlıklandırılmış hata karelerin toplamının bir ölçüsüdür. Bu amaç fonksiyonu minimize edildiğinde, üyelik fonksiyonları ve küme merkezleri için aşağıdaki eşitlikler elde edilir: /( ) = ( ) c () m uik dik d jk j= n n (3) m m vi = u x j u ij j= ij j= BCO algoritması Tablo de verilmektedir.

15 Tablo. BCO algoritması Adım : Başlangıç Değerlerinin Girilmesi: Küme sayısı c, bulanıklık indeksi, m ve üyelik dereceleri matrisi U veya V küme prototiplerini rastgele üret, işlem bitirme kriteri ε gibi. Adım : V küme merkezlerinin rastgele üretildiği varsayılırsa bu değerler kullanılarak üyelik dereceleri matrisini hesapla(3) Adım 3: () e göre V küme merkezlerini hesapla Adım 4: () t ( t ) V V < ε ise iterasyon durdurulur aksi takdirde Adım ye geri dönülür. BCO algoritması uygulandıktan sonra hangi veri noktasının (veya bireyin) hangi kümeye gireceğine karar vermek için üyelik değerleri kullanılır. Burada her bir veri noktası en büyük üyeliğe sahip olduğu kümeye dahil edilir. (Güler, 006) BCO algoritması bu çalışmada ülkemize gelen yabancı turistlerin milliyetlerinin eğitim ve profesyonel statülerine göre kümelenmesine uygulanmıştır. Bu amaca yönelik olarak TUİK resmi web sitesinden 008 yılına ilişkin 34 ülkeye ait veriler elde edilmiştir. Araştırmada kullanılan değişkenler Tablo de verilmiştir. Tablo. Araştırmada Kullanılan Değişkenler X: Okur Yazar Değil X0: Büro ve müşteri hizmetlerinde çalışanlar X: İlkokul Mezunu X :Hizmet ve satış elemanları X3: Ortaokul veya İlköğretim Mezunu X : Nitelikli tarım, hayvancılık, avcılık, ormancılık ve su ürünleri çalışanları X4: Lise veya Dengi X3: Sanatkarlar ve ilgili işlerde çalışanlar X5: Fakülte veya Yüksekokul X4:Tesis ve makine operatörleri ve montajcılar X6 :Yüksek Lisans, Doktora X5:Nitelik gerektirmeyen işlerde çalışanlar X7:İşletme sahipleri, Kanun yapıcılar, üst X6: Silahlı kuvvetler düzey yöneticiler, müdürler vb. X8 : Profesyonel meslek mensupları X7: Diğer X9:Yardımcı profesyonel meslek mensupları Çalışmada 3 kalite grubu belirlenmiştir: Kaliteli, Orta Kaliteli ve Düşük Kaliteli.Bir başka deyişle küme sayısı 3 olarak seçilmiştir. Bunun yanında bulanıklık indeksi m için değeri seçilmiştir. Anahtar Kelimeler: Kümeleme Analizi, Turizm, Dendrogram Kaynaklar Sharma, S., (995). Applied Multivariate Techniques, John Wiley & Sons, Inc. Newyork, 56p. Güler, N., (006). Bulanık Kümeleme Analizi ve Bulanık Modellemeye Uygulamaları, Y.Lisans Tezi, Muğla Üniversitesi, Fen Bilimleri Enstitüsü, Muğla. Bezdek, J.C., (98). Pattern Recognition With Fuzzy Objective Function. Plenum Press, New York, 56p

16 Muğla Sıtkı Koçman Üniversitesi Öğrencileri Ve Personellerinin E-Ticaret Kullanım Eğilimleri Şeyda BEYTEKİN*ˡ Zeynep YILMAZ*² ˡMuğla S.K Üniversitesi, Fen Fakültesi,İstatistik, Türkiye, ²Muğla S.K Üniversitesi, Fen Fakültesi,İstatistik, Türkiye, Bildiri, Muğla Sıtkı Koçman Üniversitesi öğrencileri ve personellerinin E-Ticaret kullanım eğilimleri araştırmasını içermektedir. E-ticaret elektronik ticaret anlamına gelmekle birlikte mal ve hizmetlerin üretim, tanıtım, satış, sigorta, dağıtım ve ödeme işlemlerinin bilgisayar ağları üzerinden yapılmasıdır. E-ticaret 995 yılından sonra internet kullanımının artmasıyla kullanılmaya başlamıştır. Günümüzde de kullanımı artarak devam etmektedir. Sunulacak olan bildiri Muğla Sıtkı Koçman Üniversitesi öğrenci ve personeline 3 aylık bir dönemde uygulanan anket yardımıyla hazırlanmıştır. Ankette ki örneklem genişliği: Muğla Sıtkı Koçman Üniversitesi toplam öğrenci ve personel sayıyı dikkate alınarak, 350 öğrenci ve 50 personel olmak üzere toplamda 500 dür. Ankette Muğla Sıtkı Koçman Üniversitesi öğrencileri ve personeli arasında e-ticaret kullanımları bakımından fark olup olmadığı, farklılık varsa bu farklılığı hangi etkenlerin oluşturduğu, e-ticaret kullanım nedenleri, sıklığı vs. konularında bilgi edinmek amaçlanmaktadır. Anahtar Kelimeler: e-ticaret, anket düzenleme, ki-kare

17 Yeniden Örnekleme Yöntemlerinden Bootstrap Yöntemi Ve Basit Regresyon İçin Bir Uygulama Musa DENİZ* Ali Rıza ŞAHİN, Muğla Sıtkı Koçman Üniversitesi Fen Fakültesi İstatistik Bölümümü Türkiye, musa Yeniden örnekleme yöntemlerinden olan bootstrap yöntemi tanımı yapılmıştır. Regresyon analizinde bootstrap yöntemi ele alınmıştır. Büyük popülasyondan veri toplamak çok fazla zaman kaybına ve masrafa neden olduğu için mevcut veri setindeki gözlemlerin yer değiştirilmesiyle farklı veri setleri elde edilmektedir. Uygulamalı istatistikte kullanımı giderek artan bu yöntem yeniden örnekleme yöntemlerinden biri olarak bilinen Bootstrap Yöntemidir. Bu metoda göre herhangi büyüklükteki bir veri setinde gözlemlerin şansa bağlı olarak yer değiştirilerek yeniden örneklenmesi ile çeşitli miktarda ve büyüklükte veri setleri oluşturulabilmektedir. Böylece mevcut veri setinden mümkün olabildiğince fazla miktarda bilgi alınabilmektedir. Söz konusu metot 979 yılında Bradley Efron tarafından geliştirilmiş ve Bootstrap (resampling) Metodu olarak adlandırılmıştır. Günümüzde ise istatistiksel hesaplamalardaki gelişmelere paralel olarak bootstrap metodunda ilerlemeler sağlanmış ve istatistikte yaygınlığı giderek artmaktadır. Yeniden örnekleme yöntemleri zaman serileri, simülasyon teknikleri, tek ve çok değişkenli istatistik analizler ve regresyon analizi gibi pek çok alanda kullanılmıştır. Bu çalışmada, MİNİTAB 4 programında rasgele sayılar üretilmiş ve en küçük kareler (EKK) yöntemi ve Bootstrap yeniden örnekleme yöntemleri kullanılarak hangi yöntemin daha başarılı olduğu araştırılmıştır. Anahtar Kelimeler: Yeniden örnekleme, bootstrap, regresyon

18 Dağcılık Ve Doğa Sporlarının İstatistiksel Analizi Ali Rıza ŞAHİN* Musa DENİZ, Muğla Sıtkı Koçman Üniversitesi Fen Fakültesi İstatistik BölümüTürkiye, Bu çalışmanın amacı; dağcılıkla ilgili bilgiler Muğla Sıtkı Koçman Üniversitesi Dağcılık ve Doğa Sporları Topluluğundan ve tarihleri arasında alınan veriler derlenmiştir. Bugün dağcılık denilince akla genellikle yüksek irtifa tırmanışları gelmekte, günlerce süren kamplarla zirveye ulaşmaya çalışan dağcılar zihinde canlanmaktadır. Oysa dağlara tırmanma sporu olan dağcılık [mountainering] diğer ismiyle alpinizm birbirinden bağımsız çeşitli disiplinlerden oluşmaktadır. Bu disiplinler: Alpin Stil Doğa Yürüyüşü (Hiking) Kamplı Yürüyüş ( Trekking) Ekspedition Ferrata Sportif Tırmanış ( Sport Climbing) Bouldering Kaya Tırmanışı Uzun Duvar Tırmanışı Yapay Duvar Tırmanışı Muğla da yapılan faaliyetlerin dallara göre; doğa yürüyüşü (Hiking), kamplı yürüyüş (Trekking), bouldering, kaya tırmanışı (Rock Climbing), olarak dört gruba ayrıldı ve istatistiksel yöntemler ve metotlarla incelenmiştir. MİNİTAB 4 programı yardımıyla analizleri yapılıp sonuçlar değerlendirilmiştir. Bu çalışma ile Muğla Sıtkı Koçman Üniversitesi Dağcılık ve Doğa Sporları Topluluğunun, öğrencilerinin hangi dala yöneldikleri saptanmak istenmiştir ve dağcılık için araştırmalara bir fikir verebileceğini veya örnek teşkil edebileceğini düşünüyorum. Anahtar Kelimeler: Doğa sporları, dağcılık, istatistiksel analiz

19 Kahvaltılık Gevreklerin Satışını Etkileyen Faktörlerin Doğrusal Regresyon İle Belirlenmesi Şeyma KAYA* Nergis SARIÖZ* Orta Doğu Teknik Üniversitesi, Fen-Edebiyat, İstatistik, Türkiye, Orta Doğu Teknik Üniversitesi, Fen-Edebiyat, İstatistik, Türkiye, İnsan vücudu sağlıklı kalmak için birçok farklı besin öğesinin düzenli olarak alınmasına ihtiyaç duymaktadır. Sağlıklı beslenmenin en önemli kurallarından biri sabah besin öğeleri bakımından zengin bir kahvaltı ile güne başlamaktır. Değişen yaşam koşullarıyla birlikte insanlar alışıldık şekilde bir kahvaltı yapmayı bir kenara bırakıp, kendilerine zaman kazandıran kahvaltılık gevreklere yönelmeye başlamışlardır. Ancak, bu şekilde yapılan bir kahvaltıda vücuda alınan besin öğelerinin de göz önünde bulundurulması gerekir. Bu bilinçle, tüketilen kahvaltılık gevreklerin içerdiği besin öğeleri tercih edilmeleri konusunda büyük önem taşımaktadır. Bu nedenle, tüketicilerin kahvaltılık gevrekleri seçerken besin öğelerinin içeriği bakımından nelere dikkat ettikleri üretim firmaları tarafından araştırma konusu haline gelmiştir ve belirli bir sonuca varabilmek için birçok çalışma yapılmıştır. Bu çalışmada da değişik firmalar tarafından üretilen 77 farklı kahvaltılık gevreklerin içerdiği bazı besin öğeleri incelenmiş ve bu besin öğelerinin kahvaltılık gevreklerin satışına olan etkisi araştırılmıştır. Bu çalışma kapsamında, öncelikle kahvaltılık gevreklerin içerdiği şeker miktarının kahvaltılık gevreklerin satışına olan etkisini inceleme ve daha sonra da şeker, yağ, kalori, potasyum, protein ve sodyum gibi değişkenler(açıklayıcı) ile satış oranı(açıklanan) arasındaki ilişkiyi modelleme amaçlanmıştır. Bu amaçlar doğrultusunda, basit doğrusal regresyon analizi ve çoklu doğrusal regresyon analizi metotlarına başvurulmuş ve gerekli varsayımlar kontrol edilerek modellerin geçerliliğine karar verilmiştir. Yapılan bu çalışma sonucunda, şekerin kahvaltılık gevreklerin satışı üzerinde önemli bir etkisi olduğu görülmüş ve satış oranı = 4,09-0,056 şeker şeklinde basit doğrusal regresyon modeli kurulmuştur. Bu modele göre, açıklayıcı değişken olan şeker miktarı nedeniyle açıklanan değişken olan satış oranındaki ortalama azalma 0,056 dir ve açıklayıcı değişken olan şeker miktarı sıfır olduğunda ise açıklanan değişken olan satış oranının ortalaması 4,09 dur. Ayrıca, kahvaltılık gevreklerin satışını etkileyen faktörlerin içerdiği şeker, yağ, kalori ve potasyum miktarların olduğu tespit edilmiştir ve aşağıdaki çoklu regresyon modeli kurulmuştur: satış oranı = 4,4-0,0470 şeker - 0,079 yağ - 0,000 kalori + 0,0087 potasyum. Kurulan bu modele bakıldığında, kahvaltılık gevreklerin satışıyla içerdiği şeker, yağ ve kalori miktarları arasında negatif bir doğrusal ilişki olduğu ve potasyum miktarıyla ise pozitif bir doğrusal ilişki olduğu gözlemlenmiştir. Açıklayıcı değişken olan şeker miktarı nedeniyle açıklanan değişken olan satış oranındaki ortalama azalma 0,0470, açıklayıcı değişken olan

20 yağ miktarı nedeniyle açıklanan değişken olan satış oranındaki ortalama azalma 0,079, açıklayıcı değişken olan kalori miktarı nedeniyle açıklanan değişken olan satış oranındaki ortalama azalma 0,000, açıklayıcı değişken olan potasyum miktarı nedeniyle açıklanan değişken olan satış oranındaki ortalama artma 0,0087 ve bütün açıklanan değişkenler sıfır olduğunda ise satış oranının ortalaması 4,4 dür. Sonuç olarak, yapılan bu çalışmaya göre kahvaltılık gevreklerin tercih edilmelerinde sağlıklı olmaları önemli bir etkendir. Başka bir deyişle, çalışma sonucuna göre tüketicilerin kahvaltılık gevrek seçimlerinde sağlıklı olmalarına dikkat ettikleri söylenebilir. Anahtar kelimeler: basit doğrusal regresyon, besin öğeleri, çoklu doğrusal regresyon, kahvaltılık gevrek Kaynak Carnegie Mellon University (993). Cereals. Erişim tarihi: 6 Kasım 03,

YABANCI DİL EĞİTİMİ VEREN ÖZEL BİR EĞİTİM KURUMUNDAKİ ÖĞRENCİLERİN BEKLENTİLERİNİN ARAŞTIRILMASI. Sibel SELİM 1 Efe SARIBAY 2

YABANCI DİL EĞİTİMİ VEREN ÖZEL BİR EĞİTİM KURUMUNDAKİ ÖĞRENCİLERİN BEKLENTİLERİNİN ARAŞTIRILMASI. Sibel SELİM 1 Efe SARIBAY 2 Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Cilt 5, Sayı:2, 2003 YABANCI DİL EĞİTİMİ VEREN ÖZEL BİR EĞİTİM KURUMUNDAKİ ÖĞRENCİLERİN BEKLENTİLERİNİN ARAŞTIRILMASI Sibel SELİM 1 Efe SARIBAY

Detaylı

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6

Detaylı

İÇİNDEKİLER 1. GİRİŞ...

İÇİNDEKİLER 1. GİRİŞ... İÇİNDEKİLER 1. GİRİŞ... 1 1.1. Regresyon Analizi... 1 1.2. Uygulama Alanları ve Veri Setleri... 2 1.3. Regresyon Analizinde Adımlar... 3 1.3.1. Problemin İfadesi... 3 1.3.2. Konu ile İlgili Potansiyel

Detaylı

Temel ve Uygulamalı Araştırmalar için Araştırma Süreci

Temel 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

Detaylı

Zaman Serileri-1. If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist. IENG 481 Tahmin Yöntemleri Dr.

Zaman Serileri-1. If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist. IENG 481 Tahmin Yöntemleri Dr. Zaman Serileri-1 If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere

Detaylı

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37 İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar

Detaylı

Matris Cebiriyle Çoklu Regresyon Modeli

Matris 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

Detaylı

İSTATİSTİK VE OLASILIK SORULARI

İSTATİSTİK VE OLASILIK SORULARI İSTATİSTİK VE OLASILIK SORULARI SORU 1 Meryem, 7 arkadaşı ile bir voleybol maçına katılmayı planlamaktadır. Davet ettiği arkadaşlarından herhangi bir tanesinin EVET deme olasılığı 0,8 ise, en az 3 arkadaşının

Detaylı

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,

Detaylı

ÖRNEK BULGULAR. Tablo 1: Tanımlayıcı özelliklerin dağılımı

ÖRNEK BULGULAR. Tablo 1: Tanımlayıcı özelliklerin dağılımı BULGULAR Çalışma tarihleri arasında Hastanesi Kliniği nde toplam 512 olgu ile gerçekleştirilmiştir. Olguların yaşları 18 ile 28 arasında değişmekte olup ortalama 21,10±1,61 yıldır. Olguların %66,4 ü (n=340)

Detaylı

Zaman Serileri. IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören

Zaman Serileri. IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serileri IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere sahip değișkenlere zaman serisi adı verilmektedir. Genel olarak zaman serisi,

Detaylı

TÜRKİYE DE 2013 YILINDA ENFLASYON YEŞİM CAN

TÜRKİYE DE 2013 YILINDA ENFLASYON YEŞİM CAN TÜRKİYE DE 2013 YILINDA ENFLASYON YEŞİM CAN KIRKLARELİ-2014 Kırklareli Üniversitesi Ekonomik ve Sosyal Araştırmalar Merkezi TÜRKİYE DE 2013 YILINDA ENFLASYON HAZIRLAYAN YEŞİM CAN Adres: Ekonomik ve Sosyal

Detaylı

OLASILIK TEORİSİ VE İSTATİSTİK

OLASILIK TEORİSİ VE İSTATİSTİK OLASILIK TEORİSİ VE İSTATİSTİK İstatistik: Derslerimiz içinde bu sözcük iki anlamda kullanılacaktır. İlki ve en yaygın kullanılan biçimi rakamla elde edilen bilgilerin belli kuralarla anlaşılır ve yorumlanabilir

Detaylı

Türkiye de Sigara Fiyatları ve Tüketim İlişkisi

Türkiye de Sigara Fiyatları ve Tüketim İlişkisi Türkiye de Sigara Fiyatları ve Tüketim İlişkisi Zeynep Önder Giriş Türkiye dünyadaki en büyük sigara tüketici ülkelerden biridir. A.B.D. Tarım Bakanlığı verilerine göre, 199-1999 yılları arasında dünyadaki

Detaylı

ÜSTEL DÜZLEŞTİRME YÖNTEMİ

ÜSTEL DÜZLEŞTİRME YÖNTEMİ ÜSEL DÜLEŞİRME YÖNEMİ ÜSEL DÜLEŞİRME YÖNEMİ Bu bölüme kadar anlatılan yöntemler zaman içinde değişmeyen parametre varsayımına uygun serilerin tahminlerinde kullanılmaktaydı. Bu tür seriler deterministik

Detaylı

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım 2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı

Detaylı

(İnt. Dr. Doğukan Danışman)

(İnt. Dr. Doğukan Danışman) (İnt. Dr. Doğukan Danışman) *Amaç: Sigara ve pankreas kanseri arasında doz-yanıt ilişkisini değerlendirmek ve geçici değişkenlerin etkilerini incelemektir. *Yöntem: * 6507 pankreas olgusu ve 12 890 kontrol

Detaylı

SANAYİDE ÇALIŞAN GENÇ ERİŞKİN ERKEKLERİN YAŞAM KALİTESİ VE RİSKLİ DAVRANIŞLARININ BELİRLENMESİ

SANAYİDE ÇALIŞAN GENÇ ERİŞKİN ERKEKLERİN YAŞAM KALİTESİ VE RİSKLİ DAVRANIŞLARININ BELİRLENMESİ SANAYİDE ÇALIŞAN GENÇ ERİŞKİN ERKEKLERİN YAŞAM KALİTESİ VE RİSKLİ DAVRANIŞLARININ BELİRLENMESİ Yrd. Doç. Dr. Tahsin Gökhan TELATAR Sinop Üniversitesi SYO İş Sağlığı ve Güvenliği Bölümü 28.03.2017 Uluslararası

Detaylı

BÖLÜM 3 KURAMSAL ÇATI VE HİPOTEZ GELİŞ

BÖLÜM 3 KURAMSAL ÇATI VE HİPOTEZ GELİŞ BÖLÜM 3 KURAMSAL ÇATI VE HİPOTEZ GELİŞ İŞTİRME Araştırma rma SüreciS 1.Gözlem Genel araştırma alanı 3.Sorunun Belirlenmesi Sorun taslağının hazırlanması 4.Kuramsal Çatı Değişkenlerin açıkça saptanması

Detaylı

Kullanılacak İstatistikleri Belirleme Ölçütleri. Değişkenin Ölçek Türü ya da Yapısı

Kullanılacak İstatistikleri Belirleme Ölçütleri. Değişkenin Ölçek Türü ya da Yapısı ARAŞTIRMA MODELLİLERİNDE KULLANILACAK İSTATİSTİKLERİ BELİRLEME ÖLÇÜTLERİ Parametrik mi Parametrik Olmayan mı? Kullanılacak İstatistikleri Belirleme Ölçütleri Değişken Sayısı Tek değişkenli (X) İki değişkenli

Detaylı

TANIMLAYICI İSTATİSTİKLER

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

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan

Detaylı

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5 Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın

Detaylı

TÜRKİYE ODALAR VE BORSALAR BİRLİĞİ

TÜRKİYE ODALAR VE BORSALAR BİRLİĞİ Sayfa 1 Gözden Geçirme Notları 2010 Yılı Gençlerin İşsizlik ve İstihdam İstatistikleri İstatistik Kurumu (TÜİK) Hanehalkı İşgücü İstatistikleri veri tabanı 2010 yılı sonuçlarına göre ülkemizde gençlerin

Detaylı

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1 3. TAHMİN 3.1. En Küçük Kareler (EKK) Yöntemi 1 En Küçük Kareler (EKK) yöntemi, regresyon çözümlemesinde en yaygın olarak kullanılan, daha sonra ele alınacak bazı varsayımlar altında çok aranan istatistiki

Detaylı

Olasılık ve İstatistik (IE 220) Ders Detayları

Olasılık ve İstatistik (IE 220) Ders Detayları Olasılık ve İstatistik (IE 220) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve İstatistik IE 220 Her İkisi 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin

Detaylı

1. İLİŞKİLERİN İNCELENMESİNE YÖNELİK ANALİZLER. 1.1. Sosyal Bilimlerde Nedensel Açıklamalar

1. İLİŞKİLERİN İNCELENMESİNE YÖNELİK ANALİZLER. 1.1. Sosyal Bilimlerde Nedensel Açıklamalar 1. İLİŞKİLERİN İNCELENMESİNE YÖNELİK ANALİZLER Daha önceki derslerimizde anlatıldığı bilimsel araştırmalar soruyla başlamaktadır. Ancak sosyal bilimlerde bu soruların cevaplarını genel geçerli sonuçlar

Detaylı

Olasılık ve İstatistik (IE 220) Ders Detayları

Olasılık ve İstatistik (IE 220) Ders Detayları Olasılık ve İstatistik (IE 220) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve İstatistik IE 220 Her İkisi 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin

Detaylı

Appendix B: Olasılık ve Dağılım Teorisi

Appendix 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

Detaylı

BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1. Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı

BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1. Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1 Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı Mart 2015 0 SORU 1) Bulanık Küme nedir? Bulanık Kümenin (fuzzy

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ 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

Detaylı

Örnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız.

Örnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. Örnek Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. i. ii. X 1 2 3 4 1 2 3 4 Y 2 3 4 5 4 3 2 1 Örnek Aşağıdaki veri

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel

Detaylı

TEMEL EĞİTİMDEN ORTAÖĞRETİME GEÇİŞ ORTAK SINAV BAŞARISININ ÇEŞİTLİ DEĞİŞKENLER AÇISINDAN İNCELENMESİ

TEMEL EĞİTİMDEN ORTAÖĞRETİME GEÇİŞ ORTAK SINAV BAŞARISININ ÇEŞİTLİ DEĞİŞKENLER AÇISINDAN İNCELENMESİ T.C. MİLLÎ EĞİTİM BAKANLIĞI ÖLÇME, DEĞERLENDİRME VE SINAV HİZMETLERİ GENEL MÜDÜRLÜĞÜ VERİ ANALİZİ, İZLEME VE DEĞERLENDİRME DAİRE BAŞKANLIĞI TEMEL EĞİTİMDEN ORTAÖĞRETİME GEÇİŞ ORTAK SINAV BAŞARISININ ÇEŞİTLİ

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

İZMİR DEKİ ÖZEL VE DEVLET ÜNİVERSİTELERİNDEKİ ÖĞRENCİLERİN BAŞARILARINI ETKİLEYEN FAKTÖRLERİN BELİRLENMESİ VE KARŞILAŞTIRILMASI ÖZET

İZMİR DEKİ ÖZEL VE DEVLET ÜNİVERSİTELERİNDEKİ ÖĞRENCİLERİN BAŞARILARINI ETKİLEYEN FAKTÖRLERİN BELİRLENMESİ VE KARŞILAŞTIRILMASI ÖZET Muğla Üniversitesi Sosyal Bilimler Enstitüsü Dergisi (İLKE) Bahar 2007 Sayı 18 İZMİR DEKİ ÖZEL VE DEVLET ÜNİVERSİTELERİNDEKİ ÖĞRENCİLERİN BAŞARILARINI ETKİLEYEN FAKTÖRLERİN BELİRLENMESİ VE KARŞILAŞTIRILMASI

Detaylı

Hipotez Testlerine Giriş. Hipotez Testlerine Giriş

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

Detaylı

ZAMAN SERİLERİNDE AYRIŞTIRMA YÖNTEMLERİ

ZAMAN SERİLERİNDE AYRIŞTIRMA YÖNTEMLERİ ZAMAN SERİLERİNDE AYRIŞTIRMA YÖNTEMLERİ 1 A. GİRİŞ Gözlemlerin belirli bir dönem için gün, hafta, ay, üç ay, altı ay, yıl gibi birbirini izleyen eşit aralıklarla yapılması ile elde edilen seriler zaman

Detaylı

BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ

BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ 1 BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel

Detaylı

Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir,

Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir, 14. Binom ve Poisson olasılık dağılımları Faktöriyeller ve kombinasyonlar Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, n! denir ve n! = 1.2.3...(n-2).(n-l).n biçiminde gösterilir.

Detaylı

Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ

Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ I Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ II Yayın No : 2845 Teknik Dizisi : 158 1. Baskı Şubat 2013 İSTANBUL ISBN 978-605 - 377 868-4 Copyright Bu kitabın bu basısı için Türkiye deki yayın hakları BETA

Detaylı

Mühendislikte İstatistiksel Yöntemler

Mühendislikte İstatistiksel Yöntemler Mühendislikte İstatistiksel Yöntemler BÖLÜM 7 TAHMİNLER Yrd. Doç. Dr. Fatih TOSUNOĞLU 1 Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır.

Detaylı

SIRADAN EN KÜÇÜK KARELER (OLS)

SIRADAN EN KÜÇÜK KARELER (OLS) SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge

Detaylı

2. BASİT DOĞRUSAL REGRESYON 12

2. BASİT DOĞRUSAL REGRESYON 12 1. GİRİŞ 1 1.1 Regresyon ve Model Kurma / 1 1.2 Veri Toplama / 5 1.3 Regresyonun Kullanım Alanları / 9 1.4 Bilgisayarın Rolü / 10 2. BASİT DOĞRUSAL REGRESYON 12 2.1 Basit Doğrusal Regresyon Modeli / 12

Detaylı

Mühendislikte İstatistiksel Yöntemler

Mühendislikte İstatistiksel Yöntemler Mühendislikte İstatistiksel Yöntemler BÖLÜM 9 VARYANS ANALİZİ Yrd. Doç. Dr. Fatih TOSUNOĞLU 1 Varyans analizi niçin yapılır? İkiden fazla veri grubunun ortalamalarının karşılaştırılması t veya Z testi

Detaylı

H.Ü. Bilgi ve Belge Yönetimi Bölümü BBY 208 Sosyal Bilimlerde Araştırma Yöntemleri II (Bahar 2012) SPSS Ders Notları II (19 Nisan 2012)

H.Ü. Bilgi ve Belge Yönetimi Bölümü BBY 208 Sosyal Bilimlerde Araştırma Yöntemleri II (Bahar 2012) SPSS Ders Notları II (19 Nisan 2012) H.Ü. Bilgi ve Belge Yönetimi Bölümü BBY 208 Sosyal Bilimlerde Araştırma Yöntemleri II (Bahar 2012) SPSS Ders Notları II (19 Nisan 2012) Aşağıdaki analizlerde lise öğrencileri veri dosyası kullanılmıştır.

Detaylı

ANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL

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

Detaylı

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi

Detaylı

26.12.2013. Farklı iki ilaç(a,b) kullanan iki grupta kan pıhtılaşma zamanları farklı mıdır?

26.12.2013. Farklı iki ilaç(a,b) kullanan iki grupta kan pıhtılaşma zamanları farklı mıdır? 26.2.23 Gözlem ya da deneme sonucu elde edilmiş sonuçların, raslantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HĐPOTEZ TESTLERĐ denir. Sonuçların raslantıya bağlı olup

Detaylı

ÜNİVERSİTE ÖĞRENCİLERİNİN BAŞARILARI ÜZERİNE ETKİ EDEN BAZI FAKTÖRLERİN ARAŞTIRILMASI (MUĞLA ÜNİVERSİTESİ İ.İ.B.F ÖRNEĞİ) ÖZET ABSTRACT

ÜNİVERSİTE ÖĞRENCİLERİNİN BAŞARILARI ÜZERİNE ETKİ EDEN BAZI FAKTÖRLERİN ARAŞTIRILMASI (MUĞLA ÜNİVERSİTESİ İ.İ.B.F ÖRNEĞİ) ÖZET ABSTRACT Muğla Üniversitesi SBE Dergisi Güz 2001 Sayı 5 ÜNİVERSİTE ÖĞRENCİLERİNİN BAŞARILARI ÜZERİNE ETKİ EDEN BAZI FAKTÖRLERİN ARAŞTIRILMASI (MUĞLA ÜNİVERSİTESİ İ.İ.B.F ÖRNEĞİ) ÖZET Erdoğan GAVCAR * Meltem ÜLKÜ

Detaylı

rasgele değişkeninin olasılık yoğunluk fonksiyonu,

rasgele değişkeninin olasılık yoğunluk fonksiyonu, 3.6. Bazı Sürekli Dağılımlar 3.6.1 Normal Dağılım Normal dağılım hem uygulamalı hem de teorik istatistikte kullanılan oldukça önemli bir dağılımdır. Normal dağılımın istatistikte önemli bir yerinin olmasının

Detaylı

Zeki Optimizasyon Teknikleri

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

Detaylı

BÖLÜM 13 HİPOTEZ TESTİ

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

Detaylı

Endüstri Mühendisliğinde İstatistiksel Uygulamalar (IE 442) Ders Detayları

Endüstri Mühendisliğinde İstatistiksel Uygulamalar (IE 442) Ders Detayları Endüstri Mühendisliğinde İstatistiksel Uygulamalar (IE 442) Ders Detayları Ders Adı Ders Dönemi Ders Kodu Saati Uygulama Saati Laboratuar Kredi AKTS Saati Endüstri Mühendisliğinde İstatistiksel Uygulamalar

Detaylı

Siirt Üniversitesi Eğitim Fakültesi. Yrd. Doç. Dr. H. Coşkun ÇELİK Arş. Gör. Barış MERCİMEK

Siirt Üniversitesi Eğitim Fakültesi. Yrd. Doç. Dr. H. Coşkun ÇELİK Arş. Gör. Barış MERCİMEK Siirt Üniversitesi Eğitim Fakültesi Yrd. Doç. Dr. H. Coşkun ÇELİK Arş. Gör. Barış MERCİMEK EYLÜL-2013 Temel olarak bir bilgisayar, çeşitli donanım parçalarını bir araya getirip uygun bir çalışma platformunu

Detaylı

Siirt Üniversitesi Eğitim Fakültesi. Yrd. Doç. Dr. H. Coşkun ÇELİK Arş. Gör. Barış MERCİMEK

Siirt Üniversitesi Eğitim Fakültesi. Yrd. Doç. Dr. H. Coşkun ÇELİK Arş. Gör. Barış MERCİMEK Siirt Üniversitesi Eğitim Fakültesi Yrd. Doç. Dr. H. Coşkun ÇELİK Arş. Gör. Barış MERCİMEK EYLÜL-2013 Bilgisayar, uzun ve çok karmaşık hesapları bile büyük bir hızla yapabilen, mantıksal (lojik) bağlantılara

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık - I Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kes1rim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmak7r. ü Bu anlamda, anakütleden çekilen

Detaylı

Türkiye Sosyoekonomik Statü Endeksi Geliştirme Projesi. Proje Yürütücüsü Yrd. Doç. Dr. Lütfi Sunar İstanbul Üniversitesi Sosyoloji Bölümü

Türkiye Sosyoekonomik Statü Endeksi Geliştirme Projesi. Proje Yürütücüsü Yrd. Doç. Dr. Lütfi Sunar İstanbul Üniversitesi Sosyoloji Bölümü Türkiye Sosyoekonomik Statü Endeksi Geliştirme Projesi Proje Yürütücüsü Yrd. Doç. Dr. Lütfi Sunar İstanbul Üniversitesi Sosyoloji Bölümü Projenin Konusu, Amacı ve Anahtar Kelimeler Projemizin Konusu: Türkiye

Detaylı

0.04.03 Standart Hata İstatistikte hesaplanan her istatistik değerin mutlaka hatası da hesaplanmalıdır. Çünkü hesaplanan istatistikler, tahmini bir değer olduğu için mutlaka hataları da vardır. Standart

Detaylı

Sınavlı ve Sınavsız Geçiş İçin Akademik Bir Karşılaştırma

Sınavlı ve Sınavsız Geçiş İçin Akademik Bir Karşılaştırma Sınavlı ve Sınavsız Geçiş İçin Akademik Bir Karşılaştırma Öğr. Gör. Kenan KARAGÜL, Öğr. Gör. Nigar KARAGÜL, Murat DOĞAN 3 Pamukkale Üniversitesi, Honaz Meslek Yüksek Okulu, Lojistik Programı, kkaragul@pau.edu.tr

Detaylı

İÇİNDEKİLER İÇİNDEKİLER KODLAB

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

Detaylı

FİNANSAL RİSK ANALİZİNDE KARMA DAĞILIM MODELİ YAKLAŞIMI * Mixture Distribution Approach in Financial Risk Analysis

FİNANSAL RİSK ANALİZİNDE KARMA DAĞILIM MODELİ YAKLAŞIMI * Mixture Distribution Approach in Financial Risk Analysis FİNANSAL RİSK ANALİZİNDE KARMA DAĞILIM MODELİ YAKLAŞIMI * Mixture Distribution Approach in Financial Risk Analysis Keziban KOÇAK İstatistik Anabilim Dalı Deniz ÜNAL İstatistik Anabilim Dalı ÖZET Son yıllarda

Detaylı

KSUY 5117 KENTSEL SEYAHAT TALEBİ MODELLEMESİ. Doç.Dr. Darçın AKIN

KSUY 5117 KENTSEL SEYAHAT TALEBİ MODELLEMESİ. Doç.Dr. Darçın AKIN Bahçeşehir Üniversitesi, Fen Bilimleri Enstitüsü Kentsel Sistemler ve Ulaştırma Yönetimi Yüksek Lisans Programı KSUY 5117 KENTSEL SEYAHAT TALEBİ MODELLEMESİ Doç.Dr. Darçın AKIN UTOWN Hazırlayan Müge GÜRSOY

Detaylı

Üniversite Öğrencilerinin Akademik Başarılarını Etkileyen Faktörler Bahman Alp RENÇBER 1

Üniversite Öğrencilerinin Akademik Başarılarını Etkileyen Faktörler Bahman Alp RENÇBER 1 Çankırı Karatekin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi 3(1): 191-198 Üniversite Öğrencilerinin Akademik Başarılarını Etkileyen Faktörler Bahman Alp RENÇBER 1 Özet Bu çalışmanın amacı, üniversite

Detaylı

Beklenti Anketi ne İlişkin Yöntemsel Açıklama

Beklenti Anketi ne İlişkin Yöntemsel Açıklama Beklenti Anketi ne İlişkin Yöntemsel Açıklama İstatistik Genel Müdürlüğü Reel Sektör Verileri Müdürlüğü İçindekiler I- Amaç... 3 II- Kapsam... 3 III- Yöntem... 3 IV- Tanımlar ve Hesaplamalar... 3 V- Yayımlama...

Detaylı

ANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ PARAMETRİK OLMAYAN TESTLER Prof. Dr. Nihal ERGİNEL

ANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ PARAMETRİK OLMAYAN TESTLER Prof. Dr. Nihal ERGİNEL ANADOLU ÜNİVERSİTESİ ENM 317 MÜHENDİSLİK İSTATİSTİĞİ PARAMETRİK OLMAYAN TESTLER Prof. Dr. Nihal ERGİNEL PARAMETRİK OLMAYAN TESTLER Daha önce incelediğimiz testler, normal dağılmış ana kütleden örneklerin

Detaylı

Prof. Dr. Özkan ÜNVER Prof. Dr. Hamza GAMGAM Doç. Dr. Bülent ALTUNKAYNAK SPSS UYGULAMALI TEMEL İSTATİSTİK YÖNTEMLER

Prof. Dr. Özkan ÜNVER Prof. Dr. Hamza GAMGAM Doç. Dr. Bülent ALTUNKAYNAK SPSS UYGULAMALI TEMEL İSTATİSTİK YÖNTEMLER Prof. Dr. Özkan ÜNVER Prof. Dr. Hamza GAMGAM Doç. Dr. Bülent ALTUNKAYNAK SPSS UYGULAMALI TEMEL İSTATİSTİK YÖNTEMLER Gözden Geçirilmiş ve Genişletilmiş 8. Baskı Frekans Dağılımları Varyans Analizi Merkezsel

Detaylı

10. Bir ana kütle oranının tahmininde α = 0,05 ise kullanılan Z değeri nedir? A) 1,64 B) 1,84 C) 1,96 D) 2,28 E) 3,08

10. Bir ana kütle oranının tahmininde α = 0,05 ise kullanılan Z değeri nedir? A) 1,64 B) 1,84 C) 1,96 D) 2,28 E) 3,08 1. Tanımlanan ana kütleden rassal seçilen örneklemlerden hesaplanan istatistikler yardımı ile ilgili ana kütle parametrelerinin değerini araştırma sürecine ne ad verilir? A) İstatistiksel hata B) İstatistiksel

Detaylı

SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ

SIRA 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

Detaylı

SÜREKLİ RASSAL DEĞİŞKENLER

SÜREKLİ RASSAL DEĞİŞKENLER SÜREKLİ RASSAL DEĞİŞKENLER Sürekli Rassal Değişkenler Sürekli Rassal Değişken: Değerleriölçümyadatartımla elde edilen, bir başka anlatımla sayımla elde edilemeyen, değişkene sürekli rassal değişken denir.

Detaylı

Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması

Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması Nilay Kurşunoğlu, PwC Yönetim Danışmanlığı Biz Kimiz? Orhan Cem Sorumlu

Detaylı

www.maviperde.com Elektronik ticaret e-ticaret

www.maviperde.com Elektronik ticaret e-ticaret www.maviperde.com 1995 li yıllardan sonra Dünyada ve Türkiye'de elektronik ticaretin ön plana çıkmasıyla ve gelecek yıllarda mekanik perde sistemi pazarının çoğunu elektronik ticaretle olacağı varsayımı

Detaylı

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

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

Detaylı

Büyük Veri ve Endüstri Mühendisliği

Büyük Veri ve Endüstri Mühendisliği Büyük Veri ve Endüstri Mühendisliği Mustafa Gökçe Baydoğan Endüstri Mühendisliği Bölümü Boğaziçi Üniversitesi İstanbul Yöneylem Araştırması/Endüstri Mühendisliği Doktora Öğrencileri Kolokyumu 21-22 Nisan

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall

Detaylı

χ =1,61< χ χ =2,23< χ χ =42,9> χ χ =59,4> χ

χ =1,61< χ χ =2,23< χ χ =42,9> χ χ =59,4> χ SORU : Ortalaması, varyansı olan bir raslantı değişkeninin, k ile k arasında değer alması olasılığının en az 0,96 olmasını sağlayacak en küçük k değeri aşağıdakilerden hangisidir? A),5 B) C) 3,75 D) 5

Detaylı

FEN BİLGİSİ ÖĞRETMEN ADAYLARININ FEN BRANŞLARINA KARŞI TUTUMLARININ İNCELENMESİ

FEN BİLGİSİ ÖĞRETMEN ADAYLARININ FEN BRANŞLARINA KARŞI TUTUMLARININ İNCELENMESİ FEN BİLGİSİ ÖĞRETMEN ADAYLARININ FEN BRANŞLARINA KARŞI TUTUMLARININ İNCELENMESİ Sibel AÇIŞLI 1 Ali KOLOMUÇ 1 1 Artvin Çoruh Üniversitesi, Eğitim Fakültesi, İlköğretim Bölümü Özet: Araştırmada fen bilgisi

Detaylı

Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi

Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi YRD. DOÇ. DR. HÜSEYİN GÜRÜLER MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ, BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ Meslek Seçimi Meslek Seçimi

Detaylı

Sosyal Bilimler İçin Veri Analizi El Kitabı

Sosyal Bilimler İçin Veri Analizi El Kitabı 292 Dicle Üniversitesi Ziya Gökalp Eğitim Fakültesi Dergisi, 18 (2012) 292-297 KİTAP İNCELEMESİ Sosyal Bilimler İçin Veri Analizi El Kitabı Editör Doç. Dr. Şener BÜYÜKÖZTÜRK Dilek SEZGİN MEMNUN 1 Bu çalışmada,

Detaylı

KORELASYON VE REGRESYON ANALİZİ. Doç. Dr. Bahar TAŞDELEN

KORELASYON VE REGRESYON ANALİZİ. Doç. Dr. Bahar TAŞDELEN KORELASYON VE REGRESYON ANALİZİ Doç. Dr. Bahar TAŞDELEN Günlük hayattan birkaç örnek Gelişim dönemindeki bir çocuğun boyu ile kilosu arasındaki ilişki Bir ailenin tükettiği günlük ekmek sayısı ile ailenin

Detaylı

VERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL

VERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL VERİ MADENCİLİĞİ Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL SPRINT Algoritması ID3,CART, ve C4.5 gibi algoritmalar önce derinlik ilkesine göre çalışırlar ve en iyi dallara ayırma kriterine

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing

Detaylı

ULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ

ULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ ULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ Özlem AYDIN Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü ULAŞTIRMA MODELİNİN TANIMI Ulaştırma modeli, doğrusal programlama probleminin özel bir şeklidir.

Detaylı

ÇOK DEĞĐŞKENLĐ ĐSTATĐSTĐKLERĐN ARAŞTIRMALARDA KULLANIMI

ÇOK DEĞĐŞKENLĐ ĐSTATĐSTĐKLERĐN ARAŞTIRMALARDA KULLANIMI ÇOK DEĞĐŞKENLĐ ĐSTATĐSTĐKLERĐN ARAŞTIRMALARDA KULLANIMI Araştırmalarda incelenen olaylar göstermektedir ki tek değişkenli istatistiklerin kullanılması problemi açıklamakta yetersiz ve eksik kalmaktadır.

Detaylı

BİLİŞİM TEKNOLOJİLERİ İÇİN İŞLETME İSTATİSTİĞİ

BİLİŞİM TEKNOLOJİLERİ İÇİN İŞLETME İSTATİSTİĞİ SAKARYA ÜNİVERSİTESİ BİLİŞİM TEKNOLOJİLERİ İÇİN İŞLETME İSTATİSTİĞİ Hafta 11 Yrd. Doç. Dr. Halil İbrahim CEBECİ Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir. "Uzaktan

Detaylı

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler 1 SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge

Detaylı

Temel Kavramlar. Bağlanım Çözümlemesi. Temel Kavramlar. Ekonometri 1 Konu 6 Sürüm 2,0 (Ekim 2011)

Temel Kavramlar. Bağlanım Çözümlemesi. Temel Kavramlar. Ekonometri 1 Konu 6 Sürüm 2,0 (Ekim 2011) Bağlanım Çözümlemesi Temel Kavramlar Ekonometri 1 Konu 6 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)

Detaylı

BÖLÜM 12 STUDENT T DAĞILIMI

BÖLÜM 12 STUDENT T DAĞILIMI 1 BÖLÜM 12 STUDENT T DAĞILIMI 'Student t dağılımı' ya da kısaca 't dağılımı'; normal dağılım ve Z dağılımının da içerisinde bulunduğu 'sürekli olasılık dağılımları' ailesinde yer alan dağılımlardan bir

Detaylı

İçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii. Ölçme, İstatistik ve Araştırma...

İçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii. Ölçme, İstatistik ve Araştırma... İçindekiler İçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii BÖLÜM 1 Ölçme, İstatistik ve Araştırma...1 Ölçme Nedir?... 3 Ölçme Süreci... 3 Değişkenler

Detaylı

14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi

14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi ÇOK DEĞİŞKENLİ REGRESYON ANALİZİ: ÇIKARSAMA Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri

Detaylı

2 ALGORİTMA VE AKIŞ DİYAGRAMLARI

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

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ 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.

Detaylı

1: DENEYLERİN TASARIMI VE ANALİZİ...

1: DENEYLERİN TASARIMI VE ANALİZİ... İÇİNDEKİLER Bölüm 1: DENEYLERİN TASARIMI VE ANALİZİ... 1 1.1. Deneyin Stratejisi... 1 1.2. Deneysel Tasarımın Bazı Tipik Örnekleri... 11 1.3. Temel Kurallar... 16 1.4. Deneyleri Tasarlama Prensipleri...

Detaylı

Tablo 26. Kullanılabilir Gelire göre Sıralı %20 lik Grupların Toplam Tüketim Harcamasından Aldığı Pay

Tablo 26. Kullanılabilir Gelire göre Sıralı %20 lik Grupların Toplam Tüketim Harcamasından Aldığı Pay Tablo 26. Kullanılabilir Gelire göre Sıralı %20 lik Grupların Toplam Tüketim Harcamasından Aldığı Pay %20 lik Gelir Grupları 2009 2010 Değişim Oranı 2009 2010 En düşük %20 9,1 9,1 0,9-0,4 2. %20 13,4 14,0-2,9

Detaylı

Araştırma Oyunu Avrupa Bilimsel Araştırma Oyunu Oyun rehberi

Araştırma Oyunu Avrupa Bilimsel Araştırma Oyunu Oyun rehberi Araştırma Oyunu Avrupa Bilimsel Araştırma Oyunu Oyun rehberi Oynarken nelere ihtiyacınız olacak? Kayıt oldunuz mu? Bir takımınız var mı? Öyleyse şimdi oyuna başlama zamanı! Adımları takip et ve Aşama 1

Detaylı

EME 3105 SİSTEM SİMÜLASYONU. Girdi Analizi Prosedürü. Dağılıma Uyum Testleri. Dağılıma Uyumun Kontrol Edilmesi. Girdi Analizi-II Ders 9

EME 3105 SİSTEM SİMÜLASYONU. Girdi Analizi Prosedürü. Dağılıma Uyum Testleri. Dağılıma Uyumun Kontrol Edilmesi. Girdi Analizi-II Ders 9 EME 3105 1 Girdi Analizi Prosedürü SİSTEM SİMÜLASYONU Modellenecek sistemi (prosesi) dokümante et Veri toplamak için bir plan geliştir Veri topla Verilerin grafiksel ve istatistiksel analizini yap Girdi

Detaylı

İSTATİSTİK HAFTA. ÖRNEKLEME METOTLARI ve ÖRNEKLEM BÜYÜKLÜĞÜNÜN TESPİTİ

İSTATİSTİK HAFTA. ÖRNEKLEME METOTLARI ve ÖRNEKLEM BÜYÜKLÜĞÜNÜN TESPİTİ ÖRNEKLEME METOTLARI ve ÖRNEKLEM BÜYÜKLÜĞÜNÜN TESPİTİ HEDEFLER Bu üniteyi çalıştıktan sonra; Örneklemenin niçin ve nasıl yapılacağını öğreneceksiniz. Temel Örnekleme metotlarını öğreneceksiniz. Örneklem

Detaylı

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

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

Detaylı

Uluslararası Öğrencilerin Ülke ve Üniversite Seçimlerini Etkileyen Faktörler

Uluslararası Öğrencilerin Ülke ve Üniversite Seçimlerini Etkileyen Faktörler Uluslararası Öğrencilerin Ülke ve Üniversite Seçimlerini Etkileyen Faktörler İSTANBUL AYDIN ÜNİVERSİTESİ Yüksek Öğretim Çalışmaları Uygulama ve Araştırma Merkezi Eğitim Fakültesi 2 Giriş Dünyadaki hızlı

Detaylı

İSTATİSTİK I. Giriş. Bölüm 1 Temel Terimler ve Tanımlar İSTATİSTİKLER

İSTATİSTİK I. Giriş. Bölüm 1 Temel Terimler ve Tanımlar İSTATİSTİKLER İSTATİSTİK I Bölüm 1 Temel Terimler ve Tanımlar 1 2 Giriş İSTATİSTİKLER Genel olarak araştırmalarda, büyük veri gruplarının içinden daha küçük veri grupları seçilerek büyük veri gruplarının hakkında bilgi

Detaylı