ilişkilendirileceğini bulmak ve bu bilgiden yapmaktır. Prof. Dr. Üzeyme DOĞAN - Üretim Planlama Kontrol
|
|
- Kelebek Özbilen
- 6 yıl önce
- İzleme sayısı:
Transkript
1 Nedesel (lşksel) modeller Bu modeller, ögörülemek stedğmz değşke, br şeklde çevredek dğer değşkelerde etkledğ, olarla lşkledrlebleceğ varsayar. Ögörüleyc ş, bu değşkeler matematksel olarak a asıl lşkledrleceğ bulmak ve bu blgde yararlaarak gelecek ç ögörü yapmaktır. Prof. Dr. Üzeyme DOĞAN - Üretm 133
2 Nedesel modeller Öreğ satışları, reklam harcamalarıda ve kş başıa mll gelrde etkleebleceğe karar vereblrz. Geçmştek verlerde yararlaarak bu değşkeler arasıdak lşky açıklaya br model kurablrz, böylece satışları tahmleyeblrz. Prof.Dr.Üzeyme DOĞAN - Üretm 134
3 Nedesel modeller Nedesel modeller, zama sers modellere orala kullaılmaları daha zor ve karmaşıktır. Özellkle brde çok değşke arasıda lşk kurmayı düşüürsek... E bast ve e çok ble edesel model doğrusal ğ regresyodur. Prof.Dr.Üzeyme DOĞAN - Üretm 135
4 Regresyo modeller kullaarak ögörüleme Regresyo aalz statstk br tekktr. İk ya da daha fazla değşke arasıdak lşkye dayaarak ögörü yapmak ç kullaılır. Regresyo termolojsde : Y bağımlı değşke, ögörülemek stedğmz değşke X (x 1, x 2, x 3,...)bağımsız ğ değşke Y ögörümü br ya da daha fazla bağımsız değşkee (x) bağlıdır. Bağımlı ve bağımsız değşkeler ç brtakım verler sağlayablrsek, ğ regresyo aalz bze br eştlk ş sağlayacak, bu eştlk x değerler verldğde y değer ögörmede kullaılacaktır. Prof.Dr.Üzeyme DOĞAN - Üretm 136
5 Regresyo Bağımlı değşke: y Bağımsız değşke(ler): x Yaygı kullaım y = a + Σ b x 10/22/2007 Prof.Dr.Üzeyme Operasyo DOĞAN Yöetm - Üretm
6 Bast Doğrusal Regresyo Bağımlı ğ değşke: ğ ş y, ör. satış ş Bağımsız değşke: x, ör. reklam gderler y=a+bx Bağımlı ğ Bağımsız ğ değşke değşke 10/22/2007 Sabt Eğm Prof.Dr.Üzeyme Operasyo DOĞAN Yöetm - Üretm
7 Çoklu Doğrusal Regresyo Bağımlı değşke: y Bağımsız değşkeler: x, x, x Bağımsız değşkeler: y = a + b x + b x + b x Bağımlı Sabt deşke 10/22/2007 Katsayılar Bağımsız değşkeler Prof.Dr.Üzeyme Operasyo DOĞAN Yöetm - Üretm
8 Çoklu Regresyo Öreğ Talep brde çok değşkele lşkl Örekler Reklam gderler Satış elemaı sayısı Nüfus artışı Eflasyo hızı v.b. 10/22/2007 Prof.Dr.Üzeyme Operasyo DOĞAN Yöetm - Üretm
9 Doğrusal regresyo Doğrusal ğ regresyo, k değşke arasıdak lşk br doğru le modelleeceğ esasıa dayaır. Ögörülecek bağımlı değşke Y, dğer değşkee (X-bağımsız değşke) br doğru şeklde lşkledrlr. İk değşke arasıdak lşk: Y= a + b X a ve b, doğruda sapmaları hataları kareler toplamıı- mmum yapacak şeklde seçlr a= doğruu Y y kestğ yer b= doğruu eğm Prof.Dr.Üzeyme DOĞAN - Üretm 141
10 Lear Regresso Model Shows lear relatoshp betwee depedet & explaatory varables Example: Sales & advertsg (ot tme) Y-tercept Y ^ Slope = a + bx Depedet (respose) varable Idepedet (explaatory) varable Prof.Dr.Üzeyme DOĞAN - Üretm 142
11 Iterpretato of Coeffcets Slope (b) Estmated Y chages by b for each 1 ut crease X If b = 2, the sales (Y) s expected to crease by 2 for each 1 ut crease advertsg (X) Y-tercept (a) Average value of Y whe X = 0 If a = 4, the average sales (Y) s expected to be 4 whe advertsg (X) s 0 Prof.Dr.Üzeyme DOĞAN - Üretm 143
12 Lear Regresso Model Y Y a b X = + + Error Error Regresso le Y ^ = a + b X Observed value X Prof.Dr.Üzeyme DOĞAN - Üretm 144
13 Lear Regresso Equatos Equato: Ŷ ˆ = a+ bx Slope: b = = 1 x =11 x y 2 x x 2 y Y-Itercept: a = y bx Prof.Dr.Üzeyme DOĞAN - Üretm 145
14 Computato Table X Y X 2 X 1 Y 1 X 1 2 Y 2 Y X 2 Y 2 X 2 Y 2 X Y X 1 Y 1 X 2 Y 2 : : : : : X Y X 2 2 Y X Y ΣX ΣY ΣX 2 ΣY 2 ΣX Y Prof.Dr.Üzeyme DOĞAN - Üretm 146
15 Örek Br şaat tfrması, satışları le, o bölge gelrler arasıda br lşk olduğuu düşümektedr. Geçmş ş 6 yıldak satışları le bölge gelrlere lşk aşağıdak verler topladı: Satışlar ( ) Bölge gelrler ( ) , ,5 7 Prof.Dr.Üzeyme DOĞAN - Üretm 147
16 Scatter Dagram Sales versus Payroll ( $ h udred d s of thousa ds) Sales Area Payroll ( $ hudreds of mllos) Prof.Dr.Üzeyme DOĞAN - Üretm 148
17 Satışlar ( ) y Bölge gelrler ( ) x örek x 2 xy y , , , ,5 12, ,55 39,5 Prof.Dr.Üzeyme DOĞAN - Üretm 149
18 örek X = 18/6=3 15/6=2,5 Y = b=0,25 a=1,75 Ŷ= 1,75+0,25 X Gelecek yıl bölge gelrler 6 ( )$ olacağıa göre frmaı satışları: Ŷ = 1,75 + 0,25.6= 3,25 ( ) olacak Prof.Dr.Üzeyme DOĞAN - Üretm 150
19 örek Tahm stadart hatası: Satışları Ŷ =3,25 olması; tahm regresyo 2 doğrusu üzerde br ( y yc ) = 1 okta tahmdr. S y, x = 2 Tahm doğruluğuu ölçmek öç ç tahm stadart hatası 2 hesaplaır. Bua y a y b = 1 = 1 = 1 = regresyou stadart 2 sapması da der. x y Prof.Dr.Üzeyme DOĞAN - Üretm 151
20 Tahm stadart hatası Örekte: S yx y,x = 0,09375 = 0,306 (00.000) Örek hacm >30 ç y ögörü aralığıı bulmada ormal dağılım tablosu Örek hacm <30 ç t dağılımı ğ uygudur. Prof.Dr.Üzeyme DOĞAN - Üretm 152
21 Bast Doğrusal Regresyo Öreğ Aylar Reklam gder Satış tutarı ( ) ( ) Ocak 120,000 2,780,000 Şubat 240,000 4,500,000 Mart 310,000 5,000,000, Nsa 200,000 3,750,000 Mayıs 440,000 5,200,000 Hazra 120,000 2,440,000 10/22/2007 Prof.Dr.Üzeyme Operasyo DOĞAN Yöetm - Üretm
22 Grafksel Çözüm (Excel 2000) REKLAM GİDERLERİNİN FONKSİYONU OLARAK SATIŞ 6,000,000 5,000,000 Satış ş 4,000,000 3,000,000 2,000,000 Gözlem Ögörü 1,000,000 10/22/ , , , , ,000 Prof.Dr.Üzeyme Operasyo DOĞAN Yöetm - Üretm Reklam Gder
23 POM for Wdows Çözümü Measure Value Error Measures Bas (Mea Error) MAD (Mea Absolute Devato) MSE (Mea Squared Error) 165, Stadard Error (deom=-2-0=4) Regresso le Dpdt var, Y = 1, * X1 Statstcs Correlato coeffcet Coeffcet of determato (r^2) /22/2007 Prof.Dr.Üzeyme Operasyo DOĞAN Yöetm - Üretm
24 Radom Error Varato Varato of actual Y from predcted Y Measured by stadard error of estmate Sample stadard devato of errors Deoted S Y,X Affects several factors Parameter sgfcace Predcto accuracy Prof.Dr.Üzeyme DOĞAN - Üretm 156
25 Least Squares Assumptos Relatoshp s assumed to be lear. Plot the data frst - f curve appears to be preset, use curvlear aalyss. Relatoshp s assumed to hold oly wth or slghtly outsde data rage. Do ot attempt to predct tme perods far beyod the rage of the data base. Devatos aroud least squares le are assumed to be radom. Prof.Dr.Üzeyme DOĞAN - Üretm 157
26 Stadard Error of the Estmate Stadard Error of the Estmate 2 ( ) 2 1 2, = = y y S c x y = = = = y x b y a y Prof.Dr.Üzeyme DOĞAN - Üretm
27 korelasyo İk değşke arasıdak doğrusal ğ lşk yöüü ü ve gücüü ölçe br statstktr. Regresyo k değşke arasıdak lşky ve lşk yapısıı gösterr. ( br değşkedek değşkelğ dğer değşkede yarattığı değşklğ gösterr) İk değşke arasıdak lşky değerledrme dğer br yolu korelasyo katsayısıı hesaplamadır. Korelasyo katsayısı r le gösterlr ve r (-1 le +1) arasıdadır. Prof.Dr.Üzeyme DOĞAN - Üretm 159
28 korelasyo r=+1 k değşke arasıdak mükemmel br poztf lşky r=-1 mükemmel br egatf lşky gösterr. r=0 değşkeler arasıda lşk yoktur. Prof.Dr.Üzeyme DOĞAN - Üretm 160
29 Determasyo-belrllk katsayısı İk değşke arasıdak lşky açıklamak k ç dğer br ölçü determasyo katsayısıdır. r 2 le gösterlr. Bağımsız değşke, bağımlı değşkedek değşklkler e derece y açıkladığıı belrler. Regresyo doğrusuu verlere e kadar y uyduğuu gösterr. r büyüdükçe daha y olur. r 2 dama poztftr ve 0 le 1 arasıdadır r=0,9 se r 2 = 0,81 y dek değşkelğ %81 regresyo eştlğ le açıklaır. Ya y dek değşkelğ %81 x e bağlı. Prof.Dr.Üzeyme DOĞAN - Üretm 161
30 Correlato Aswers: how strog s the lear relatoshp betwee the varables? Coeffcet of correlato Sample correlato coeffcet deoted r Values rage from -1 to +1 Measures degree of assocato Used maly for uderstadg d Prof.Dr.Üzeyme DOĞAN - Üretm 162
31 Sample Coeffcet of Correlato = = 1 = 1 = y x y x r =1 2 =1 2 =1 2 =1 2 y y x x 163 Prof.Dr.Üzeyme DOĞAN - Üretm
32 Coeffcet of Correlato Values Perfect Negatve Correlato No Correlato Perfect Postve Correlato Icreasg degree of egatve correlato Icreasg degree of postve correlato Prof.Dr.Üzeyme DOĞAN - Üretm 164
33 Coeffcet of Correlato ad Regresso Model Y Y r = 1 Y r = -1 ^ Y ^ = a + bx X r =.89 Y r = 0 Y = a + bx X Y^ = a + bx X Y^ = a + bx r 2 = square of correlato coeffcet (r), s the percet of the varato y that s explaed by the regresso equato Prof.Dr.Üzeyme DOĞAN - Üretm X 165
34 örek İşaat frması satışları öreğde korelasyo katsayısıı bulmak stersek: r= 0,901 Determasyo katsayısı: r 2 =0,81 olarak a hesaplaır. a Ya toplam değşklğ %81 regresyo eştlğ le açıklaablr. Y değşmes % 81 x (bölge gelrler)e bağlı, %19 dğer edelerle değşyor. Prof.Dr.Üzeyme DOĞAN - Üretm 166
35 Çoklu regresyo İşaat frması satışlarıı bölge gelrler yaısıra faz oralarıa da bağlı olduğuu düşüürse: Ŷ= a+b 1 x 1 +b 2 x 2 x 1 =bölge gelrler x 2 =faz oraları Ŷ= 1,8+0,3x 1-5x 2 ve r= 0,96 bulursa Faz oralarıı hesaplamaya katılması doğrusal lşky daha da güçledrmştr. Gelecek yıl satışlarıı; bölge gelr 600 mlyo ve fazler %12 olacaksa: 1,8+0,3.(6)- 5.(0,12)=3 (00.000) olarak tahmler Prof.Dr.Üzeyme DOĞAN - Üretm 167
36 Gudeles for Selectg Forecastg Model You wat to acheve: No patter or drecto forecast error ^ Error = (Y - Y ) = (Actual - Forecast) See plots of errors over tme Smallest forecast error Mea square error (MSE) Mea absolute devato (MAD) Prof.Dr.Üzeyme DOĞAN - Üretm 168
37 Patter of Forecast Error Tred Not Fully Accouted for Desred Patter Error Error 0 0 Tme (Years) Tme (Years) Prof.Dr.Üzeyme DOĞAN - Üretm 169
38 Forecast Error Equatos Mea Square Error (MSE) 2 (y ŷ ) forecast 1 MSE = = = errors Mea Absolute Devato (MAD) y yˆ forecast errors 1 MAD = = = Mea Absolute Percet Error (MAPE) actual forecast MAPE = 100 = 1 actual 2 Prof.Dr.Üzeyme DOĞAN - Üretm 170
39 Selectg Forecastg Model Example You re a marketg aalyst for Hasbro Toys. You ve forecast sales wth a lear model & expoetal smoothg. Whch model do you use? Actual Lear Model Expoetal Year Sales Forecast Smoothg Forecast (.9) Prof.Dr.Üzeyme DOĞAN - Üretm 171
40 Lear Model Evaluato Year Y ^Y Error Error 2 Error Error Actual Ttl Total MSE = Σ Error 2 / = 1.10 / 5 = MAD = Σ Error / = 2.0 / 5 = MAPE = 100 Σ absolute percet errors /= 1.20/5 = Prof.Dr.Üzeyme DOĞAN - Üretm 172
41 Expoetal Smoothg Model Evaluato Year Y Y ^ Error Error 2 Error MSE = Σ Error 2 / = 0.05 / 5 = 0.01 MAD = Σ Error / = 0.3 / 5 = 0.06 MAPE = 100 Σ Absolute percet errors / = 0.10/5 = 0.02 Error Actual Total Prof.Dr.Üzeyme DOĞAN - Üretm 173
42 Expoetal Smoothg Model Evaluato Lear Model: MSE = Σ Error 2 / = / 5 =.220 MAD = Σ Error / = 2.0 / 5 =.400 MAPE = 100 Σ absolute percet errors /= 1.20/5 = Expoetal Smoothg Model: MSE = Σ Error 2 / = 0.05 / 5 = 0.01 MAD = Σ Error / = 0.3 / 5 = 0.06 MAPE = 100 Σ Absolute percet errors / = 0.10/5 = 0.02 Prof.Dr.Üzeyme DOĞAN - Üretm 174
43 İzleme syal Ögörüleme yötem performasıı değerledrmek ç gerçekleşe değerler, ögörü değerleryle ğ karşılaştırılır. ş ş Ögörüleme yötem yeterl olup olmadığıı belrleye br yötem ye verler ögörü değeryle gözle karşılaştırmaktır. Dğer br yötem zleme syal kullamaktır. kt Prof.Dr.Üzeyme DOĞAN - Üretm 175
44 İzleme syal İzleme l syal, ögörü ö hatalarıı cebrsel toplamıı ortalama mutlak sapmaya bölümesyle hasaplaa br rasyodur. İzleme syal=σ(gerçek-ögörü) / ort.mutlak sapma Ögörülemede zleme syal ögörü değer ğ gerçek değer altıda ya da üstüde olduğuu göstere ortalama mutlak sapma sayısıdır. İzleme syal kabul edleblr sıırları, ögörüle taleb büyüklüğüe, ve bu şe ayrıla zamaa göre değşr. Geelde 1-4 MAD sıırları alıır. Mükemmel br modelde ögörü hataları toplamı 0 olur. Gerçeğ altıda ve üstüde değerler brbr degeler. İzleme syal o zama 0 olur. Prof.Dr.Üzeyme DOĞAN - Üretm 176
45 Trackg Sgal Measures how well the forecast s predctg actual values Rato of rug sum of forecast errors (RSFE) to mea absolute devato (MAD) Good trackg sgal has low values Should be wth upper ad lower cotrol lmts Prof.Dr.Üzeyme DOĞAN - Üretm 177
46 Trackg Sgal Equato RSFE TS = MAD = = 1 ( y ŷ ) MAD = forecast error MAD Prof.Dr.Üzeyme DOĞAN - Üretm 178
47 Trackg Sgal Computato Mo Fcst Act Error RSFE Abs Error Cum Error MAD TS Prof.Dr.Üzeyme DOĞAN - Üretm 179
48 Trackg Sgal Computato Mo Forc Act Error RSFE Abs Error Cum Error MAD Error = Actual - Forecast = = -10 TS Prof.Dr.Üzeyme DOĞAN - Üretm 180
49 Trackg Sgal Computato Mo Forc Act Error RSFE Abs Error Cum Error MAD RSFE = Σ Errors = NA + (-10) = -10 TS Prof.Dr.Üzeyme DOĞAN - Üretm 181
50 Trackg Sgal Computato Mo Forc Act Error RSFE Abs Error Cum Error MAD Abs Error = Error = -10 = 10 TS Prof.Dr.Üzeyme DOĞAN - Üretm 182
51 Mo Trackg Sgal Computato Forc Act Error RSFE Abs Error Cum Error MAD Cum Error = Σ Errors = NA + 10 = 10 TS Prof.Dr.Üzeyme DOĞAN - Üretm 183
52 Trackg Sgal Computato Mo Forc Act Error RSFE Abs Error Cum Error MAD MAD = Σ Errors / = 10/1 = 10 Prof.Dr.Üzeyme DOĞAN - Üretm TS 184
53 Mo Trackg Sgal Computato Forc Act Error RSFE Abs Error Cum Error MAD TS TS = RSFE/MAD = -10/10 = -1 Prof.Dr.Üzeyme DOĞAN - Üretm 185
54 Mo Trackg Sgal Computato Forc Act Error RSFE Abs Error Cum Error MAD TS Error = Actual - Forecast = = -5 Prof.Dr.Üzeyme DOĞAN - Üretm 186
55 Mo Trackg Sgal Computato Forc Act Error RSFE Abs Error Cum Error MAD TS RSFE = Σ Errors = (-10) + (-5) = -15 Prof.Dr.Üzeyme DOĞAN - Üretm 187
56 Mo Trackg Sgal Computato Forc Act Error RSFE Abs Error Cum Error MAD TS Abs Error = Error = -5 = 5 Prof.Dr.Üzeyme DOĞAN - Üretm 188
57 Mo Trackg Sgal Computato Forc Act Error RSFE Abs Error Cum Error MAD TS Cum Error = Σ Errors = = 15 Prof.Dr.Üzeyme DOĞAN - Üretm 189
58 Mo Trackg Sgal Computato Forc Act Error RSFE Abs Error Cum Error MAD TS MAD = Σ Errors / / = 15/2 = 7.5 Prof.Dr.Üzeyme DOĞAN - Üretm 190
59 Mo Trackg Sgal Computato Forc Act Error RSFE Abs Error Cum Error MAD TS TS = RSFE/MAD = -15/7.5 = -2 Prof.Dr.Üzeyme DOĞAN - Üretm 191
60 Trackg Sgal Computato Mo Fcst Act Error RSFE Abs Error Cum Error MAD TS Prof.Dr.Üzeyme DOĞAN - Üretm 192
61 İzleme syal döem Tl Talep Gerçek hata RSFE- IhataI I Kümülatf ül MAD/ort İzleme l ögörüsü talep mutlak mutlak syal hata hata kümülatf ögörü hataları , , ,2 25 2,5
62 Plot of a Trackg Sgal Sgal exceeded lmt Upper cotrol lmt t Lower cotrol lmt Trackg sgal Acceptable rage Tme Prof.Dr.Üzeyme DOĞAN - Üretm 194
63 Trackg Sgals Actu ual Dema ad Forecast Actual demad 0 60 Trackg Sgal Tme Trac ckg S gal Prof.Dr.Üzeyme DOĞAN - Üretm 195
64 Forecastg the Servce Sector Presets uusual challeges specal eed for short term records eeds dffer greatly as fucto of dustry ad product ssues of holdays ad caledar uusual evets Prof.Dr.Üzeyme DOĞAN - Üretm 196
65 Forecast of Sales by Hour for Fast Food Restaurat Prof.Dr.Üzeyme DOĞAN - Üretm 197
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)
DetaylıDeğişkenler 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
Detaylıİki 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
DetaylıEMEKLİLİK 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
DetaylıTanımlayıcı 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.).
DetaylıDoç. 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
DetaylıYER 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,
DetaylıZaman 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
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon 1 Korelasyon Analz İk değşken arasında lşk olup olmadığını belrlemek çn yapılan analze korelasyon analz denr. Korelasyon; doğrusal yada doğrusal olmayan dye kye ayrılır. Korelasyon
DetaylıBiyoistatistik (Ders 9: Korelasyon ve Regresyon Analizi)
KORELASYON ve REGRESYON ANALİZLERİ Yrd. Doç. Dr. Üal ERKORKMAZ Sakarya Üverstes Tıp Fakültes Byostatstk Aablm Dalı uerkorkmaz@sakarya.edu.tr SİSTEM, ALT SİSTEM ve SİSTEM DİNAMİKLERİ Doğa br aa sstemdr.
DetaylıTanımlayıcı 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
DetaylıDoğrusal Korelasyon ve Regresyon
Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan
DetaylıQuality Planning and Control
Qualty Plag ad Cotrol END 3618 KALİTE PLANLAMA VE KONTROL Prof. Dr. Mehmet ÇAKMAKÇI Dokuz Eylül Üverstes Edüstr Mühedslğ Aablm Dalı 1 Qualty Maagemet İstatstksel Proses Kotrol Kotrol Kartları 2 END 3618
Detaylıise, genel bir eğilim (trend) gösteriyorsa bu seriye uygun doğru ya da eğriyi bulmaya çalışırız. Trend orta-uzun dönemde her iniş, çokışı
Trend Analizi Eğer zaman serisi i rastgele dağılmış ğ değil ise, genel bir eğilim (trend) gösteriyorsa bu seriye uygun doğru ya da eğriyi bulmaya çalışırız. Trend orta-uzun dönemde her iniş, çokışı yansıtmayacak,
DetaylıEMEKLİLİK YATIRIM FONLARI DEĞERLENDİRMESİ AÇIKLAMA NOTLARI VE VARSAYIMLAR
EMEKLİLİK YATIRIM FONLARI DEĞERLENDİRMESİ AÇIKLAMA NOTLARI VE VARSAYIMLAR 2015 yılı fo getrs 02/01/2015-04/01/2016 tarhl brm pay değerler kullaılması le hesaplamıştır. 2015 yılı karşılaştırma ölçütü getrs
DetaylıX = 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
DetaylıTALEP 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
DetaylıFarklı 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
DetaylıSayısal 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
DetaylıTOBB 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
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon Kazanımlar 1 2 3 4 5 6 Değişkenlerin ilişkisini açıklamak ve hesaplamak için Pearson korelasyon katsayısı Örneklem r ile evren korelasyonu hakkında hipotez testi yapmak Spearman
DetaylıÖRNEKLEME 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
DetaylıGenelleştirilmiş 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
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon Kazanımlar 1 2 3 4 5 6 Değişkenlerin ilişkisini açıklamak ve hesaplamak için Pearson korelasyon katsayısı Örneklem r ile evren korelasyonu hakkında hipotez testi yapmak Spearman
DetaylıGiriş. Değişkenlik Ölçüleri İSTATİSTİK I. Ders 5 Değişkenlik ve Asimetri Ölçüleri. Değişkenlik. X i ve Y i aşağıdaki gibi iki seri verilmiş olsun:
Grş İSTATİSTİK I Ders Değşkelk ve Asmetr Ölçüler Ortalamalar, serler karşılaştırılmasıda her zama yeterl ölçüler değldr. Ayı ortalamayı sahp serler arklı dağılım göstereblrler. Bu edele serler karşılaştırılmasıda,
Detaylı= 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)
DetaylıBEKLENEN 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
DetaylıÇOKLU 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
DetaylıİSTATİSTİKSEL 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
DetaylıMERKEZİ 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
DetaylıOrkun COŞKUNTUNCEL a Mersin Üniversitesi
Kuram ve Uygulamada Eğtm Blmler Educatoal Sceces: Theory & Practce - 3(4) 39-58 03 Eğtm Daışmalığı ve Araştırmaları İletşm Hzmetler Tc. Ltd. Şt. www.edam.com.tr/kuyeb DOI: 0.738/estp.03.4.867 Sosyal Blmlerde
DetaylıRegresyon. Regresyon korelasyon ile yakından ilişkilidir
Regresyon Regresyona Giriş Regresyon korelasyon ile yakından ilişkilidir Regresyon bir bağımlı değişken ile (DV) bir veya daha fazla bağımsız değişken arasındaki doğrusal ilişkiyi inceler. DV için başka
Detaylı1. 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
DetaylıSabit Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2
X Sabt Varyans Y Var(u X ) = Var(u ) = E(u ) = s Eşt Varyans EKKY nn varsayımlarından br anakütle regresyon fonksyonu u lern eşt varyanslı olmasıdır Her hata term varyansı bağımsız değşkenlern verlen değerlerne
DetaylıDEĞİŞİM ÖLÇÜLERİ 4. TAŞINMAZ GELİŞTİRME TEZSİZ YÜKSEK LİSANS PROGRAMI. Ünite: 4 DEĞİŞİM ÖLÇÜLERİ. Doç. Dr. Yüksel TERZİ İÇİNDEKİLER İÇİNDEKİLER
TAŞINMAZ GELİŞTİRME Üte: DEĞİŞİM ÖLÇÜLERİ Doç. Dr. üksel TERZİ TAŞINMAZ GELİŞTİRME TEZSİZ ÜKSEK LİSANS PROGRAMI İÇİNDEKİLER.1. GİRİŞ.. DEĞİŞİM ÖLÇÜLERİ..1. Değşm Geşlğ... Kartller Arası fark... Ortalama
DetaylıNedensel Modeller Y X X X
Tahmin Yöntemleri Nedensel Modeller X 1, X 2,...,X n şeklinde tanımlanan n değişkenin Y ile ilgili olmakta; Y=f(X 1, X 2,...,X n ) şeklinde bir Y fonksiyonu tanımlanmaktadır. Fonksiyon genellikle aşağıdaki
DetaylıUYGULAMA 2. Bağımlı Kukla Değişkenli Modeller
UYGULAMA 2 Bağımlı Kukla Değşkenl Modeller Br araştırmacı Amerka da yüksek lsans ve doktora programlarını kabul ednlmey etkleyen faktörler ncelemek stemektedr. Bu doğrultuda aşağıdak değşkenler ele almaktadır.
DetaylıHipotez 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
DetaylıNİTEL TERCİH MODELLERİ
NİTEL TERCİH MODELLERİ 2300 gözlem sayısı le verlen değşkenler aşağıdak gbdr: calsma: çocuk çalışıyorsa 1, çalışmıyorsa 0 (bağımlı değşken) Anne_egts: Anne eğtm sevyes Baba_egts: Baba eğtm sevyes Kent:
DetaylıEKONOMETRİYE GİRİŞ II ÖDEV 4 ÇÖZÜM
EKONOMETRİYE GİRİŞ II ÖDEV 4 ÇÖZÜM (Örgün e İknc Öğretm çn) 1. 754 hanehalkına at DOMerset sml Excel dosyasında yer alan erler kullanarak tahmnlenen DOM sonuçları: Dependent Varable: CALISANKADIN Sample:
DetaylıMUTLAK SAPMALARIN ORTALAMASINI MİNUMUM YAPMA * (MİNMAD) REGRESYON ANALİZİ* Minimizing Mean Absolute Deviations (MINMAD) Regression Analysis*
MUTLAK SAPMALARIN ORTALAMASINI MİNUMUM YAPMA (MİNMAD) REGRESYON ANALİZİ Mmzg Mea Absolute Devatos (MINMAD) Regresso Aalss Hüla TOSUN Ç.Ü.Fe Blmler Esttüsü Matematk Aablm Dalı Selahatt KAÇIRANLAR Ç.Ü.Fe
DetaylıLojistik 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
Detaylıdenklemini sağlayan tüm x kompleks sayılarını bulunuz. denklemini x = 64 = 2 i şeklinde yazabiliriz. Bu son kompleks sayıları için x = 2iy
Ders Sorumlusu: Doç. Dr. Necp ŞİMŞEK Problem. deklem sağlaya tüm kompleks sayılarıı buluu. Çöüm deklem şeklde yaablr. Bu so y kompleks sayıları ç y yaalım. Bu taktrde deklemde, baı y ( ) y elde edlr. Burada
DetaylıÖrnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız.
Örnek Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. i. ii. X 1 2 3 4 1 2 3 4 Y 2 3 4 5 4 3 2 1 Örnek Aşağıdaki veri
DetaylıREGRESYON VE KORELASYON ANALİZİ
REGRESYON VE KORELASYON ANALİZİ.. Doğrusal İlşler.. Yalı (ast) Regreso... E Küçü Kareler Metodu a) Normal Delemler Çözümü ) Determat metodu c) Orj Kadırma... Regresou Stadart Sapması..3. Regresou Duarlılığı..4.
DetaylıTanımlayıcı 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
DetaylıKİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür.
Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk
DetaylıBox ve Whisker Grafiği
www.memetaarayl.com Bölümü Amaçları DEĞİŞKELİK ÖLÇÜLERİ Dr. Mehmet AKSARAYLI D.E.Ü. İ.İ.B.F..B.F. EKOOMETRİ BÖLÜMÜ mehmet.aarayl@deu.edu.tr Bu Bölümü tamamladıta ora eler yapablecez: Bo ve Wher grağ ouma
DetaylıKİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ
Kİ-KAR TSTLRİ A) Kİ-KAR DAĞILIMI V ÖZLLİKLRİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk gösterp
DetaylıREGRESYON 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,
DetaylıYÖNEYLEM ARAŞTIRMASI III. Dinamik Programlama. Örnek 3: Tıbbi Müdahale Ekiplerinin Ülkelere Dağıtımı
YÖNEYLEM ARAŞTIRMASI III Hafta Determstk Damk Programlama (devam) Damk Programlama Geçe derste küçük ölçekl problemler damk programlamayla yelemel olarak asıl çözüldüğüü gördük. Bu derste, öreklere devam
DetaylıKİ 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.
DetaylıTanımlayıcı 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
DetaylıŞekil 1.1. Modellerin genel tasnifi
I. MATEMATİKSEL MODELLEME 1.1. Ssteml yaklaşım veya sstem aalz yötem Ekosstemler araştırılmasıı ve öğrelmes metodolojk esası oldukça öeml blm dalı ola Stem Yaklaşımı veya Sstem Aalz olarak adladırıla yötem
DetaylıTanımlayıcı 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
DetaylıBağımsız Örneklemler İçin Tek Faktörlü ANOVA
Bağımsız Örneklemler İçin Tek Faktörlü ANOVA ANOVA (Varyans Analizi) birden çok t-testinin uygulanması gerektiği durumlarda hata varyansını azaltmak amacıyla öncelikle bir F istatistiği hesaplanır bu F
DetaylıHİPOTEZ 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
DetaylıRegresyon 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
DetaylıBULANIK MANTIKTA KORELASYON KATSAYISI; METEROLOJİK OLAYLARDA BİR UYGULAMA
Eskşehr Osmagaz Üverstes Müh.Mm.Fak.Dergs C.XX, S., 2007 Eg&rch.Fac. Eskşehr Osmagaz Uversty, Vol..XX, No:, 2007 Makale Gelş Tarh : 29.05.2006 Makale Kabul Tarh : 20.0.2006 ULNIK MNTIKT KORELSYON KTSYISI;
DetaylıPORTFÖY 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
DetaylıFarklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2 Eşit Varyans
Farklı Varyans Var(u X ) = Var(u ) = E(u ) = s Eşt Varyans Y X 1 Farklı Varyans Hata Var(u X ) = Var(u ) = E(u ) = s Farklı Varyans Zaman EKKY nn varsayımlarından br anakütle regresyon fonksyonu u lern
DetaylıBÖLÜM 6 6. REGRESYON MODELİNİN TEMEL KONTROLÜ
BÖLÜM 6 6. REGRESYON MODELİNİN TEMEL KONTROLÜ Bu bölüde regresyo odel üzerde gerçekleştrlecek teel kotrol yöteler celeecektr. Bu kısıda açıklaacak ola tekkler sadece doğrusal regresyo ç değl doğrusal olaya
DetaylıOLS Klasik Varsayımlar. Çoklu Regresyon. Çoklu Regresyon Modellemesi. Çoklu Regresyon Modeli. Multiple Regression
OLS Klasik Varsayımlar Çoklu Regresyon Multiple Regression. Lineer regresyon modeli. E(e i )=, ortalama hata sıfırdır. E(X i e i )=, bağımsız değişkenlerle hatalar arasında korelasyon mevcut değildir 4.
DetaylıPARÇALI DOĞRUSAL REGRESYON
HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal
DetaylıKorelasyon analizi. Korelasyon analizinin niteliği. Sınava hazırlanma süresi ile sınavdan alınan başarı arasında ilişki var mıdır?
Korelasyon analz Korelasyon analz Sınava hazırlanma süres le sınavdan alınan başarı arasında lşk var mıdır? q N sayıda öğrencnn sınava hazırlanma süreler le sınavdan aldıkları puanlar tespt edlr. Reklam
DetaylıYığın Hacminin Tahmini İçin Bulanık Doğrusal Regresyon Modelinde Ters Tahmin Metodu
S Ü Fe Ed Fa Fe Derg Saı (003) 65-0, KONYA Yığı Hacm Tahm İç Bulaı Doğrusal Regreso Modelde Ters Tahm Metodu Mustafa SEMİZ, Aşır GENÇ Özet: Bu çalışmada ığı hacm tahm ç farlı br alaşım suulmatadır. Yığı
DetaylıÖLÇÜM, 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
DetaylıTABAKALI 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
DetaylıANFIS VE ARMA MODELLERİ İLE ELEKTRİK ENERJİSİ YÜK TAHMİNİ
Gaz Üv. Müh. Mm. Fak. Der. J. Fac. Eg. Arch. Gaz Uv. Clt 5, No 3, 60-60, 00 Vol 5, No 3, 60-60, 00 ANFIS VE ARMA MODELLERİ İLE ELEKTRİK ENERJİSİ YÜK TAHMİNİ Özka DEMİREL, Ada KAKİLLİ ve Mehmet TEKTAŞ Elektrk
DetaylıNİÇİN 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
DetaylıİSTATİSTİK 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
DetaylıIŞIĞIN KIRILMASI. 1. Ortamların kırılma indisleri n K. , n M. , n L. arasındaki ilişki aşağıdaki gibidir. > n L. > n K. n M. > n M. n L. n K.
BÖÜ ŞĞ RAS AŞTRAAR ÇÖZÜER ŞĞ RAS Ortamları kırılma dsler,, arasıdak lşk aşağıdak gbdr 9 > > > > > > 6 0 > > > > > > 7 > > > > > > 0 7 0 0 > > > > > 76 OPTİ 7 0 0 > > > > > > 0 θ θ > > > > > > 9 0 O > >
DetaylıBir Alışveriş Merkezinde Hizmet Sektörü Đçin En Kısa Yol Problemi ile Bir Çözüm
Br Alışverş Merkezde Hzmet Sektörü Đç E Kısa Yol Problem le Br Çözüm Pıar Düdar, Mehmet Al Balcı, Zeyep Örs Yorgacıoğlu Ege Üverstes, Matematk Bölümü, Đzmr Yaşar Üverstes, Matematk Bölümü, Đzmr par.dudar@ege.edu.tr,
DetaylıĐÇI 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
DetaylıTÜRKİYE 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
DetaylıĞ Ç Ğ ç ç ç ç Ö ç Ş Ğ ç ç Ö Ş» ç
Ğ ç ç Ş Ğ Ş Ğ Ç Ğ ç ç ç ç Ö ç Ş Ğ ç ç Ö Ş» ç ç ç ç ç Öç ç ç ç Ç ç ç ç ç ç Ş ç ç ç ç ç ç Ğ ç Ü Ü ç ç Ü Ğ ç ç ç Ş Ş ç Ç ç Ç ç ç ç ç ç ç ç ç ç ç ç Ö ç ç ç ç Ü Ğ ç Ç ç ç Ş ç Ç Ç ç Ö ç ç ç ç ç Ş ç Ş Ş ç ç ç
DetaylıSEK Yönteminin Güvenilirliği Sayısal Bir Örnek. Ekonometri 1 Konu 11 Sürüm 2,0 (Ekim 2011)
İk Değşkenl Bağlanım Model SEK Yöntemnn Güvenlrlğ Ekonometr 1 Konu 11 Sürüm,0 (Ekm 011) UADMK Açık Lsans Blgs İşbu belge, Creatve Commons Attrbuton-Non-Commercal ShareAlke 3.0 Unported (CC BY-NC-SA 3.0)
Detaylıdeğerine 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
DetaylıALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI
ALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI Bezetimi e öemli faydalarıda birisi, uygulamaya koymada öce alteratifleri karşılaştırmaı mümkü olmasıdır. Alteratifler; Fabrika yerleşim tasarımları Alteratif üretim
DetaylıALTERNATİF 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
DetaylıServis Yönlendirmeli Sistemlerde Güven Yayılımı
Servs Yöledrmel Sstemlerde Güve Yayılımı Mahr Kutay, S Zafer Dcle, M Ufuk Çağlaya Dokuz Eylül Üverstes, Elektrk-Elektrok Mühedslğ Bölümü, İzmr Boğazç Üverstes Blgsayar Mühedslğ Bölümü, İstabul Dokuz Eylül
DetaylıPOISSON REGRESYON ANALİZİ
İstabul Tcaret Üverstes Fe Blmler Dergs Yıl:4 Sayı:7 Bahar 005/ s. 59-7 POISSON REGRESYON ANALİZİ Özlem DENİZ * ÖZET Herhag br olayı belrlee br süreç çersde yaıla deemeler soucuda meydaa gelme sayısı,
DetaylıETKİN 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
DetaylıCHAPTER 6 SIMPLE LINEAR REGRESSION
CHAPTER 6 SIMPLE LINEAR REGRESSION Bu bölümdeki amacımız değişkenler arasındaki ilişkiyi gösteren en uygun eşitliği kurmaktır. Konuya giriş için şu örnekle başlayalım; Diyelim ki Mr. Bump adındaki birisi
DetaylıHĐPERSTATĐK 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,
DetaylıNormal Dogrusal Regresyon Modeli
Bölüm m 4: Normallik Varsayımı:Klasik Normal Dogrusal Regresyo Modeli Eğer amacımız sadece okta tahmii yapmak olsaydı SEK yeterli sayılabilirdi. Amac sadece β 2 (^) yi elde etmek degıl, ou kullaarak birseyler
DetaylıUnlike analytical solutions, numerical methods have an error range. In addition to this
ERROR Unlike analytical solutions, numerical methods have an error range. In addition to this input data may have errors. There are 5 basis source of error: The Source of Error 1. Measuring Errors Data
DetaylıUyum 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
DetaylıİŞLETİM KARAKTERİSTİĞİ EĞRİSİ VE BİR ÇALIŞMA THE OPERATING CHARACTERISTIC CURVE AND A CASE STUDY
Süleyma Demirel Üiversitesi Vizyoer Dergisi Suleyma Demirel Uiversity The Joural of Visioary İŞLETİM KARAKTERİSTİĞİ EĞRİSİ VE BİR ÇALIŞMA ÖZET Yrd. Doç. Dr. Halil ÖZDAMAR 1 İstatistiksel kalite kotrol
DetaylıBİR KARMAŞIK SİSTEMİN GÜVENİLİRLİK BLOK DİYAGRAMI İÇİN OLASILIK YOĞUNLUK FONKSİYONUNUN OLUŞTURULMASI VE İSTATİSTİKSEL GÜVENİLİRLİK HESAPLAMALARI*
BİR KARMAŞIK SİSTEMİN GÜVENİLİRLİK BLOK DİYAGRAMI İÇİN OLILIK YOĞUNLUK FONKSİYONUNUN OLUŞTURULMI VE İSTATİSTİKSEL GÜVENİLİRLİK HESAPLAMALARI* Costructo O Probablty Desty Fucto For The Relablty Block Dagram
DetaylıKONTROL 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
DetaylıTAHMİNLEYİCİLERİN 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
DetaylıGÜÇLÜ BETA HESAPLAMALARI. Güray Küçükkocaoğlu-Arzdar Kiracı
GÜÇLÜ BETA HESAPLAMALAI Güray Küçükkocaoğlu-Arzdar Kracı Özet Bu çalışaı aacı Fasal Varlıkları Fyatlaa Model (Captal Asset Prcg Model) Beta katsayısıı hesaplarke yaygı olarak kulladığı sırada e küçük kareler
Detaylı6. Uygulama. dx < olduğunda ( )
. Uygulama Hatırlatma: Rasgele Değşelerde Belee Değer Kavramı br rasgele değşe ve g : R R br osyo olma üzere, ) esl ve g ) ) < olduğuda D ) sürel ve g ) ) d < olduğuda g belee değer der. c R ve br doğal
Detaylıİstatistik 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
DetaylıMatematik 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
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 6- İSTATİSTİK VE REGRESYON ANALİZİ Doç. Dr. Ali Rıza YILDIZ 1 İSTATİSTİK VE REGRESYON ANALİZİ Bütün noktalardan geçen bir denklem bulmak yerine noktaları temsil eden, yani
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon Korelasyon- (lineer korelasyon) Açıklayıcı (Bağımsız) Değişken x çalışma zamanı ayakkabı numarası İki değişken arasındaki ilişkidir. Günlük sigara sayısı SAT puanı boy Yanıt (Bağımlı)
DetaylıÖğr. Elemanı: Dr. Mustafa Cumhur AKBULUT
Ünite 10: Regresyon Analizi Öğr. Elemanı: Dr. Mustafa Cumhur AKBULUT 10.Ünite Regresyon Analizi 2 Ünitede Ele Alınan Konular 10. Regresyon Analizi 10.1. Basit Doğrusal regresyon 10.2. Regresyon denklemi
DetaylıEnflasyon nedir? Eşdeğer hesaplamalarında enflasyon etkisini nasıl hesaba katarız? Mühendislik Ekonomisi. (Chapter 11) Enflasyon Nedir?
Elasyo ve Nakit Akışlarıa Etkisi (Chapter 11) TOBB ETÜ Örek 2015 Yılıda Çocuğuuzu Üiversiteye Gödermei Maliyeti Ne Kadar Olacak? 2005 yılıda 1 yıllık üiversite masraı $17,800. Elasyo edeiyle üiversite
Detaylı