3. Ders Parametre Tahmini Tahmin Edicilerde Aranan Özellikler

Save this PDF as:
 WORD  PNG  TXT  JPG

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "3. Ders Parametre Tahmini Tahmin Edicilerde Aranan Özellikler"

Transkript

1 3. Ders Parametre Tahmii Tahmi Edicilerde Araa Özellikler Gerçek düyada rasgelelik olgusu içere bir özellik ile ilgili ölçme işlemie karş l k gele X rasgele de¼gişkeii olas l k (yo¼guluk) foksiyou, F ff(; ) : g ailesii bir elema olsu. içi f(; ) olas l k (yo¼guluk) foksiyoua sahip da¼g l mda bir öreklem X (X ; X ; :::; X ) olmak üzere, öreklemi kedisii veya bir T (X ; X ; :::; X ) istatisti¼gii hagi de¼gerii destekledi¼gii bilmek, yai parametresii tahmi etmek (kestirmek) isteyelim. Ta m: X ; X ; :::; X olas l k yo¼guluk foksiyou f(; ); ola da¼g l mda bir öreklem olmak üzere, bir T : X! istatisti¼gie parametresi içi tahmi edici (kestirici) ve ald ¼g de¼gere de tahmi (kestirim) deir. Örek: Baz elektroik parçalar dayama süreleri üstel da¼g l ma sahip oldu¼gu bilimektedir. Belli bir tür elektroik parça dayama süresi ile ilgili elimizde X ; X ; :::; X öreklemi bulusu. X ; X ; :::; X rasgele de¼gişkeleri ba¼g ms z ve her birii da¼g l m, f X (x; ) e x ; x > ; (; ) olas l k yo¼guluk foksiyoua sahip X rasgele de¼gişkei (dayama süresii) da¼g l m gibidir. E(X) V ar(x) olmak üzere, kitle ortalamas y tahmi etmek içi tahmi edici olarak X öreklem ortalamas ve kitle varyas yi tahmi etmek içi öreklem varyas S yi tahmi edici olarak düşüebiliriz. Öreklem varyas karekökü ola S öreklem stadart sapmas da parametresi içi bir tahmi edici olarak düşüülebilir. Ay parametre içi iki tae tahmi edici söz kousudur. Hagisi daha "iyi" dir? Hagisi tercih edilecektir? Bu gibi sorular ya tlamak içi tahmi edicilerde araa özellikleri belirtilmiş olmas gerekir. Bu derste tahmi edicilerde araa baz özellikler üzeride duraca¼g z.

2 Parametre Etraf da Yo¼gulaşma Ta m: T (X ; X ; :::; X ) ve T (X ; X ; :::; X ), paramet-resi içi iki tahmi edici olmak üzere, her ve > içi, P ( < T + ) > P ( < T + ) oluyorsa, T tahmi edicisie T de daha yo¼gulaşm ş bir tahmi edici deir. Varsa, e yo¼gulaşm ş tahmi edici bu ölçüte göre e iyi tahmi edici olacakt r. Geel olarak böyle bir tahmi edici bulmak zor olmaktad r, çükü yukar daki eşitsizlik baz ve lar içi sa¼glamakla birlikte, di¼gerleri içi sa¼glamayabilir. Pitma Alam da Yak l k Ta m: T (X ; X ; :::; X ) vet (X ; X ; :::; X ), parametresi içi iki tahmi edici olmak üzere her içi, P (jt j < jt j) > oluyorsa, T tahmi edicisie T de Pitma alam da daha yak d r deir.

3 3 Küçük Hata Kareleri Ortalamas a Sahip Olma Ta m: üzere, T (X ; X ; :::; X ), parametresi içi bir tahmi edici olmak HKO (T ) E(T ) de¼gerie (beklee de¼geri var olmas halide) T Kareleri Ortalamas deir. tahmi edicisii Hata T (X ; X ; :::; X ) ve T (X ; X ; :::; X ), parametresi içi iki tahmi edici olmak üzere, her içi, HKO (T ) HKO (T ) oluyorsa, T tahmi edicisie Hata Kareleri Ortalamas ölçütüe göre T de daha iyidir deir. Hata Kareler Ortalamas ((Mea Squared Error, MSE)ölçütü Gauss taraf da öerilmiş olup, Küçük Hata Kareleri Ortalamas a sahip tahmi ediciler arzu edilmektedir. Geel halde HKO ölçütüe göre e iyi tahmi edici bulmak zordur. Acak, öceki iki özellik içi de geçerli olmak üzere, tahmi edicileri baz alt s ar da (tüm tahmi edicileri kümesii baz altkümeleride) HKO ölçütüe göre e iyi tahmi edici bulmak mümkü olmaktad r. T, tahmi edicileri bir s f (ailesi) ve T T olmak üzere her içi, HKO (T ) HKO (T ) ; T T oluyorsa T tahmi edicisie HKO ölçütüe göre T s f da e iyi tahmi edici deir. Bir tahmi edicii Hata Kareleri Ortalamas içi, HKO (T ) E (T ) V ar (T ) + (E (T ) ) oldu¼guu da hat rlatal m. HKO (T ) E(T ) olmak üzere, HKO (T ) yerie HKO(T ) ; MSE(T ) ; MSE (T ) gösterimlerii de kullaaca¼g z.

4 4 Örek: N(; ) ormal da¼g l m da parametresii, yai kitle varyas tahmi etmek isteyelim. parametresi içi tahmi tahmi edici olarak S X (X i X) S X (X i X) tahmi edicilerii göz öüe alal m. Hata Kareleri Ortalamas ölçütüe göre hagisi daha iyidir? ve olmak üzere, d r. Bezer şekilde, HKO (S ) E(S ) ( )S ( ) E[(S ) S + ( ) ] E[(S ) ] E[S ] + 4 E( ( )S ) ; E(S ) V ar( ( )S ) ( ) ; V ar(s ) 4 V ar(s ) E[(S ) ] (E(S )) E[(S ) ] HKO (S ) HKO (S ) E(S ) E[(S ) ] E[S ] + 4

5 ve S S E(S) E( S ) E(S ) E[(S) ] E[( S ) ] ( ) E[(S ) ] ( + ) 4 4 olup, elde edilir. Bua güre, yai, HKO (S ) HKO (S ) 4 > 4 HKO (S ) HKO (S ) < HKO (S ) d r. S tahmi edicisi HKO ölçütüe göre S de daha iyidir. P (X i X) içi S + + HKO(S +) + 4 oldu¼gu, yukar daki gibi kolayca elde edilebilir. 5 S S S + P (X i X) P (X i X) P (X i X) +

6 6 tahmi edicileri içi hata kareler ortalamalar s ras ile, HKO(S ) 4 ; HKO(S ) 4 ( ) ; HKO(S +) 4 + olup, HKO(S ) < HKO(S ) < HKO(S +) oldu¼gu görülür. HKO ölçütüe göre, S+ tahmi edicisi S edicilerie göre daha iyi bir tahmi edicidir. Akl m za, P (X i X) S + + ve S tahmi i Hata Kareleri Ortalamas daha küçük olaca¼g gelebilir, ama öyle de¼gildir. Yukar daki gibi karş laşt rma yap labilir. olmak üzere, T k k X (X i X) ( ) X T k (X i X) : k ; ; ::: s f da e küçük Hata Kareleri Ortalamas a sahip tahmi edici, HKO(k X X (X i X) ) E(k (X i X) ) k ( ) 4 k( ) ifadeside k ( ) 4 k( ) de¼gerii e küçük yapa k ye karş l k gelmektedir. f(x) ( ) 4 x ( ) 4 x + 4 ; x R foksiyouu miimum yapa x de¼geri x + olup, X mi HKO(k (X i X) ) HKO( kf;;3;:::g + X (X i X) )

7 7 d r. S + P (X i X) + tahmi edicisi, T ( k ) X (X i X) : k ; ; ::: aileside, Hata Kareleri Ortalamas ölçütüe göre içi e iyi tahmi edicidir. Örek: U(; ) ; (; ) düzgü da¼g l mda parametresii (da¼g l m üst s r ) tahmi etmek isteyelim. Bu da¼g l m beklee de¼geri (kitle ortalamas ) ve varyas (kitle varyas ) d r. X ; X ; :::; X ler U(; ) ; (; ) düzgü da¼g l mda bir öreklem olsu. Öreklem ortalamas, kitle ortalamas içi do¼gal bir tahmi edici olmak üzere, parametresi içi X istatisti¼gii bir tahmi edici olarak düşüebiliriz. Buula birlikte, parametresi da¼g l m üst s r olmak üzere, X () s ra istatisti¼gii (gözleecek e büyük de¼geri) de tahmi edici olarak düşüebiliriz. T X T X ()

8 8 tahmi edicilerida hagisi Hata Kareleri Ortalamas ölçütüe daha iyidir? ve HKO (T ) E(T ) V ar(t ) + [E(T ) ] V ar(x ) + [E((X ) ] [E(X ) ] + [ ] HKO (T ) E(T ) 8 < f T (t) : E[(T ) ] E(T ) + t ; < t < ; d:y: E(T ) E[(T ) ] t t dt + t t dt + HKO (T ) E(T ) ) E[(T ) ] E(T ) ( + )( + ) olmak üzere, HKO (T ) < HKO (T ) d r. Hata Kareleri Ortalamas ölçütüe göre X () tahmi edicisi, X de daha iyidir.

9 Yas zl k Ta m: T (X ; X ; :::; X ) parametresi içi bir tahmi edici olmak üzere her içi, E (T ) oluyorsa, T tahmi edicisie parametresi içi yas z tahmi edici deir. Örek: X öreklem ortalamas, kitle ortalamas ( < ) içi yas z P (X i X) bir tahmi edicidir. S öreklem varyas, kitle varyas ( < ) içi yas z bir tahmi edicidir. Baz durumlarda yas z tahmi edici mevcut olmayabilir. Öre¼gi, b(; p ) ; (; ) biom da¼g l m da parametresi tahmi edilmek istesi. Bir birimlik bir X öreklemie dayal bir tahmi edici T (X) olsu. T (X) i yas z oldu¼guu varsayal m. O zama her (; ) içi, E (T (X)) X T (x) ( x )x ( x ) x olmal. Acak, x ; ; ; :::; içi T (x) de¼gerleri solu oldu¼guda parametresii de¼geri çok büyüdü¼güde, yai! oldu¼guda T (x) x ( P )x ( ) x ifadesii de¼geri T () de¼gerie yaklaşacakt r ve bu de¼ger de solu oldu¼guda çelişkili bir durum ortaya ç kmaktad r. Bu çelişki varsay m m z do¼gru olmad ¼g göstermektedir, yai parametresi içi yas z bir tahmi edici yoktur. Ta m: Bir parametre içi yas z bir tahmi edici var oldu¼guda bu parametreye yas z tahmi edilebilir deir. Ta m: Yas z olmaya tahmi edicilere yal tahmi edici ve de¼gerie ya (bias) deir. Bias (T ) E (T ) x 9

10 Örek: N(; ) ormal da¼g l m da parametresi içi öerilebilecek, T T T 3 X (X i X) X (X i X) + X (X i X) tahmi edicileri yal l klar s ras ile aşa¼g daki gibidir. Bias(T ) Bias(T ) Bias(T 3 ) + Görüldü¼gü gibi ilk tahmi edici yas z di¼gerleri yal d r (E(T ) < ; E(T 3 ) < ). Örek: U(; ) ; (; ) düzgü da¼g l mda parametresii (da¼g l m üst s r ) tahmi etmek isteyelim. Yukar da, parametresi içi X ve X () tahmi edici olarak öerilmişti. E(X ) E(X ) E(X () ) x x dx + olmak üzere, X yas z, X () yal tahmi edicidir. T + X ()

11 istatisti¼gii parametresi içi bir tahmi edici olarak düşüürsek, E(T ) E( + X ()) + E(X ()) olup, T tahmi edicisi içi yas zd r. Burada oldu¼gu gibi baz durumlarda yal bir tahmi edicide yas z bir tahmi edici elde edilebilir. Bua yas zlaşt rma deir. parametresi içi başka bir yas z tahmi edici, d r. Gerçekte, f X() (x) E(X ( ) ) T 3 X () + X () x ; < x < x xf X() (x) dx t ( t) dt x dx ; t x ) dx d t t ( t) dt () () ( + ) ( )! ( + )!! ( + )! + f X() (x) x ; < x < E(X ( ) ) xf X() (x) dx olup, x dx x + + x + E(T 3 ) E(X () ) + E(X () ) d r.

12 Küçük Varyasl Olma Bir tahmi edicii, yal veya yas z, küçük varyasl olmas tercih edilir. Ta m: yas z tahmi edicilerii s f T olmak üzere, bir T T içi, V ar (T ) V ar (T ) ; 8 ; T T oluyorsa, T tahmi edicisie düzgü e küçük varyasl yas z tahmi edici (uiformly miimum variace ubiased estimator, UMVUE) deir. Örek: X ; X ; :::; X ; Poisso (); (; ) da¼g l m da bir öreklem olsu. Bilidi¼gi gibi Poisso da¼g l m beklee de¼geri ile varyas birbirie eşit ve d r. X S X X i ; E(X) X X i X ; E(S ) olmak üzere, X ve S i her ikisi de yas z tahmi edicileridir. V ar(s ) E (X ) V ar(s ) olmak üzere, V ar(s ) + > V ar(x) d r. X yas z tahmi edicii varyas, S yas z tahmi edicii varyas da daha küçüktür. X tahmi edicisi bütü yas z tahmi ediciler

13 aras da e küçük varyasl m d r? Bu soruu cevab öümüzdeki derslere b rakal m. Şimdi, g() içi yas z bir tahmi edici bulal m. 3 T X X i s Poisso() oldu¼gu hat rla rsa, E(T T ) E(T ) E(T ) V ar(t ) + [E(T )] E(T ) () + olmak üzere, T E T olup, T tahmi edicisi içi yas zd r. P X i P X i Örek: U(; ) ; (; ) düzgü da¼g l mda parametresi içi T X T + X () T 3 X () + X () tahmi edicileri yas zd r. Hagisi daha küçük varyasl d r? V ar(t ) V ar(x ) 4 3 d r.

14 4 d r. V ar(t ) V ar( + X ()) ( + ) V ar(x () ) ( + ) [E(X()) (EX () ) ] ( + ) [ t t dt ( t t dt) ] ( + ) [ + ( + ) ] + ( + ) ( + ) ( + ) olup, V ar(t 3 ) V ar (X ( ) + X ( ) f X() (x) E(X ( ) ) V ar X ( ) + V ar X( ) + Cov X( ) ; X ( ) x ; < x < x xf X() (x) dx t ( t) dt x dx t ( t) dt () () ( + ) ( )! ( + )!! ( + )! + E(X ( )) x f X() (x) dx x ( t) ( t) dt x dx t ( t) dt ( + )( + )

15 5 V ar X ( ) E(X ( ) ) E(X ( ) ) V ar(x () ) ( + ) ( + ) ( + ) ( + ) ( + )( + ) + ve f X( ) X (); (x; y) ( ) (y x) ; < x < y < E X ( ) X ( ) y ( ) ( ) ( ) xyf X( ) X (); (x; y) dx dy y y y + y + dy xy (y x) dx dy; y x ( ( + ) x y ) y 3 ( ) xy (y x) dx dy dx5 dy ; t ( t) dta dy x y t Cov X ( ) ; X ( ) E X( ) X ( ) ( + ) ( + ) ( + )( + ) E X ( ) E ( + ) X( ) + ( + )

16 6 olmak üzere, V ar(t 3 ) V ar (X ( ) + X ( ) d r. Özetlersek, olup, > içi d r. V ar X ( ) + V ar X( ) + Cov X( ) ; X ( ) ( + ) ( + ) + ( + ) ( + ) + ( + )( + ) V ar(t ) V ar(x ) 3 V ar(t ) V ar( + X ()) ( + ) V ar(t 3 ) V ar (X ( ) + X ( ) V ar(t ) < V ar(t 3 ) < V ar(t ) ( + )( + ) ( + )( + )

17 7 Tutarl l k Ta m: parametresii bir T (X ; X ; :::; X ) tahmi edicisi içi, yai, seçile her " > içi, T (X ; X ; :::; X ) P! lim P (jt (X ; X ; :::; X ) j > ")! oluyorsa, bu tahmi ediciye zay f tutarl veya k saca tutarl tahmi edici ve T (X ; X ; :::; X ) hhhy! olurorsa, bu tahmi ediciye güçlü tutarl tahmi edici deir. Ta m: parametresii bir T (X ; X ; :::; X ) tahmi edicisi içi, lim MSE (T (X ; X ; :::; X ))! oluyorsa, bu tahmi ediciye Hata Kareleri Ortalamas da tutarl d r deir. Bir tahmi edicii Hata Kareleri Ortalamas da tutarl olmas, zay f tutarl olmas gerektirmektedir. Gerçekte, Markov Eşitsizli¼gide, her " > içi, P (jt (X ; X ; :::; X ) j > ") E (T (X ; X ; :::; X ) ) " MSE (T (X ; X ; :::; X )) " olmak üzere, lim MSE (T (X ; X ; :::; X ))! + d r. Ayr ca, lim P (jt (X ; X ; :::; X ) j > ")!

18 8 oldu¼guda, P (jt (X ; X ; :::; X ) j > ") V ar (T (X ; X ; :::; X )) " + Bias (T (X ; X ; :::; X )) " lim Bias (T (X ; X ; :::; X )) ve lim V ar (T (X ; X ; :::; X ))!! + d r. lim P (jt (X ; X ; :::; X ) j > ")! Örek: X ; X ; :::; X ler N(; ); R; > ormal da¼g l m da bir öreklem olsu. X, içi tutarl bir tahmi edicidir (zay f, güçlü ve hata kareler ortalamas da). içi, S X (X i X) tahmi edicisii ele alal m. Bilidi¼gi gibi, olmak üzere, olup, E(S) V ar(s) 4 ( ) Bias(S ) lim! Bias(S ) lim! lim! V ar(s ) lim! 4 ( )

19 oldu¼guda S, i tutarl bir tahmi edicisidir. Örek: U(; ) ; (; ) düzgü da¼g l mda parametresii (da¼g l m üst s r ) tahmi etmek isteyelim. tahmi edicileri yas z ve T X T + X () T 3 X () + X () 9 V ar(t ) V ar(x ) 3 lim V ar (T )! V ar(t ) V ar( + X ()) lim V ar (T )! ( + ) V ar(t 3 ) V ar (X ( ) + X ( ) lim V ar (T 3)! ( + )( + ) olmak üzere, bu tahmi edicileri her biri parametresi içi tutarl d r.

20 Limitte Yas zl k ve Asimptotik Yas zl k Ta m: T (X ; X ; :::; X ), parametresi içi bir tahmi edici olmak üzere her içi, lim E (T (X ; X ; :::; X ))! oluyorsa, T (X ; X ; :::; X ) tahmi edicisie parametresi içi limitte yas z bir tahmi edici deir. Bir T (X ; X ; :::; X ) tahmi edicisi limitte yas z ise T (X ; X ; :::; X ) gibi bir tahmi edicii de limitte yas z oldu¼gu aç kt r. Böyle tahmi edicilere limitte yas zl ¼ga göre eşde¼ger tahmi ediciler deir. Di¼ger asimptotik özellikler içi de bezer durum sözkousudur. Ta m: Y, beklee de¼geri s f r ola bir rasgele de¼gişke olmak üzere, pozitif reel say lar bir (a ) dizisi içi, a (T (X ; X ; :::; X ) ) d! Y oluyorsa, T (X ; X ; :::; X ) tahmi edicisie a asimptotik yas z ve a ; ; ; 3; ::: oldu¼guda k saca asimptotik yas z bir tahmi edicisi deir. Örek: U(; ) ; (; ) düzgü da¼g l mda parametresi içi X () tahmi edicisi asimptotik yas z bir tahmi edicidir. E(X () ) x x dx + lim! E(X ()) lim! +

4. Ders Fisher informasyonu s f rdan büyük ve sonlu, yani 0 < I() < 1; R f(x; )dx (kesikli da¼g l mlarda R yerine P.

4. Ders Fisher informasyonu s f rdan büyük ve sonlu, yani 0 < I() < 1; R f(x; )dx (kesikli da¼g l mlarda R yerine P. 4. Ders tkilik Küçük varyasl olmak, tahmi edicileri vazgeçilmez bir özelli¼gidir. Bir tahmi edicii, yal veya yas z, küçük varyasl olmas isteir. Parametrei kedisi () veya bir foksiyou (g()) ile ilgili tahmi

Detaylı

5. Ders Yeterlilik. f(x 1 ; x 2 ; :::; x n ; ) = g (T (x 1 ; x 2 ; :::; x n ); ) h(x 1 ; x 2 ; :::; x n )

5. Ders Yeterlilik. f(x 1 ; x 2 ; :::; x n ; ) = g (T (x 1 ; x 2 ; :::; x n ); ) h(x 1 ; x 2 ; :::; x n ) 5. Ders Yeterlilik Yeterlilik Ilkesi: Bir T(X ; X ; :::; X ) istatisti¼gi, hakk da yeterli bir istatistik olacaksa hakk da herhagi bir souç ç kar m T arac l ¼g ile (X ; X,...,X ) öreklemie ba¼gl olmal

Detaylı

Tahmin Edici Elde Etme Yöntemleri

Tahmin Edici Elde Etme Yöntemleri 6. Ders Tahmi Edici Elde Etme Yötemleri Öceki derslerde ve ödevlerde U(0; ) ; = (0; ) da¼g l m da, da¼g l m üst s r ola parametresi içi tahmi edici olarak : s ra istatisti¼gi ve öreklem ortalamas heme

Detaylı

TAHMİNLEYİCİLERİN ÖZELLİKLERİ Sapmasızlık 3.2. Tutarlılık 3.3. Etkinlik minimum varyans 3.4. Aralık tahmini (güven aralığı)

TAHMİNLEYİCİLERİN ÖZELLİKLERİ Sapmasızlık 3.2. Tutarlılık 3.3. Etkinlik minimum varyans 3.4. Aralık tahmini (güven aralığı) 3 TAHMİNLEYİCİLERİN ÖZELLİKLERİ 3.1. Sapmasızlık 3.. Tutarlılık 3.3. Etkilik miimum varyas 3.4. Aralık tahmii (güve aralığı) İyi bir tahmi edici dağılımı tahmi edilecek populasyo parametresie yakı civarda

Detaylı

AKTÜERLK SINAVLARI OLASILIK VE STATSTK SINAVI ÖRNEK SORULARI. için. 01 olaslk younluk fonksiyonu aa daki seçeneklerden hangisinde yer.

AKTÜERLK SINAVLARI OLASILIK VE STATSTK SINAVI ÖRNEK SORULARI. için. 01 olaslk younluk fonksiyonu aa daki seçeneklerden hangisinde yer. SORU : AKTÜERLK SINAVLARI OLASILIK VE STATSTK SINAVI ÖRNEK SORULARI X raslat deikeii olas l k youluk foksiyou 8x, x f(x) = 0, ö.d olarak verilmitir. Bua göre 0< y içi Y = raslat deikeii X olaslk youluk

Detaylı

İSTATİSTİK 2. Tahmin Teorisi 07/03/2012 AYŞE S. ÇAĞLI. aysecagli@beykent.edu.tr

İSTATİSTİK 2. Tahmin Teorisi 07/03/2012 AYŞE S. ÇAĞLI. aysecagli@beykent.edu.tr İSTATİSTİK 2 Tahmi Teorisi 07/03/2012 AYŞE S. ÇAĞLI aysecagli@beyket.edu.tr İstatistik yötemler İstatistik yötemler Betimsel istatistik Çıkarımsal istatistik Tahmi Hipotez testleri Nokta tahmii Aralık

Detaylı

Tahmin teorisinde amaç örneklem (sample) bilgisine dayanarak anakütleye. (population) ilişkin çıkarsamalar yapmaktır. Bu çıkarsamalar örneklem

Tahmin teorisinde amaç örneklem (sample) bilgisine dayanarak anakütleye. (population) ilişkin çıkarsamalar yapmaktır. Bu çıkarsamalar örneklem YTÜ-İktisat İstatistik II Nokta Tahmii 1 Tahmi teoriside amaç öreklem (sample) bilgisie dayaarak aakütleye (populatio) ilişki çıkarsamalar yapmaktır. Bu çıkarsamalar aakütlei dağılımıı belirleye bilimeye

Detaylı

Bağımsızlık özelliğinden hareketle Ortak olasılık fonksiyonu (sürekli ise

Bağımsızlık özelliğinden hareketle Ortak olasılık fonksiyonu (sürekli ise YTÜ-İktisat İstatistik II Örekleme ve Öreklem Dağılımları BASİT RASSAL ÖRNEKLEME N tae ese arasıda taelik bir öreklem seçilmesii istediğii düşüelim. eseli olaaklı her öreklemi seçilme şasıı eşit kıla seçim

Detaylı

Bu bölümde kan tlayaca m z teoremi, artan ve üstten s -

Bu bölümde kan tlayaca m z teoremi, artan ve üstten s - 18. S rl ve Arta Diziler Bu bölümde ka tlayaca m z teoremi, arta ve üstte s - rl bir gerçel say dizisii üsts ra çarpmas a ramak kal r biçimide özetleyebiliriz. (Üsts r kavram Bölüm 19 da görece iz.) flte

Detaylı

(3) Eğer f karmaşık değerli bir fonksiyon ise gerçel kısmı Ref Lebesgue. Ref f. (4) Genel karmaşık değerli bir fonksiyon için. (6.

(3) Eğer f karmaşık değerli bir fonksiyon ise gerçel kısmı Ref Lebesgue. Ref f. (4) Genel karmaşık değerli bir fonksiyon için. (6. Problemler 3 i Çözümleri Problemler 3 i Çözümleri Aşağıdaki özellikleri kaıtlamaızı ve buu yaıda daha fazla soyut kaıt vermeizi isteyeceğiz. h.h. eşitliğii ölçümü sıfır ola bir kümei tümleyei üzeride eşit

Detaylı

7. Ders. Bazı Kesikli Olasılık Dağılımları

7. Ders. Bazı Kesikli Olasılık Dağılımları Hatırlatma: ( Ω, U, P) bir olasılık uzayı ve 7. Ders Bazı Kesikli Olasılık Dağılımları : Ω ω R ( ω) foksiyou Borel ölçülebilir, yai B B içi { ω Ω : ( ω) B } U oluyorsa foksiyoua bir Rasgele Değişke deir.

Detaylı

12. Ders Büyük Sayılar Kanunları. Konuya geçmeden önce DeMoivre-Stirling formülünü ve DeMoivre-Laplace teoremini hatırlayalım. DeMoivre, genel terimi,

12. Ders Büyük Sayılar Kanunları. Konuya geçmeden önce DeMoivre-Stirling formülünü ve DeMoivre-Laplace teoremini hatırlayalım. DeMoivre, genel terimi, . Ders Büyü Sayılar Kauları Kouya geçmede öce DeMoivre-Stirlig formülüü ve DeMoivre-Laplace teoremii hatırlayalım. DeMoivre, geel terimi, a!,,, 3,... e ola dizii yaısa olduğuu göstermiş, aca limitii bulamamış.

Detaylı

NİÇİN ÖRNEKLEME YAPILIR?

NİÇİN ÖRNEKLEME YAPILIR? İÇİ ÖREKEME YAPIIR? Zama Kısıdı Maliyeti Azaltma Hata Oraıı Azaltma Souca Ulaşma Hızı Doç.Dr. Ali Kemal ŞEHİRİOĞU Araş.Gör. Efe SARIBAY Örekleme Teorisi kousuu içide, Örekleme Tipleri populasyoda örek

Detaylı

ÖRNEKLEME TEORİSİ VE TAHMİN TEORİSİ

ÖRNEKLEME TEORİSİ VE TAHMİN TEORİSİ İSTATİSTİKSEL TAHMİNLEME VE İSTATİSTİKSEL YORUMLAMA TAHMİNLEME SÜRECİ VE YORUMLAMA SÜRECİ ÖRNEKLEME TEORİSİ VE TAHMİN TEORİSİ ÖRNEKLEME VE ÖRNEKLEME ÖRNEKLEME DAĞILIMLARI VE ÖRNEKLEME DAĞILIMLARI Yorumlama

Detaylı

Bu bölümde birkaç yak nsak dizi örne i daha görece iz.

Bu bölümde birkaç yak nsak dizi örne i daha görece iz. 19B. Yak sak Gerçel Dizi Örekleri Bu bölümde birkaç yak sak dizi öre i daha görece iz. Verdi imiz örekleri her biri hem kedi bafl a hem de kulla la yötem aç s da öemlidir. Örek 19B.1. lim 1/ = 1. Ka t:

Detaylı

İÇİNDEKİLER. Ön Söz Polinomlar II. ve III. Dereceden Denklemler Parabol II. Dereceden Eşitsizlikler...

İÇİNDEKİLER. Ön Söz Polinomlar II. ve III. Dereceden Denklemler Parabol II. Dereceden Eşitsizlikler... İÇİNDEKİLER Ö Söz... Poliomlar... II. ve III. Derecede Deklemler... Parabol... 9 II. Derecede Eşitsizlikler... 8 Trigoometri... 8 Logaritma... 59 Toplam ve Çarpım Sembolü... 7 Diziler... 79 Özel Taımlı

Detaylı

BÖLÜM 3 YER ÖLÇÜLERİ. Doç.Dr. Suat ŞAHİNLER

BÖLÜM 3 YER ÖLÇÜLERİ. Doç.Dr. Suat ŞAHİNLER BÖLÜM 3 YER ÖLÇÜLERİ İkici bölümde verileri frekas tablolarıı hazırlaması ve grafikleri çizilmesideki esas amaç; gözlemleri doğal olarak ait oldukları populasyo dağılışıı belirlemek ve dağılışı geel özelliklerii

Detaylı

BASAMAK ATLAYARAK VEYA FARKLI ZIPLAYARAK İLERLEME DURUMLARININ SAYISI

BASAMAK ATLAYARAK VEYA FARKLI ZIPLAYARAK İLERLEME DURUMLARININ SAYISI Projesii Kousu: Bir çekirgei metre, metre veya 3 metre zıplayarak uzuluğu verile bir yolu kaç farklı şekilde gidebileceği ya da bir kişii veya (veya 3) basamak atlayarak basamak sayısı verile bir merdivei

Detaylı

Tümevarım_toplam_Çarpım_Dizi_Seri. n c = nc i= 1 n ca i. k 1. i= r n. Σ sembolü ile bilinmesi gerekli bazı formüller : 1) k =1+ 2 + 3+...

Tümevarım_toplam_Çarpım_Dizi_Seri. n c = nc i= 1 n ca i. k 1. i= r n. Σ sembolü ile bilinmesi gerekli bazı formüller : 1) k =1+ 2 + 3+... MC formülüü doğruluğuu tümevarım ilkesi ile gösterelim. www.matematikclub.com, 00 Cebir Notları Gökha DEMĐR, gdemir@yahoo.com.tr Tümevarım_toplam_Çarpım_Dizi_Seri Tümevarım Metodu : Matematikte kulladığımız

Detaylı

Istatistik ( IKT 253) 3. Çal şma Sorular - Cevaplar 5. CHAPTER (DISCRETE PROBABIL- ITY DISTRIBUTIONS - SÜREKS IZ OLASI- LIK DA ¼GILIMLARI)

Istatistik ( IKT 253) 3. Çal şma Sorular - Cevaplar 5. CHAPTER (DISCRETE PROBABIL- ITY DISTRIBUTIONS - SÜREKS IZ OLASI- LIK DA ¼GILIMLARI) TOBB-ETÜ, Iktisat Bölümü Istatistik ( IKT 253) 3. Çal şma Sorular - Cevaplar 5. CHAPTER (DISCRETE PROBABIL- ITY DISTRIBUTIONS - SÜREKS IZ OLASI- LIK DA ¼GILIMLARI) 1 Soru 1 : Bir ma¼gazaya gelen herhangi

Detaylı

İşlenmemiş veri: Sayılabilen yada ölçülebilen niceliklerin gözlemler sonucu elde edildiği hali ile derlendiği bilgiler.

İşlenmemiş veri: Sayılabilen yada ölçülebilen niceliklerin gözlemler sonucu elde edildiği hali ile derlendiği bilgiler. OLASILIK VE İSTATİSTİK DERSLERİ ÖZET NOTLARI İstatistik: verileri toplaması, aalizi, suulması ve yorumlaması ile ilgili ilkeleri ve yötemleri içere ve bu işlemleri souçlarıı probabilite ilkelerie göre

Detaylı

İSTATİSTİK DERS NOTLARI

İSTATİSTİK DERS NOTLARI Balıkesir Üiversitesi İşaat Mühedisliği Bölümü umutokka@balikesir.edu.tr İSTATİSTİK DERS NOTLARI Yrd. Doç. Dr. Umut OKKAN idrolik Aabilim Dalı Balıkesir Üiversitesi İşaat Mühedisliği Bölümü Bölüm 5 Örekleme

Detaylı

POLİNOMLARDA İNDİRGENEBİLİRLİK. Derleyen Osman EKİZ Eskişehir Fatih Fen Lisesi 1. GİRİŞ

POLİNOMLARDA İNDİRGENEBİLİRLİK. Derleyen Osman EKİZ Eskişehir Fatih Fen Lisesi 1. GİRİŞ POLİNOMLARDA İNDİRGENEBİLİRLİK Derleye Osma EKİZ Eskişehir Fatih Fe Lisesi. GİRİŞ Poliomları idirgeebilmesi poliomları sıfırlarıı bulmada oldukça öemlidir. Şimdi poliomları idirgeebilmesi ile ilgili bazı

Detaylı

TOPOLOJİK TEMEL KAVRAMLAR

TOPOLOJİK TEMEL KAVRAMLAR TOPOLOJİK TEMEL KAVRAMLAR 1.1. Kümeler ve Foksiyolar A ı bir elemaıa B i yalız bir elemaıı eşleye bağıtıya bir foksiyo deir. f : A B, Domf = U A ve ragef B dir. Taım 1.1.1. f : A B foksiyou içi V A olsu.

Detaylı

Istatistik ( IKT 253) 5. Çal şma Sorular - Cevaplar 10. CHAPTER ( HYPOTHESIS TESTS OF A SINGLE POPULATION) 1 Ozan Eksi, TOBB-ETU

Istatistik ( IKT 253) 5. Çal şma Sorular - Cevaplar 10. CHAPTER ( HYPOTHESIS TESTS OF A SINGLE POPULATION) 1 Ozan Eksi, TOBB-ETU TOBB-ETÜ, Iktisat Bölümü Istatistik ( IKT 253) 5. Çal şma Sorular - Cevaplar 10. CHAPTER ( HYPOTHESIS TESTS OF A SINGLE POPULATION) 1 Soru 1 (Tests of the Mean of a Normal Distribution: Population Variance

Detaylı

İKİNCİ BÖLÜM REEL SAYI DİZİLERİ

İKİNCİ BÖLÜM REEL SAYI DİZİLERİ Prof.Dr.Hüseyi ÇAKALLI İKİNCİ BÖLÜM REEL SAYI DİZİLERİ Bu ölümde dizileri, yi tım kümesi doğl syılr kümesi, değer kümesi, reel syılr kümesii ir lt kümesi ol foksiyolrı iceleyeceğiz... Ykısk Diziler. Öce

Detaylı

TÜME VARIM Bu bölümde öce,kısaca tümevarım yötemii, sorada ÖYS de karşılamakta olduğumuz sembolüü ve sembolüü ele alacağız. A. TÜME VARIM YÖNTEMİ Tümevarım yötemii ifade etmede öce, öerme ve doğruluk kümesi

Detaylı

Üstel Dağılım Babam: - Şu ampullerin hangisinin ömrünün daha kısa olduğu hiç belli olmuyor. Bazen yeni alınanlar eskilerden daha önce yanıyor.

Üstel Dağılım Babam: - Şu ampullerin hangisinin ömrünün daha kısa olduğu hiç belli olmuyor. Bazen yeni alınanlar eskilerden daha önce yanıyor. Üsel Dağılım Babam: - Şu ampulleri hagisii ömrüü daha kısa olduğu hiç belli olmuyor. Baze yei alıalar eskilerde daha öce yaıyor. Hele şuradaki bildim bileli var. Evde yedek ampul yokke, gerekirse ou söküp

Detaylı

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ İSTATİSTİKSEL YAKINSAK ALT DİZİLER. Tuğba YURDAKADİM MATEMATİK ANABİLİM DALI

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ İSTATİSTİKSEL YAKINSAK ALT DİZİLER. Tuğba YURDAKADİM MATEMATİK ANABİLİM DALI ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ İSTATİSTİKSEL YAKINSAK ALT DİZİLER Tuğba YURDAKADİM MATEMATİK ANABİLİM DALI ANKARA 200 Her hakkı saklıdır ÖZET Yüksek Lisas Tezi ISTAT IST

Detaylı

ISBN - 978-605-5631-60-4 Sertifika No: 11748

ISBN - 978-605-5631-60-4 Sertifika No: 11748 ISBN - 978-605-563-60-4 Sertifia No: 748 GENEL KOORDİNATÖR: REMZİ ŞAHİN AKSANKUR REDAKTE: REMZİ ŞAHİN AKSANKUR SERDAR DEMİRCİ SABRİ ŞENTÜRK Basm Yeri: EVOS BASIM - ANKARA Bu itab tüm basm ve yay halar

Detaylı

Ki- kare Bağımsızlık Testi

Ki- kare Bağımsızlık Testi PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER Prof. Dr. Ali ŞEN Ki- kare Bağımsızlık Testi Daha öceki bölümlerde ölçümler arasıdaki ilişkileri asıl iceleeceğii gördük. Acak sıklıkla ilgileile veriler ölçüm

Detaylı

Đki Oyun Yaz Dnemi 22 Haziran 2011, Çarşamba Đst201 Đstatistik Teorisi Dersin konusu: Olasılık Hesabı

Đki Oyun Yaz Dnemi 22 Haziran 2011, Çarşamba Đst201 Đstatistik Teorisi Dersin konusu: Olasılık Hesabı Đki Oyu Yaz Demi 22 Hazira 20, Çarşamba Đst20 Đstatistik Teorisi Dersi kousu: Olasılık Hesabı - Çocuklar, Đstatistik Teorisi bir tarafa, istatistikçileri işi rasgelelik ortamıda hesap yapmaktır. Şöyle

Detaylı

İDEAL ÇARPIMLARI (IDEAL PRODUCTS)

İDEAL ÇARPIMLARI (IDEAL PRODUCTS) T.C. ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK BÖLÜMÜ (IDEAL PRODUCTS) 070216013 TUĞBA ÖZMEN 080216038 AYŞE MUTLU 080216064 SEVİLAY HOROZ Nil ehri, Düyaı e uzu ehridir (6.650

Detaylı

Hipotez Testleri. Parametrik Testler

Hipotez Testleri. Parametrik Testler Hipotez Testleri Parametrik Testler Hipotez Testide Adımlar Bir araştırma sorusuu belirlemesi Araştırma sorusua dayaa istatistiki hipotezleri oluşturulması (H 0 ve H A ) Hedef populasyoda öreklemi elde

Detaylı

n, 1 den büyük bir sayma sayısı olmak üzere,

n, 1 den büyük bir sayma sayısı olmak üzere, KÖKLÜ SAYILAR, de üyük ir sayma sayısı olmak üzere, x = α deklemii sağlaya x sayısıa α ı yici derecede kökü deir. x m = x m O halde tersi düşüülürse, ir üslü sayıı üssü kesirli ise, o sayı köklü sayı içimide

Detaylı

6.5 Basit Doğrusal Regresyonda Hipotez Testleri. 6.5.1 İçin Hipotez Testi: 1. Hipotez kurulur. 2. Test istatistiği hesaplanır.

6.5 Basit Doğrusal Regresyonda Hipotez Testleri. 6.5.1 İçin Hipotez Testi: 1. Hipotez kurulur. 2. Test istatistiği hesaplanır. 6.5 Basit Doğrusal Regresyonda Hipotez Testleri 6.5.1 İçin Hipotez Testi: 1. Hipotez kurulur. 2. Test istatistiği hesaplanır. olduğu biliniyor buna göre; hipotezinin doğruluğu altında test istatistiği

Detaylı

ILMO 2009. c www.sbelian.wordpress.com sbelianwordpress@gmail.com. İstanbul Liseler Arası Matematik Olimpiyatı (ILMO) sorularından bir

ILMO 2009. c www.sbelian.wordpress.com sbelianwordpress@gmail.com. İstanbul Liseler Arası Matematik Olimpiyatı (ILMO) sorularından bir İstabul L ıseler Arası Matemat ık Ol ımp ıyatı ILMO 9 Çözümler ı c www.sbelia.wordpress.com sbeliawordpress@gmail.com Her yıl KOÇ Üiversitesi Bi Topluluğu Öğreci Klübü tarafıda düzelee, İstabul Liseler

Detaylı

ISF404 SERMAYE PİYASALARI VE MENKUL KIYMETYÖNETİMİ

ISF404 SERMAYE PİYASALARI VE MENKUL KIYMETYÖNETİMİ 8. HAFTA ISF404 SERMAYE PİYASALARI VE MENKUL KIYMETYÖNETİMİ PORTFÖY YÖNETİMİ II Doç.Dr. Murat YILDIRIM muratyildirim@karabuk.edu.tr Geleeksel Portföy Yaklaşımı, Bu yaklaşıma göre portföy bir bilim değil,

Detaylı

Istatistik ( IKT 253) 4. Çal şma Sorular - Cevaplar 7. CHAPTER (DISTRIBUTION OF SAM- PLE STATISTICS) 1 Ozan Eksi, TOBB-ETU

Istatistik ( IKT 253) 4. Çal şma Sorular - Cevaplar 7. CHAPTER (DISTRIBUTION OF SAM- PLE STATISTICS) 1 Ozan Eksi, TOBB-ETU TOBB-ETÜ, Iktisat Bölümü Istatistik ( IKT 253) 4. Çal şma Sorular - Cevaplar 7. CHAPTER (DISTRIBUTION OF SAM- PLE STATISTICS) 1 Soru 1-(Sampling Distribution of Sample Means): Bir bölgedeki evlerin ortalama

Detaylı

A= {1,2,3}, B={1,3,5,7}kümeleri veriliyor. A dan B ye tanımlanan aşağıdaki bağıntılardan hangisi fonksiyon değildir?

A= {1,2,3}, B={1,3,5,7}kümeleri veriliyor. A dan B ye tanımlanan aşağıdaki bağıntılardan hangisi fonksiyon değildir? ÖRNEK 1 : A= {1,,}, B={1,,5,7}kümeleri veriliyor. A da B ye taımlaa aşağıdaki bağıtılarda hagisi foksiyo değildir? A) {(1,), (,5), (,7)} B) {(1,), (1,5), (,1)} C) {(1,1), (,1), (,1)} D) {(1,5), (,1), (,7)}

Detaylı

HİPOTEZ TESTLERİ. İstatistikte hipotez testleri, karar teorisi olarak adlandırılır. Ortaya atılan doğru veya yanlış iddialara hipotez denir.

HİPOTEZ TESTLERİ. İstatistikte hipotez testleri, karar teorisi olarak adlandırılır. Ortaya atılan doğru veya yanlış iddialara hipotez denir. HİPOTEZ TETLERİ İstatistikte hipotez testleri, karar teorisi olarak adladırılır. Ortaya atıla doğru veya yalış iddialara hipotez deir. Öreği para hilesizdir deildiğide bu bir hipotezdir. Ortaya atıla iddiaya

Detaylı

REGRESYON DENKLEMİNİN HESAPLANMASI Basit Doğrusal Regresyon Basit doğrusal regresyon modeli: .. + n gözlem için matris gösterimi,. olarak verilir.

REGRESYON DENKLEMİNİN HESAPLANMASI Basit Doğrusal Regresyon Basit doğrusal regresyon modeli: .. + n gözlem için matris gösterimi,. olarak verilir. 203-204 Bahar REGRESYON DENKLEMİNİN HESAPLANMASI Basit Doğrusal Regresyo Basit doğrusal regresyo modeli: y i = β 0 + β x i + ε i Modeli matris gösterimi, y i = [ x i ] β 0 β + ε i şeklidedir. x y 2 gözlem

Detaylı

Görüntü Stabilizasyonu İçin Paralel İşlev Gören İki Kalman Filtresiyle İşlem Gürültü Varyansının Adaptifleştirilmesi

Görüntü Stabilizasyonu İçin Paralel İşlev Gören İki Kalman Filtresiyle İşlem Gürültü Varyansının Adaptifleştirilmesi Görütü Stabilizasyou İçi Paralel İşlev Göre İki Kalma Filtresiyle İşlem Gürültü Varyasıı Adaptifleştirilmesi Eylem Yama, Sarp Ertürk Kocaeli Üiversitesi Elektroik ve Haberleşme Müh. Bölümü eylem@kou.edu.tr,

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

POLİNOMLAR. reel sayılar ve n doğal sayı olmak üzere. n n. + polinomu kısaca ( ) 2 3 n. ifadeleri polinomun terimleri,

POLİNOMLAR. reel sayılar ve n doğal sayı olmak üzere. n n. + polinomu kısaca ( ) 2 3 n. ifadeleri polinomun terimleri, POLİNOMLAR Taım : a0, a, a,..., a, a reel sayılar ve doğal sayı olmak üzere P x = a x + a x +... + a x + a x + a biçimideki ifadelere x e bağlı reel katsayılı poliom (çok terimli) deir. 0 a 0 ax + a x

Detaylı

MATEMAT K PERMÜTASYON - KOMB NASYON ÖRNEK 1: ÖRNEK 2:

MATEMAT K PERMÜTASYON - KOMB NASYON ÖRNEK 1: ÖRNEK 2: MATEMAT K PERMÜTASYON - KOMB NASYON ÖRNEK : ÖRNEK 2:, 6, 7, 8, 9 rakamlar kullaarak rakamlar birbiride farkl ola, üç basamakl ve 780 de küçük kaç de iflik say yaz labilir? A) 6 B) 2 C) 36 D) 30 E) 2 (999

Detaylı

Venn Şeması ile Alt Kümeleri Saymak

Venn Şeması ile Alt Kümeleri Saymak Ve Şeması ile lt Kümeleri Saymak Osma Ekiz Bu çalışmada verile bir kümei çeşitli özellikleri sağlaya alt küme veya alt kümlerii ve şeması yardımıyla saymaya çalışacağız. Temel presibimiz aradığımız alt

Detaylı

Bölüm 5 Olasılık ve Olasılık Dağılışları. Doç.Dr. Suat ŞAHİNLER

Bölüm 5 Olasılık ve Olasılık Dağılışları. Doç.Dr. Suat ŞAHİNLER Bölüm 5 Olasılık ve Olasılık Dağılışlaı Doç.D. Suat ŞAHİNLE Olasılık ve Olasılık Dağılışlaı Olasılık: Eşit saşla meydaa gele tae olayda A taesi A olayı olsu. Bu duumda A olayıı meydaa gelme olasılığı;

Detaylı

Öğrenci Numarası İmzası: Not Adı ve Soyadı

Öğrenci Numarası İmzası: Not Adı ve Soyadı Öğreci Numarası İmzası: Not Adı ve Soyadı SORU 1. a) Ekoomii taımıı yapıız, amaçlarıı yazıız. Tam istihdam ile ekoomik büyüme arasıdaki ilişkiyi açıklayıız. b) Arz-talep kauu edir? Arz ve talep asıl artar

Detaylı

2013 BİRİNCİ SEVİYE AKTÜERLİK SINAVLARI MATEMATİK

2013 BİRİNCİ SEVİYE AKTÜERLİK SINAVLARI MATEMATİK 03 BİRİNCİ SEVİYE AKTÜERLİK SINAVLARI MATEMATİK A SORU : lim x 8x 9 (x 3) x ifadsii dğri aşağıdaki sçklrd hagisid vrilmiştir? 0 5 7 SORU : cosax x f x foksiyouu x=0 oktasıda sürkli olması içi f(0) ı dğri

Detaylı

NÜMER IK ANAL IZ. Nuri ÖZALP L INEER OLMAYAN DENKLEMLER IN ÇÖZÜMÜ 1 / Bilimsel Hesaplama Matemati¼gi

NÜMER IK ANAL IZ. Nuri ÖZALP L INEER OLMAYAN DENKLEMLER IN ÇÖZÜMÜ 1 / Bilimsel Hesaplama Matemati¼gi NÜMER IK ANAL IZ Bilimsel Hesaplama Matemati¼gi Nuri ÖZALP L INEER OLMAYAN DENKLEMLER IN ÇÖZÜMÜ L INEER OLMAYAN DENKLEMLER IN ÇÖZÜMÜ 1 / 1 Denklemlerin Köklerini Bulma Giriş Denklemlerin Köklerini Bulma

Detaylı

BEKLENEN DEĞER. 6. Ders. Tanım: X, bir rasgele değişken ve g : R R, B B R için x : g x B B R özelliğine sahip bir fonksiyon olmak üzere:

BEKLENEN DEĞER. 6. Ders. Tanım: X, bir rasgele değişken ve g : R R, B B R için x : g x B B R özelliğine sahip bir fonksiyon olmak üzere: 6. Ders BEKLENEN DEĞER Taım: X, bir rasgele değişke ve g : R R, B BR içi x : gx B BR özelliğie sahip bir foksiyo olmak üzere: i) X kesikli ve ii) X sürekli ve gx fx olduğuda, x EgX gxfx gx fxdx olduğuda,

Detaylı

BAĞINTI VE FONKSİYON

BAĞINTI VE FONKSİYON BAĞINTI VE FONKSİYON SIRALI N-Lİ x, x, x,..., x tae elema olsu. ( x, x, x,..., x ) yazılışıda elemaları sırası öemli ise x, x, x,..., x ) e sıralı -li deir. x, x, x,..., x ) de ( x (, x, x ( x, ) sıralı

Detaylı

5 İKİNCİ MERTEBEDEN LİNEER DİF. DENKLEMLERİN SERİ ÇÖZÜMLERİ

5 İKİNCİ MERTEBEDEN LİNEER DİF. DENKLEMLERİN SERİ ÇÖZÜMLERİ 5 İKİNCİ MERTEBEDEN LİNEER DİF. DENKLEMLERİN SERİ ÇÖZÜMLERİ Bir lieer deklemi geel çözümüü bulmak homoje kısmı temel çözümlerii belirlemesie bağlıdır. Sabit katsayılı diferasiyel deklemleri temel çözümlerii

Detaylı

1.3. Normal Uzaylar. Bu bölümde; regülerlikten daha kuvvetli bir ay rma aksiyomu tan mlanarak. baz temel özellikleri incelenecektir.

1.3. Normal Uzaylar. Bu bölümde; regülerlikten daha kuvvetli bir ay rma aksiyomu tan mlanarak. baz temel özellikleri incelenecektir. 1.3. Normal Uzaylar Bu bölümde; regülerlikten daha kuvvetli bir ay rma aksiyomu tan mlanarak baz temel özellikleri incelenecektir. Tan m 1.3.1. (X; ) bir Hausdor uzay olsun. E¼ger, 8F; K 2 F; F \ K = ;

Detaylı

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LISANS TEZİ MARKOV ZİNCİRLERİNDE BOOTSTRAP. Serhat DUMAN İSTATİSTİK ANABİLİM DALI ANKARA 2006

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LISANS TEZİ MARKOV ZİNCİRLERİNDE BOOTSTRAP. Serhat DUMAN İSTATİSTİK ANABİLİM DALI ANKARA 2006 ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LISANS TEZİ MARKOV ZİNCİRLERİNDE BOOTSTRAP Serhat DUMAN İSTATİSTİK ANABİLİM DALI ANKARA 26 Her hakkı saklıdır Yrd. Doç. Dr. İhsa KARABULUT u daışmalığıda,

Detaylı

İçindekiler. Ön Söz... xiii

İçindekiler. Ön Söz... xiii İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1

Detaylı

Örnek 2.1 YÖNEYLEM ARAŞTIRMASI III. Markov Süreçleri Ders 7. Koşulsuz Durum Olasılıkları. Örnek 2.1

Örnek 2.1 YÖNEYLEM ARAŞTIRMASI III. Markov Süreçleri Ders 7. Koşulsuz Durum Olasılıkları. Örnek 2.1 Örek.1 YÖNEYLEM ARAŞTIRMASI III Markov Süreçleri Ders 7 Yrd. Doç. Dr. Beyazıt Ocakta Web site: ocakta.bau.edu.tr E-mail: bocakta@gmail.com Reault marka otomobil sahilerii bir soraki otomobillerii de Reault

Detaylı

Problem 1. Problem 2. Problem 3. Problem 4. PURPLE COMET MATEMATİK BULUŞMASI Nisan 2010 LİSE - PROBLEMLERİ

Problem 1. Problem 2. Problem 3. Problem 4. PURPLE COMET MATEMATİK BULUŞMASI Nisan 2010 LİSE - PROBLEMLERİ PURPLE COMET MATEMATİK BULUŞMASI Nisa 2010 LİSE - PROBLEMLERİ c Copyright Titu Adreescu ad Joatha Kae Çeviri. Sibel Kılıçarsla Casu ve Fatih Kürşat Casu Problem 1 m ve aralarıda asal pozitif tam sayılar

Detaylı

19.11.2013 EME 3105 SİSTEM SİMÜLASYONU. Sürekli Dağılımlar (2) Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar.

19.11.2013 EME 3105 SİSTEM SİMÜLASYONU. Sürekli Dağılımlar (2) Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar. 9..03 EME 305 SİSTEM SİMÜLASYONU Simulasyonda İstatistiksel Modeller-II Ders 5 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar Sürekli Düzgün (Uniform) Dağılım Normal Dağılım Üstel (Exponential)

Detaylı

Bölüm 5: Hareket Kanunları

Bölüm 5: Hareket Kanunları Bölüm 5: Hareket Kauları Kavrama Soruları 1- Bir cismi kütlesi ile ağırlığı ayımıdır? 2- Ne zama bir cismi kütlesi sayısal değerce ağırlığıa eşit olur? 3- Eşit kollu terazi kütleyi mi yoksa ağırlığı mı

Detaylı

PAMUKKALE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BAZI ÜÇGENSEL MATRİS METODLARININ MUTLAK YAKINSAKLIK ALANLARI VE TAUBERIAN TEOREMLERİ ÜZERİNE

PAMUKKALE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BAZI ÜÇGENSEL MATRİS METODLARININ MUTLAK YAKINSAKLIK ALANLARI VE TAUBERIAN TEOREMLERİ ÜZERİNE AMUKKALE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BAZI ÜÇGENSEL MATRİS METODLARININ MUTLAK YAKINSAKLIK ALANLARI VE TAUBERIAN TEOREMLERİ ÜZERİNE YÜKSEK LİSANS TEZİ Güllü Caa HAZAR Aabilim Dalı : Matematik Tez

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

Çıkarsama, Tahmin, Hipotez Testi

Çıkarsama, Tahmin, Hipotez Testi İSTATİSTİK II: Çıkarsama, Tahmin, Hipotez Testi Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü 23 Eylül 2012 Ekonometri: İstatistiksel Çıkarsama - H. Taştan 1 İstatistik Biliminin Uğraşı

Detaylı

ORTALAMA EŞĐTSĐZLĐKLERĐNE GĐRĐŞ

ORTALAMA EŞĐTSĐZLĐKLERĐNE GĐRĐŞ ORTALAMA EŞĐTSĐZLĐKLERĐNE GĐRĐŞ Lokma Gökçe Olimpiyat problemlerii çözümüde eşitsizlik teorisi öemli bir yer tutar. Baze bir maksimum miimum değer problemide, baze bir geometrik eşitsizlik kaıtıda, baze

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

Akademik Personel ve Lisansüstü Eğitimi Giriş Sınavı. ALES / Đlkbahar / Sayısal II / 22 Nisan 2007. Matematik Soruları ve Çözümleri

Akademik Personel ve Lisansüstü Eğitimi Giriş Sınavı. ALES / Đlkbahar / Sayısal II / 22 Nisan 2007. Matematik Soruları ve Çözümleri Akademik Personel ve Lisansüstü Eğitimi Giriş Sınavı ALES / Đlkbahar / Sayısal II / Nisan 007 Matematik Soruları ve Çözümleri 1. 3,15 sayısının aşağıdaki sayılardan hangisiyle çarpımının sonucu bir tam

Detaylı

ALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI

ALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI µ µ içi Güve Aralığı ALTERNATİF İTEMLERİN KARŞILAŞTIRILMAI Bezetimi e öemli faydalarıda birisi, uygulamaya koymada öce alteratifleri karşılaştırmaı mümkü olmasıdır. Alteratifler; Fabrika yerleşim tasarımları

Detaylı

ALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI

ALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI ALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI Bezetimi e öemli faydalarıda birisi, uygulamaya koymada öce alteratifleri karşılaştırmaı mümkü olmasıdır. Alteratifler; Fabrika yerleşim tasarımları Alteratif üretim

Detaylı

Ölçme Hataları, Hata Hesapları. Ölçme Hataları, Hata Hesapları 2/22/2010. Ölçme... Ölçme... Yrd. Doç. Dr. Elif SERTEL sertele@itu.edu.

Ölçme Hataları, Hata Hesapları. Ölçme Hataları, Hata Hesapları 2/22/2010. Ölçme... Ölçme... Yrd. Doç. Dr. Elif SERTEL sertele@itu.edu. //00 Ölçme Hataları, Hata Hesapları Ölçme Hataları, Hata Hesapları Yrd. Doç. Dr. Elif SERTEL sertele@itu.edu.tr Suu, Doç. Dr. Hade Demirel i ders otlarıda ve Ölçme Bilgisi kitabıda düzelemiştir. Ölçme...

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

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık Ders 3: MERKEZİ EĞİLİM VE DAĞILMA ÖLÇÜLERİ Prof. Dr. İrfa KAYMAZ Taım Araştırma souçlarıı açıklamasıda frekas tablosu ve poligou isteile bilgiyi her zama sağlamayabilir. Verileri

Detaylı

( 1) ( ) işleminde etkisiz eleman e, tersi olmayan eleman t ise te kaçtır? a) 4/3 b) 3/4 c) -3 d) 4 e) Hiçbiri

( 1) ( ) işleminde etkisiz eleman e, tersi olmayan eleman t ise te kaçtır? a) 4/3 b) 3/4 c) -3 d) 4 e) Hiçbiri V MERSİN MATEMATİK OLİMPİYATI (ÜNV ÖĞR) I AŞAMA SINAV SORULARI ( Nisa 8) de ye taımlı, birebir ve örte f ve g foksiyoları her bir içi koşuluu sağlası g( a ) = ve f ( ) ( ) ( ) f = g a 4 = a ise a sayısı

Detaylı

CHAPTER 8: CONFIDENCE INTERVAL ESTIMATION: ONE POPULATION

CHAPTER 8: CONFIDENCE INTERVAL ESTIMATION: ONE POPULATION CHAPTER 8: CONFIDENCE INTERVAL ESTIMATION: ONE POPULATION A point estimator of a population parameter is a function of the sample information that yields a single number An interval estimator of a population

Detaylı

6. Ders. Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM)

6. Ders. Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM) 6. Ders Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM) Y = X β + ε Lineer Modeli pek çok özel hallere sahiptir. Bunlar, ε nun dağılımına (bağımlı değişkenin dağılımına), Cov( ε ) kovaryans

Detaylı

İSTATİSTİKSEL TAHMİNLEME VE HİPOTEZ TESTİ

İSTATİSTİKSEL TAHMİNLEME VE HİPOTEZ TESTİ İSTATİSTİKSEL TAHMİNLEME VE HİPOTEZ TESTİ Bu bölümdeki yötemler, bilimeye POPULASYON PARAMETRE değeri hakkıda; TAHMİN yapmaya yöelik ve, KARAR vermekle ilgili, olmak üzere iki grupta icelemektedir. Parametre

Detaylı

Bu yaz girifle gereksinmiyor. Do rudan, kan tlayaca m z

Bu yaz girifle gereksinmiyor. Do rudan, kan tlayaca m z Yoksulun fians Bu yaz girifle gereksinmiyor. Do rudan, kan tlayaca m z sonuca geçelim: Teorem. Yoksulun zengine karfl flans yoktur. Bu çok bilinen teorem i kan tlayabilmek için her fleyden önce önermeyi

Detaylı

Bileşik faiz hesaplamalarında kullanılan semboller basit faizdeki ile aynıdır. Temel formüller ise şöyledir:

Bileşik faiz hesaplamalarında kullanılan semboller basit faizdeki ile aynıdır. Temel formüller ise şöyledir: 1 BİLEŞİK FAİZ: Basit faiz hesabı kısa vadeli(1 yılda az) kredi işlemleride uygulaa bir metot idi. Ayrıca basit faiz metoduda her döem içi aapara sabit kalmakta olup o döem elde edile faiz tutarı bir soraki

Detaylı

İleri Diferansiyel Denklemler

İleri Diferansiyel Denklemler MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferasiyel Deklemler 2009 Bahar Bu bilgilere atıfta bulumak veya kullaım koşulları hakkıda bilgi içi http://ocw.mit.edu/terms web sitesii ziyaret ediiz.

Detaylı

İstanbul Göztepe Bölgesinin Makine Öğrenmesi Yöntemi ile Rüzgâr Hızının Tahmin Edilmesi

İstanbul Göztepe Bölgesinin Makine Öğrenmesi Yöntemi ile Rüzgâr Hızının Tahmin Edilmesi Makie Tekolojileri Elektroik Dergisi Cilt: 8, No: 4, 011 (75-80) Electroic Joural of Machie Techologies Vol: 8, No: 4, 011 (75-80) TEKNOLOJİK ARAŞTIRMALAR www.tekolojikarastirmalar.com e-issn:1304-4141

Detaylı

2. Topolojik Uzaylarda Ba¼glant l l k Ba¼glant l Topolojik Uzaylar. Tan m (X; ) topolojik uzay n n her biri boş kümeden farkl olan ayr k

2. Topolojik Uzaylarda Ba¼glant l l k Ba¼glant l Topolojik Uzaylar. Tan m (X; ) topolojik uzay n n her biri boş kümeden farkl olan ayr k 2. Topolojik Uzaylarda Ba¼glant l l k 2.1. Ba¼glant l Topolojik Uzaylar Tan m 2.1.1. (X; ) topolojik uzay n n her biri boş kümeden farkl olan ayr k iki aç ktan oluşan bir örtüsü yok ise, (X; ) topolojik

Detaylı

SBE 601 ARAŞTIRMA YÖNTEMLERİ, ARAŞTIRMA VE YAYIN ETİĞİ

SBE 601 ARAŞTIRMA YÖNTEMLERİ, ARAŞTIRMA VE YAYIN ETİĞİ SBE 601 ARAŞTIRMA YÖNTEMLERİ, ARAŞTIRMA VE YAYIN ETİĞİ ÖRNEKLEM BÜYÜKLÜĞÜNÜN SAPTANMASI ÖRNEKLEME YÖNTEMLERİ Prof. Dr. Ergu Karaağaoğlu H.Ü. Tıp Fakültesi Biyoistatistik ABD ÖRNEKLEM BÜYÜKLÜĞÜNÜN SAPTANMASI

Detaylı

Tahmin Edicilerin ve Test Đstatistiklerinin Simülasyon ile Karşılaştırılması

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

Detaylı

H.L.Royde Real Aalysis çeviri ve düzeleme Prof.Dr.Hüseyi Çakallı Kısım Bir Reel Değişkeli Foksiyolar Teorisi Prof.Dr.Hüseyi Çakallı 3 H.L.Royde Real Aalysis çeviri ve düzeleme Prof.Dr.Hüseyi Çakallı Reel

Detaylı

TALEP TAHMİNLERİ. Y.Doç.Dr. Alpagut YAVUZ

TALEP TAHMİNLERİ. Y.Doç.Dr. Alpagut YAVUZ TALEP TAHMİNLERİ Y.Doç.Dr. Alpagut YAVUZ Yöetm e temel foksyolarıda br ola plalama, e kaba taımıyla, şletme geleceğe yöelk alıa kararları br bleşkesdr. Geleceğe yöelk alıa kararları başarısı yöetcler yaptıkları

Detaylı

TÜMEVARIM. kavrayabilmek için sonsuz domino örneği iyi bir modeldir. ( ) domino taşını devirmek gibidir. P ( k ) Önermesinin doğru olması halinde ( 1)

TÜMEVARIM. kavrayabilmek için sonsuz domino örneği iyi bir modeldir. ( ) domino taşını devirmek gibidir. P ( k ) Önermesinin doğru olması halinde ( 1) TÜMEVARIM Matematite ulladığımız teoremleri ispatlamasıda pe ço ispat yötemi vardır. Özellile doğal sayılar ve birço ouda ispatlar yapare tümevarım yötemii sıça ullaırız. Tümevarım yötemii P Öermesii doğruluğuu

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık Ders 3: MERKEZİ EĞİLİM VE DAĞILMA ÖLÇÜLERİ Prof. Dr. İrfa KAYMAZ Taım Araştırma souçlarıı açıklamasıda frekas tablosu ve poligou isteile bilgiyi her zama sağlamayabilir. Verileri

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

1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz...

1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz... 1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz... CABİR VURAL BAHAR 2006 Açıklamalar

Detaylı

FONKS IYONEL ANAL IZE G IR IŞ I Aras nav Sorular

FONKS IYONEL ANAL IZE G IR IŞ I Aras nav Sorular Ad ve Soyad : Numaras : FONKS IYONEL ANAL IZE G IR IŞ I Aras nav Sorular 30.11.2007 1. Aşa¼g daki ifadelerin do¼gru olup olmad klar n nedenlerini aç klayarak yaz n z. (a) (X; kk) bir normlu uzay ve M bunun

Detaylı

İstatistik Nedir? Sistem-Model Kavramı

İstatistik Nedir? Sistem-Model Kavramı İstatistik Nedir? İstatistik rasgelelik içere olaylar, süreçler, sistemler hakkıda modeller kurmada, gözlemlere dayaarak bu modelleri geçerliğii sıamada ve bu modellerde souç çıkarmada gerekli bazı bilgi

Detaylı

Mühendislik Fakültesi Endüstri Mühendisliği Bölümü. Doç. Dr. Nil ARAS ENM411 Tesis Planlaması Güz Dönemi

Mühendislik Fakültesi Endüstri Mühendisliği Bölümü. Doç. Dr. Nil ARAS ENM411 Tesis Planlaması Güz Dönemi Mühedislik Fakültesi Edüstri Mühedisliği Bölümü Doç. Dr. Nil ARAS ENM4 Tesis Plalaması 6-7 Güz Döemi 3 Sisteme ekleecek tesis sayısı birde fazladır. Yei tesisler birbirleri ile etkileşim halide olabilirler

Detaylı

(z z 0 ) n. n=1. Z f (z) dz = 2ib 1

(z z 0 ) n. n=1. Z f (z) dz = 2ib 1 0 RE IDÜ TEOR IS I Tan m. f fonksiyonu z 0 noktas nda ayr k singülerli¼ge sahip olsun. Bu durumda f fonksiyonu 0 < jz z 0 j < " bölgesinde X X f(z) = a n (z z 0 ) n b n + (z z 0 ) n Laurent seri aç l m

Detaylı

ÖRNEKLEME YÖNTEMLERİ ve ÖRNEKLEM GENİŞLİĞİ

ÖRNEKLEME YÖNTEMLERİ ve ÖRNEKLEM GENİŞLİĞİ 03.05.013 ÖRNEKLEME YÖNTEMLERİ ve ÖRNEKLEM GENİŞLİĞİ 1 Nede Örekleme? Öreklemde çalışmak ktlede çalışmakta daha kolaydır. Ktle üzerde çalışmak çok daha masraflı olablr. Çoğu durumda tüm ktleye ulaşmak

Detaylı

SÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım

SÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım SÜREKLİ ŞANS DEĞİŞKENLERİ Üstel Dağılım Normal Dağılım 1 Üstel Dağılım Meydana gelen iki olay arasındaki geçen süre veya bir başka ifadeyle ilgilenilen olayın ilk defa ortaya çıkması için geçen sürenin

Detaylı

DÖNEM I BİYOİSTATİSTİK, HALK SAĞLIĞI VE RUH SAĞLIĞI DERS KURULU Ders Kurulu Başkanı : Yrd.Doç.Dr. İsmail YILDIZ

DÖNEM I BİYOİSTATİSTİK, HALK SAĞLIĞI VE RUH SAĞLIĞI DERS KURULU Ders Kurulu Başkanı : Yrd.Doç.Dr. İsmail YILDIZ DÖNEM I BİYOİSTATİSTİK, HALK SAĞLIĞI VE RUH SAĞLIĞI DERS KURULU Ders Kurulu Başkaı : Yrd.Doç.Dr. İsmail YILDIZ ARAŞTIRMADA PLANLAMA VE ÇÖZÜMLEME (03-09 Ocak 014 Y.ÇELİK) Araştırma Süreci (The research

Detaylı

Permütasyon Kombinasyon Binom Aç l m. Olas l k ve statistik. Karmafl k Say lar

Permütasyon Kombinasyon Binom Aç l m. Olas l k ve statistik. Karmafl k Say lar 0 0 0 Gerçek Say lar Kümesii Geiflletme Gere i Kümesi Aalitik Düzlemde Gösterilmesi Efllei i Modülü da fllemler ki Karmafl k Say Aras daki Uzakl k Karmafl k Say Geometrik Yeri Kutupsal Gösterimi Karmafl

Detaylı

32. Kardinal Say lar, Tan m ve lk Özellikler

32. Kardinal Say lar, Tan m ve lk Özellikler 32. Kardial Say lar, Ta ve l Özelliler Her üei iyis ralaabilece ii a tla flt (Teore 24.1). Özel iyis ral üeler ola ordialleri de Bölü 10 da ta la flt. Ordiallerde iyis ralaa iliflisiyle verilir, yai bir

Detaylı

http://acikogretimx.com

http://acikogretimx.com 09 S 0- İstatistik sorularının cevaplanmasında gerekli olabilecek tablolar ve ormüller bu kitapçığın sonunda verilmiştir.. şağıdakilerden hangisi istatistik birimi değildir? ) Doğum B) ile C) Traik kazası

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