POISSON REGRESYON ANALİZİ

Save this PDF as:
 WORD  PNG  TXT  JPG

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "POISSON REGRESYON ANALİZİ"

Transkript

1 İstabul Tcaret Üverstes Fe Blmler Dergs Yıl:4 Sayı:7 Bahar 005/ s POISSON REGRESYON ANALİZİ Özlem DENİZ * ÖZET Herhag br olayı belrlee br süreç çersde yaıla deemeler soucuda meydaa gelme sayısı, sayma verler olarak fade edleblr. Sayma ver modelde ble lk gelşmeler aktueryal blmler, byostatstk ve demografde gözlemştr. So yıllarda bu modeller ktsat, oltk blmler ve sosyolojde de sıkça kullaılmaya başlamıştır. Sayma ver modeller özel br regresyo türüdür. Bu modeller ekoometrcler çok fazla dkkat çekmş ve mkro ekoomde oldukça fazla kullaılmıştır. Bldğ gb, verler sürekl olduğu durumlarda doğrusal regresyo aalz kullaılablmektedr. Acak aalzlerde kullaılacak verler her zama sürekl halde bulumayablr. Bu gb durumlarda ya; verler keskl olması durumuda da doğrusal regresyo modeller kullaılarak yaılacak aalzler etksz, tutarsız ve çelşkl souçlar verecektr. Bu sebete dolayı keskl verler ç tüm koşullar sağladığıda kulaılablecek e etk model Posso regresyo modellerdr. Aahtar Kelmeler: Posso Regresyo, Yaay E Çok Olablrlk Kestrm, Artık Aalz POISSON REGRESSION ANALYSIS ABSTRACT The occurace umber (frequecy) of a evet tested a determed rogress s called coutg data. The frst mrovemets coutg data model were see actuaral sceces, bostatstcs ad demograhy. Coutg data models are a secfc kd of regresso. As we all kow, lear regresso ca be used where the data s cotuous. However the data ca ot always be cotuous. I these crcumstaces where the data s dscotuous, the alcato of lear regresso leads us to effectve, cosstet ad cotradctory results. Therefore, whe all the codtos for dscotuous data are met, Posso regresso models are the most effectve model. Keywords: Posso Regresso, Artfcal Maxmum Lkelhood Predcto, Resdual Aalyss * İstabul Tcaret Üverstes, Fe Edebyat Fakültes, İstatstk Bölümü, 59

2 Özlem Dez. GİRİŞ Herhag br olayı belrlee br süreç çersde yaıla deemeler soucuda meydaa gelme sayısı, sayma verler olarak fade edleblr. Sayma ver modelde ble lk gelşmeler aktueryal blmler, byostatstk ve demografde gözlemştr. So yıllarda bu modeller ktsat, oltk blmler ve sosyolojde de sıkça kullaılmaya başlamıştır. Sayma ver modeller özel br regresyo türüdür. Bu modeller ekoometrcler çok fazla dkkat çekmş ve mkro ekoomde oldukça fazla kullaılmıştır. Sayma verler aalz ç lk sorula soru özel yötemler gerekllğ veya doğrusal regresyo model yeterl olu olmadığıdır. Sayma verlerde oluşa değşkeler ç sürekl ve doğrusal regresyo model uygulaableceğ düşüülür. Acak bu verlere doğrusal regresyo model uygulaması halde souçlar, etksz ve tutarsız olduğu gb çelşkl tahmler yaılablr. Sayma souçlarıı özellkler kes olarak vere brçok model vardır. Acak Posso regresyo brçok aalz başlagıç oktası olarak düşüülür. Posso regresyo model sayma verler ç e sık kullaıla ve e bast ola yötemdr. Bu model le sayımı olasılığı, Posso dağılımı le belrler. Bu model belrg özellğ, soucu koşullu ortalamasıı koşullu varyasıa eşt olmasıdır. Acak uygulamada baze koşullu varyas, koşullu ortalama değer aşablr. İşte bu tür durumlarda, egatf bom regresyo modeller kullaılır. Bu çalışmada, koşullu ortalamaı koşullu varyasa eşt olduğu durumda kullaıla Posso regresyo aalz, teork olarak açıklamaya çalışılmıştır.. POISSON REGRESYON SÜRECİ Bağımlı değşke 0,,, 3,... gb keskl değer aldığı fakat kategork olmadığı durumlar vardır. Bu tür değşkelere, doğalgaz boruları üzerde kazaları sayısı, verle atetler sayısı, yazlıklarda çıka yagıları sayısı gb örekler gösterleblr. Keskl ve kategork olmaya, adr olaylarla lşkl bağımlı değşkel model, bazı varsayımlar altıda Posso regresyo model olarak adladırılır. Posso regresyo model daha çok sayma verler aalz etmek ç kullaılmaktadır (Akı, 00). 60

3 İstabul Tcaret Üverstes Fe Blmler Dergs Bahar 005/ Posso regresyo modelde regresyo sürecdek geel kestrmler e çok olablrlk yötem le gerçekleştrlmektedr. Posso e çok olablrlk kestrm ç; ) Koşullu ortalamaı doğru taımlamasıda bağımlılık şartı sağlamalıdır. Ayrıca bağımlı değşke y Posso dağılması gerekldr. ) E çok olablrlk stadart hataları ve t statstkler kullaarak hesalaa statstksel souçlar, hem koşullu ortalama, hem varyası doğru taımlamasıı gerektrmektedr. Burada stee koşul, koşullu varyas ve ortalamaı eşt olmasıdır. 3) Verler ç koşullu varyas ve koşullu ortalamaı eşt olmaması durumuda, e çok olablrlk yötem uygulaması le elde edlmş statstksel souçlar, koşullu ortalamaı doğru taımladığıı sat edldğ durumlarda geçerl ve doğrudur. 4) Verler ç koşullu varyas ve ortalamaı eşt olmaması durumuda, Posso e çok olablrlk tahm edcsde daha etk tahm edcler kullaılablr... Posso Regresyo Sürecde Katsayıları Kestrm Posso regresyo sürecde bağımlı değşke y dağılımıa göre, βˆ kestrcler hesalama yötemler değşklk göstermektedr. E çok olablrlk kestrm yötem (MLE), doğrusal ve karesel varyas foksyoları le egatf bom, yaay e çok olablrlk (PMLE) ve geelleştrlmş doğrusal modeller, bu yötemlerde e çok ble ve e sık kullaılalarıdır.... Posso E Çok Olablrlk Kestrm Yötem x ye bağlı y ç Posso regresyo model; ( y x ) µ y µ e f =, y = 0,,,... () y! ve ortalama arametres; E y x = = ex( x β () [ ] ) µ şeklde gösterlr ve üstel ortalama foksyou olarak fade edlr. İstatstk lteratürüde bu foksyo ayrıca; log-doğrusal foksyo olarak da fade edlr. Çükü koşullu ortalamaı logartması, arametreler doğrusal olarak vermektedr.. l E [ y x ] = µ = x β (3) 6

4 Özlem Dez Bağımsız gözlemler ç, log-olablrlk foksyou; Bua bağlı olarak Posso MLE fadesde buluur. ( ) = { y x β ex( x β ) l y! } l L β (4) = βˆ değer; ( y ( x ) = ex β x = 0 (5) βˆ değer hesalamasıda kullaıla stadart yötem, Fsher terasyo yötemdr. Uygulamada geellkle 0 veya daha az terasyo yamak yeterl olmaktadır. Verle blgler uygulaa modeller doğrultusuda katsayıları kestrm ç; ve varyas değer ç; souçlarıa ulaşılır. a [ β, V [ ˆ β ] ML ˆ β ~ N (6) [ ˆ ] V ML β = µ x x (7) =... Yaay E Çok Olablrlk Kestrcs Bağımlı değşke y Posso dağılıma uyguluk göstermemes durumuda ble, Posso regresyo yardımıyla hesalamış βˆ ler kullaılablr. Bu amaçla yaay e çok olablrlk kestrcs olarak adladırıla kestrcler kullaılır. Bu termoloj, Posso modeldek Posso e çok olablrlk kestrcs, brc derecede koşul taımıyla elde edlmes gereke kestrc yere kullaılması alamıa gelr. Ama bu kestrc, Posso e çok olablrlk kestrcsdek gb, Posso dağılımıa uyguluk göstermes gerektrmez. Bu açıklamalara bağlı olarak, Posso ç yaay e çok olablrlk kestrcs varyası, βˆ ; 6

5 İstabul Tcaret Üverstes Fe Blmler Dergs Bahar 005/ olarak fade edldğ; şeklde dağılır. ( ˆ ) = µ x x w x x = = = V PML β µ x x (8) [ β, ( ˆ β )] ˆ β ~ N (9) ω değer, V PML y ç koşullu varyas değer olduğu blmektedr...3. Geelleştrlmş Doğrusal Modeller Kestrm Yötem E y x = = ex( x β ortalama foksyoua sah Posso ç, bu model [ ] ) µ kaok bağ foksyou ola Posso yoğuluk foksyou; x ( ) ( ) βy ex x β f y x = ex + c( y, φ ) (0) φ şeklde taımlaır. Bu modelde c ( y,φ ), ormalleştrme katsayısıdır. φ değer doğrusal varyas foksyou le egatf bom dağılımı yardımıyla hesalamış ola V = φµ foksyouda hesalamaktadır. [ y ] Geelleştrlmş doğrusal modeller yardımıyla hesalaa Posso kestrcs brc derecede koşullar le; ( y ex( x β ) x = 0 φ = deklemde hesalamaktadır (Camero ve Trved, 998). βˆ GLM,.. Regresyo Souçlarıı Kullaılması Br öcek bölümde kullaıla yötemler yardımıyla hesalaa katsayılar doğru br şeklde yorumlamadığı sürece model ç hçbr alam fade etmemektedr. Ayrıca hesalaa bu değerler yardımı le bağımlı değşke y değerler ç de kestrmler yaılmalıdır. Bu bölümde regresyo katsayılarıı yorumlaması ve bağımlı değşke kestrm koularıa değlecektr.... Katsayıları Yorumlaması Regresyo katsayılarıı yorumlaması, regresyo sürecdek öeml koularda brdr. Öreğ; 0, olmasıı e alama geldğ açıklaması βˆ j gerekmektedr. Doğrusal regresyo modelde beklee değer; [ ] β () E y x = x şeklde 63

6 Özlem Dez hesalamaktaydı. Bu fadedek β değer yalız bırakılır ve E[ y x] x j = β j şlem gerçekleştrlrse; ˆ β j = 0, ç, j c bağımsız değşkedek brmlk değşm, koşullu ortalamayı 0, brm artırmaktadır yorumu yaılır. Acak Posso regresyo model üstel br yaı taşıdığı ç katsayıları yorumlaması bu kadar kolay olmayacaktır. Üstel koşullu ortalama; [ y x] ex( x β ) E = () şeklde gösterlmekteyd. x j değer ç j c bağımsız değşke olduğu düşüülsü. Bezer şlemler tekrarlaması soucuda; E [ y x] x j = β ex x soucua ulaşılır. Öreğ, eğer ˆ = 0, j j ( β ) β ve ex ( ) β =, 5 (3) x ˆ se; j c bağımsız değşkedek br brmlk değşm, y bağımlı değşkede 0,5 brmlk artışa ede olacağı, eştlkte hesalaablmektedr (McCullagh ve Nelder, 983).... Kestrlmş Değer Hesalaması Gözlem değerlerde oluşa x bağımsız değşke tahm değer de = E [ y x = ] µ olarak gösterls. x x, koşullu ortalamaı Taımlaa fadeler doğrultusuda üstel koşullu ortalama foksyou ç, ortalamaı tahm; şeklde hesalaır. Bu değer %95 güve aralığı ç; ( β ) ˆ µ = ex ˆ (4) x [ β ] x µ ˆ µ µ z ˆ µ x V ˆ (5) 0,5 64

7 İstabul Tcaret Üverstes Fe Blmler Dergs Bahar 005/ aralığıda yer almaktadır. βˆ kestrcs; ˆ β ~ [ β, V [ ˆ β ] N olduğu blmektedr. Daha dar güve aralıklarıda β ç daha kes tahmler yaılablmektedr. Bağımlı değşke y ç, ortalamaı tahm yere gerçek değer tahm steleblr. Gözlemler x = x olarak taıtıldığıda, üstel koşullu ortalama formülü olarak hesalaa tahmler; y ˆ = ex βˆ (6) eştlğde elde edlr. x ( ) Posso model ç varyas foksyou dkkate alıırsa, ( µ, ˆ α ) ω ˆ olarak fade edlr. Bu durumda y ç; y y ( ˆ µ, ˆ α ) + ˆ µ x V [ ˆ β ] x kestrle varyası yˆ ± z ω (7) aralığıda olduğu söyleeblr (a.g.e., Camero ve Trverd, 998)..3. Artıkları Aalz Artıklar, bağımlı değşke ç gerçek değerler le kestrlmş değerler arasıdak farka eşttr. Artıklar uç değerler belrlemede, zayıf uyum göstere gözlemler kestreblmekte, etk gözlemler test etmede ve etk gözlemler seçeblmede kullaılablrler. Doğrusal modellerde artıklar, gerçek ve kestrle değerler arasıdak fark olarak fade edlmektedr. Acak doğrusal olmaya modeller ç artık taımı br tae değldr. Posso ve dğer geelleştrlmş doğrusal modeller ç artıklar farklı yollarla ve farklı adlarla hesalaır. Geel alamda artıklar ( ) r = µˆ (8) y olarak fade edlr. Burada uyum ortalaması ˆ µ µ ( x β ) = ı koşullu ortalamasıdır. Normal dağılımlı klask doğrusal regresyo modelde homoskedastk hata y µ ~ N 0, σ olarak taımlaır. Böylece geş öreklerde artıklar sabt varyas ( ) [ ] le 0 etrafıda smetrk olarak dağılırlar. Sayma verler ç se ( ) µ y, heteroskedastk ve asmetrktr. Böylece geş örekler ç hata termler heteroskedastk ve asmetrk olduğu söyleeblr. 65

8 Özlem Dez Sayma verler ç sıfır ortalama, sabt varyas ve smetrk dağılıma sah br artık yoktur. Yaıla düzelemeler soucuda heteroskedaste roblemde kurtarılmış artıklar Pearso artıklar olarak adladırılır ve P ( y ˆ µ ) = (9) ˆ ω şeklde hesalaır. ωˆ ; bağımlı değşke ω varyasıı kestrmdr. Bu artıkları kareler tolamı Pearso statstklerde kullaılır. Posso modellerde ω = µ, geelleştrlmş doğrusal modellerde ω = αµ ve karesel varyas foksyoua sah egatf bom modellerde ω = µ + αµ olarak hesalaır. Pearso artık değerler 0 ortalama ve homoskedasteye sahtr. Acak bu değerler asmetrk dağılıma sah olduğu belrtlmeldr. Eğer y, doğrusal üstel ale yoğuluk foksyou olarak hesalaırsa, sama artıklar kullaılır ve şeklde fade edlr. λ ( µˆ ) ; µ ˆ µ logartmk yoğuluk foksyou, ( y) ( y ˆ µ ) { λ( y ) λ( ˆ )} d = sg µ (0) = olarak fade edldğde y ç belrlemş λ ; µ = y olarak fade edldğde y ç belrlemş logartmk yoğuluk foksyoudur. Hesalaa bu artık değerler kareler tolamı sama statstğde kullaılmaktadır. σ olduğu ble ormal dağılım altıda; ( ) σ Varyası d = y şlemyle stadartlaştırılmış artıklara ulaşılır. Posso ç bu artıklar; µ ( y ˆ µ ) { y l( y ˆ µ ) ( y ˆ )} d = sg µ () olarak fade edlr. Bu eştlkte eğer y = 0 se y l y = 0 olacağı görülmektedr (Log, 997). 66

9 İstabul Tcaret Üverstes Fe Blmler Dergs Bahar 005/.4. Uyum İylğ Geelleştrlmş doğrusal modeller ç e sık kullaıla uyum ylğ ölçüler, Pearso ve Sama statstklerdr. Bu ölçüler kullaılması le elde edle souçlar, regresyo katsayılarıdak kestrm hatalarıı kotrolü ç, k-kare uyum ylğ testde kullaılırlar..4.. Pearso İstatstğ µ ortalamalı ve ω varyaslı bağımlı değşke y ye at herhag br model ç stadart uyum ylğ ölçüm yötem earso statstğdr ve P = = ( ˆ µ ) y ˆ ω () olarak fade edlr. Bu değer ser yayılımıı aşırı olu olmadığıı belrlemede kullaılır. Burada µˆ ve ωˆ değerler, µ ve ω kestrm değerlerdr. Hesalaa P değer, µˆ ç belrlemş serbestlk dereces ( k) le karşılaştırılır. Bu formül Posso regresyo ç uyguladığıda, ω = µ olacaktır ve P = = ( y ˆ µ ) ˆ µ (3) şekl alacaktır. Hesalaa karşılaştırılacaktır. Burada; olduğu söyler. P > k P < k P değer de bezer şeklde ( k) serde aşırı yayılım serde eksk yayılım değer le.4.. Sama İstatstğ Uyum ylğ ölçülmesde kullaıla dğer br tekk de sama statstğdr. Bu statstk değere ayı zamada G kare statstğ de delmektedr. 67

10 Özlem Dez G kare statstğ; G = = y y l µ (4) şeklde fade edlr. Bu statstk değer 0 a yakısıyor se model uyumu artıyor deleblr. Eğer bu statstk değer tam 0 a eşt se model uyumuu mükemmel olduğu söyleeblr Yaay R Ölçümü Doğrusal olmaya modeller ç kullaıla ortak br R taımı bulumamaktadır. Bu belrszlk yüzüde hesalaa değer fade edlrke yaay fades kullaılmaktadır. Doğrusal regresyo modellerde, R hesalaması ç başlagıç oktası geel kareler tolamlarıı ayrıştırılmasıdır. Geel olarak; = ( y y) = ( y ˆ µ ) + ( ˆ µ y) + ( y ˆ µ )( ˆ µ y) = = = (5) fadesde, lk fade geel kareler tolamı (TSS), kc fade artık kareler tolamı (RSS) ve üçücü fade açıklamış kareler tolamı (ESS) olarak açıklaır. So fade se eğer model sabt term çeryorsa, doğrusal regresyo model e küçük kareler kestrme göre sıfıra eşt olacaktır. Acak Posso u da çere ve doğrusal olmaya e küçük kareler le üstel koşullu ortalamaya sah tüm kestrcler ve modeller ç sıfıra eşt olmayacaktır. Bu durum da R, R = RSS TSS veya R = ESS TSS yötemde farklı br yolla hesalaması gerektğ ortaya çıkarmıştır (Camero ve Trverd, 998). Normallk varsayımı gerektrmeye Posso regresyo modele R ölçüsü olablrlk ora yaklaşımıa dayamaktadır. Doğrusal regresyo modele lşk EKK tahm, artık kareler tolamıı e çok olablrlk tahm ve sama değer le bezer özellkler göstermes edeyle öerle R ölçüsü; R log L = log L ( y) log L( ˆ µ ) ( y) log L( y) (6) 68

11 İstabul Tcaret Üverstes Fe Blmler Dergs Bahar 005/ şeklde taımlamaktadır. Burada log L( y), doygu model log-olablrlğ, log L ( µˆ ), lglele model log-olablrlğ ve log L( y), sadece sabt term buluduğu mmal model log-olablrlğ göstermektedr. y 0 gözlee değerler, ˆ µ ( ˆ = ex x β ) ya da ˆ µ ( ˆ = c ex x β ) tahm edle değerler ve ( ˆ = ex β 0 ) da y = ex( ˆ β ) ortalama değerler olmak üzere log-olablrlk foksyoları, c 0 ( y) = ( y log( y ) y log( y! )) = y ya log L (7) ( ˆ ) = ( y log( ˆ µ ) ˆ log( y! )) log L µ µ (8) = ( y) = ( y log( y ) y log( y! )) log L (9) = bçmde elde edlmektedr. Bu log-olablrlk foksyoları düzelerse yaay R ölçüsüe ulaşılmaktadır (Özme, 003) K-Kare Uyum İylğ Test Verlmş ola Posso regresyo model ç gözlee frekaslar j ve teork frekasları edlmş olsu. Uygu br test uygulamadığı sürece y = 0,,..., m olsu. Bu model ç ˆ j, j = 0,,..., m şeklde fade ˆ j ler j lere yakılığıı yeterl olu olmadığıı, dolayısıyla kurula model uygu olu olmadığıa karar verlemez. Uyum ylğ celemek ç kurula hotezler; H : Verler Posso modele uyguluk göstermektedr 0 H : Verler Posso modele uyguluk göstermemektedr şeklde kurulablr. 69

12 Özlem Dez Pearso χ test statstğ; χ = j ( j ˆ j ) = ˆ j (30) k-kare uyum ylğ test olarak adladırılır. Bu formül yardımıyla bulua souç χ değeryle karşılaştırılır. N, brm sayısı, P, tahm ( N ) serbestlk derecel edlmek stee arametre sayısıdır. Hesalaa değer χ N değer aşıyorsa hotez reddedlr ve verle osso modele uyguluk göstermedğ kabul edlr (Dobso, 00)..5. Regresyo Katsayılarıı Alamlılığıı Test Hesalamış ola katsayıları b, b,..., bk şeklde gösterldğ varsayılsı. Hesaları bu katsayıları hçbr şlem uygulamada yorumlamasıı doğru olmadığı belrtlmşt. Çükü kestrle değerler, üstel foksyo yardımıyla türetlmşt. Katsayıları alamlılığıı test ç kullaılacak hotezler; H : β = 0,,..., (ß katsayısı alamsızdır) 0 = ( ) ( ) H : β 0,,..., (ß katsayısı alamlıdır) 0 = şekldedr. Bu hotezler testde e sık kullaıla yötem Wald ı statstğdr ve χ b χ w = (3) sb şeklde hesalaır. Bu eştlkte b, regresyo katsayılarıı; s b se, bast stadart hata değer φ sayısıı karekökü le çarımı yardımıyla elde edlr. b s b s = φ (3) şeklde fade edlr. Böylece düzeltlmş stadart hata değere ulaşılır. φ sayısı se, k kestrlecek arametre sayısı olmak üzere; 70

13 İstabul Tcaret Üverstes Fe Blmler Dergs Bahar 005/ eştlğde elde edlr. Hesalaa Wald ı = ( µ ) y φ = (33) k µ χ statstk değer, serbestlk derecel χ değeryle karşılaştırılır. Eğer hesalaa değer tablo değer aşıyorsa H 0 hotez reddedlr. Ya katsayıları alamlı olduğua karar verlr. Katsayıları alamlılığıı testde sora; α sb b µ z (34) fades yardımıyla, katsayılar ç alt ve üst lmt değerler hesalaır. 3. SONUÇ Bldğ gb, verler sürekl olduğu durumlarda doğrusal regresyo aalz kullaılablmektedr. Acak aalzlerde kullaılacak verler her zama sürekl halde bulumayablr. Bu gb durumlarda ya; verler keskl olması durumuda da doğrusal regresyo modeller kullaılarak yaılacak aalzler etksz, tutarsız ve çelşkl souçlar verecektr. Bu sebete dolayı keskl verler ç tüm koşullar sağladığıda kulaılablecek e etk model Posso regresyo modellerdr. Bu modeller kullaılablmes ç dkkat edlmes gereke e öeml koşul, koşullu varyas değer koşullu ortalama değere eşt olmasıdır. Br çok uygulamada koşullu varyas değer, koşullu ortalama değer aşar. Böyle durumlarda Posso regresyou kullaılması doğru değldr. Buu yere egatf bom regresyo kullaılır. Negatf bom dağılımıda varyası, ortalamaı karesel foksyou olduğu varsayılır. Posso regresyo model üstel br model olması sebebyle katsayı yorumlamalarıda zorluk ve karmaşıklık yaratması dezavatajıı yaıda, bağımlı değşke sayma verlerde oluştuğu durumlarda doğrusal regresyo aalze alteratf olable br modeldr. Bu sebele so yıllarda ek çok alada kullaım mkaı bulablmektedr. 7

14 Özlem Dez KAYNAKÇA Akı, F., (00), Kaltatf Terch Modeller Aalz, Bursa, Ek Ktabev. Camero, C.- Trved, P., (998), Regresso Aalyss of Cout Data, Cambrdge, Cambrdge Uversty Pres. Dobso, A., (00), A Itroducto to Geeralzed Lear Models, Boca Rato, Chama ad Hall. Log, S., (997), Regresso Models for Categorcal ad Deedet Varables, Lodo, Sage Publcatos. McCullagh, P.- Nelder, J.A., (983), Geeralzed Lear Models, Lodo Chama ad Hall. Özme, İ., (003), Posso Regresyo Model ç Düzeltlmş Belrtme Katsayıları, Atalya İstatstk Semozyumu Bldrs. 7

Regresyon ve Korelasyon Analizi. Regresyon Analizi

Regresyon ve Korelasyon Analizi. Regresyon Analizi Regresyo ve Korelasyo Aalz Regresyo Aalz Regresyo Aalz Regresyo aalz, aralarıda sebep-souç lşks bulua k veya daha fazla değşke arasıdak lşky belrlemek ve bu lşky kullaarak o kou le lgl tahmler (estmato)

Detaylı

BEKLENEN DEĞER VE VARYANS

BEKLENEN DEĞER VE VARYANS BEKLEE DEĞER VE VARYAS.1. İadel ve adesz öreklemede tüm mümkü örekler.. Beklee değer.3. Varyas.4. İk değşke ortak dağılımı.5. İstatstksel bağımsızlık.6. Tesadüf değşkeler doğrusal kombasyolarıı beklee

Detaylı

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

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

Detaylı

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

= k. Aritmetik Ortalama. Tanımlayıcı İstatistikler TANIMLAYICI İSTATİSTİKLER. Sınıflanmış Seriler İçin Aritmetik Ortalama

= k. Aritmetik Ortalama. Tanımlayıcı İstatistikler TANIMLAYICI İSTATİSTİKLER. Sınıflanmış Seriler İçin Aritmetik Ortalama TANIMLAYICI İSTATİSTİKLER Taımlayıcı İstatstkler MERKEZİ EĞİLİM ÖLÇÜLERİ Dr. Mehmet AKSARAYLI D.E.Ü. İ.İ.B.F..B.F. EKONOMETRİ BÖLÜMÜ mehmet.aksarayl aksarayl@deu.edu.tr Yer Ölçüler (Merkez Eğlm Ölçüler)

Detaylı

MERKEZİ EĞİLİM ÖLÇÜLERİ

MERKEZİ EĞİLİM ÖLÇÜLERİ MERKEZİ EĞİLİM ÖLÇÜLERİ Gözlee ver düzeleerek çzelgelerle, graklerle suulması çoğu kez yeterl olmaz. Geel durumu yasıtacak br takım ölçülere gereksm vardır. Bu ölçüler verler yalızca özlü br bçmde belrtmekle

Detaylı

İki veri setinin yapısının karşılaştırılması

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

Detaylı

Tanımlayıcı İstatistikler

Tanımlayıcı İstatistikler Taımlayıcı İstatstkler Taımlayıcı İstatstkler br değerler dzs statstksel olarak geel özellkler taımlaya ölçülerdr Taımlayıcı İstatstkler Yer Göstere Ölçüler Yaygılık Ölçüler Yer Göstere Ölçüler Br dağılımı

Detaylı

Olabilirlik Oranı Yöntemine Dayalı, Yapısal Homojen Olmayan Varyans Testlerinin Piyasa Modeli İçin Karşılaştırılması

Olabilirlik Oranı Yöntemine Dayalı, Yapısal Homojen Olmayan Varyans Testlerinin Piyasa Modeli İçin Karşılaştırılması Dokuz Eylül Üverstes İktsad ve İdar Blmler Fakültes Dergs, Clt:6, Sayı:, Yıl:011, ss.135-144 Olablrlk Oraı Yöteme Dayalı, Yaısal Homoje Olmaya Varyas Testler Pyasa Model İç Karşılaştırılması Flz KARDİYEN

Detaylı

Zaman Skalasında Box-Cox Regresyon Yöntemi

Zaman Skalasında Box-Cox Regresyon Yöntemi Dokuz Eylül Üverstes İktsad ve İdar Blmler Fakültes Dergs, Clt:7, Sayı:, Yıl:0, ss.57-70. Zama Skalasıda Bo-Co Regresyo Yötem Atlla Özur İŞÇİ Sbel PAŞALI GÖKTAŞ ATMACA 3 M. Nyaz ÇANKAYA 4 Özet Hata term

Detaylı

SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOĞRUSAL OLMAYAN POISSON REGRESYON M. Kazım KÖREZ YÜKSEK LİSANS İSTATİSTİK Aablm Dalı Ağustos- KONYA Her Hakkı Saklıdır ÖZET YÜKSEK LİSANS DOĞRUSAL OLMAYAN

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

ÖLÇÜM, ÖLÇÜM HATALARI ve ANLAMLI RAKAMLAR

ÖLÇÜM, ÖLÇÜM HATALARI ve ANLAMLI RAKAMLAR ÖLÇÜM, ÖLÇÜM HATALARI ve ANLAMLI RAKAMLAR Ölçme, her deeysel blm temel oluşturur. Fzk blmde de teorler sıaması ç çeştl deeyler tasarlaır ve bu deeyler sırasıda çok çeştl ölçümler yapılır. Br fzksel celğ

Detaylı

Bir KANUN ve Bir TEOREM. Büyük Sayılar Kanunu

Bir KANUN ve Bir TEOREM. Büyük Sayılar Kanunu Br KANUN ve Br TEOREM Büyük Türkçe Sözlük kau Đg. law Doğa olaylarıı oluş edeler ortaya koya ve gelecektek olayları öcede kestrme olaağı vere bağıtı; Newto kauu, Kepler kauları. (BSTS / Gökblm Termler

Detaylı

TOBB Ekonomi ve Teknoloji Üniversitesi İKT351 Ekonometri I, Ara Sınavı

TOBB Ekonomi ve Teknoloji Üniversitesi İKT351 Ekonometri I, Ara Sınavı TOBB Ekoom ve Tekoloj Üverstes İKT351 Ekoometr I, Ara Sıavı Öğr.Gör.: Yrd. Doç. Dr. A. Talha YALTA Ad, Soyad: Açıklamalar: Bu sıav toplam 100 pua değerde 4 soruda oluşmaktadır. Sıav süres 90 dakkadır ve

Detaylı

Đst201 Đstatistik Teorisi I

Đst201 Đstatistik Teorisi I Đst20 Đstatstk Teors I DERSĐN TÜRÜ Zorulu DERSĐN DÖNEMĐ Yaz DERSĐN KREDĐSĐ Ulusal Kred: (4, 0, 0 ) 4 KTS: 7 DERSĐN VERĐLDĐĞĐ Bölüm: Đstatstk 200/20 Öğretm Yılı DERSĐN MCI Đstatstğ matematksel temeller

Detaylı

=... 29 İÇİNDEKİLER. E(X) = k... 22. 3.5. Pascal (Negatif Binom) Dağılımı... 22 1. 3.6. Hipergeometrik Dağılım... 22. N y= ... 24

=... 29 İÇİNDEKİLER. E(X) = k... 22. 3.5. Pascal (Negatif Binom) Dağılımı... 22 1. 3.6. Hipergeometrik Dağılım... 22. N y= ... 24 İÇİNDEKİLER SİMGE LİSTESİ... KISALTMA LİSTESİ... v ÇİZELGE LİSTESİ... v ŞEKİL LİSTESİ... v ÖNSÖZ... v ÖZET... x ABSTRACT... x GİRİŞ... BÖLÜM : OLASILIK DAĞILIMLARI VE OLASILIK YOĞUNLUKLARI... BÖLÜM : OLASILIK

Detaylı

ÖZET Yüksek Lsas Tez NORMAL DAĞILIM VE NORMAL DAĞILIMLA İLGİLİ ÇIKARIMLAR Şeol ÇELİK Akara Üverstes Fe Blmler Esttüsü İstatstk Aablm Dalı Daışma : Doç

ÖZET Yüksek Lsas Tez NORMAL DAĞILIM VE NORMAL DAĞILIMLA İLGİLİ ÇIKARIMLAR Şeol ÇELİK Akara Üverstes Fe Blmler Esttüsü İstatstk Aablm Dalı Daışma : Doç ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ NORMAL DAĞILIM VE NORMAL DAĞILIMLA İLGİLİ ÇIKARIMLAR Şeol ÇELİK İSTATİSTİK ANABİLİM DALI ANKARA 006 Her hakkı saklıdır ÖZET Yüksek Lsas Tez

Detaylı

Değişkenler Arasındaki İlişkiler Regresyon ve Korelasyon. Dr. Musa KILIÇ

Değişkenler Arasındaki İlişkiler Regresyon ve Korelasyon. Dr. Musa KILIÇ Değşkeler Arasıdak İlşkler Regresyo ve Korelasyo Dr. Musa KILIÇ http://ks.deu.edu.tr/musa.klc 1. Grş Buda öcek bölümlerde celedğmz koular, br tek değşke ç yorumlamalar yapmaya yöelk statstk yötemler üzerde

Detaylı

Tanımlayıcı İstatistikler (Descriptive Statistics) Dr. Musa KILIÇ

Tanımlayıcı İstatistikler (Descriptive Statistics) Dr. Musa KILIÇ Taımlayıcı İstatstkler (Descrptve Statstcs) Dr. Musa KILIÇ TANIMLAYICI ÖRNEK İSTATİSTİKLERİ YER ÖLÇÜLERİ (Frekas dağılışıı abss eksedek durumuu belrtr.) DEĞİŞİM ÖLÇÜLERİ ( Frekas dağılışıı şekl belrtr.).

Detaylı

Lojistik Regresyonda Meydana Gelen Aşırı Yayılımın İncelenmesi

Lojistik Regresyonda Meydana Gelen Aşırı Yayılımın İncelenmesi Yüzücü Yıl Üverstes, Zraat Fakültes, Tarım Blmler Dergs (J. Agrc. Sc.), 008, 18(1): 1-5 Araştırma Makales/Artcle Gelş Tarh: 10.06.007 Kabul Tarh: 7.1.007 Lojstk Regresyoda Meydaa Gele Aşırı Yayılımı İcelemes

Detaylı

Tanımlayıcı İstatistikler

Tanımlayıcı İstatistikler Taımlayıcı İstatstkler Br veya brde fazla dağılışı karşılaştırmak ç kullaıla veya ayrıca örek verlerde hareketle frekas dağılışlarıı sayısal olarak düzeleye değerlere taımlayıcı statstkler der. Aalzlede

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

Tanımlayıcı İstatistikler

Tanımlayıcı İstatistikler TANIMLAYICI İSTATİSTİKLER MERKEZİ EĞİLİM ÖLÇÜLERİ Dr. Mehmet AKSARAYLI D.E.Ü. İ.İ.B.F. EKONOMETRİ BÖLÜMÜ mehmet.aksarayl@deu.edu.tr Taımlayıcı İstatstkler Yer Ölçüler (Merkez Eğlm Ölçüler) Duyarlı Ortalamalar

Detaylı

REGRESYON ANALİZİNDE KULLANILAN EN KÜÇÜK KARELER VE EN KÜÇÜK MEDYAN KARELER YÖNTEMLERİNİN KARŞILAŞTIRILMASI

REGRESYON ANALİZİNDE KULLANILAN EN KÜÇÜK KARELER VE EN KÜÇÜK MEDYAN KARELER YÖNTEMLERİNİN KARŞILAŞTIRILMASI FEN DEGİSİ (E-DEGİ). 8, 3() 9-9 EGESYON ANALİZİNDE KULLANILAN EN KÜÇÜK KAELE VE EN KÜÇÜK MEDYAN KAELE YÖNTEMLEİNİN KAŞILAŞTIILMASI Özlem GÜÜNLÜ ALMA, Özgül VUPA Dokuz Eylül Üverstes, Fe-Edebyat Fakültes,

Detaylı

1. GAZLARIN DAVRANI I

1. GAZLARIN DAVRANI I . GZLRIN DRNI I İdeal Gazlar ç: lm 0 RT İdeal gazlar ç: RT Hacm() basıçla() değşk sıcaklıklarda değşm ekl.. de gösterlmştr. T >T 8 T T T 3 asıç T 4 T T 5 T 7 T 8 Molar Hacm ekl.. Gerçek br gazı değşk sıcaklıklardak

Detaylı

ARAŞTIRMA MAKALESİ / RESEARCH ARTICLE

ARAŞTIRMA MAKALESİ / RESEARCH ARTICLE ANADOLU ÜNİVERSİTESİ BİLİM VE TEKNOLOJİ DERGİSİ A Uygulamalı Blmler ve Mühedslk ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY A Appled Sceces ad Egeerg Clt/Vol.: 3-Sayı/No: : 5-63 (202 ARAŞTIRMA

Detaylı

9. Ders. Đstatistikte Monte Carlo Çalışmaları

9. Ders. Đstatistikte Monte Carlo Çalışmaları 9. Ders Đstatstkte Mote Carlo Çalışmaları Đstatstk rasgelelk olgusu çere olay süreç ve sstemler modellemesde özellkle bu modellerde souç çıkarmada ve bu modeller geçerllğ sıamada kullaıla bazı blg ve yötemler

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

ĐÇI DEKILER 1. TEMEL ĐSTATĐSTĐK KAVRAMLAR VE OTASYO LAR 1

ĐÇI DEKILER 1. TEMEL ĐSTATĐSTĐK KAVRAMLAR VE OTASYO LAR 1 ĐÇI DEKILER Sayfa. TEMEL ĐSTATĐSTĐK KAVRAMLAR VE OTASYO LAR.. Grş.. Đstatstk.3. Populasyo.4. Örek.5. Brm.6. Parametre.7. Değşke 3.8. Ver ve Ver Tpler 3.9. Toplama Sembolü 4 ÇALIŞMA PROBLEMLERĐ 6. VERĐLERĐ

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

Polinom İnterpolasyonu

Polinom İnterpolasyonu Polom İterpolasyou (Ara Değer Bulma Br foksyou solu sayıdak, K, R oktalarıda aldığı f (, f (,, f ( değerler bls (foksyou keds blmyor. Bu oktalarda geçe. derecede br tek, P a + a + a + + a (... polumu vardır

Detaylı

T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BAZI DAĞILIMLAR İÇİN EN ÇOK OLABİLİRLİK VE FARKLI KAYIP FONKSİYONLARI ALTINDA BAYES TAHMİN EDİCİLERİNİN PERFORMANSLARININ KARŞILAŞTIRILMASI Gülca GENCER

Detaylı

Doç. Dr. Mehmet AKSARAYLI

Doç. Dr. Mehmet AKSARAYLI Doç. Dr. Mehmet AKSARALI www.mehmetaksarayl İstatstksel araştırmalarda k yada daha çok değşke arasıdak lşk celemes ç e çok kullaıla yötemlerde brs regresyo aalzdr. Değşkeler arasıdak lşk matematksel br

Detaylı

Sayısal Türev Sayısal İntegrasyon İnterpolasyon Ekstrapolasyon. Bölüm Üç

Sayısal Türev Sayısal İntegrasyon İnterpolasyon Ekstrapolasyon. Bölüm Üç Sayısal Türev Sayısal İtegrasyo İterpolasyo Ekstrapolasyo Bölüm Üç Bölüm III 8 III-. Pvot Noktaları Br ( ) oksyouu değer, geellkle ekse üzerdek ayrık oktalarda belrler. Bu oktalara pvot oktaları der. Bu

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

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

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

ÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU 6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız

Detaylı

HĐPERSTATĐK SĐSTEMLER

HĐPERSTATĐK SĐSTEMLER HĐPERSTATĐK SĐSTELER Taım: Bütü kest zorları, şekldeğştrmeler ve yerdeğştrmeler belrlemes ç dege deklemler yeterl olmadığı sstemlere hperstatk sstemler der. Hperstatk sstemler hesabı ç, a) Dege deklemlere,

Detaylı

Tanımlayıcı İstatistikler

Tanımlayıcı İstatistikler Taımlayıcı İstatstkler Br veya brde azla dağılışı karşılaştırmak ç kullaıla ve ayrıca örek verlerde hareket le rekas dağılışlarıı sayısal olarak özetleye değerlere taımlayıcı statstkler der. Aalzlerde

Detaylı

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN BİLİMLERİ DERGİSİ

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN BİLİMLERİ DERGİSİ DEÜ MÜHENDİSLİK FAKÜLTESİ FEN BİLİMLERİ DERGİSİ Clt: 2 Sayı: 3 sh 87-02 Ekm 200 VOLTERRA SERİLERİ METODU İLE DOĞRUSAL OLMAYAN SİSTEMLERİN FREKANS BOYUTUNDA ANALİZİ İÇİN NET TABANLI ARAYÜZ TASARIMI (DESIGN

Detaylı

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ Pel İYİ GENETİK ALGORİTMA UYGULANARAK VE BİLGİ KRİTERLERİ KULLANILARAK ÇOKLU REGRESYONDA MODEL SEÇİMİ İSTATİSTİK ANABİLİM DALI ADANA, 006

Detaylı

α kararlı dağılım, VaR, Koşullu VaR,, Finansal α KARARLI DAĞILIMLARLA FİNANSAL RİSK

α kararlı dağılım, VaR, Koşullu VaR,, Finansal α KARARLI DAĞILIMLARLA FİNANSAL RİSK Marmara Üverstes İ.İ.B.F. Dergs YIL 00 CİLT XXVIII SAYI I S. 549-57 Özet KARARLI DAĞILIMLARLA FİNANSAL RİSK ÖLÇÜMÜ Ömer ÖNALAN * Bu çalışmada fasal kayıları kalı kuyruklu kararlı dağılım zledğ varsayımı

Detaylı

Parametrik Olmayan İstatistik Çözümlü Sorular - 2

Parametrik Olmayan İstatistik Çözümlü Sorular - 2 Parametrk Olmaya İstatstk Çözümlü Sorular - Soru Böbrek hastalarıa at Kreat (KRT) değerlere lşk br araştırma yapılmak stemektedr. Buu ç rasgele seçle hastaya at Kreat değerler aşağıdak gb elde edlmştr

Detaylı

Operasyonel Risk İleri Ölçüm Modelleri

Operasyonel Risk İleri Ölçüm Modelleri Bakacılar Dergs, Sayı 58, 006 Grş Operasyoel Rsk İler Ölçüm Modeller Çalışma k bölümde oluşmaktadır. İlk bölümde operasyoel rskler ölçülmes kapsamıda hag ler ölçüm modeller kullaılması gerektğ, söz kousu

Detaylı

TÜRKİYE ŞEKERPANCARI ÜRETİMİNDE FAKTÖR TALEP ANALİZİ ( ) (TRANSLOG MALİYET FONKSİYONU UYGULAMASI) Yaşar AKÇAY 1 Kemal ESENGÜN 2

TÜRKİYE ŞEKERPANCARI ÜRETİMİNDE FAKTÖR TALEP ANALİZİ ( ) (TRANSLOG MALİYET FONKSİYONU UYGULAMASI) Yaşar AKÇAY 1 Kemal ESENGÜN 2 l Ta rr ım ı Ekooms Kog rres 6-8 - Eylül l 2000 Tek rrdağ TÜRKİYE ŞEKERPANCARI ÜRETİMİNDE FAKTÖR TALEP ANALİZİ (980-998) (TRANLOG MALİYET FONKİYONU UYGULAMAI) Yaşar AKÇAY Kemal EENGÜN 2. GİRİŞ Türkye tarımı

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

Mühendislikte Olasılık, İstatistik, Risk ve Güvenilirlik Altay Gündüz. Mühendisler için İstatistik Prof. Dr. Mehmetçik Bayazıt, Prof. Dr.

Mühendislikte Olasılık, İstatistik, Risk ve Güvenilirlik Altay Gündüz. Mühendisler için İstatistik Prof. Dr. Mehmetçik Bayazıt, Prof. Dr. İSTATİSTİK DERSİ (BAÜ Müh-Mm Fakültes Dr. Bau Yağcı KAYNAKLAR Mühedslkte Olasılık, İstatstk, Rsk ve Güvelrlk Altay Güdüz Blgsayar (Ecel Destekl Uygulamalı İstatstk Pro. Dr. Mustaa Akkurt Mühedsler ç İstatstk

Detaylı

Regresyon Analizi Basit Do rusal Regresyon Analizi En Küçük Kareler Tekni i Varyans n(v 2 ) Tahmini Basit Do rusal Regresyonda Aral k Tahmini

Regresyon Analizi Basit Do rusal Regresyon Analizi En Küçük Kareler Tekni i Varyans n(v 2 ) Tahmini Basit Do rusal Regresyonda Aral k Tahmini 5 STAT ST K-II Amaçlar m z Bu ütey tamamlad kta sora; k de flke aras dak lflky aç klaya do rusal model kurablecek, k de flke aras dak lflk dereces belrleyeblecek blg ve becerlere sahp olacaks z. Aahtar

Detaylı

Kİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri

Kİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI  Ki-Kare Analizleri Kİ KAR ANALİZİ 1 Doç. Dr. Mehmet AKSARAYLI www.mehmetaksarayl K-Kare Analzler OLAY 1: Genelde br statstk sınıfında, öğrenclern %60 ının devamlı, %30 unun bazen, %10 unun se çok az derse geldkler düşünülmektedr.

Detaylı

Rasgele sayıda bağımlı aktüeryal risklerin beklenen değeri için alt ve üst sınırlar

Rasgele sayıda bağımlı aktüeryal risklerin beklenen değeri için alt ve üst sınırlar www.saskcler.org İsaskçler Dergs (8) 64-74 İsaskçler Dergs Rasgele sayıda bağımlı aküeryal rskler beklee değer ç al ve üs sıırlar Fah Tak Kırıkkale Üverses Fe-Edebya Faküles, İsask Bölümü 7-ahşha,Kırıkkale,

Detaylı

TABAKALI ŞANS ÖRNEKLEME

TABAKALI ŞANS ÖRNEKLEME 6 TABAKAI ŞA ÖREKEME 6.. Populasyo ortalaması ve populasyo toplamıı tam 6.. Populasyo ortalamasıı ve toplamıı varyası 6... Populasyo ortalamasıı varyası 6... Populasyo toplamıı varyası 6..3. Ortalama ve

Detaylı

KONTROL KARTLARI 1)DEĞİŞKENLER İÇİN KONTROL KARTLARI

KONTROL KARTLARI 1)DEĞİŞKENLER İÇİN KONTROL KARTLARI 1 KONTOL KATLAI 1)DEĞİŞKENLE İÇİN KONTOL KATLAI Ölçe,gözle veya deey yolu le elde edle verler değşke(ölçüleblr-sürekl) ve özellk (sayılablr-keskl) olak üzere başlıca k gruba ayrılır. Değşke verler belrl

Detaylı

X = 11433, Y = 45237,

X = 11433, Y = 45237, A.Ü. SBF, IV Malye EKONOMETRİ I ARA SINAVI 4..006 Süre 90 dakkadır..,. ve 3. sorular 0 ar, 4. ve 5. sorular 30 ar pua, ödev 0 pua değerdedr. Tüm formüller ve şlemlerz açıkça gösterz. ) Y = Xβ + u doğrusal

Detaylı

MÜHENDİSLER İÇİN İSTATİSTİK. Prof. Dr. Hüseyin Çelebi Ders Notları

MÜHENDİSLER İÇİN İSTATİSTİK. Prof. Dr. Hüseyin Çelebi Ders Notları MEÜ. Mühedslk Fakültes Jeoloj Mühedslğ Bölümü MÜHENDİSLER İÇİN İSTATİSTİK YÖNTEMLER VE UYGULAMALAR Prof. Dr. Hüsey Çeleb Ders Notları Mers 007 Prof. Dr.-Ig. Hüsey Çeleb 1 Brkaç ülü sözü İstatstk! Matematğ

Detaylı

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

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

Detaylı

Yrd. Doç. Dr. İhsa KARABULUT u daışmalığıda, Begül ARKANT tarafıda hazırlaa bu çalışma 3/07/008 tarhde aşağıdak jür tarafıda oy brlğ le Akara Üverstes

Yrd. Doç. Dr. İhsa KARABULUT u daışmalığıda, Begül ARKANT tarafıda hazırlaa bu çalışma 3/07/008 tarhde aşağıdak jür tarafıda oy brlğ le Akara Üverstes ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ BAĞIMLI GÖZLEMLERLE BOOTSTRAP YÖNTEMİ Begül ARKANT İSTATİSTİK ANABİLİM DALI ANKARA 008 Her hakkı saklıdır Yrd. Doç. Dr. İhsa KARABULUT u daışmalığıda,

Detaylı

UYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.

UYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır. UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres

Detaylı

ARAŞTIRMA MAKALESİ /RESEARCH ARTICLE

ARAŞTIRMA MAKALESİ /RESEARCH ARTICLE ANADOLU ÜNİVERSİESİ BİLİM VE EKNOLOJİ DERGİSİ ANADOLU UNIVERSIY JOURNAL OF SCIENCE AND ECHNOLOGY Clt/Vol.:8Sayı/No: : 5359 (7) ARAŞIRMA MAKALESİ /RESEARCH ARICLE SEMİPARAMERİK OPLAMSAL REGRESYON MODELİ

Detaylı

değerine bu matrisin bir girdisi(elemanı,bileşeni) denir. Bir sütundan (satırdan) oluşan bir matrise bir sütun (satır) matrisi denir.

değerine bu matrisin bir girdisi(elemanı,bileşeni) denir. Bir sütundan (satırdan) oluşan bir matrise bir sütun (satır) matrisi denir. Bölüm 2 Matrsler aım 2.1 F br csm, m, brer doğal sayı olsu. a F ( 1,.., m; j 1,..., ) olmak üzere, a11... a1 fadese m satır sütuda oluşa (veya m tpde) br F matrs der. am 1... a m Böyle br matrs daha sade

Detaylı

ARAŞTIRMA MAKALESİ /RESEARCH ARTICLE

ARAŞTIRMA MAKALESİ /RESEARCH ARTICLE ANADOLU ÜNİVERSİTESİ BİLİM VE TEKNOLOJİ DERGİSİ ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY Clt/Vol.:0-Sayı/No: : 455-465 (009) ARAŞTIRMA MAKALESİ /RESEARCH ARTICLE İKİ PARAMETRELİ WEIBULL DAĞILIMINDA

Detaylı

PORTFÖY OPTİMİZASYONUNDA ORTALAMA MUTLAK SAPMA MODELİ VE MARKOWITZ MODELİNİN KULLANIMI VE İMKB VERİLERİNE UYGULANMASI

PORTFÖY OPTİMİZASYONUNDA ORTALAMA MUTLAK SAPMA MODELİ VE MARKOWITZ MODELİNİN KULLANIMI VE İMKB VERİLERİNE UYGULANMASI Süleyma Demrel Üverstes İktsad ve İdar Blmler Fakültes Dergs Y.2008, C.3, S.2 s.335-350. Suleyma Demrel Uversty The Joural of Faculty of Ecoomcs ad Admstratve Sceces Y.2008, vol.3, No.2 pp.335-350. PORTFÖY

Detaylı

ETKİN SINIR VE BETA KATSAYI KISITLI PORTFÖY SEÇİM MODELİ ÜZERİNE BİR UYGULAMA

ETKİN SINIR VE BETA KATSAYI KISITLI PORTFÖY SEÇİM MODELİ ÜZERİNE BİR UYGULAMA İstabul Tcaret Üverstes Fe Blmler Dergs Yıl: 11 Sayı: Güz 01 s. 19-35 ETKİN SINIR VE BETA KATSAYI KISITLI PORTFÖY SEÇİM MODELİ ÜZERİNE BİR UYGULAMA Cası KAYA 1, Oza KOCADAĞLI Gelş: 30.05.01 Kabul: 14.1.01

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

Matematik olarak normal dağılım fonksiyonu. 1 exp X 2

Matematik olarak normal dağılım fonksiyonu. 1 exp X 2 Matematk olarak ormal dağılım foksyou f ( ) ep ( ) Şeklde fade edlr. Burada μ artmetk ortalama, σ se stadart sapma değer gösterr ve dağılım foksyou N(μ, σ) otasyou le gösterlr. Bu deklem geometrk görütüsü

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

RAYLEIGH DAĞILIMININ ARDIŞIK OLASILIK ORAN TESTİ SEQUENTIAL PROBABILITY RATIO TEST OF RAYLEIGH DISTRIBUTION

RAYLEIGH DAĞILIMININ ARDIŞIK OLASILIK ORAN TESTİ SEQUENTIAL PROBABILITY RATIO TEST OF RAYLEIGH DISTRIBUTION Eskşehr Osmagaz Üverstes Müh.Mm.Fak.Dergs C.XX, S., 7 Eg&Arch.Fac. Eskşehr Osmagaz Uversty, Vol..XX, No:, 7 Makale Gelş Tarh :.3.6 Makale Kabul Tarh : 3..6 RAYLEIGH DAĞILIMININ ARDIŞIK OLASILIK ORAN TESTİ

Detaylı

Tanımlayıcı İstatistikler

Tanımlayıcı İstatistikler Taımlayıcı İstatstkler Br veya brde azla dağılışı karşılaştırmak ç kullaıla ve ayrıca örek verlerde hareket le rekas dağılışlarıı sayısal olarak özetleye değerlere taımlayıcı statstkler der. Aalzlerde

Detaylı

Farklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = σ i2. Eşit Varyans. Hata. Zaman

Farklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = σ i2. Eşit Varyans. Hata. Zaman Farklı Varyans Var(u X ) = Var(u ) = E(u ) = σ Eşt Varyans Y X Farklı Varyans Hata Var(u X ) = Var(u ) = E(u ) = σ Farklı Varyans Zaman Farklı Varyans le Karşılaşılan Durumlar Kest Verlernde. Kar dağıtım

Detaylı

5.1 Olasılık Tarihi. 5.2. Temel Olasılık Kavramları

5.1 Olasılık Tarihi. 5.2. Temel Olasılık Kavramları 5 OLSILIK 5.. Olasılık Tarh 5.. Temel Olasılık Kavramları 5.3. Deeysel Olasılık 5.4. Temel olasılık Teoremler 5.5. Olasılığı Tolaablrlk Kuralı: 5.6. Olasılığı çarım kuralı: 5.7. Değl ağıtısı: 5.8. Koşullu

Detaylı

Çok Aşamalı Sıralı Küme Örneklemesi Tasarımlarının Etkinlikleri Üzerine Bir Çalışma

Çok Aşamalı Sıralı Küme Örneklemesi Tasarımlarının Etkinlikleri Üzerine Bir Çalışma Süleyma Demrel Üverstes, Fe Blmler Esttüsü Dergs, 15- ( 011),17-134 Çok Aşamalı Sıralı Küme Öreklemes Tasarımlarıı Etklkler Üzere Br Çalışma Nlay AKINCI 1, Yaprak Arzu ÖZDEMİR * 1 TRT Geel Müdürlüğü Reklam

Detaylı

T.C. RECEP TAYYİP ERDOĞAN ÜNİVERSİTESİ İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ İŞLETME BÖLÜMÜ SAYISAL YÖNTEMLER ANABİLİM DALI DERS NOTLARI

T.C. RECEP TAYYİP ERDOĞAN ÜNİVERSİTESİ İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ İŞLETME BÖLÜMÜ SAYISAL YÖNTEMLER ANABİLİM DALI DERS NOTLARI 15.09.015 T.C. RECEP TAYYİP ERDOĞAN ÜNİVERSİTESİ İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ İŞLETME BÖLÜMÜ SAYISAL YÖNTEMLER ANABİLİM DALI DERS NOTLARI ISL4 İSTATİSTİK II HAZIRLAYAN PROF. DR. ALİ SAİT ALBAYRAK

Detaylı

Genelleştirilmiş Ortalama Fonksiyonu ve Bazı Önemli Eşitsizliklerin Öğretimi Üzerine

Genelleştirilmiş Ortalama Fonksiyonu ve Bazı Önemli Eşitsizliklerin Öğretimi Üzerine Geelleşrlmş Oralama Foksyou ve Bazı Öeml Eşszlkler Öğrem Üzere Gabl ADİLOV, Gülek TINAZTEPE & Serap KEALİ * Öze Armek oralama, Geomerk oralama, Harmok oralama, Kuvadrak oralama ve bular arasıdak lşk vere

Detaylı

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ Ayça Hatce TÜRKAN GÜVENİLİRLİK ANALİZİNDE KULLANILAN İSTATİSTİKSEL DAĞILIM MODELLERİ İSTATİSTİK ANABİLİM DALI ADANA, 007 ÇUKUROVA ÜNİVERSİTESİ

Detaylı

Uyum Analizinin Teorik Esasları ve Regresyon Analizi Đle Benzerliğinin Grafiksel Boyutta Karşılaştırılması

Uyum Analizinin Teorik Esasları ve Regresyon Analizi Đle Benzerliğinin Grafiksel Boyutta Karşılaştırılması Uyum Aalz Teork Esasları ve Regresyo Aalz Đle Bezerlğ Grafksel Boyutta Karşılaştırılması Nev UZGÖREN * Özet: Đstatstğ temel amaçlarıda brs değşkeler arasıdak lşky celemektr. Bu amaçla kullaıla yötemlerde

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

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

EMEKLİLİK YATIRIM FONLARI DEĞERLENDİRMESİ AÇIKLAMA NOTLARI VE VARSAYIMLAR

EMEKLİLİK YATIRIM FONLARI DEĞERLENDİRMESİ AÇIKLAMA NOTLARI VE VARSAYIMLAR EMEKLİLİK YATIRIM FONLARI DEĞERLENDİRMESİ AÇIKLAMA NOTLARI VE VARSAYIMLAR 2013 yılı fo getrs 02/01/2013-02/01/2014 tarhl brm pay değerler kullaılması le hesaplamıştır. 2013 yılı karşılaştırma ölçütü getrs

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

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

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

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

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 9 Sayı: 1 s. 1-7 Ocak 2007 HİDROLİK PROBLEMLERİNİN ÇÖZÜMÜNDE TAŞIMA MATRİSİ YÖNTEMİ

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 9 Sayı: 1 s. 1-7 Ocak 2007 HİDROLİK PROBLEMLERİNİN ÇÖZÜMÜNDE TAŞIMA MATRİSİ YÖNTEMİ DEÜ MÜHENDİSLİK FAKÜLESİ FEN ve MÜHENDİSLİK DERGİSİ lt: 9 Sayı: s -7 Ocak 7 HİDROLİK PROBLEMLERİNİN ÇÖÜMÜNDE AŞIMA MARİSİ YÖNEMİ (MEHOD OF RANSFER MARIX O HE ANALYSIS OF HYDRAULI PROBLEMS) Rasoul DANESHFARA*,

Detaylı

GENELLEŞTİRİLMİŞ BULANIK KÜMELER. Mehmet Şahin Gaziantep Üniversitesi, Matematik Bölümü, 27310, Gaziantep

GENELLEŞTİRİLMİŞ BULANIK KÜMELER. Mehmet Şahin Gaziantep Üniversitesi, Matematik Bölümü, 27310, Gaziantep GENEEŞTİRİMİŞ UANIK KÜMEER Mehme Şah Gazaep Üverses, Maemak ölümü, 27310, Gazaep ÖZET: u çalışmada öcelkle P ( br al ale olarak buludura bulaık kümeler GF ales br halka olarak yapıladırılmaka ve bu yapıı

Detaylı

Tarihli Mühendislik ekonomisi final sınavı. Sınav süresince görevlilere soru sormayın. Başarılar dilerim.

Tarihli Mühendislik ekonomisi final sınavı. Sınav süresince görevlilere soru sormayın. Başarılar dilerim. 6..27 Tarhl Mühedslk ekooms fal sıavı Süre 9 dakka Sıav Saat: Sıav süresce görevllere soru sormayı. Başarılar dlerm. D: SOYD: ÖĞRENCİ NO: İMZ: Tek ödemel akümüle değer faktörü Tek ödemel gücel değer faktörü

Detaylı

ÖNSÖZ. 2) Evde yapabileceklerinizi yapıp, laboratuar kılavuzundaki yerleri doldurun (!!! işaretli yerler).

ÖNSÖZ. 2) Evde yapabileceklerinizi yapıp, laboratuar kılavuzundaki yerleri doldurun (!!! işaretli yerler). ÖNSÖZ Bu laboratuar kılavuzu ĐST 5 Đstatstk Laboratuarı deeyler ç hazırlamıştır. Buradak deeyler ve çalışmaları amacı, şu aa kadar görüle dersler çerçevesde, rasgelelk olgusuu alaşılması ve alatılması

Detaylı

İSTATİSTİKSEL TAHMİNLEME VE

İSTATİSTİKSEL TAHMİNLEME VE 1 ölüm maçları İSTTİSTİKSEL THMİLEME VE YORUMLM SÜRECİ ÖREKLEME VE ÖREKLEME DĞILIMLRI u bölümde öğreeceklerz. Örekleme gereksm ve yötemler celemek. Örekleme hatası kavramıı taımlamak Örekleme dağılışı

Detaylı

NORMAL DAĞILIM İÇİN UYUM İYİLİĞİ TESTLERİ VE BİR SİMÜLASYON ÇALIŞMASI. Nurcan YILDIRIM YÜKSEK LİSANS TEZİ İSTATİSTİK

NORMAL DAĞILIM İÇİN UYUM İYİLİĞİ TESTLERİ VE BİR SİMÜLASYON ÇALIŞMASI. Nurcan YILDIRIM YÜKSEK LİSANS TEZİ İSTATİSTİK NORML DĞILIM İÇİN UYUM İYİLİĞİ TETLERİ VE BİR İMÜLYON ÇLIŞMI Nurca YILDIRIM YÜE LİN TEİ İTTİTİ Gİ ÜNİVERİTEİ FEN BİLİMLERİ ENTİTÜÜ ŞUBT 3 NR Nurca YILDIRIM tarafıda hazırlaa NORML DĞILIM İÇİN UYUM İYİLİĞİ

Detaylı

(DERS NOTLARI) Hazırlayan: Prof.Dr. Orhan ÇAKIR. Ankara Üniversitesi, Fen Fakültesi, Fizik Bölümü

(DERS NOTLARI) Hazırlayan: Prof.Dr. Orhan ÇAKIR. Ankara Üniversitesi, Fen Fakültesi, Fizik Bölümü FİZ433 FİZİKTE BİLGİSAYAR UYGULAMALARI DERS NOTLARI Hazırlaya: Pro.Dr. Orha ÇAKIR Akara Üverstes, Fe Fakültes, Fzk Bölümü Akara, 7! İÇİNDEKİLER. LİNEER OLMAYAN DENKLEMLERİN KÖKLERİNİN BULUNMASI I/II. LİNEER

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

Eğitimle İlgili Sapan Değer İçeren Veri Kümelerinde En Küçük Kareler ve Robust M Tahmin Edicilerin Karşılaştırılması

Eğitimle İlgili Sapan Değer İçeren Veri Kümelerinde En Küçük Kareler ve Robust M Tahmin Edicilerin Karşılaştırılması Eğtmle İlgl Sapa Değer İçere Ver Kümelerde E Küçük Kareler ve Robust M Tahm Edcler Karşılaştırılması Orku COŞKUNTUNCEL * Özet Eğtm araştırmalarıda regresyo katsayılarıı tahm etmek ç e çok kullaıla yötem

Detaylı

Burçin Gonca OKATAN YÜKSEK LİSANS TEZİ İSTATİSTİK GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ AĞUSTOS 2007 ANKARA

Burçin Gonca OKATAN YÜKSEK LİSANS TEZİ İSTATİSTİK GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ AĞUSTOS 2007 ANKARA UYUM İYİLİĞİ İÇİN AMICO TEK-ÖRNEK TESTİ VE İĞER UYUM İYİLİĞİ TESTLERİ İLE KARŞILAŞTIRILMASI Burçi Goca OKATAN YÜKSEK LİSANS TEZİ İSTATİSTİK GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ AĞUSTOS 7 ANKARA TEZ

Detaylı

T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ STRES DAYANIKLILIK GÜVENİLİRLİĞİNİN MASKELİ VERİLERE DAYALI TAHMİNİ Demet SEZER DOKTORA TEZİ İstatstkAablm Dalı Aralık-03 KONYA Her Hakkı Saklıdır TEZ

Detaylı

WEİBULL DAĞILIMININ ÖLÇEK VE BİÇİM PARAMETRELERİ İÇİN İSTATİSTİKSEL TAHMİN YÖNTEMLERİNİN KARŞILAŞTIRILMASI

WEİBULL DAĞILIMININ ÖLÇEK VE BİÇİM PARAMETRELERİ İÇİN İSTATİSTİKSEL TAHMİN YÖNTEMLERİNİN KARŞILAŞTIRILMASI İstabul Tcaret Üverstes Sosal Blmler Dergs Yıl:8 Saı:5 Bahar 2009 s.73-87 WEİBULL DAĞILIMII ÖLÇEK VE BİÇİM PARAMETRELERİ İÇİ İSTATİSTİKSEL TAHMİ YÖTEMLERİİ KARŞILAŞTIRILMASI Flz ÇAKIR ZEYTİOĞLU* ÖZET Güümüzde

Detaylı

Sağlam Ridge Regresyon Analizi ve Bir Uygulama

Sağlam Ridge Regresyon Analizi ve Bir Uygulama Dokuz Eylül Üverstes İktsad ve İdar Blmler Fakültes Dergs, Clt:5, Sayı:, Yıl:010, ss.137-148. Sağlam Rdge Regresyo Aalz ve Br Uygulama Özlem ALPU 1 Hatce ŞAMKAR Ekrem ALTAN 3 Özet Çoklu regresyo aalzde

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

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

III.4. YÜKSEK MERTEBE TAYLOR METODLARI. ( t)

III.4. YÜKSEK MERTEBE TAYLOR METODLARI. ( t) III.4. YÜKSEK MEREBE AYLOR MEODLARI Saısal tekkler amacı mmum çaba le olablğce uarlı aklaşımlar ele etmektr. Bu eele çeştl aklaşım ötemler vermllğ karşılaştıracak br krtere gereksm varır. İlk ele alıacak

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

Filbert Matrislerinin Normları İçin Alt ve Üst Sınırlar. The Upper and Lower Bounds For Norms of Filbert Matrices

Filbert Matrislerinin Normları İçin Alt ve Üst Sınırlar. The Upper and Lower Bounds For Norms of Filbert Matrices lert Matrsler Normları İç lt ve Üst Sıırlar Sülema Demrel Üverstes B Türe E Sarııar e Blmler Esttüsü Dergs - (00 - lert Matrsler Normları İç lt ve Üst Sıırlar Bahr TÜREN E SRIPINR Sülema Demrel Üverstes

Detaylı