LOJİSTİK REGRESYON VE CART ANALİZİ TEKNİKLERİYLE SOSYAL GÜVENLİK KURUMU İLAÇ PROVİZYON SİSTEMİ VERİLERİ ÜZERİNDE BİR UYGULAMA. Zeynep Burcu KIRAN

Save this PDF as:
 WORD  PNG  TXT  JPG

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "LOJİSTİK REGRESYON VE CART ANALİZİ TEKNİKLERİYLE SOSYAL GÜVENLİK KURUMU İLAÇ PROVİZYON SİSTEMİ VERİLERİ ÜZERİNDE BİR UYGULAMA. Zeynep Burcu KIRAN"

Transkript

1 LOJİSTİK REGRESYON VE CART ANALİZİ TEKNİKLERİYLE SOSYAL GÜVENLİK KURUMU İLAÇ PROVİZYON SİSTEMİ VERİLERİ ÜZERİNDE BİR UYGULAMA Zeynep Burcu KIRAN YÜKSEK LİSANS TEZİ İSTATİSTİK GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MAYIS 00 ANKARA

2 Zeynep Burcu KIRAN tarafından hazırlanan LOJİSTİK REGRESYON VE CART ANALİZİ TEKNİKLERİYLE SOSYAL GÜVENLİK KURUMU İLAÇ PROVİZYON SİSTEMİ VERİLERİ ÜZERİNDE BİR UYGULAMA adlı bu tezn Yüksek Lsans tez olarak uygun olduğunu onaylarım. Yrd. Doç. Dr. Necla GÜNDÜZ TEKİN Tez Danışmanı, İstatstk Anablm Dalı.. Bu çalışma, jürmz tarafından oy brlğ le İstatstk Anablm Dalında Yüksek Lsans tez olarak kabul edlmştr. Prof. Dr. Cevrye GENCER Endüstr Mühendslğ Anablm Dalı, G.Ü.. Yrd. Doç. Dr. Necla GÜNDÜZ TEKİN İstatstk Anablm Dalı, G.Ü. Prof. Dr. Semra ORAL ERBAŞ İstatstk Anablm Dalı, G.Ü.. Tarh: 4./ 05 / 00 Bu tez le G.Ü. Fen Blmler Ensttüsü Yönetm Kurulu Yüksek Lsans derecesn onamıştır. Prof. Dr. Blal TOKLU Fen Blmler Ensttüsü Müdürü.

3 v TEZ BİLDİRİMİ Tez çndek bütün blglern etk davranış ve akademk kurallar çerçevesnde elde edlerek sunulduğunu, ayrıca tez yazım kurallarına uygun olarak hazırlanan bu çalışmada bana at olmayan her türlü fade ve blgnn kaynağına eksksz atıf yapıldığını bldrrm. Zeynep Burcu KIRAN

4 v LOJİSTİK REGRESYON VE CART ANALİZİ TEKNİKLERİYLE SOSYAL GÜVENLİK KURUMU İLAÇ PROVİZYON SİSTEMİ VERİLERİ ÜZERİNDE BİR UYGULAMA (Yüksek Lsans Tez) Zeynep Burcu KIRAN GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ Mayıs 00 ÖZET Ver madenclğ teknkler çersnde en yaygın kullanıma sahp olan yöntemlerden br tanes sınıflama ve regresyon modellerdr. Bu çalışmada ver madenclğ metotları çersnde, sınıflama ve regresyon modellernden en çok kullanılan karar ağacı algortmalarından br olan sınıflama ve regresyon ağaçları (CART) algortması le lojstk regresyonun sınıflama özellklernn karşılaştırılması amaçlanmaktadır. Bu kapsamda yılları arası Sosyal Güvenlk Kurumu laç provzyon sstemnden alınan solunum sstem hastalıklarında reçeteye yazılan antbyotkler çersnden, pensln gurubu antbyotk kullanan hastaların profln belrlemek amacıyla br uygulama yapılmış ve çalışmaya alınan ver set çn CART analznn lojstk regresyon analzne göre daha y br doğru sınıflandırma oranına sahp olduğu görülmüştür. Blm Kodu : Anahtar Kelmeler : Ver madenclğ, CART, Lojstk Regresyon Sayfa Aded : 94 Tez Yönetcs : Yrd. Doç. Dr. Necla GÜNDÜZ TEKİN

5 v AN APPLICATION ON PHARMACY PROVISION SYSTEM DATA OF SOCIAL SECURITY INSTITUTION BY LOGISTIC REGRESSION AND CART ANALYSIS TECHNICS (M.Sc.Thess) Zeynep Burcu KIRAN GAZİ UNIVERSITY INSTITUTE OF SCIENCE AND TECHNOLOGY May 00 ABSTRACT One of the most wdely used method of data-mnng techncs s classfcaton and regresson models. In ths study, t was amed at comparng the classfcaton features of logstc regresson, wth Classfcaton and Regresson Trees (CART) algorthm whch s one of the most wdely used decson tree algorthm n data mnng methods. In ths context, an applcaton are made wth the am of determnng patent profle usng penclln group of antbotcs n antbotcs fllng prescrpton for respratory system dseases wth the years of data ensurng from pharmacy provson system of Socal Securty Insttuton. For the data set ncluded, CART analyss was found to have a beter correct classfcaton rato than the logstc regresson analyss. Scence Code : Key Words : Data mnng, CART, Logstc regresson Page Number : 94 Advser : Assstant Prof. Dr Necla GÜNDÜZ TEKİN

6 v TEŞEKKÜR Çalışmalarım boyunca değerl yardım ve katkılarıyla ben yönlendren Hocam Yrd. Doç. Dr. Necla GÜNDÜZ TEKİN e, çalışmamda uygulama bölümü çn verler sağlayan ve analzler yapmamda yardımlarını esrgemeyen Sosyal Güvenlk Kurumu çalışanlarından Dr. Rasm KÖSELERLİ ye teşekkür ederm. Ayrıca aynı dönemde tez yazdığımız ve brbrmze destek olduğumuz arkadaşlarım Tuna GENÇ, Nadde YİĞİTELİ ve Vel AĞÖREN le yazım sürecnde ben teşvk eden Altuğ GÜNER e her koşulda yanımda oldukları çn teşekkür ederm. Bugüne kadar manev destekleryle hep yanımda olan canım aleme de teşekkürü borç blrm.

7 v İÇİNDEKİLER Sayfa ÖZET...v ABSTRACT...v TEŞEKKÜR...v İÇİNDEKİLER... v ÇİZELGELERİN LİSTESİ...x ŞEKİLLERİN LİSTESİ...x KISALTMALAR... x. GİRİŞ.... VERİ MADENCİLİĞİ Ver Madenclğne Genel Br Bakış Ver Madenclğnn Uygulama Alanları Bankacılık ve sgortacılık Pazarlama Telekomünkasyon Endüstr ve mühendslk Sağlık ve laç Ver Madenclğ Modeller Sınıflama ve regresyon modeller Ver Madenclğnde Karar Ağaçları Karar ağaçlarında kullanılan bazı algortmalar LOJİSTİK REGRESYON ANALİZİ... 34

8 v Sayfa 3.. Lojstk Regresyon le Yapılmış Çalışmalar Doğrusal Model ve Lojstk Regresyon Arasındak İlşk Doğrusal Olasılık Model ve Lojstk Fonksyon Lojstk Regresyon Model ve Varsayımları Parametrelern Anlamlılık Testler ve Modeln Uyum İylğ Olablrlk oran test Wald ve score test Modeln uygunluğunun belrlenmesnde kullanılan dğer uyum ylğ testler Lojstk Regresyon Modelnn Katsayılarının Açıklanması UYGULAMA CART Analz Uygulaması Lojstk Regresyon Analz Uygulaması CART ve Lojstk Regresyon Analzlernn Karşılaştırılması SONUÇ VE ÖNERİLER KAYNAKLAR ÖZGEÇMİŞ... 94

9 x ÇİZELGELERİN LİSTESİ Çzelge Sayfa Çzelge.. Eğtm verler Çzelge.. Ntelk değerlernn kl gruplandırıldığı eğtm vers 4 Çzelge.3. Her ntelk çn hesaplanan Gn ndeks değerler 6 Çzelge.4. (,7) satırları çıkarıldıktan sonra oluşturulan yen eğtm vers 7 Çzelge.5. Yen eğtm versnn gruplandırılmış hal Çzelge.6. Yen eğtm versnde her ntelk çn hesaplanan Gn ndeks değerler. 9 Çzelge.7. Üçüncü bölünme çn oluşturulan eğtm vers Çzelge 3.. Bağımsız değşken k sınıflı olduğunda lojstk modele lşkn değerler...54 Çzelge 4.. Hastaların pensln kullanma durumlarına göre dağılımı 63 Çzelge 4.. Hastaların tanı koduna göre dağılımı.63 Çzelge 4.3. Antbyotk kullanan hastaların hastane türüne göre dağılımı.. 64 Çzelge 4.4. Hastaların cnsyete göre dağılımı..64 Çzelge 4.5. Hastaların kullandığı lacın fyata göre dağılımı...64 Çzelge 4.6. Reçeteye yazılan pensln grubu antbyotklern en öneml belrleycler ve profller.69 Çzelge 4.7. CART analz sonucu elde edlen doğru sınıflandırma oranı tablosu..73 Çzelge 4.8. Test vers üzernden elde edlen doğru sınıflandırma oranı tablosu..74 Çzelge 4.9. Lojstk regresyon analz sonuçları.77

10 x Sayfa Çzelge 4.0. Modeln anlamlılığına lşkn test sonucu.79 Çzelge 4.. Lojstk regresyon analz sonucu elde edlen doğru sınıflandırma oranı tablosu...80 Çzelge 4.. Test vers üzernden elde edlen doğru sınıflandırma oranı tablosu...8 Çzelge 4.3. Lojstk regresyon model le olasılık tahmn...8 Çzelge 4.4. Analzler karşılaştırma krterler...83

11 x ŞEKİLLERİN LİSTESİ Şekl Sayfa Şekl.. Ver madenclğ modeller...8 Şekl.. Örnek karar ağacı..4 Şekl.3. Brnc bölünme sonucu oluşan karar ağacı...6 Şekl.4. İknc bölünme sonucunda karar ağacının görünümü..9 Şekl.5. Üçüncü bölünme sonucunda elde edlen karar ağacı..30 Şekl 3.. Lojstk fonksyon (S-Shape)...4 Şekl 4.. CART analz sonucu karar ağacı...67

12 x KISALTMALAR Bu çalışmada kullanılmış bazı kısaltmalar, açıklamaları le brlkte aşağıda sunulmuştur. Kısaltmalar Açıklama CART CHAID EKK MARS QUEST ÇGOHK Sınıflama ve Regresyon Ağaçları (Classfcaton and Regresson Trees) Otomatk K-Kare Etkleşm Belrleme (Ch-Squared Automatc Interacton Detector) En Küçük Kareler Çok Değşkenl Uyumlu Regresyon Uzanımları (Multvarate Adaptve Regresson Splnes) Hızlı, Yansız, Etkn İstatstksel Ağaç (Quck, Unbased, Effcent Statstcal Tree) Çapraz Geçerllk Ortalama Hata Karekökü

13

14 . GİRİŞ Blmsel çalışmalarda kullanılan verlern analznde dskrmnant, kümeleme ve lojstk regresyon analz gb sınıflama ve regresyon modeller sıklıkla kullanılmaktadır. Modellerde kullanılan karmaşık verlern sınıflandırılması, her ne kadar çok değşkenl statstksel analzlern öneml br bölümünü oluştursa da sağlık başta olmak üzere çeştl blm dallarında çok genş br kullanım alanına sahptr. Özellkle tıp ve byoloj alanında yapılan çalışmalarda, ver setler oldukça karmaşık br yapı teşkl etmektedr. Bu noktada ver madenclğ sağlık ve tıp alanındak büyük ver tabanlarından faydalı blgler ortaya çıkararak hem tıp hem de hzmet kaltesnn artırılması bakımından büyük katkılar sağlamaktadır. Genellkle araştırmalarda büyük ver kümelern sınıflandırarak öneml ver sınıflarını ortaya koyan veya gelecek ver eğlmlern tahmn etmede faydalanılan yöntemlerden ver madenclğ teknkler çersnde en yaygın kullanıma sahp olanlarından br tanes de sınıflama ve regresyon modellerdr. Bu modeller çersnden se sıklıkla terch edlen yöntemler lojstk regresyon, karar ağaçları ve yapay snr ağları gb teknklerdr. İstatstksel uygulamalarda sınıflama ve regresyon yöntemler, bağımlı ve bağımsız değşken arasındak lşky tanımlamaya yönelk ver analzlernn öneml br parçası olmaya başlamıştır. Uygulamada genellkle modelleme örneklernn en yaygın olanları bağımlı değşkennn sürekl olduğu doğrusal regresyon modeller olsa da, son yıllarda bağımlı değşkenn kategork olması halnde normallk varsayımının bozulması ve tpk doğrusal modeln uygulanamadığı durumlarda lojstk regresyon modelnn kullanımı standart br yöntem halne gelmştr []. Lojstk regresyon le en az değşkenn kullanılmasıyla en y uyuma sahp olacak bçmde bağımlı ve bağımsız değşkenler arasındak lşky tanımlayablen ve statstksel olarak kabul edleblr br model kurmak amaçlanmaktadır.

15 Bağımsız değşkenler çn herhang br varsayım olmaksızın kategork bağımlı değşken tahmn etmek çn sadece lojstk regresyon değl aynı zamanda karar ağaçları da kullanılmaktadır []. Çeştl şekllerde elde edlmş very analz ederek anlaşılır ve faydalı br yapıya dönüştürmey hedefleyen ver madenclğ metotlarından br olan karar ağaçları, kolay anlaşılır olması, görsel sunumunun ön planda olması gb nedenlerle sıklıkla terch edlmektedr. Bu çalışmada, ver madenclğ metotları çersnde sınıflama ve regresyon modellernden en çok kullanılan karar ağaçları le lojstk regresyonun sınıflama özellkler karşılaştırılarak gerçek br ver set üzernde uygulama yapılmış ve söz konusu k yöntemn başarısını göstermek amaçlanmıştır. Bu nedenle çalışmanın knc bölümünde, öncelkle ver madenclğ ve uygulama alanları hakkında genel blgler verlerek ver madenclğ modeller tanıtılmıştır. Sınıflama ve regresyon modellernden karar ağaçları ve karar ağaçlarında en çok kullanılan analzlern yapısı ve algortmaları genel olarak tanımlanmıştır. Üçüncü bölümde se, çalışmanın dğer konusu olan lojstk regresyon le lgl son yıllarda yapılan çalışmalar, doğrusal olasılık model ve lojstk fonksyonla brlkte lojstk regresyon model ve varsayımlarının neler olduğuna değnlmştr. Sınıflandırma analzlernn sıklıkla terch edlenlernden br olan ve brçok konuda uygulama alanı bulunan lojstk regresyonun parametrelernn anlamlılık testler ve modeln uyum ylğ de detaylı br şeklde ncelenmştr. Uygulamanın yapıldığı dördüncü bölümde, lojstk regresyon le karar ağacı algortmalarından en çok kullanılan Classfcaton and Regresson Trees (CART) algortmasının, Sosyal Güvenlk Kurumu laç provzyon sstemnden alınan solunum sstem hastalıkları çn yazılan antbyotk ver set üzernde,

16 3 pensln grubu antbyotklern analz yapılmış ve çalışma yapılan analzlern karşılaştırılmasının ve açıklanmasının yer verldğ beşnc bölüm olan sonuç ve önerler le sona erdrlmştr.

17 4. VERİ MADENCİLİĞİ.. Ver Madenclğne Genel Br Bakış Blşm teknolojlernde yaşanan hızlı gelşmeler ve blgsayarların blg saklama kapastelernn artmasıyla brlkte depolanan verler çok daha büyük boyutlara ulaşmaktadır. Yaşanan bu gelşmeler doğrultusunda blg mktarı hızla artarak karşımıza çıkmakta ve blg kaydı yapılan alanların sayısı da gderek artmaktadır. Dünyadak blg mktarının her 0 ayda br kye katlandığı tahmn edlmektedr [3]. Ver tabanı sstemlernn artan kullanımı ve sakladıkları ver mktarlarındak böylesne büyük artış organzasyonları elde toplanan bu verlerden nasıl faydalanılableceğ problem le karşı karşıya bırakmıştır [4]. Blgsayar sstemler le üretlen bu verler kend başına değerszdr çünkü tek başlarına herhang br anlam fade etmemektedr. Verler belrl br amaca yönelk olarak şlenerek blgye dönüştürüldüğünde br anlam fade etmeye başlamaktadır. Bu nedenle çok büyük ver yığınlarını blgye dönüştürerek anlamlı hale dönüştüren teknkler son yıllarda büyük önem kazanmıştır. 990 lı yılların başından tbaren kullanılmaya başlanan, büyük ver kümeler çnde saklı durumda bulunan ve şlenmemş blgy anlaşılablr ve yorumlanablr hale getren şlemlerden br ver madenclğdr. Malyetl ve zahmetl br süreç olan ver toplama yatırımlarından en yüksek faydayı sağlamak ver madenclğ le mümkündür [5]. Ver madenclğ br ver kümes çersnde keşfedlmemş örüntüler bulmayı hedefleyen teknkler bütününü fade etmektedr. Ver madenclğnn amacı, geçmş faalyetlern analzn göz önünde bulundurarak gelecektek davranışların tahmnne yönelk karar verme modeller yaratmaktır [6]. Ver madenclğne lşkn yapılan tanımlardan br tanes, verlerden daha önceden blnmeyen ve muhtemelen faydalı enformasyonun monoton olmayan br süreçte çıkartılması şlemdr [7]. Dğer br tanımlama se büyük

18 5 mktarlardak vernn çnden geleceğn tahmn edlmesnde yardımcı olacak anlamlı ve yararlı bağlantı ve kuralların blgsayar programları aracılığıyla aranması ve analzdr. Ayrıca Ver Madenclğ, çok büyük mktardak verlern çndek lşkler nceleyerek aralarındak bağlantıyı bulmaya yardımcı olan ver analz teknğdr [8]. Sınıflama problemler ve örüntü tanıma (pattern recognton) üzernde yoğunlaşan yapay zeka ve amacı yığın hakkında anlamlı blg elde etmek ve yorumlamak olan statstk blmndek gelşmeler ver madenclğnn temellern oluşturmaktadır. Benzer şeklde ver madenclğ; dsplnler arası doğasından dolayı ver tabanları, makne öğrenmes, blg toplama, görselleştrme, paralel ve dağıtık hesaplama ve optmzasyon gb brçok dsplnden etklenmektedr [9]... Ver Madenclğnn Uygulama Alanları Operasyonel kararların ötesnde, stratejk ve poltk karar verme süreçlernde öneml br yere sahp olan ver madenclğ günümüzde gerek kamuda gerekse özel sektörde karar verme sürecne htyaç duyulan brçok alanda kullanılmaktadır. İstatstk le olan yakın lşks, ver madenclğn tıp ve ekonom gb blm dalları çn de öneml kılmaktadır. Blgnn bu denl değerl olduğu çağımızda blgye ulaşmak çn katedlen yolda ver madenclğ oldukça öneml br safhadır. Ver madenclğ astronom, byoloj, bankacılık, fnans, pazarlama, sgorta, tıp ve brçok başka alanda başarılı br şeklde kullanılmaktadır. Ver madenclğnn yaygın olarak kullanıldığı alanlardan bazıları ana başlıklar halnde aşağıda özetlenmştr.

19 6... Bankacılık ve sgortacılık Kred kartı ve nternet üzernden yapılan şlemlerdek dolandırıcılıkların tesptnde, kred taleplernn değerlendrlmesnde, bell gruplara farklı çeşt hzmet sağlamak adına kred kartı harcamalarına göre müşter gruplarının belrlenmesnde, müşter kazanma ve mevcut müşterler elde tutma analzlernde, rsk yönetm ve rsk analznde, flas ve kaza sgortası gb yüksek meblağlı taleplerdek örüntülern ncelenmesyle sahtekarlıkların azaltılması, polçe fyatlarının ve yen polçe talep edecek müşterlern tahmn edlmesnde kullanılmaktadır.... Pazarlama Müşterlern satın alma örüntülernn belrlenmesnde, müşter lşkler yönetm ve müşter değerlendrmesnde, satış tahmnlernde, müşterlern hang malları brlkte satın alma eğlmnde olduğunu açıklayan pazar sepet analzlernde, mağaza yerleşm optmzasyonu ve çeştl pazarlama kampanyalarında kullanılmaktadır...3. Telekomünkasyon Hatların yoğunluk tahmnnde, müşter gruplarına göre cazp fyatlandırma programı gelştrme le kalte ve hzmet gelştrme analzlernde kullanılmaktadır...4. Endüstr ve mühendslk Lojstk, üretm süreçlernn optmzasyonu, kalte kontrol analzler ve amprk verler üzernde modeller kurularak blmsel ve teknk problemlern çözümlenmesnde kullanılablmektedr.

20 7..5. Sağlık ve laç İnsanların ortalama ömürlernn uzaması ve sağlık sektöründek gelşmeler berabernde bazı sorunları da getrmştr. Örneğn pek çok nsan kalp, astım ve dyabet gb kronk hastalıklarla yaşamak zorundadır. Bu gb hastalıkların hem tıbb yönden hem de hastane malyetler açısından ele alınarak doğru yönetlmes gerekmektedr. Blg sstemlernn klask yöntemlernn yetersz kaldığı bu analzlerde yardıma ver madenclğ teknkler yetşmektedr. Sağlık alanında yapılan brçok ver madenclğ araştırmasında elektronk tıbb kayıtlar ve dar şlem belgelerne at verler kullanılmaktadır. Söz konusu bu verler doğrultusunda yapılan ver madenclğ; tıbb teşhs ve tanı koymada, belrl br hastalığa sahp kşlern ortak özellklernn tahmn edlmesnde, uygun tedav sürecnn belrlenmesnde, hastane malyetlernn ve test sonuçlarının tahmn edlmesnde ve ürün gelştrmede kullanılmaktadır. Tıbbın öneml araştırma konularından br olan laçlar çn de, laç etkler analz, laç üretm ve gelştrlmes gb konularda da ver madenclğ teknklernden sıklıkla faydalanılmaktadır. İlaç alanında yapılan antpskotk laçların kalp kası hastalıkları üzerne etks, laç yan etklernn tanımlanması gb çeştl çalışmalar ver madenclğ uygulamalarına örnek olarak verleblr [0,]..3. Ver Madenclğ Modeller Ver Madenclğnde kullanılan modeller, temel olarak şekl. de görüldüğü üzere tahmn edc (predctve) ve tanımlayıcı (descrptve) olmak üzere k ana başlık altında ncelenmektedr [].

21 8 Şekl.. Ver madenclğ modeller Tahmn edc modellern amacı, verlerden hareket ederek br model gelştrmek ve kurulan bu model yardımıyla sonuçları blnmeyen ver kümelernn sonuç değerlern tahmn etmektr. Eğer tahmn edlecek değşken sürekl br değşkense tahmn problem regresyon, kategork br değşkense sınıflama problem olarak ntelendrlmektedr [3]. Tanımlayıcı modellerde se karar vermeye rehberlk etmede kullanılablecek mevcut verlerdek örüntülern tanımlanması sağlanmaktadır. Ver Madenclğ modeller fonksyonlarına göre se; Sınıflama (Classfcaton) ve Regresyon, Kümeleme (Clusterng), Brlktelk kuralları (Assocaton Rules)

22 9 şeklnde sınıflandırılmaktadır. Şekl. de gösterlen ver madenclğ modellernden sınıflama ve regresyon modeller tahmn edc, kümeleme, brlktelk kuralları ve ardışık zamanlı örüntüler se tanımlayıcı modellerdr [8]. Ver madenclğ teknkler çersnde en yaygın kullanıma sahp olan, büyük ver kümelern sınıflandırarak öneml ver sınıflarını ortaya koyan veya gelecek ver eğlmlern tahmn etmede faydalanılan yöntemlerden br tanes sınıflama ve regresyon modellerdr. Tezn konusuyla bağlantısından dolayı söz konusu bu modeller bölüm.3. de detaylı olarak anlatılacaktır. Ver madenclğnn en öneml alanlarından br olan kümeleme, nesneler brbrlerne olan benzerlklerne göre gruplara ayırmaktadır. Yan kümeleme modellernde amaç, küme üyelernn brbrlerne çok benzedğ ancak özellkler brbrlernden çok farklı olan kümelern bulunması ve ver tabanındak kayıtların bu farklı kümelere bölünmesdr. Böylece nesneler, örneklenen ktle özellklern y yansıtan etkl br temsl gücüne sahp olacaktır. Ver madenclğ araştırmalarında özel br uygulama alanı olan ve tcaret, mühendslk, fen ve sağlık sektörlernn çnde bulunduğu brçok alanda da uygulanan brlktelk kuralları; aynı şlem çnde çoğunlukla beraber görülen nesneler çeren kurallar olup büyük ver kümeler arasında brlktelk lşkler bulurlar. Bu anlamda brlktelk kuralı belrl türlerdek ver lşklern tanımlayan br modeldr. Herhang br ver tabanında brlktelk kurallarının tanımlanması ver tabanı blg keşf sürecnn lk adımıdır [3]. Çok sayıda vernn depolandığı br ver tabanı çnde nesneler arasında lk anda fark edlmeyen lşklern ortaya çıkartılması stratejk kararların alınmasına da yardımcı olablr. Genellkle satın alma eğlmlernn tanımlanmasında kullanılan brlktelk kuralları ver madenclğnde yaygın olarak pazar sepet çözümlemesnde kullanılmaktadır. Pazar sepet çözümlemesnde müşter le lgl ver

23 0 hareketlernden gelecekte müşternn nasıl br terch yapacağına dar sonuçlar tahmn edlmektedr. Ayrıca tıp, fnans ve farklı olayların brbrleryle lşkl olduğunun belrlenmes sonucunda değerl blg kazanımının söz konusu olduğu alanlarda da bu teknkler öneml br yere sahptr [4]..3.. Sınıflama ve regresyon modeller Sınıflama en çok blnen ver madenclğ teknklernden brsdr; resm, örüntü tanıma, hastalık tanıları, dolandırıcılık tespt, kalte kontrol çalışmaları ve pazarlama konuları sınıflama teknklernn sıklıkla kullanıldığı alanlardır. Sınıflama tahmn edc br model olup, havanın br sonrak gün nasıl olacağı veya br kutuda kaç tane mav top olduğunun tahmn edlmes br sınıflama şlemdr [3]. Matematksel olarak sınıflama; D = { t, t,..., t n} br ver tabanı ve her br t br kayıt (gözlem), C = C, C,..., C } se m adet sınıftan oluşan sınıflar kümesn temsl etmek üzere, { m f : D C ve her br t br sınıfa dahldr. Ayrıca her br Yan, C j ayrı br sınıftır ve her br sınıf kendsne at kayıtları çerr. C = { t / f ( t ) = C, n ve t D} olarak tanımlanmaktadır. j j, Ver madenclğ yöntemler çersnde en yaygın kullanıma sahp olan sınıflama ve regresyon modeller arasındak temel farklılık bağımlı değşkenn kategork veya sürekllk gösteren br değere sahp olmasıdır. Daha önce de bahsedldğ gb, eğer bağımlı değşken sürekl se problem regresyon

24 problem, değl se problem sınıflama problem olarak adlandırılır. Ancak bölüm 3 de ayrıntılı anlatılacak olan lojstk regresyon gb kategork değerlern de tahmn edlmesne mkan veren teknklerle, her k model gderek brbrne yaklaşmakta ve bunun br sonucu olarak aynı teknklerden yararlanılması mümkün olmaktadır. Sınıflama ve regresyon modellernde kullanılan başlıca teknkler; Yapay snr ağları (Artfcal Neural Networks), Karar ağaçları (Decson Trees), Lojstk regresyon (Logstc Regresson), Genetk algortmalar (Genetc Algorthms), K-en yakın komşu (K-Nearest Neghbor), Bellek temell nedenleme (Memory Based Reasonng), Naïve-Bayes, Bulanık Küme Yaklaşımı (Fuzzy Set Approach) dır. Çalışmanın kapsamında yukarıda sayılan söz konusu teknklerden sadece karar ağaçları ve lojstk regresyon üzernde durulacaktır..4. Ver Madenclğnde Karar Ağaçları Sınıflama ve regresyon modellernn br yöntem olan karar ağaçları, kurulmasının ucuz olması, yorumlanmalarının kolay olması, vertabanı sstemler le kolayca entegre edleblmeler ve güvenlrlklernn y olması nedenler le sınıflama modeller çersnde en yaygın kullanıma sahp olup ağaç yapısı le kolay anlaşılablen kurallar yaratablen, blg teknolojler şlemler le kolay entegre olablen en popüler sınıflama teknğdr [5]. Karar ağaçları, bast karar verme adımları uygulanarak, çok sayıda kayıt çeren br ver kümesn çok küçük kayıt gruplarına bölmek çn kullanılan br yapıdır

25 [6]. Her başarılı bölme şlemyle, sonuç gruplarının üyeler br dğeryle çok daha benzer hale gelmektedr. Bu teknkte sınıflandırma çn br ağaç oluşturulur, daha sonra ver tabanındak her br kayıt bu ağaca uygulanır ve çıkan sonuca göre de bu kayıt sınıflandırılır. Karar ağaçları ver setnn çok karmaşık olduğu durumlarda ble, bağımlı değşken etkleyen değşkenler ve bu değşkenlern modeldek önemn bast br ağaç yapısı le görsel olarak sunablmektedr. Karar ağacı yöntemn kullanarak vernn sınıflanması temel olarak k adımdan oluşmaktadır. Brnc adım; önceden blnen br eğtm versnn model oluşturmak amacı le sınıflama algortması tarafından çözümlendğ öğrenme basamağıdır. Öğrenlen model, sınıflama kuralları veya karar ağacı olarak gösterlr. İknc adım se eğtm versnn sınıflama kurallarının veya karar ağacının doğruluğunu belrlemek amacıyla test edlerek kullanıldığı sınıflamadır. Eğer doğruluk kabul edleblr oranda se, kurallar yen verlern sınıflanması amacıyla kullanılır. Karar ağaçlarının kök, dallar ve yapraklardan oluşan ağaca benzeyen br yapısı olup, örnektek tüm gözlemler kapsayan br kök le başlayıp aşağıya doğru nldkçe very alt gruplara ayıran dallara ayrılırlar. Bu kökten dallara doğru büyüyen ağaç yapısında her boğum düğüm dür, oluşan ağaçlarda homojen olmayan düğümlere çocuk düğümü (chld node), homojen düğümlere se termnal düğüm (parent node) adı verlr [7]. Düğümler üzernde ntelklern test şlem yapılmakta ve test şlemnn sonucu ağacın ver kaybetmeden dallara ayrılmasına neden olmaktadır. Her düğümde test ve dallara ayrılma şlemler ardışık olarak gerçekleşmekte ve sonuç olarak ağaç sınıflar le son bulmaktadır. Karar ağacında, tanımlanmış olan soruya lşkn cevap gruplara ayrılmaktadır. Cevaplar soruya verlecek br ölçüt belrlendkten sonra setler arasındak rsk maksmze edecek şeklde bölünmekte ve en y bölünmey bulmak çn her

26 3 soruda aynı şlem tekrar edlmektedr. Br soru çn grup oluşturulduktan ve gruplar arasındak rsk maksmze edldkten sonra oluşan k grup çn bu şlemler devam ettrlmektedr. Bu şlemlere statstksel olarak anlamlı br fark bulunana kadar devam edlmekte, statstksel olarak anlamlı br fark bulunmadığında se son verlmektedr. Ayrıştırma şlem tamamlandıktan sonra se o grup çersnde yer alan gözlemlern oranına göre grup değerlendrlmektedr [8]. D = { t,..., t n } br ver tabanı olmak üzere, her t, t = { t... tn} den ve bu ver tabanı A, A,..., A } alanlarından oluşmaktadır. { n Bunun dışında C = C,..., C } kadar da sınıf verlmş olduğunda, { n Her br düğümü A alanıyla tanımlanmış, Her düğümden ayrılan kollar bu alanla lgl br soruya yanıt veren ve Her yaprağın br sınıf olduğu karar ağacı şekl. de gösterlmştr [3].

27 4 Şekl.. Örnek karar ağacı Şekl. de görülen karar ağacındak A, A,..., A den her br br düğümü oluşturmakta ve her düğüm kendnden sonra k dala ayrılmaktadır. Bu ayrılma şlem sürecnde, n A düğümü hakkında cevabı ver tabanında bulunacak br soru sorulmakta ve verlen yanıta göre de br dal zlenmektedr. Ağaçtak etmektedrler. C, C,..., C lern her br brer yaprağı aynı zamanda sınıfı temsl n Karar ağaçları oluşturulurken kullanılan algortmanın ne olduğu öneml br husustur. Kullanılan algortmaya göre ağacın şekl değşeblr. Bu durumda değşk ağaç yapıları da farklı sınıflandırma sonuçları verecektr. Kök denlen lk düğümü oluşturan A nn farklı olması, en uçtak yaprağa ulaşırken zlenecek yolu ve dolayısıyla sınıflandırmayı da değştrecektr [3].

28 5 Değşkenlern seçmnde ynelemel olan algortmanın döngüden çıkması çn o düğümdek tüm öğelern aynı sınıfa dahl olması şartı vardır. Eğer kalan değerler sadece br sınıfa atse veya sınıflandırılablecek değer kalmadıysa döngüsel algortma sonlanır ve karar ağacı oluşturulmuş olur. Sonuçta oluşan sınıflardak her br eleman aynı sınıfın dğer elemanları le benzer özellkler gösterr. Ağaç yapısı heterojen yapıdak ver kümesnn daha küçük ve homojen br yapıya dönüşmes çn kurallar tanımlar. Ağaç nşası sonunda elde edlen ağaç maksmum ağaç olarak adlandırılır ve öğrenme kümesndek deney üntelerne en uygun ağaçtır. Ancak maksmum ağaç pratkte k dezavantaja sahptr [9]. Maksmum ağaç başlangıç ver setn (öğrenme kümesn) kusursuz bçmde tanımlar çünkü eklenen her bağımsız değşken hatalı sınıflama oranını düşürür. Bu durumda, maksmum ağaç ver çn olması gerekenden daha y br tahmn model sunar. Ancak, başlangıç ver setne aşırı uyumlu maksmum ağaçlar farklı br ver set söz konusu olduğunda y br tahmn sağlayamazlar. Br sınıflama ağacının karmaşıklık ölçüsü o ağacın termnal düğüm sayısına eşttr. Termnal düğüm sayıları ve dolayısıyla karmaşıklığı yüksek olan maksmum ağacın anlaşılması ve yorumlanması güçtür. Maksmum ağacın pratkte ortaya çıkardığı bu sorunların çözümü çn maksmum ağacın budanması gerekldr. Maksmum ağacın budanması daha küçük ağaçlar dzs oluşturur ve oluşturulan bu dz çersnden optmum ağaç seçlr. Optmum ağaç maksmum ağaçtan daha az karmaşıklığa sahptr ancak öğrenme kümesne maksmum ağaçtan daha az uyumludur ve hatalı sınıflama oranı da daha yüksektr [9].

29 6 Karar ağacı temell analzlern yaygın olarak kullanıldığı alanlar ve bell başlı uygulamalar; Belrl br sınıfın olası üyes olacak elemanların belrlenmes (Segmentaton), Çeştl vakaların yüksek, orta, düşük rsk grupları gb bazı kategorlere ayrılması (Stratfcaton), Sadece belrl alt gruplara özgü olan lşklern tanımlanması, Kategorlern brleştrlmes ve sürekl değşkenlern keskl değşkenlere dönüştürülmes, Parametrk modellern kurulmasında kullanılmak üzere çok sayıdak değşkenden en önemllernn seçlmes, Gelecektek olayların tahmn edleblmes çn kurallar oluşturulmasıdır [8]. Breylern kred geçmşlern kullanarak kred kararlarının verlmes (Credt Scorng), Tıbb gözlem verlernden yararlanarak en etkn kararların verlmes, Geçmşte şletmeye en faydalı olan breylern özellklern kullanarak şe alma süreçlernn belrlenmes, Satışları etkleyen değşkenlern belrlenmes, Üretm verlernn ncelenmesyle ürün hatalarına yol açan değşkenlern belrlenmesdr [0]. Karar ağaçlarına dayalı olarak gelştrlen brçok algortma vardır. Bu algortmalar kök, düğüm ve dallanma krter seçmlernde zledkler yol

30 7 açısından brbrlernden ayrılırlar. Karar ağacı oluşturmak çn gelştrlen bu algortmalar arasında; CHAID (Ch-Squared Automatc Interacton Detector : Otomatk K-Kare Etkleşm Belrleme), CART (Classfcaton and Regresson Trees: Sınıflama ve Regresyon Ağaçları), MARS (Multvarate Adaptve Regresson Splnes: Çok Değşkenl Uyumlu Regresyon Uzanımları), QUEST (Quck, Unbased, Effcent Statstcal Tree: Hızlı, Yansız, Etkn İstatstksel Ağaç), SLIQ (Supervsed Learnng n Quest), SPRINT (Scalable Parallelzable Inducton of Decson Trees) ID3, C4.5 ve C5.0 yer almaktadır. Bu tezdek uygulamada CART algortması kullanılmış olup br sonrak bölümde ayrıntılı olarak anlatılmıştır..4.. Karar ağaçlarında kullanılan bazı algortmalar C4.5 algortması C4.5 algortması lk olarak 993 yılında Qunlan tarafından ortaya atılmıştır []. Verlern ynelemel olarak alt kümelere ayrılmasıyla br sınıflama karar ağacı oluşturulur. Karar ağacı oluşturulurken kayıp verler hesaba katılmaz

31 8 yan sadece verler eksk olmayan kayıtlar kullanılır. Algortma budama şlemler yapablmekte ve karar üretlmes gerçekleştreblmektedr. SLIQ algortması SLIQ algortması 996 yılında Uluslararası İş Maknaları Şrket (Internatonal Busness Machnes Corporaton) Almaden Araştırma merkeznde Mehta M. ve dğ. tarafından önerlmştr []. Algortma hem sayısal hem de kategork verlern sınıflandırılmasında kullanılablmektedr. Sayısal verlern değerlendrlmesnde malyet azaltmak çn ağacın oluşturulması sırasında önceden sıralama teknğ kullanılır. SLIQ algortmasında en y dallara ayırma krternn bulunmasında teknk; verlern sıralama şlemnn her düğümde yapılması yerne öğrenme verlernn sadece br kere, o da ağacın büyüme aşamasının başlangıcında yapılarak gerçekleştrlmesdr [3]. SPRINT algortması SPRINT algortması sınıf ve sıra (kayıt) numarasını tutan farklı br ntelk lstes yapısı kullanarak her br değşken çn ayrı br değşken lstes hazırlar. Dolayısıyla her tabloda kullanılacak olan değşken, sınıf ve sıra numarası bulunacağından ver tabanındak değşken sayısı kadar tablo oluşturmaktadır. Algortmada br lste bölümlendğnde lstedek kayıtların sıraları da yenden düzenlenmekte ve sürekl değerler taşıyan tablolar sürekl değşkene göre sıraya dzlrken, kategork değer taşıyan dğer tablolar sıra numarasına göre sıralı olarak kalmaktadır. MARS algortması MARS algortması temel regresyon analzne dayanan, büyük ve karmaşık ver tabanlarına uygulanablen br yöntemdr. MARS çok boyutlu verlern çnde gzl kalmış karmaşık ver yapısını, en uygun ver dönüşümlern ve verlern karşılıklı etkleşmlern belrleyeblme avantajı bakımından regresyon

32 9 modellemesnde yen br yaklaşımdır. MARS algortmasıyla genş ver tabanları ve çok karmaşık ver yapıları çn regresyon modeller kolayca gelştrleblmektedr [3]. CART algortması ve CART le yapılan çalışmalar Blmsel çalışmalardan elde edlen verlern analznde sınıflama ve regresyon ağaçları, kümeleme, dskrmnant ve lojstk regresyon analzlern çeren sınıflama teknkler ve regresyon modeller sıklıkla kullanılmaktadır [4]. Ancak bu tür modellern gerektrdğ varsayımlar pek çok alanda statstksel analz mkanlarını kısıtlamaktadır. İncelenen ver set üzernde hçbr varsayım gerektrmemes nedenyle, sınıflama ve regresyon ağaçları (CART) bu tür parametrk teknklere karşı güçlü br alternatf olarak ortaya çıkmaktadır [9]. CART hem kategork hem de sürekl değşkenler kullanarak sınıflama ve regresyon problemlernn çözümünde karar ağaçlarını kullanan parametrk olmayan statstksel br metottur. Ele alınan bağımlı değşken kategork se yöntem sınıflama ağaçları (Classfcaton Tree), sürekl se regresyon ağaçları (Regresson Tree) olarak adlandırılmaktadır [5]. Bu yönüyle CART, hem çoklu regresyon analzn hem de bağımlı değşkenn kategork olduğu durumlarda kullanılan lojstk regresyon analzn kapsamaktadır. CART algortması 984 yılında Breman tarafından gelştrlmştr [6]. Deconnck ve dğerler (005), laçlar üzernde yaptıkları çalışmada CART algortmasını kullanarak mde ve bağırsaklarda emlm özellklerne göre laçları sınıflandırmıştır [5]. Benzer şeklde Temel G. ve dğerler (005), CART algortması yardımıyla mevcut verlern sınıflandırarak Restless Legs Syndrome (RLS) hastalarına tanı koymayı kolaylaştırmışlardır. Çalışmada Mersn Ünverstes Tıp Fakültes Nöroloj bölümünde 06 denek hasta üzernde yapılan anket çalışmasının sonuçları kullanılmış ve deneklern RLS

33 0 hastası olup olmama durumunu belrleyen değşkenler sınıflama ağaçları analz le tespt edlmştr [9]. Haughton ve Oulab (006), çalışmalarında doğrudan pazarlama modeln CHAID ve CART algortmaları le gerçekleştrmş, CART ve CHAID analzlernn sonuçlarını karşılaştırmıştır [7]. Lemon ve dğerler (003), halk sağlığı üzernde yaptıkları çalışmada, rskl grupta olan ve benzer özellkler gösteren hastaları sınıflandırmak çn CART le lojstk regresyon analzn kullanmış ve k analzn sonuçlarını karşılaştırmıştır [8]. Çamdevren ve dğerler (007), farklı doğum sonrası dönemlernde 447 kadının depresyon durumunu etkleyen sosyo-demografk rsk faktörlernn tespt edlmesnde CART ve lojstk regresyon analzlern kullanmıştır [9]. Türe ve dğerler (009), 500 meme kanserl hasta üzernde ynelemesz sağkalım süresn etkleyen rsk faktörlernn belrlenmesnde karar ağacı yöntemlernden CART, CHAID, QUEST, C4.5 ve ID3 le Kaplan-Meer analzn brlkte kullanmıştır [30]. Kayr ve Boysan (008), CART algortması yardımıyla yaptıkları çalışmalarında, Yüzüncü Yıl Ünverstes nden 437 öğrencye uygulanan sınırlılık şemaları envanter, genel öz yeterllk ölçeğ ve beck depresyon envanter kullanarak, sınırlılık algısının depresyon çn br blşsel yatkınlık faktörü olduğunu tespt etmştr [3]. Albayrak ve Akbulut (008), İstanbul Menkul Kıymetler Borsası (İMKB) sanay ve hzmet sektörlernde faalyet gösteren frmaların sermaye yapılarını etkleyen en öneml faktörler CART analz le araştırmıştır. Çalışmada seçlen 38 farklı fnansal göstergeden, şletmelern sermaye yapılarının en öneml belrleyclernn lkdte, varlık kullanım etknlğ ve şletme rsk olduğunu göstermştr [3]. Yapılan çalışmalarda kullanılan CART algortması, her aşamada lgl kümey kendnden daha homojen olan k alt kümeye ayırarak kl karar ağaçları oluşturan br yapıya sahptr. Dğer br fadeyle CART, k çocuk düğümü

34 oluşturup bütün bağımsız değşkenler kullanarak very alt gruplara ayırmak üzerne kurulmuştur. En y bağımsız değşken safsızlık (mpurty) ve değşm ölçülerndek (gn, twong, en küçük kareler sapması) değşkenlğ kullanarak seçlr. Burada amaç hedef değşkene lşkn mümkün olablen en homojen ver alt gruplarını üretmektr [33]. CART, sadece bağımlı değşken le bağımsız değşken arasındak lşknn yapısını araştırmakla kalmayıp, aynı zamanda bağımsız değşkenlern brbrler le olan etkleşmlern de ortaya koymaya çalışmaktadır. CART algortmasının, bağımsız değşkenlern bağımlı değşkenle lşksn değerlendrmede ve model çndek etkleşm yapısını çözümlemede öneml avantajları mevcuttur. CART ın sahp olduğu algortma, benzerlk gösteren değşkenlern aynı ağaç düğümünde toplanmasına dayalı olup, bütün oluşturduğu alt dalları bağımlı değşken olan kök düğüme bağlamayla son bulmaktadır [4]. CART analz genellkle 3 adımdan oluşmaktadır. Brnc adım ver setn tanımlayan maksmum ağacın oluşturulmasıdır. İknc adım; oluşturulan ağaçlar çersnden bağımlı değşkenle öneml lşks olan ağaçları seçmek çn yapılan budama şlem ve son adım se en uygun ağaç yapısının seçmdr [6]. Maksmum ağacın oluşturulması Maksmum ağaç, ağacın kökünde başlayan br kl bölme şlem kullanan yapıdır. Ağacın kökü, ver set çersndek her nesney çermekte ve her br sevyede kendne özgü k alt düğüm halnde bölünen br ana düğüm olarak düşünülmektedr. Sonrak adımda, her alt grup br ana grup olmaktadır. Her bölünme br alt gruptak tüm nesnelern benzer bağımlı değşken değerlerne sahp olacak şeklde seçlen br açıklayıcının değer le tanımlanmaktadır.

35 Sürekl değşkenlern bölünmes x nn seçlmş açıklayıcı değşken ve onun bölünme değer olan x < a j le fade edlmektedr. a j nn Br bölünme ve onun bölünme değer çn en uygun tanımlayıcıyı seçmek çn CART, çnde tüm tanımlayıcıların ve tüm bölünme değerlernn düşünüldüğü br algortma kullanmakta ve test koşulunun ne kadar y uygulandığını belrlemek çn ana düğümün safsızlık derecesn alt düğümlern safsızlık derecesyle karşılaştırmaktadır. Ana ve alt düğümlern safsızlıkları arasındak fark ne kadar büyükse test koşulu o kadar daha y olduğundan, ana düğüm ( t p ) ve alt düğümler ( t L ve t R ) arasındak safsızlık ölçüsünü en y azaltan bölünme seçlmektedr. Matematksel olarak bu durum aşağıdak gb fade edlmektedr: st (, ) = ( t) PLt ( ) PRt ( ) (.) p p p L R Burada safsızlığı, s aday bölünme değern ve PL le PR sırasıyla sağ ve soldak alt düğümlerdek nesnelern bölünmelern fade etmektedr. Bu eştlkte s, t ) değern maksmze edecek s değernn seçlmes ( p amaçlanmakta ve t p düğümünde bütün kayıtların katılımıyla hesaplanan bu değer, CART ağacında gelşme (mprovement) kavramı le fade edlmektedr. CART algortması ağacı gelştrrken s, t ) y maksmze eden br test p ( p ( p koşulu seçtğnden ve t ) bütün test koşulları çn aynı olduğundan, ( s, t p ) y maksmze etmek alt düğümlern safsızlık ölçülernn ağırlıklı ortalamalarını mnmze etmekle eşdeğer olmaktadır [5]. Her br düğümün her aşamada kye ayrıldığı CART algortmasında, her br bölünme noktasının belrlenmesnde Gn, Twong gb en y bölmey seçmek çn gelştrlen söz konusu safsızlık ölçütlernden Gn ndeks kullanılmaktadır.

36 3 Çzelge. de verlen İşe başvuru sırası, eğtm durumu, yaş, cnsyet ve şe kabul edlp edlmeme durumu sml 5 ntelkten oluşan br eğtm versnde, very daha küçük alt kümelere bölmek çn en y bölünmenn seçlmesnde kullanılan Gn ndeks aşağıdak gb hesaplanmaktadır [34]. Çzelge.. Eğtm verler İşe Başvuru Sırası Eğtm Durumu Yaş Cnsyet İşe Kabul Durumu Ortaokul Yaşlı Erkek Evet İlkokul Genç Erkek Hayır 3 Yüksekokul Orta Kadın Hayır 4 Ortaokul Orta Erkek Evet 5 İlkokul Orta Erkek Evet 6 Yüksekokul Yaşlı Kadın Evet 7 İlkokul Genç Kadın Hayır ) Her ntelk değerler kl olacak bçmde gruplanmakta ve bu şeklde elde edlen sol ve sağ bölünmelere karşılık gelen sınıf değerler gruplandırılmaktadır. ) Her br ntelkle lgl olarak sol ve sağ taraftak bölünmeler çn Gn sol ve Gn sağ değerler; k : Sınıfların sayısı, T : Br düğümdek örnekler, T sol : Sol düğümdek örneklern sayısı, T sağ : Sağ düğümdek örneklern sayısı, L : Sol düğümde kategorsndek örneklern sayısı,

37 4 R : Sağ düğümde kategorsndek örneklern sayısı olmak üzere; k L Gn = sol, (.) = Tsol Gn sağ k R =, (.3) = Tsağ şeklnde hesaplanmakta ve her j ntelğ çn, eğtm versndek satır sayısı n olmak üzere genel Gn ndeks değer se; ( T Gn + T Gn ) Gn j = sol sol sağ n sağ (.4) formülü le hesaplanmaktadır. Çzelge. e göre şe kabul durumu ntelğnde Evet sınıfına lşkn olarak eğtm durumu ntelğnn lkokul değernden br tane bulunmaktadır. Benzer şeklde ortaokul ve yüksekokul değerlernden se üç tane bulunmaktadır. Bu şeklde dğer değerler de hesaplanarak ntelk değerlernn kl gruplandırılması sonucunda çzelge. oluşmaktadır. Çzelge.. Ntelk değerlernn kl gruplandırıldığı eğtm vers İşe Kabul Durumu Eğtm Durumu Yaş Cnsyet İlkokul Ortaokul Yüksekokul Genç Orta Yaşlı Kadın Erkek Evet Hayır Ntelk değerlernn kl gruplandırılmasından sonra Gn ndeks değerler se aşağıdak gb hesaplanmaktadır:

38 5 Eğtm Durumu çn: 0, = + = sol Gn 0, = + = sağ Gn 0, , ,444 3 = + = egtm Gn Yaş çn: 0 0 = + = sol Gn 0, = + = sağ Gn 0,9 7 0, = + = yaş Gn Cnsyet çn: 0, = + = sol Gn 0, = + = sağ Gn

39 6 Gn cnsyet 3 0, ,375 = = 0, ) Son olarak her j ntelğ çn hesaplanan Gn j değerler arasından en küçük olanı seçlmekte ve bölünme bu ntelk üzernden gerçekleştrlmektedr. Çzelge.3. Her ntelk çn hesaplanan Gn ndeks değerler İşe Kabul Durumu Gn sol, sağ Eğtm Durumu Yaş Cnsyet Ortaokul Orta İlkokul Genç Kadın Erkek Yüksekokul Yaşlı Gn 0,444 0, ,3 0,444 0,375 Gn j 0,405 0,9 0,405 Yukarıdak çzelgede hesaplanan değerler göz önüne alındığında Gn yaş = 0,9 değernn Gn j değerler çnde en küçüğü olduğu anlaşılmaktadır. Bu durumda kök düğümünden tbaren bölünme Yaş=Genç ve Yaş={Orta, Yaşlı} bçmnde olacaktır. Bölünmey elde etmek çn çzelge. üzernde yaşa lşkn değerler aranarak, bölünme Yaş=Genç olan (,7) satırları ve ger kalan (,3,4,5,6) satırlarından oluşacak ve bölünme şekl.3 de gösterldğ gb olacaktır. Kök Düğüm (Kayıtlar:,,3,4,5,6,7) Yaş=Genç Yaş={Orta, Yaşlı} Hayır (Kayıtlar:,7) A düğümü (Kayıtlar:,3,4,5,6) Şekl.3. Brnc bölünme sonucu oluşan karar ağacı

40 7 Brnc bölünme sonucu oluşan ağaç yapısından sonra yukarıda üç madde halnde sayılan adımlar tekrarlanmakta ve knc bölünmenn hang ntelğe göre olacağı belrlenmektedr. Bunun çn öncelkle eğtm versnden (,7) satırları çıkarılmakta ve hesaplamalar yen oluşturulan çzelge.4 e ve eğtm versnn gruplandırılmış hal olan çzelge.5 e göre tekrarlanmaktadır. Çzelge.4. (,7) satırları çıkarıldıktan sonra oluşturulan yen eğtm vers İşe Başvuru Sırası Eğtm Durumu Yaş Cnsyet İşe Kabul Durumu Ortaokul Yaşlı Erkek Evet 3 Yüksekokul Orta Kadın Hayır 4 Ortaokul Orta Erkek Evet 5 İlkokul Orta Erkek Evet 6 Yüksekokul Yaşlı Kadın Evet Çzelge.5. Yen eğtm versnn gruplandırılmış hal İşe Kabul Durumu İlkokul Eğtm Durumu Yaş Cnsyet Ortaokul Yüksekokul Orta Yaşlı Kadın Erkek Evet 3 3 Hayır Ntelk değerlernn kl gruplandırılmasından sonra yen bölünme çn Gn ndeks değerler se aşağıdak gb hesaplanmaktadır: Eğtm Durumu çn: Gn sol = 0 + = 0

41 8 0, = + = sağ Gn 0, , = + = egtm Gn Yaş çn: 0, = + = sol Gn 0 0 = + = sağ Gn 0, ,444 3 = + = yaş Gn Cnsyet çn: 0,500 = + = sol Gn = + = sağ Gn 0, ,500 = + = cnsyet Gn Çzelge.6 da gösterlmş olan hesaplanan bu yen j Gn değerler arasından en küçük olanı seçlmekte ve yen bölünme de en küçük değere sahp olan ntelk üzernden ynelenmektedr.

42 9 Çzelge.6. Yen eğtm versnde her ntelk çn hesaplanan Gn ndeks değerler İşe Kabul Durumu Gn sol, sağ Eğtm Durumu Yaş Cnsyet İlkokul Ortaokul Yüksekokul Orta Yaşlı Kadın Erkek Gn 0,00 0,375 0,444 0,00 0,500 0,00 Gn j 0,300 0,67 0,00 Yukarıdak çzelgede hesaplanan yen değerler göz önüne alındığında Gn cnsyet = 0,00 değernn Gn j değerler çnde en küçüğü olduğu anlaşılmaktadır. Bu durumda yen bölünme cnsyet ntelğnn kadın ve erkek değerlerne göre olacaktır. Bölünmey elde etmek çn çzelge. üzernde cnsyete lşkn değerler arandığında, bölünmenn (3,6) ve (,4,5) satırları bçmnde gerçekleşeceğ anlaşılmakta olup söz konusu bölünme şekl.4 de gösterldğ gb olacaktır. Şekl.4. İknc bölünme sonucunda karar ağacının görünümü Şekl.4 üzernde görüldüğü gb (,4,5) satırları Evet le sonlanmıştır. Bu durumda bu satırların da eğtm versnden çıkarılması sağlanarak çzelge

43 30.7 de sunulan üçüncü bölünme çn oluşturulan eğtm vers elde edlmektedr. Çzelge.7. Üçüncü bölünme çn oluşturulan eğtm vers İşe Başvuru Sırası Eğtm Durumu Yaş Cnsyet İşe Kabul Durumu 3 Yüksekokul Orta Kadın Hayır 6 Yüksekokul Yaşlı Kadın Evet Elde edlen son tablo k satırdan oluşmakta ve k ayrı sınıfı tanımlamaktadır. Bu durum sonucunda se şekl.5 de gösterlen karar ağacı elde edlmektedr [34]. Şekl.5. Üçüncü bölünme sonucunda elde edlen karar ağacı

44 3 Ağaç budama Maksmum ağaç genellkle aşırı öğrenme (overfttng) eğlm göstermektedr. Dğer modelleme teknklernde olduğu gb ağacın karmaşıklığı ve tahmn gücü arasında br orta yol bulmak çn budama şlem gerekmektedr. Budama şlem esnasında maksmum ağaçtan türetlen br ser daha küçük alt ağaçlar arka arkaya gelen uç dallardan elde edlmekte böylece farklı alt ağaçlar en uygun olanla karşılaştırılmaktadır. Bu karşılaştırma, hem ağaç doğruluğu hem de karmaşıklığın düşünüldüğü br malyet-karmaşıklık ölçüsü üzerne kurulmaktadır. Malyet-karmaşıklık parametres R α (T ) olmak üzere her br alt ağaç T çn aşağıdak gb tanımlanmaktadır: Rα ( T ) = R( T ) +α T (.5) R (T ) ortalama düğüm (node) ç kareler toplamı, T alt ağacın toplam düğüm sayısı olarak tanımlanan ağaç karmaşıklığı ve α her br lave termnal düğüm çn br ceza olan karmaşıklık parametresdr. Budama şlem sırasında α, derecel olarak 0 dan e doğru artmakta ve α nın her br değer çn R α (T ) mnmze eden ağaç seçlmektedr. α nın 0 a eşt olduğu değer çn R α (T ) maksmum ağaç tarafından mnmze edlmekte ve böylece derecel olarak artan br α le karmaşıklığı azalmış br ser ağaç elde edlmş olmaktadır [5]. y Optmum ağacın seçm Elde edlmş alt ağaçlar sersnden optmal olanı seçlmek zorundadır ve seçm şlem de tahmn hatasının değerlendrlmes üzerne kuruludur. Tahmn hatası se sıklıkla çapraz geçerllk test kullanarak değerlendrlmektedr. Çapraz geçerllk testnde pek çok sayıda nesne, ver setnden rastgele olarak çıkarılmakta ve ger kalan ver le uyumlu şeklde ağacın tahmn gücünü Ağaç çok büyük ve eğtm örneklerne at hata oranı düşük olduğu halde, test vers çn sınıflandırma hatası büyük se bu duruma aşırı öğrenme (overfttng) denr.

45 3 değerlendrmek çn br test grubu olarak kullanılmaktadır. Genellkle terch edlen test se 0 katlı çapraz geçerllk testdr. 0 katlı çapraz geçerllk test sırasında ver set her br bağımlı değşkenn benzer dağılımını çeren 0 alt gruba bölünmektedr. Böylece bu alt gruplardan br, dğer dokuz alt grupla uyumlu ağacın tahmn hatasını değerlendrmek çn kullanılmaktadır. Bu şlem her defasında br dğer alt grubu test grubu olarak kullanarak on defa tekrarlanmaktadır. En doğru ağaç, aşağıda Eş. (.6) le verlen çapraz geçerllk ortalama hata karekökü (ÇGOHK) olarak tanımlanan, ortalama en küçük çapraz geçerllk hatasına sahp olandır. ÇGOHK = n = ( y y ) n (.6) Eş..6 da yer alan y, nesnesnn bağımlı değşken değern, y, nesnes çn tahmn edlen bağımlı değşken değern ve n se toplam nesne sayısını göstermektedr. Bu durumda en doğru ağacın br standart hata sınırları çnde ÇGOHK le brlkte en az karmaşık olan optmum ağacı tespt ederek en doğru olan ağacın yan, tahmn hatasıyla karşılaştırılablr daha az karmaşık olan ağacın seçlmes amaçlanmaktadır [5]. CHAID algortması CHAID, CART algortmasına benzemektedr ancak CART kl ağaçlar türetrken CHAID çoklu ağaçlar türetmektedr. CHAID algortmasında kategork değşkenlere lşkn ver kümes, bağımlı değşken en y açıklayacak şeklde detaylı homojen alt gruplara bölünmektedr. Vernn bölümlere ayrılmasında se en uygun bölümler seçmek çn kullanılan

46 33 entropy ve gn gb ölçütler yerne K-Kare testne dayanan br ölçme teknğ kullanılmaktadır. CHAID hem sürekl hem de kategork değşkenler üzernde çalışablmes, ağaçta her düğümü kden fazla alt gruba ayırablmes gb nedenler dolayısıyla günümüzde de terch edlen br algortmadır. QUEST algortması Hızlı, yansız, etkn statstksel ağaç olarak blnen QUEST algortmasının CART algortmasında olduğu gb kl karar ağaçları oluşturmak üzerne kurulu br yapısı vardır. Algortmanın kl ağaç türetme neden; bölme, CART ta olduğu gb maksmum ağacı budama ve durdurma kuralları gb teknklere zn veren kl ağaçların kullanılmasıdır.

47 34 3. LOJİSTİK REGRESYON ANALİZİ 3.. Lojstk Regresyon le Yapılmış Çalışmalar Son yıllarda tıp, byoloj, tarım ve ekonom gb alanlarda kolay kullanımı ve yorumlanması nedenyle lojstk regresyon yaygın olarak kullanılan ve terch edlen br yöntem halne gelmştr. Lojstk regresyon modelnn kullanımına lşkn lk çalışmalar Berkson (944) tarafından yapılmış ve model Fnney (97) tarafından byolojk deneylerde probt analze br alternatf olarak önerlmştr [35]. Cox (970) lojstk modele lşkn çeştl uygulamalar yapmıştır, onu zleyen yıllarda Anderson (979, 983) tarafından gelşmeler verlmştr [36 37]. Daha sonra Lesaffre (986), Lesaffre ve Albert (989) n ncelemş olduğu çoklu grup lojstk modellerde etkn ve aykırı gözlemlerle belrleme ölçütler lojstk modeller üzerne yapılan dğer çalışmalar arasındadır [38]. Lojstk regresyon seyrek gerçekleşen olayların ortaya çıkmasını ya da bu olayların ortaya çıkma sıklıklarının olasılıklarını tahmn etmek çn de kullanılmaktadır [39]. Bu doğrultuda George Washngton Ünverstes nden Langche Zeng ve Harward Ünverstes nden Gary Kng (00) çok seyrek gerçekleşen olaylar karşısında lojstk regresyonun ve ver seçmnn nasıl uygulanması gerektğn açıklamaya çalışmışlardır [40]. Daha önce lojstk regresyon analzyle (Bergh, Bag, Mansson, Mattsson, & Marklund,007; Chen, Rosenheck, Greenberg, & Sebyl, 007) veya probt model le (Huberman, Iyengar, & Jang, 007) emekllk sstem üzerne de pek çok çalışma yapılmıştır [4]. Benzer şeklde Amerka da Robn Fsher ve Jennfer Campbell (00) tarafından sağlık sgortasıyla lgl olarak sgortası olmayanların yaş, cnsyet ve ekonomk durumlarına göre sınıflandırılmasında lojstk regresyon modelnden yararlanılmıştır. Avustralya da Jeromey Temple (00) tarafından Avustralyalı hane halkının yıllar tbaryle özel sağlık

48 35 sgortasına ekonomk, sağlık ve sosyal olarak geçş nedenler çoklu lojstk regresyon analzyle açıklanmıştır [4]. Harward Ünverstes nden Amtabh Chandra ve Dartmouth Kolej nden Andrew A. Samwck (005) Amerka dak malullük rskn ve malullük rsk sgortalarını ncelemş, bu çalışmada lojstk regresyon kullanarak malulen emekl olanları çalışablme sınırlarına, çalışamama durumlarına ve sağlık yardımı almak zorunda olmalarına göre sınıflandırmıştır [43]. 3.. Doğrusal Model ve Lojstk Regresyon Arasındak İlşk İstatstksel uygulamalarda araştırmacılar tarafından genellkle bağımsız değşkenlerle bağımlı değşken arasında lşk olup olmadığı analz edlmek stenr. Yapılan statstksel analz yöntemlernde, verlern yapısına göre en uygun yöntemn belrlenmes büyük önem arz etmektedr. Bağımlı değşken sürekl olduğunda, genellkle doğrusal regresyon model kullanılmaktadır. Doğrusal modellern öneml br varsayımı hata termlernn normal dağılıma sahp olmasıdır. Tpk doğrusal regresyon model: Y = Xβ + ε, (3.) bçmnde tanımlanmaktadır. Belrtlen doğrusal regresyon modelnde bağımsız değşkenlern keskl veya sürekl olmaları modeln tahmnnde kullanılacak yöntem ve bu yöntemle elde edlen parametre tahmnlernn özellklern etklemez. Bu nedenle modele grecek bağımsız değşkenler hem keskl hem de sürekl değşkenler olablrler. Buna karşın modeldek bağımlı değşkenn keskl br yapıya sahp olmasının etks büyüktür. Bağımlı değşkenn kategork olması durumunda normallk varsayımı bozulmakta ve tpk doğrusal model uygulanamamaktadır. Bağımlı değşken k değer aldığında model çeştl dağılımlara dayalı olarak doğrusal regresyon modelnden farklı bçmde tanımlanmaktadır. Bağımlı

49 36 değşkenn kategork değşken olması durumunda yaygın olarak kullanılan modellerden brs lojstk regresyon modeldr. Lojstk regresyon analzn, doğrusal regresyon analznden ayıran en belrgn özellk de lojstk regresyon analznde bağımlı değşkenn k ya da çok sınıflı olmasıdır. Lojstk regresyon ve doğrusal regresyon analz arasındak bu farklılık hem parametrk model seçmne hem de varsayımlara yansımaktadır []. Doğrusal regresyon analznde olduğu gb lojstk regresyon analznde de bazı değşken değerlerne dayanarak tahmn yapılmaya çalışılır. Fakat söz konusu bu k yöntem arasında temel olarak üç öneml fark mevcuttur. ) Doğrusal regresyon analznde tahmn edlecek bağımlı değşken sürekl ken lojstk regresyon analznde bağımlı değşken keskl (kategork) br değer almaktadır. ) Doğrusal regresyon analznde bağımlı değşkenn değer, lojstk regresyon analznde se bağımlı değşkenn alableceğ değerlerden brnn gerçekleşme olasılığı tahmn edlmektedr. 3) Doğrusal regresyon analznde bağımsız değşkenlern çoklu normal dağılım göstermes şartı aranırken lojstk regresyon analznde böyle br şart bulunmamaktadır [35] Doğrusal Olasılık Model ve Lojstk Fonksyon Regresyon analznde bağımlı değşkenn kategork olması bast doğrusal regresyon analznn bazı varsayımlarının yerne getrlememesne yol açmaktadır. Doğrusal olasılık model yardımıyla bu durum aşağıdak gb açıklanablr:

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

X, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının

X, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının 1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell

Detaylı

Merkezi Eğilim (Yer) Ölçüleri

Merkezi Eğilim (Yer) Ölçüleri Merkez Eğlm (Yer) Ölçüler Ver setn tanımlamak üzere kullanılan ve genellkle tüm elemanları dkkate alarak ver setn özetlemek çn kullanılan ölçülerdr. Ver setndek tüm elemanları temsl edeblecek merkez noktasına

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

YÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA

YÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,

Detaylı

ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI

ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN

Detaylı

NİTEL TERCİH MODELLERİ

NİTEL 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:

Detaylı

2005 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:16, s31-46

2005 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:16, s31-46 2005 Gaz Ünverstes Endüstryel Sanatlar Eğtm Fakültes Dergs Sayı:16, s31-46 ÖZET BANKALARDA MALİ BAŞARISIZLIĞIN ÖNGÖRÜLMESİ LOJİSTİK REGRESYON VE YAPAY SİNİR AĞI KARŞILAŞTIRMASI 31 Yasemn KESKİN BENLİ 1

Detaylı

ALGILANAN HİZMET KALİTESİ VE LOJİSTİK REGRESYON ANALİZİ İLE HİZMET TERCİHİNE ETKİSİNİN BELİRLENMESİ. Özet

ALGILANAN HİZMET KALİTESİ VE LOJİSTİK REGRESYON ANALİZİ İLE HİZMET TERCİHİNE ETKİSİNİN BELİRLENMESİ. Özet Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Yayın Gelş Tarh: 18.02.2011 Clt: 13, Sayı: 1, Yıl: 2011, Sayfa: 21-37 Yayına Kabul Tarh: 17.03.2011 ISSN: 1302-3284 ALGILANAN HİZMET KALİTESİ VE LOJİSTİK

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

TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI

TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI 1 TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI Metehan TOLON Nuray GÜNERİ TOSUNOĞLU Özet Tüketc tatmn araştırmaları özelde pazarlama yönetclernn, genelde

Detaylı

Metin Madenciliği ile Soru Cevaplama Sistemi

Metin Madenciliği ile Soru Cevaplama Sistemi Metn Madenclğ le Soru Cevaplama Sstem Sevnç İlhan 1, Nevchan Duru 2, Şenol Karagöz 3, Merve Sağır 4 1 Mühendslk Fakültes Blgsayar Mühendslğ Bölümü Kocael Ünverstes slhan@kocael.edu.tr, nduru@kocael.edu.tr,

Detaylı

FARKLI VERİ YAPILARINDA KULLANILABİLECEK REGRESYON YÖNTEMLERİ

FARKLI VERİ YAPILARINDA KULLANILABİLECEK REGRESYON YÖNTEMLERİ Anadolu Tarım Blm. Derg., 203,28(3):68-74 Anadolu J Agr Sc, 203,28(3):68-74 do: 0.76/anaas.203.28.3.68 URL: htt://dx.do.org/0.76/anaas.203.28.3.68 Derleme Revew FARKLI VERİ YAPILARINDA KULLANILABİLECEK

Detaylı

Muhasebe ve Finansman Dergisi

Muhasebe ve Finansman Dergisi Muhasebe ve Fnansman Dergs Ocak/2012 Farklı Muhasebe Düzenlemelerne Göre Hazırlanan Mal Tablolardan Elde Edlen Fnansal Oranlar İle Şrketlern Hsse Sened Getrler Ve Pyasa Değerler Arasındak İlşk Ahmet BÜYÜKŞALVARCI

Detaylı

İKİNCİ ÖĞRETİM KAMU TEZSİZ YÜKSEK LİSANS PROGRAMI

İKİNCİ ÖĞRETİM KAMU TEZSİZ YÜKSEK LİSANS PROGRAMI İKİNCİ ÖĞRETİM KAMU TEZSİZ YÜKSEK LİSANS PROGRAMI Anablm Dalı: Kamu PROGRAMIN TANIMI: Kamu Tezsz Yüksek Lsans Programı, kamu ve özel sektör sstem çersndek problemler ve htyaçları analz edeblecek, yorumlayacak,

Detaylı

Şiddet-Süre-Frekans Bağıntısının Genetik Algoritma ile Belirlenmesi: GAP Örneği *

Şiddet-Süre-Frekans Bağıntısının Genetik Algoritma ile Belirlenmesi: GAP Örneği * İMO Teknk Derg, 28 4393-447, Yazı 29 Şddet-Süre-Frekans Bağıntısının Genetk Algortma le Belrlenmes: GAP Örneğ * Hall KARAHAN* M. Tamer AYVAZ** Gürhan GÜRARSLAN*** ÖZ Bu çalışmada, Genetk Algortma (GA)

Detaylı

KIRMIZI, TAVUK VE BEYAZ ET TALEBİNİN TAM TALEP SİSTEMİ YAKLAŞIMIYLA ANALİZİ

KIRMIZI, TAVUK VE BEYAZ ET TALEBİNİN TAM TALEP SİSTEMİ YAKLAŞIMIYLA ANALİZİ Süleyman Demrel Ünverstes Sosyal Blmler Ensttüsü Dergs Yıl: 2007/2, Sayı: 6 Journal of Suleyman Demrel Unversty Insttue of Socal Scences Year: 2007/2, Number: 6 KIRMIZI, TAVUK VE BEYAZ ET TALEBİNİN TAM

Detaylı

Öğretim planındaki AKTS TASARIM STÜDYOSU IV 214058100001312 2 4 0 4 9

Öğretim planındaki AKTS TASARIM STÜDYOSU IV 214058100001312 2 4 0 4 9 Ders Kodu Teork Uygulama Lab. Ulusal Kred Öğretm planındak AKTS TASARIM STÜDYOSU IV 214058100001312 2 4 0 4 9 Ön Koşullar : Grafk İletşm I ve II, Tasarım Stüdyosu I, II, III derslern almış ve başarmış

Detaylı

SEK Yönteminin Güvenilirliği Sayısal Bir Örnek. Ekonometri 1 Konu 11 Sürüm 2,0 (Ekim 2011)

SEK 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)

Detaylı

ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ

ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,

Detaylı

BANKACILIKTA ETKİNLİK VE SERMAYE YAPISININ BANKALARIN ETKİNLİĞİNE ETKİSİ

BANKACILIKTA ETKİNLİK VE SERMAYE YAPISININ BANKALARIN ETKİNLİĞİNE ETKİSİ BANKACILIKTA ETKİNLİK VE SERMAYE YAPISININ BANKALARIN ETKİNLİĞİNE ETKİSİ Yrd. Doç. Dr. Murat ATAN - Araş. Gör. Gaye KARPAT ÇATALBAŞ 2 ÖZET Bu çalışma, Türk bankacılık sstem çnde faalyet gösteren tcar bankaların

Detaylı

BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler

BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda

Detaylı

DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre

DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre 1 DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cnemre 2 BİRİNCİ BÖLÜM HEDEF PROGRAMLAMA 1.1 Grş Karar problemler amaç sayısına göre tek amaçlı ve çok amaçlı

Detaylı

bir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre

bir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak

Detaylı

Hasar sıklıkları için sıfır yığılmalı kesikli modeller

Hasar sıklıkları için sıfır yığılmalı kesikli modeller www.statstkcler.org İstatstkçler Dergs 5 (01) 3-31 İstatstkçler Dergs Hasar sıklıkları çn sıfır yığılmalı keskl modeller Sema Tüzel Hacettepe Ünverstes Aktüerya Blmler Bölümü 06800-Beytepe, Ankara, Türkye

Detaylı

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences Pamukkale Ünverstes Mühendslk Blmler Dergs, Clt 0, Sayı 3, 04, Sayfalar 85-9 Pamukkale Ünverstes Mühendslk Blmler Dergs Pamukkale Unversty Journal of Engneerng Scences PREFABRİK ENDÜSTRİ YAPIARININ ARMONİ

Detaylı

a IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI

a IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI Fırat Ünverstes-Elazığ MİTRAL KAPAK İŞARETİ ÜZERİNDEKİ ANATOMİK VE ELEKTRONİK GÜRÜLTÜLERİN ABC ALGORİTMASI İLE TASARLANAN IIR SÜZGEÇLERLE SÜZÜLMESİ N. Karaboğa 1, E. Uzunhsarcıklı, F.Latfoğlu 3, T. Koza

Detaylı

Üniversite Öğrencilerinin Kredi Kartı Sahipliğini Belirleyen Faktörler

Üniversite Öğrencilerinin Kredi Kartı Sahipliğini Belirleyen Faktörler Ünverste Öğrenclernn Kred Kartı Sahplğn Belrleyen Faktörler H. Dlara KESKİN Yrd. Doç. Dr., Karadenz Teknk Ünverstes, İİBF İşletme Bölümü dlarakeskn@yahoo.com Emrah KOPARAN Öğr. Gör., Amasya Ünverstes Merzfon

Detaylı

PRODUCTION PLANNING BASED ON GOAL PROGRAMMING FOR MASS CUSTOMIZATION IN A COMPANY

PRODUCTION PLANNING BASED ON GOAL PROGRAMMING FOR MASS CUSTOMIZATION IN A COMPANY BİR İŞLETMEDE KİTLESEL ÖZEL ÜRETİME YÖNELİK HEDEF PROGRAMLAMA TABANLI ÜRETİM PLANLAMA PRODUCTION PLANNING BASED ON GOAL PROGRAMMING FOR MASS CUSTOMIZATION IN A COMPANY ESRA AKBAL Başkent Ünverstes Lsansüstü

Detaylı

Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI

Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI C.Ü. İktsad ve İdar Blmler Dergs, Clt 4, Sayı 1, 3 6 Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI H. BİRCAN, Y. KARAGÖZ ve Y. KASAPOĞLU

Detaylı

Bulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi

Bulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi Harta Teknolojler Elektronk Dergs Clt: 5, No: 1, 2013 (61-67) Electronc Journal of Map Technologes Vol: 5, No: 1, 2013 (61-67) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn: 1309-3983 Makale

Detaylı

TOPSIS ÇOK KRİTERLİ KARAR VERME SİSTEMİ: TÜRKİYE DEKİ KAMU BANKALARI ÜZERİNE BİR UYGULAMA

TOPSIS ÇOK KRİTERLİ KARAR VERME SİSTEMİ: TÜRKİYE DEKİ KAMU BANKALARI ÜZERİNE BİR UYGULAMA Araştırma Makaleler TOPSIS ÇOK KRİTERLİ KARAR VERME SİSTEMİ: TÜRKİYE DEKİ KAMU BANKALARI ÜZERİNE BİR UYGULAMA Dr., Dokuz Eylül Ünverstes, İİBF İşletme Bölümü erhan.demrel@deu.edu.tr ÖZET Ekonomk faalyetlern

Detaylı

Tek Yönlü Varyans Analizi

Tek Yönlü Varyans Analizi Tek Yönlü Varyan Analz Nedr ve hang durumlarda kullanılır? den fazla grupların karşılaştırılmaı öz konuu e, çok ayıda t-tet nn kullanılmaı, Tp I hatanın artmaına yol açar; Örneğn, eğer 5 grubu kşerl olarak

Detaylı

04.10.2012 SU İHTİYAÇLARININ BELİRLENMESİ. Suİhtiyacı. Proje Süresi. Birim Su Sarfiyatı. Proje Süresi Sonundaki Nüfus

04.10.2012 SU İHTİYAÇLARININ BELİRLENMESİ. Suİhtiyacı. Proje Süresi. Birim Su Sarfiyatı. Proje Süresi Sonundaki Nüfus SU İHTİYAÇLARII BELİRLEMESİ Suİhtyacı Proje Süres Brm Su Sarfyatı Proje Süres Sonundak üfus Su ayrım çzs İsale Hattı Su Tasfye Tess Terf Merkez, Pompa İstasyonu Baraj Gölü (Hazne) Kaptaj Su Alma Yapısı

Detaylı

YAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS

YAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS YAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS NURAY TUNCER PROF. DR. DURDU KARASOY Tez Danışmanı Hacettepe Ünverstes Lsansüstü Eğtm-Öğretm Yönetmelğnn İstatstk Anablm Dalı İçn Öngördüğü

Detaylı

MESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI

MESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI MESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI Fath ÇİL GAZİ ÜNİVERSİTESİ Mühendslk Mmarlık Fakültes Endüstr Mühendslğ Bölümü 4. Sınıf

Detaylı

Çok ölçütlü karar verme yaklaşımlarına dayalı tedarikçi seçimi: elektronik sektöründe bir uygulama

Çok ölçütlü karar verme yaklaşımlarına dayalı tedarikçi seçimi: elektronik sektöründe bir uygulama 346 Çok ölçütlü karar verme yaklaşımlarına dayalı tedarkç seçm: elektronk sektöründe br uygulama Murat ARIKAN 1, Berat GÖKBEK 1 1 Endüstr Mühendslğ Bölümü, Mühendslk Fakültes, Gaz Ünverstes, Maltepe-Ankara

Detaylı

Dersin Yürütülmesi Hakkında. (Örgün / Yüz Yüze Eğitim için) (Harmanlanmış Eğitim için) (Uzaktan Eğitim için)

Dersin Yürütülmesi Hakkında. (Örgün / Yüz Yüze Eğitim için) (Harmanlanmış Eğitim için) (Uzaktan Eğitim için) Ders Kodu Teork Uygulama Lab. Uluslararası Muhasebe ve Fnansal Raporlama Standartları Ulusal Kred Öğretm planındak AKTS 344000000000510 3 0 0 3 6 Ön Koşullar : Bu dersn ön koşulu ya da yan koşulu bulunmamaktadır.

Detaylı

Basel II Geçiş Süreci Sıkça Sorulan Sorular

Basel II Geçiş Süreci Sıkça Sorulan Sorular Basel II Geçş Sürec Sıkça Sorulan Sorular Soru No: 71 Cevaplanma Tarh: 06.03.2012 İlgl Hüküm: --- Konu: Gayrmenkul İpoteğyle Temnatlandırılmış Alacaklar İçn KR510AS Formunun Doldurulmasına İlşkn Örnek

Detaylı

SEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)

SEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011) SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler

Detaylı

YÜKSEK LİsANS VE DOKTORA PROGRAMLARI

YÜKSEK LİsANS VE DOKTORA PROGRAMLARI , EK-A YÜKSEK LİsANS VE DOKTORA PROGRAMLARI Değerl Arkadaşlar, --e------ Bldğnz üzere, ş dünyası sthdam edeceğ adaylarda, ünverste mezunyet sonrası kendlerne ne ölçüde katma değer ekledklern de cddyetle

Detaylı

İSTATİSTİK DERS NOTLARI

İSTATİSTİK DERS NOTLARI Balıkesr Ünverstes İnşaat Mühendslğ Bölüü uutokkan@balkesr.edu.tr İSTATİSTİK DERS OTLARI Yrd. Doç. Dr. Uut OKKA Hdrolk Anabl Dalı Balıkesr Ünverstes Balıkesr Ünverstes İnşaat Mühendslğ Bölüü İnşaat Mühendslğ

Detaylı

FARKLI REGRESYON YÖNTEMLERİ İLE BETA KATSAYISI ANALİZİ

FARKLI REGRESYON YÖNTEMLERİ İLE BETA KATSAYISI ANALİZİ FARKLI REGRESYON YÖNTEMLERİ İLE BETA KATSAYISI ANALİZİ M.Ensar YEŞİLYURT (*) Flz YEŞİLYURT (**) Özet: Özellkle uzak verlere sahp ver setlernn analz edlmesnde en küçük kareler tahmnclernn kullanılması sapmalı

Detaylı

EMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering

EMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering KSÜ Mühendslk Blmler Dergs, (), 9 5 KSU Journal of Engneerng Scences, (), 9 EMG İşaretlernn K-Ortalama Algortması Kullanılarak Öbekleştrlmes Mücahd Günay, Ahmet ALKA, KSÜ Mühendslk-Mmarlık Fakültes Elektrk-Elektronk

Detaylı

TÜKETĠCĠLERĠN FĠYAT BĠLĠNCĠ ÜZERĠNDE ETKĠLĠ OLAN FAKTÖRLERE ĠLĠġKĠN BĠR ĠNCELEME

TÜKETĠCĠLERĠN FĠYAT BĠLĠNCĠ ÜZERĠNDE ETKĠLĠ OLAN FAKTÖRLERE ĠLĠġKĠN BĠR ĠNCELEME Ġstanbul Ünverstes Ġktsat Fakültes Malye AraĢtırma Merkez Konferansları 46. Ser / Yıl 2004 Prof. Dr. Salh Turhan'a Armağan TÜKETĠCĠLERĠN FĠYAT BĠLĠNCĠ ÜZERĠNDE ETKĠLĠ OLAN FAKTÖRLERE ĠLĠġKĠN BĠR ĠNCELEME

Detaylı

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ BULANIK HEDONİK REGRESYON. Gökalp Kadri YENTÜR İSTATİSTİK ANABİLİM DALI ANKARA 2011

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ BULANIK HEDONİK REGRESYON. Gökalp Kadri YENTÜR İSTATİSTİK ANABİLİM DALI ANKARA 2011 ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ BULANIK HEDONİK REGRESYON Gökalp Kadr YENTÜR İSTATİSTİK ANABİLİM DALI ANKARA 011 Her hakkı saklıdır ÖZET Yüksek Lsans Tez BULANIK HEDONİK

Detaylı

Lojistik Regresyonlarda Değişken Seçimi

Lojistik Regresyonlarda Değişken Seçimi Çukurova Ünverstes Zraat Fakültes Dergs, 7 (2):05-4 Lostk Regresyonlarda Değşken Seçm Hasan ÖNDER () Zeynel CEBECİ (2) Özet Bu çalışmada, lostk regresyonlarda değşken seçm yöntemlernden ler doğru seçm,

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Blgsayarla Görüye Grş Ders 8 Görüntü Eşleme Alp Ertürk alp.erturk@kocael.edu.tr Panorama Oluşturma Görüntüler eşlememz / çakıştırmamız gerekmektedr Panorama Oluşturma İk görüntüden özntelkler çıkar Panorama

Detaylı

OLASILIĞA GİRİŞ. Biyoistatistik (Ders 7: Olasılık) OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI

OLASILIĞA GİRİŞ. Biyoistatistik (Ders 7: Olasılık) OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI OLASILIĞA GİRİŞ Yrd. Doç. Dr. Ünal ERKORKMAZ Sakarya Ünverstes Tıp Fakültes Byostatstk Anablm Dalı uerkorkmaz@sakarya.edu.tr OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI Br olayındoğal koşullar altında toplumda

Detaylı

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ Gülesen ÜSTÜNDAĞ BAZI PARAMETRİK OLMAYAN İSTATİSTİKSEL YÖNTEMLERİN İNCELENMESİ İSTATİSTİK ANABİLİM DALI ADANA, 005 ÇUKUROVA ÜNİVERSİTESİ

Detaylı

AKADEMİK YAKLAŞIMLAR DERGİSİ JOURNAL OF ACADEMIC APPROACHES

AKADEMİK YAKLAŞIMLAR DERGİSİ JOURNAL OF ACADEMIC APPROACHES Konut Sahplğnn Belrleycler: Hanehalkı Resler Üzerne Br Uygulama Halm TATLI 1 Özet İnsanların barınma htyacını sağlayan konut, temel htyaçlar arasında yer almaktadır. Konut sahb olmayan ve krada oturan

Detaylı

MÜŞTERİ MEMNUNİYET İNDEKSLERİ VE CEP TELEFONU SEKTÖRÜNDE BİR PLOT UYGULAMA ÖZET

MÜŞTERİ MEMNUNİYET İNDEKSLERİ VE CEP TELEFONU SEKTÖRÜNDE BİR PLOT UYGULAMA ÖZET MÜŞTERİ MEMNUNİYET İNDEKSLERİ VE CEP TELEFONU SEKTÖRÜNDE BİR PLOT UYGULAMA Al Türkyılmaz Fath Ünverstes, Endüstr Mühendslğ Bölümü, 34900 Büyükçekmece İstanbul Tel: (212) 8890810 1094 Fax: (212) 8890906

Detaylı

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇOKLU İÇ İLİŞKİ VE EKOLOJİK REGRESYON İSTATİSTİK ANABİLİM DALI

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇOKLU İÇ İLİŞKİ VE EKOLOJİK REGRESYON İSTATİSTİK ANABİLİM DALI ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ Berrn GÜLTAY YÜKSEK LİSANS TEZİ ÇOKLU İÇ İLİŞKİ VE EKOLOJİK REGRESYON İSTATİSTİK ANABİLİM DALI ADANA, 9 ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇOKLU

Detaylı

TÜRKİYE DE YOKSULLUK PROFİLİ VE GELİR GRUPLARINA GÖRE GIDA TALEBİ

TÜRKİYE DE YOKSULLUK PROFİLİ VE GELİR GRUPLARINA GÖRE GIDA TALEBİ TÜRKİYE DE YOKSULLUK PROFİLİ VE GELİR GRUPLARINA GÖRE GIDA TALEBİ Yrd. Doç. Dr. Seda ŞENGÜL Çukurova Ünverstes İktsad Ve İdar Blmler Fakültes Ekonometr Bölümü Mart 2004 ANKARA YAYIN NO: 119 ISBN: 975-407-151-9

Detaylı

AYLIK ORTALAMA GÖL SU SEVİYESİNİN BULANIK-OLASILIK YAKLAŞIMI İLE GÖZLENMİŞ ZAMAN SERİSİNDEN TAHMİNİ

AYLIK ORTALAMA GÖL SU SEVİYESİNİN BULANIK-OLASILIK YAKLAŞIMI İLE GÖZLENMİŞ ZAMAN SERİSİNDEN TAHMİNİ AYLIK ORTALAMA GÖL SU SEVİYESİİ BULAIK-OLASILIK YAKLAŞIMI İLE GÖZLEMİŞ ZAMA SERİSİDE TAHMİİ Veysel GÜLDAL, Hakan TOGAL 2 S.D.Ü.Mühendslk Mmarlık Fakültes İnşaat Müh Böl., Isparta/TÜRKİYE vguldal@mmf.sdu.edu.tr

Detaylı

PORTFÖY OPTİMİZASYONU. Doç.Dr.Aydın ULUCAN

PORTFÖY OPTİMİZASYONU. Doç.Dr.Aydın ULUCAN PORTFÖY OPTİMİZASYOU Doç.Dr.Aydın ULUCA KARAR VERME Karar verme, ş dünyasının çalışmasını sağlayan temel unsurlardandır. Tüm yönetcler, bulundukları faalyet alanı ve kademelernden bağımsız olarak stratejk

Detaylı

İyi Tarım Uygulamaları Ve Tüketici Davranışları (Logit Regresyon Analizi)(*)

İyi Tarım Uygulamaları Ve Tüketici Davranışları (Logit Regresyon Analizi)(*) Gazosmanpaşa Ünverstes Zraat Fakültes Dergs Journal of Agrcultural Faculty of Gazosmanpasa Unversty http://zraatderg.gop.edu.tr/ Araştırma Makales/Research Artcle JAFAG ISSN: 1300-2910 E-ISSN: 2147-8848

Detaylı

İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ

İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Türkye İnşaat Mühendslğ, XVII. Teknk Kongre, İstanbul, 2004 İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Nur MERZİ 1, Metn NOHUTCU, Evren YILDIZ 1 Orta Doğu Teknk Ünverstes, İnşaat Mühendslğ Bölümü, 06531 Ankara

Detaylı

GM-220 MÜH. ÇALIŞ. İSTATİSTİKSEL. Frekans Dağılımı Oluşturma Adımları VERİLERİN SUNUMU. Verilerin Özetlenmesi ve Grafikle Gösterilmesi

GM-220 MÜH. ÇALIŞ. İSTATİSTİKSEL. Frekans Dağılımı Oluşturma Adımları VERİLERİN SUNUMU. Verilerin Özetlenmesi ve Grafikle Gösterilmesi VERİLERİN SUNUMU GM-0 MÜH. ÇALIŞ. İSTATİSTİKSEL YÖNTEMLER Br çalışadan elde edlen verler ha ver ntelğndedr. Ha verlerden blg ednek zor ve zaan alıcıdır. Ha verler çok karaşık durudadır. Verlern düzenlenes

Detaylı

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ SWITCHING REGRESYON DA BULANIK SİNİR AĞLARI YAKLAŞIMI İLE PARAMETRE TAHMİNİ

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ SWITCHING REGRESYON DA BULANIK SİNİR AĞLARI YAKLAŞIMI İLE PARAMETRE TAHMİNİ ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ SWITCHING REGRESYON DA BULANIK SİNİR AĞLARI YAKLAŞIMI İLE PARAMETRE TAHMİNİ Türkan ERBAY DALKILIÇ İSTATİSTİK ANABİLİM DALI ANKARA 005 Her hakkı

Detaylı

ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ

ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ Emel KOCADAYI EGE ÜNİVERSİTESİ MÜH. FAK., KİMYA MÜH. BÖLÜMÜ, 35100-BORNOVA-İZMİR ÖZET Bu projede, Afyon Alkalot Fabrkasından

Detaylı

DENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI

DENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI A. DNYİN AMACI : Bast ser ve bast paralel drenç devrelern analz edp kavramak. Voltaj ve akım bölücü kurallarını kavramak. Krchoff kanunlarını deneysel olarak uygulamak. B. KULLANILACAK AAÇ V MALZML : 1.

Detaylı

MOBİPA MOBİLYA TEKSTİL İNŞAAT NAKLİYE PETROL ÜRÜNLERİ. SÜPERMARKET VE TuRİzM SANAYİ VE TİcARET ANONİM ŞİRKETİ

MOBİPA MOBİLYA TEKSTİL İNŞAAT NAKLİYE PETROL ÜRÜNLERİ. SÜPERMARKET VE TuRİzM SANAYİ VE TİcARET ANONİM ŞİRKETİ MOBİPA MOBİLYA TEKSTİL İNŞAAT NAKLİYE PETROL ÜRÜNLERİ SÜPERMARKET VE TuRİzM SANAYİ VE TİcARET ANONİM ŞİRKETİ 2011-2012-2013 MALİ yılına İLİşKİN YÖNETİM KURULU FAALİYET RAPORU ("Şrket") 01012011-31 ı22013

Detaylı

ATATÜRK ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANA BİLİM DALI. Serhat BURMAOĞLU

ATATÜRK ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANA BİLİM DALI. Serhat BURMAOĞLU ATATÜRK ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANA BİLİM DALI Serhat BURMAOĞLU BİRLEŞMİŞ MİLLETLER KALKINMA PROGRAMI BEŞERİ KALKINMA ENDEKSİ VERİLERİNİ KULLANARAK DİSKRİMİNANT ANALİZİ, LOJİSTİK

Detaylı

127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ

127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ 127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ Veri Madenciliği : Bir sistemin veri madenciliği sistemi olabilmesi

Detaylı

TAŞIMACILIK SEKTÖRÜNÜN İŞLEYİŞ SÜRECİ, BULANIK DAĞITIM PROBLEMİNİN TAMSAYILI DOĞRUSAL PROGRAMLAMA MODEL DENEMESİ

TAŞIMACILIK SEKTÖRÜNÜN İŞLEYİŞ SÜRECİ, BULANIK DAĞITIM PROBLEMİNİN TAMSAYILI DOĞRUSAL PROGRAMLAMA MODEL DENEMESİ ZKÜ Sosyal Blmler Dergs, Clt 3, Sayı 6, 2007, ss. 109 125. TAŞIMACILIK SEKTÖRÜNÜN İŞLEYİŞ SÜRECİ, BULANIK DAĞITIM PROBLEMİNİN TAMSAYILI DOĞRUSAL PROGRAMLAMA MODEL DENEMESİ Yrd.Doç.Dr. Ahmet ERGÜLEN Nğde

Detaylı

TÜRKİYE CUMHURİYETİ ÇUKUROVA ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI

TÜRKİYE CUMHURİYETİ ÇUKUROVA ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI TÜRKİYE CUMHURİYETİ ÇUKUROVA ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI FİRMA ÇEŞİTLENDİRMESİNİN FİRMA DEĞERİ, RİSKİ VE PERFORMANSINA ETKİLERİ: TÜRKİYE UYGULAMASI Emel YÜCEL DOKTORA TEZİ

Detaylı

BIST da Demir, Çelik Metal Ana Sanayii Sektöründe Faaliyet Gösteren İşletmelerin Finansal Performans Analizi: VZA Süper Etkinlik ve TOPSIS Uygulaması

BIST da Demir, Çelik Metal Ana Sanayii Sektöründe Faaliyet Gösteren İşletmelerin Finansal Performans Analizi: VZA Süper Etkinlik ve TOPSIS Uygulaması EGE AKADEMİK BAKIŞ / EGE ACADEMIC REVIEW Clt: 4 Sayı: Ocak 04 ss. 9-9 BIST da Demr, Çelk Metal Ana Sanay Sektöründe Faalyet Gösteren İşletmelern Fnansal Performans Analz: VZA Süper Etknlk ve TOPSIS Uygulaması

Detaylı

DEĞİŞKEN DÖVİZ KURLARI ORTAMINDA GLOBAL BİR ŞİRKETTEKİ ESNEKLİĞİN DEĞERİ VE OPTİMUM KULLANIMI

DEĞİŞKEN DÖVİZ KURLARI ORTAMINDA GLOBAL BİR ŞİRKETTEKİ ESNEKLİĞİN DEĞERİ VE OPTİMUM KULLANIMI DEĞİŞKEN DÖVİZ KURLARI ORTAMINDA GLOBAL BİR ŞİRKETTEKİ ESNEKLİĞİN DEĞERİ VE OPTİMUM KULLANIMI Mehmet Aktan Atatürk Ünverstes, Endüstr Mühendslğ Bölümü, 25240, Erzurum. Özet: Dövz kurlarındak değşmler,

Detaylı

BULANIK HEDEF PROGRAMLAMA VE BİR TEKSTİL FİRMASINDA UYGULAMA ÖRNEĞİ

BULANIK HEDEF PROGRAMLAMA VE BİR TEKSTİL FİRMASINDA UYGULAMA ÖRNEĞİ Eskşehr Osmangaz Ünverstes Sosyal Blmler Dergs Clt: 6 Sayı: 2 Aralık 2005 BULANIK HEDEF PROGRAMLAMA VE BİR TEKSTİL FİRMASINDA UYGULAMA ÖRNEĞİ İrfan ERTUĞRUL Pamukkale Ünverstes İİBF, Denzl ÖZET Günümüzde

Detaylı

SUÇ VERİ TABANININ LOJİSTİK REGRESYON ANALİZİ İLE TAHMİNİ: BURSA ÖRNEĞİ Estimating of Crime Database with Logistic Regression Analysis: Bursa Case

SUÇ VERİ TABANININ LOJİSTİK REGRESYON ANALİZİ İLE TAHMİNİ: BURSA ÖRNEĞİ Estimating of Crime Database with Logistic Regression Analysis: Bursa Case SUÇ VERİ TABANININ LOJİSTİK REGRESYON ANALİZİ İLE TAHMİNİ: BURSA ÖRNEĞİ Estmatng of Crme Database wth Logstc Regresson Analyss: Bursa Case Mehmet NARGELEÇEKENLER * B Özet u çalışmada, Bursa Emnyet Müdürlüğünden

Detaylı

İstanbul Ünverstes İşletme Fakültes Dergs Istanbul Unversty Journal of the School of Busness Admnstraton Clt/Vol:39, Sayı/No:2,, 310-334 ISSN: 1303-1732 www.fdergs.org Stokastk envanter model kullanılarak

Detaylı

YAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE

YAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE BAÜ Fen Bl. Enst. Dergs (6).8. YAYII YÜK İE YÜKENİŞ YAPI KİRİŞERİNDE GÖÇE YÜKÜ HESABI Perhan (Karakulak) EFE Balıkesr Ünverstes ühendslk marlık Fakültes İnşaat üh. Bölümü Balıkesr, TÜRKİYE ÖZET Yapılar

Detaylı

( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3

( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3 Yıldız Teknk Ünverstes Elektrk Mühendslğ Bölümü Deneyn Amacı İşlemsel kuvvetlendrcnn çalışma prensbnn anlaşılması le çeştl OP AMP devrelernn uygulanması ve ncelenmes. Özet ve Motvasyon.. Operasyonel Amplfkatör

Detaylı

QKUIAN. SAĞLIK BAKANLIĞI_ KAMU HASTANELERİ KURUMU Trabzon Ili Kamu Hastaneleri Birliği Genel Sekreterliği Kanuni Eğitim ve Araştırma Hastanesi

QKUIAN. SAĞLIK BAKANLIĞI_ KAMU HASTANELERİ KURUMU Trabzon Ili Kamu Hastaneleri Birliği Genel Sekreterliği Kanuni Eğitim ve Araştırma Hastanesi V tsttşfaktör T.C. SAĞLIK BAKANLIĞI KAMU HASTANELERİ KURUMU Trabzon Il Kamu Hastaneler Brlğ Genel Sekreterlğ Kanun Eğtm ve Araştırma Hastanes Sayı ı 23618724/?ı C.. Y** 08/10/2015 Konu : Yaklaşık Malyet

Detaylı

Veride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir?

Veride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir? MEH535 Örünü Tanıma 7. Kümeleme (Cluserng) Doç.Dr. M. Kemal GÜLLÜ Elekronk ve Haberleşme Mühendslğ Bölümü web: hp://akademkpersonel.kocael.edu.r/kemalg/ E-posa: kemalg@kocael.edu.r Verde eke blgs yok Denemsz

Detaylı

A İSTATİSTİK. 4. X kesikli rasgele (random) değişkenin moment çıkaran. C) 4 9 Buna göre, X in beklenen değeri kaçtır?

A İSTATİSTİK. 4. X kesikli rasgele (random) değişkenin moment çıkaran. C) 4 9 Buna göre, X in beklenen değeri kaçtır? . Br torbada 6 syah, 4 beyaz top vardır. Bu torbadan yerne koyarak top seçlyor. A İSTATİSTİK KPSS/-AB-PÖ/006. Normal dağılıma sahp br rasgele (random) değşkenn varyansı 00 dür. Seçlen topların ksnn de

Detaylı

K-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi *

K-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi * İMO Teknk Derg, 2012 6037-6050, Yazı 383 K-Ortalamalar Yöntem le Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelern Belrlenmes * Mahmut FIAT* Fath DİKBAŞ** Abdullah Cem KOÇ*** Mahmud GÜGÖ**** ÖZ

Detaylı

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma

Detaylı

Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt: 25, Sayı: 1, 2011 225

Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt: 25, Sayı: 1, 2011 225 Atatürk Ünverstes İktsad ve İdar Blmler Dergs, Clt: 25, Sayı:, 20 225 FİNANSAL ANALİZDE KULLANILAN ORANLAR VE HİSSE SENEDİ GETİRİLERİ ARASINDAKİ İLİŞKİ: EKONOMİK KRİZ DÖNEMLERİ İÇİN İMKB İMALAT SANAYİ

Detaylı

KENTSEL ALANDA ET TALEP ANALİZİ: BATI AKDENİZ BÖLGESİ ÖRNEĞİ. Dr. Ali Rıza AKTAŞ 1 Dr. Selim Adem HATIRLI 2

KENTSEL ALANDA ET TALEP ANALİZİ: BATI AKDENİZ BÖLGESİ ÖRNEĞİ. Dr. Ali Rıza AKTAŞ 1 Dr. Selim Adem HATIRLI 2 Journal of Yasar Unversty 2010 3294-3319 KENTSEL ALANDA ET TALEP ANALİZİ: BATI AKDENİZ BÖLGESİ ÖRNEĞİ Dr. Al Rıza AKTAŞ 1 Dr. Selm Adem HATIRLI 2 ÖZET Bu çalışmada, Batı Akdenz Bölges kent merkezlernde

Detaylı

Antalya Đlinde Serada Domates Üretiminin Kâr Etkinliği Analizi

Antalya Đlinde Serada Domates Üretiminin Kâr Etkinliği Analizi Tarım Blmler Dergs Tar. Bl. Der. Derg web sayfası: www.agr.ankara.edu.tr/derg Journal of Agrcultural Scences Journal homepage: www.agr.ankara.edu.tr/journal TARIM BİLİMLERİ DERGİSİ JOURNAL OF AGRICULTURAL

Detaylı

REGRESYONDA ETKİLİ GÖZLEMLERİ BELİRLEME YÖNTEMLERİ VE KARŞILAŞTIRMALARI. Can DARICA YÜKSEK LİSANS TEZİ İSTATİSTİK

REGRESYONDA ETKİLİ GÖZLEMLERİ BELİRLEME YÖNTEMLERİ VE KARŞILAŞTIRMALARI. Can DARICA YÜKSEK LİSANS TEZİ İSTATİSTİK REGRESYONDA ETKİLİ GÖZLEMLERİ BELİRLEME YÖNTEMLERİ VE KARŞILAŞTIRMALARI Can DARICA YÜKSEK LİSANS TEZİ İSTATİSTİK GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ŞUBAT 014 ANKARA Can DARICA tarafından hazırlanan

Detaylı

TEKNOLOJİ BAĞIMLI YAŞAMIN MATEMATİKSEL DESENLERİ-I

TEKNOLOJİ BAĞIMLI YAŞAMIN MATEMATİKSEL DESENLERİ-I TEKNOLOJİ BAĞIMLI YAŞAMIN MATEMATİKSEL DESENLERİ-I Fevz ÜNLÜ *, Esra DALAN YILDIRIM **,Şule AYAR *** ÖZET: Evren her an nano-önces, nano, mkro, normal, makro ve makro-ötes gözler le gözlemlermze açıktır.

Detaylı

AHP AND GRA INTEGRATED APPROACH IN INNOVATION PERFORMANCE REVIEW PROCESS: AN APPLICATION IN DAIRY INDUSTRY

AHP AND GRA INTEGRATED APPROACH IN INNOVATION PERFORMANCE REVIEW PROCESS: AN APPLICATION IN DAIRY INDUSTRY Dumlupınar Ünverstes Sosyal Blmler Dergs / Dumlupınar Unversty Journal of Socal Scences İNOVASYON PERFORMANSI DEĞERLENDİRME SÜRECİNDE AHS VE GİA BÜTÜNLEŞİK YAKLAŞIMI: SÜT ÜRÜNLERİ SEKTÖRÜNDE BİR UYGULAMA

Detaylı

VERİ ZARFLAMA ANALİZİ İLE TIBBİ GÖRÜNTÜ, ARŞİV VE İLETİŞİM SİSTEMLERİNİN DEVLET HASTANELERİ PERFORMANSINA ETKİLERİNİN ARAŞTIRILMASI

VERİ ZARFLAMA ANALİZİ İLE TIBBİ GÖRÜNTÜ, ARŞİV VE İLETİŞİM SİSTEMLERİNİN DEVLET HASTANELERİ PERFORMANSINA ETKİLERİNİN ARAŞTIRILMASI Süleyman Demrel Ünverstes Sosyal Blmler Ensttüsü DergsYıl: 2013/1, Sayı:17 Journal of Süleyman Demrel Unversty Insttute of Socal ScencesYear: 2013/1, Number:17 VERİ ZARFLAMA ANALİZİ İLE TIBBİ GÖRÜNTÜ,

Detaylı

HİSSE SENETLERİNİN BEKLENEN GETİRİ VE RİSKLERİNİN TAHMİNİNDE ALTERNATİF MODELLER

HİSSE SENETLERİNİN BEKLENEN GETİRİ VE RİSKLERİNİN TAHMİNİNDE ALTERNATİF MODELLER İstanbul Ünverstes İktsat Fakültes Malye Araştırma Merkez Konferansları 47. Ser / Yıl 005 Prof. Dr. Türkan Öncel e Armağan HİSSE SENETLERİNİN BEKLENEN GETİRİ VE RİSKLERİNİN TAHMİNİNDE ALTERNATİF MODELLER

Detaylı

Biyoistatistik (Ders 6: Bağımsız Gruplarda İkiden Çok Örneklem Testleri)

Biyoistatistik (Ders 6: Bağımsız Gruplarda İkiden Çok Örneklem Testleri) k ÖRNEKLEM TESTLERİ BAĞIMSIZ GRUPLARDA k ÖRNEKLEM TESTLERİ Yrd. Doç. Dr. Ünal ERKORKMAZ Sakarya Ünverstes Tıp Fakültes Byostatstk Anablm Dalı uerkorkmaz@sakarya.edu.tr BAĞIMSIZ İKİDEN ÇOK GRUBUN KARŞILAŞTIRILMASINA

Detaylı

META ANALİZ VE TARIMSAL UYGULAMALAR

META ANALİZ VE TARIMSAL UYGULAMALAR T.C. KAHRAMANMARAŞ SÜTÇÜ İMAM ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ZOOTEKNİ ANABİLİM DALI META ANALİZ VE TARIMSAL UYGULAMALAR HANDE KÜÇÜKÖNDER YÜKSEK LİSANS TEZİ KAHRAMANMARAŞ Ocak -2007 T.C. KAHRAMANMARAŞ

Detaylı

BEYKENT ÜNİVERSİTESİ - DERS İZLENCESİ - Sürüm 2. Öğretim planındaki AKTS 581058202101319 2 1 0 3 5

BEYKENT ÜNİVERSİTESİ - DERS İZLENCESİ - Sürüm 2. Öğretim planındaki AKTS 581058202101319 2 1 0 3 5 BEYKENT ÜNİVERSİTESİ - DERS İZLENCESİ - Sürüm 2 Ders Kodu Teork Uygulama Lab. YAPI ARAŞTIRMASI VE DOKÜMANTASYON Ulusal Kred Öğretm planındak AKTS 581058202101319 2 1 0 3 5 Ön Koşullar : Önerlen Dersler

Detaylı

UYGULAMA 2. Bağımlı Kukla Değişkenli Modeller

UYGULAMA 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.

Detaylı

FAKTÖRİYEL TASARIMA ADAPTİF AĞ TABANLI BULANIK MANTIK ÇIKARIM SİSTEMİ İLE FARKLI BİR YAKLAŞIM. Sevil ŞENTÜRK

FAKTÖRİYEL TASARIMA ADAPTİF AĞ TABANLI BULANIK MANTIK ÇIKARIM SİSTEMİ İLE FARKLI BİR YAKLAŞIM. Sevil ŞENTÜRK FAKTÖRİYEL TASARIMA ADAPTİF AĞ TABANLI BULANIK MANTIK ÇIKARIM SİSTEMİ İLE FARKLI BİR YAKLAŞIM Sevl ŞENTÜRK Anadolu Ünverstes, Fen Fakültes, İstatstk Bölümü,26470, ESKİŞEHİR, e-mal:sdelgoz@anadolu.edu.tr

Detaylı

Resmi Gazetenin 29.12.2012 tarih ve 28512 sayılı ile yayınlanmıştır. TEİAŞ Türkiye Elektrik İletim Anonim Şirketi

Resmi Gazetenin 29.12.2012 tarih ve 28512 sayılı ile yayınlanmıştır. TEİAŞ Türkiye Elektrik İletim Anonim Şirketi İletm Sstem Sstem Kullanım ve Sstem İşletm Tarfelern Hesaplama ve Uygulama Yöntem Bldrm Resm Gazetenn 29.12.2012 tarh ve 28512 sayılı le yayınlanmıştır. TEİAŞ Türkye Elektrk İletm Anonm Şrket Bu Doküman

Detaylı

PROJE PLANLAMASINDA BULANIK HEDEF PROGRAMLAMA YAKLAŞIMI. Müh. Ramadan VATANSEVER

PROJE PLANLAMASINDA BULANIK HEDEF PROGRAMLAMA YAKLAŞIMI. Müh. Ramadan VATANSEVER İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ PROJE PLANLAMASINDA BULANIK HEDEF PROGRAMLAMA YAKLAŞIMI YÜKSEK LİSANS TEZİ Müh. Ramadan VATANSEVER Anablm Dalı: İşletme Mühendslğ Programı: İşletme

Detaylı

Sıfır Ağırlıklı Sayma ile Elde Edilen Veriler İçin Çok Seviyeli ZIP Regresyon * Multilevel ZIP Regression for Zero-Inflated Count Data

Sıfır Ağırlıklı Sayma ile Elde Edilen Veriler İçin Çok Seviyeli ZIP Regresyon * Multilevel ZIP Regression for Zero-Inflated Count Data Yüzüncü Yıl Ünverstes Fen Blmler Ensttüsü Dergs/ Journal of The Insttute of Natural & Appled Scences 18 (1-):01-08, 013 Araştırma Makales/Research Artcle Sıfır Ağırlıklı Sayma le Elde Edlen Verler İçn

Detaylı

ADJUSTED DURBIN RANK TEST FOR SENSITIVITY ANALYSIS IN BALANCED INCOMPLETE BLOCK DESIGN

ADJUSTED DURBIN RANK TEST FOR SENSITIVITY ANALYSIS IN BALANCED INCOMPLETE BLOCK DESIGN SAÜ Fen Edebyat Dergs (2010-I) F.GÖKPINAR v.d. DENGELİ TAMAMLANMAMIŞ BLOK TASARIMINDA, DUYUSAL ANALİZ İÇİN DÜZELTİLMİŞ DURBİN SIRA SAYILARI TESTİ Fkr GÖKPINAR*, Hülya BAYRAK, Dlşad YILDIZ ve Esra YİĞİT

Detaylı

LOJİSTİK REGRESYON ANALİZİ İLE ESKİŞEHİR İN SİS

LOJİSTİK REGRESYON ANALİZİ İLE ESKİŞEHİR İN SİS İstanbul Tcaret Ünverstes Fen Blmler Dergs Yıl: 8 Sayı: 16 Güz 2009/2 s. 47-59 LOJİSTİK REGRESYON ANALİZİ İLE ESKİŞEHİR İN SİS KESTİRİMİNİN İNCELENMESİ Cengz AKTAŞ *, Orkun ERKUŞ ** Gelş: 12.10.2009 Kabul:

Detaylı

TEİAŞ Türkiye Elektrik İletim Anonim Şirketi. İletim Sistemi Sistem Kullanım ve Sistem İşletim Tarifelerini Hesaplama ve Uygulama Yöntem Bildirimi

TEİAŞ Türkiye Elektrik İletim Anonim Şirketi. İletim Sistemi Sistem Kullanım ve Sistem İşletim Tarifelerini Hesaplama ve Uygulama Yöntem Bildirimi İletm Sstem Sstem Kullanım ve Sstem İşletm Tarfelern Hesaplama ve Uygulama Yöntem Bldrm EK-1 TEİAŞ Türkye Elektrk İletm Anonm Şrket İletm Sstem Sstem Kullanım ve Sstem İşletm Tarfelern Hesaplama ve Uygulama

Detaylı

Bitkisel Ürün Sigortası Yaptırma İsteğinin Belirlenmesi: Tokat İli Örneği

Bitkisel Ürün Sigortası Yaptırma İsteğinin Belirlenmesi: Tokat İli Örneği Atatürk Ünv. Zraat Fak. Derg., 42 (2): 153-157, 2011 J. of Agrcultural Faculty of Atatürk Unv., 42 (2): 153-157, 2011 ISSN : 1300-9036 Araştırma Makales/Research Artcle Btksel Ürün Sgortası Yaptırma İsteğnn

Detaylı

TEDARİKÇİ SEÇİMİNDE ANALİTİK HİYERARŞİ PROSESİ VE HEDEF PROGRAMLAMA YÖNTEMLERİNİN KOMBİNASYONU: OTEL İŞLETMELERİNDE BİR UYGULAMA

TEDARİKÇİ SEÇİMİNDE ANALİTİK HİYERARŞİ PROSESİ VE HEDEF PROGRAMLAMA YÖNTEMLERİNİN KOMBİNASYONU: OTEL İŞLETMELERİNDE BİR UYGULAMA TEDARİKÇİ SEÇİMİNDE ANALİTİK HİYERARŞİ PROSESİ VE HEDEF PROGRAMLAMA YÖNTEMLERİNİN KOMBİNASYONU: OTEL İŞLETMELERİNDE BİR UYGULAMA Yrd. Doç. Dr. Meltem KARAATLI * Yrd. Doç. Dr. Gonca DAVRAS ** ÖZ Otel şletmelernde,

Detaylı