İstatistik Laboratuvarı I Vize Ödevi Levent TERLEMEZ 30 Kasım 2016
|
|
- Eser Kaba
- 6 yıl önce
- İzleme sayısı:
Transkript
1 İstatistik Laboratuvarı I Vize Ödevi Levent TERLEMEZ 30 Kasım 2016 İçindekiler 1 Soru Veri Girişi Boy Değişkeni Karekök Metodu Sturges Metodu Rice Metodu Scott Metodu Freedman-Diaconis Metodu Vücut Ağırlığı Değişkeni Karekök Metodu Sturges Metodu Rice Metodu Scott Metodu Freedman-Diaconis Metodu Vücut Kitle İndeksi Değişkeni VKİ Değişkeninin Hesaplama Karekök Metodu Histogram Sturges Metodu Histogram Rice Metodu Histogram Scott Metodu Histogram Freedman-Diaconis Metodu Histogram Soru Anadolu Üniversitesi öğrencileri arasında yapılan bir araştırmada, öğrencilerin boy (metre) ve vücut ağırlığı (kg) özellikleri de ölçülmüştür. Öğrencilerin bu özellikleri için, Karekök, Sturges, Rice, Scott ve Freedman-Diaconis metotlarını kullanarak, gruplandırılmış frekans serilerini oluşturunuz. Bu araştırmada, ayrıca öğrencilerin vücut kitle endeksleri de araştırma konusuna dail edilmiştir. Öğrencilerin vücut kitle endeks değerlerini de esaplayarak, Karekök, Sturges, Rice, Scott ve Freedman-Diaconis metotlarından istediğiniz bir tanesini kullanarak gruplandırılmış frekans serisini oluşturunuz ve istogramını çiziniz. 1.1 Veri Girişi veriler <- read.csv("clipboard", dec = ",", sep = "\t", eader = TRUE) ead(veriler, n = 5) 1
2 B.m VA.kg Boy Değişkeni Karekök Metodu Karekök metodu, k = n formülü ile sınıf sayısını (k) belirler. Sınıf aralığı () ise, değişim aralığının sınıf sayısına bölünmesi ile elde edilir; = R/k. k = ceiling(sqrt(lengt(veriler$b.m))) k [1] 10 = diff(range(veriler$b.m))/k = round(, 3) [1] Boy değişkeni için sınıf sayısı 10, sınıf aralığı ise olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(veriler$b.m), max(veriler$b.m), ) [1] # Son sınıf üst limiti B.m değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(veriler$b.m)) <- c(, max() + ) [1] [12] Sturges Metodu Sturges metodu, k = log 2 n + 1 formülü ile sınıf sayısını (k) belirler. Sınıf aralığı () ise değişim aralığının sınıf sayısına bölünmesi ile elde edilir; = R/k. k = ceiling(log2(lengt(veriler$b.m))) + 1 k [1] 8 = diff(range(veriler$b.m))/k = round(, 3) [1]
3 Boy değişkeni için sınıf sayısı 8, sınıf aralığı ise olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(veriler$b.m), max(veriler$b.m), ) [1] # Son sınıf üst limiti B.m değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(veriler$b.m)) <- c(, max() + ) [1] <- table(cut(veriler$b.m,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [1.5,1.54) [1.54,1.59) [1.59,1.63) [1.63,1.68) [1.68,1.72) [1.72,1.76) [1.76,1.81) [1.81,1.85) 3 2 colnames() = c("b (m)", "Frekans") B (m) Frekans 1 [1.5,1.54) 2 2 [1.54,1.59) 6 3 [1.59,1.63) 22 4 [1.63,1.68) 17 5 [1.68,1.72) 22 6 [1.72,1.76) 15 7 [1.76,1.81) 3 8 [1.81,1.85) Rice Metodu Rice metodu, k = 2n 1/3 formülü ile sınıf sayısını (k) belirler. Sınıf aralığı () ise değişim aralığının sınıf sayısına bölünmesi ile elde edilir; = R/k. k = ceiling(2 * lengt(veriler$b.m)^(1/3)) k [1] 9 = diff(range(veriler$b.m))/k = round(, 3) [1]
4 Boy değişkeni için sınıf sayısı 9, sınıf aralığı ise olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(veriler$b.m), max(veriler$b.m), ) [1] # Son sınıf üst limiti B.m değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(veriler$b.m)) <- c(, max() + ) [1] <- table(cut(veriler$b.m,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [1.5,1.54) [1.54,1.58) [1.58,1.62) [1.62,1.66) [1.66,1.7) [1.7,1.73) [1.73,1.77) [1.77,1.81) [1.81,1.85) colnames() = c("b (m)", "Frekans") B (m) Frekans 1 [1.5,1.54) 2 2 [1.54,1.58) 4 3 [1.58,1.62) 13 4 [1.62,1.66) 20 5 [1.66,1.7) 23 6 [1.7,1.73) 13 7 [1.73,1.77) 11 8 [1.77,1.81) 1 9 [1.81,1.85) Scott Metodu Scott metodu, = 3.5ˆσ/n 1/3 formülü ile sınıf aralığını () belirler. Sınıf sayısı (k) da esaplanmak istenir ise değişim aralığının sınıf aralığına bölünmesi ile elde edilebilir; k = R/. = 3.5 * sqrt(var(veriler$b.m))/lengt(veriler$b.m)^(1/3) = round(, 3) [1] Boy değişkeni için sınıf aralığı ise olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. 4
5 <- seq(min(veriler$b.m), max(veriler$b.m), ) [1] # Son sınıf üst limiti B.m değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(veriler$b.m)) <- c(, max() + ) [1] <- table(cut(veriler$b.m,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [1.5,1.55) [1.55,1.6) [1.6,1.65) [1.65,1.7) [1.7,1.75) [1.75,1.81) [1.81,1.86) 2 colnames() = c("b (m)", "Frekans") B (m) Frekans 1 [1.5,1.55) 3 2 [1.55,1.6) 14 3 [1.6,1.65) 22 4 [1.65,1.7) 27 5 [1.7,1.75) 16 6 [1.75,1.81) 5 7 [1.81,1.86) Freedman-Diaconis Metodu Freedman-Diaconis metodu, = 2 IQR(x)/n 1/3 sınıf aralığını () belirler. Sınıf sayısı (k) da esaplanmak istenir ise değişim aralığının sınıf aralığına bölünmesi ile elde edilebilir; k = R/. = 2 * IQR(veriler$B.m)/lengt(veriler$B.m)^(1/3) = round(, 3) [1] 0.04 Boy değişkeni için sınıf aralığı ise 0.04 olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(veriler$b.m), max(veriler$b.m), ) [1]
6 # Son sınıf üst limiti B.m değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(veriler$b.m)) <- c(, max() + ) [1] <- table(cut(veriler$b.m,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [1.5,1.54) [1.54,1.58) [1.58,1.62) [1.62,1.66) [1.66,1.7) [1.7,1.74) [1.74,1.78) [1.78,1.82) [1.82,1.86) colnames() = c("b (m)", "Frekans") B (m) Frekans 1 [1.5,1.54) 2 2 [1.54,1.58) 4 3 [1.58,1.62) 13 4 [1.62,1.66) 20 5 [1.66,1.7) 23 6 [1.7,1.74) 13 7 [1.74,1.78) 11 8 [1.78,1.82) 1 9 [1.82,1.86) Vücut Ağırlığı Değişkeni Karekök Metodu Karekök metodu, k = n formülü ile sınıf sayısını (k) belirler. Sınıf aralığı () ise değişim aralığının sınıf sayısına bölünmesi ile elde edilir; = R/k. k = ceiling(sqrt(lengt(veriler$va.kg))) k [1] 10 = diff(range(veriler$va.kg))/k = round(, 3) [1] 3.8 Vücut ağırlığı değişkeni için sınıf sayısı 10, sınıf aralığı ise 3.38 olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. 6
7 <- seq(min(veriler$va.kg), max(veriler$va.kg), ) [1] # Son sınıf üst limiti VA.kg değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(veriler$va.kg)) <- c(, max() + ) [1] <- table(cut(veriler$va.kg,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [39,42.8) [42.8,46.6) [46.6,50.4) [50.4,54.2) [54.2,58) [58,61.8) [61.8,65.6) [65.6,69.4) [69.4,73.2) [73.2,77) [77,80.8) colnames() = c("va (kg)", "Frekans") VA (kg) Frekans 1 [39,42.8) 1 2 [42.8,46.6) 3 3 [46.6,50.4) 9 4 [50.4,54.2) 18 5 [54.2,58) 13 6 [58,61.8) 14 7 [61.8,65.6) 13 8 [65.6,69.4) 7 9 [69.4,73.2) 5 10 [73.2,77) 5 11 [77,80.8) Sturges Metodu Sturges metodu,k = log 2 n + 1 formülü ile sınıf sayısını (k) belirler. Sınıf aralığı () ise değişim aralığının sınıf sayısına bölünmesi ile elde edilir; = R/k. k = ceiling(log2(lengt(veriler$va.kg))) + 1 k [1] 8 = diff(range(veriler$va.kg))/k = round(, 3) [1]
8 Vücut ağırlığı değişkeni için sınıf sayısı 8, sınıf aralığı ise 4.75 olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(veriler$va.kg), max(veriler$va.kg), ) [1] # Son sınıf üst limiti VA.kg değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(veriler$va.kg)) <- c(, max() + ) [1] <- table(cut(veriler$va.kg,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [39,43.8) [43.8,48.5) [48.5,53.2) [53.2,58) [58,62.8) [62.8,67.5) [67.5,72.2) [72.2,77) [77,81.8) colnames() = c("va (kg)", "Frekans") VA (kg) Frekans 1 [39,43.8) 1 2 [43.8,48.5) 6 3 [48.5,53.2) 20 4 [53.2,58) 17 5 [58,62.8) 19 6 [62.8,67.5) 11 7 [67.5,72.2) 9 8 [72.2,77) 5 9 [77,81.8) Rice Metodu Rice metodu, k = 2n 1/3 formülü ile sınıf sayısını (k) belirler. Sınıf aralığı () ise değişim aralığının sınıf sayısına bölünmesi ile elde edilir; = R/k. k = ceiling(2 * lengt(veriler$va.kg)^(1/3)) k [1] 9 = diff(range(veriler$va.kg))/k = round(, 3) [1]
9 Vücut ağırlığı değişkeni için sınıf sayısı 9, sınıf aralığı ise olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(veriler$va.kg), max(veriler$va.kg), ) [1] # Son sınıf üst limiti VA.kg değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(veriler$va.kg)) <- c(, max() + ) [1] [11] <- table(cut(veriler$va.kg,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [39,43.2) [43.2,47.4) [47.4,51.7) [51.7,55.9) [55.9,60.1) [60.1,64.3) [64.3,68.6) [68.6,72.8) [72.8,77) [77,81.2) colnames() = c("va (kg)", "Frekans") VA (kg) Frekans 1 [39,43.2) 1 2 [43.2,47.4) 5 3 [47.4,51.7) 9 4 [51.7,55.9) 21 5 [55.9,60.1) 22 6 [60.1,64.3) 10 7 [64.3,68.6) 8 8 [68.6,72.8) 7 9 [72.8,77) 5 10 [77,81.2) Scott Metodu Scott metodu, = 3.5ˆσ/n 1/3 formülü ile sınıf aralığını () belirler. Sınıf sayısı (k) da esaplanmak istenir ise değişim aralığının sınıf aralığına bölünmesi ile elde edilebilir; k = R/. = 3.5 * sqrt(var(veriler$va.kg))/lengt(veriler$va.kg)^(1/3) = round(, 3) [1] Vücut ağırlığı değişkeni için sınıf aralığı ise olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. 9
10 <- seq(min(veriler$va.kg), max(veriler$va.kg), ) [1] # Son sınıf üst limiti VA.kg değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(veriler$va.kg)) <- c(, max() + ) [1] <- table(cut(veriler$va.kg,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [39,45.4) [45.4,51.9) [51.9,58.3) [58.3,64.7) [64.7,71.1) [71.1,77.6) colnames() = c("va (kg)", "Frekans") VA (kg) Frekans 1 [39,45.4) 3 2 [45.4,51.9) 12 3 [51.9,58.3) 33 4 [58.3,64.7) 20 5 [64.7,71.1) 13 6 [71.1,77.6) Freedman-Diaconis Metodu Freedman-Diaconis metodu, = 2 IQR(x)/n 1/3 formülü ile sınıf aralığını () belirler. Sınıf sayısı (k) da esaplanmak istenir ise değişim aralığının sınıf aralığına bölünmesi ile elde edilebilir; k = R/. = 2 * IQR(veriler$VA.kg)/lengt(veriler$VA.kg)^(1/3) = round(, 3) [1] Vücut ağırlığı değişkeni için sınıf aralığı ise olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(veriler$va.kg), max(veriler$va.kg), ) [1]
11 # Son sınıf üst limiti VA.kg değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(veriler$va.kg)) <- c(, max() + ) [1] <- table(cut(veriler$va.kg,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [39,44.4) [44.4,49.8) [49.8,55.1) [55.1,60.5) [60.5,65.9) [65.9,71.2) [71.2,76.6) [76.6,82) 7 1 colnames() = c("va (kg)", "Frekans") VA (kg) Frekans 1 [39,44.4) 2 2 [44.4,49.8) 8 3 [49.8,55.1) 26 4 [55.1,60.5) 22 5 [60.5,65.9) 13 6 [65.9,71.2) 10 7 [71.2,76.6) 7 8 [76.6,82) Vücut Kitle İndeksi Değişkeni VKİ Değişkeninin Hesaplama Vücut kitle indeksi aşağıdaki formül yardımıyla esaplanır: V KI = V A/B 2 # data.frame R nesnesinin içerdiği değişkenlere formülde kullanılan iki # şekilde de erişilebilir. Siz de satır ve sütün için tam tersini deneyiniz. vki <- veriler[, 2]/veriler$B.m^2 ead(vki, n = 5) [1] Karekök Metodu Karekök metodu,k = n formülü ile sınıf sayısını (k) belirler. Sınıf aralığı () ise değişim aralığının sınıf sayısına bölünmesi ile elde edilir; = R/k. 11
12 k = ceiling(sqrt(lengt(vki))) k [1] 10 = diff(range(vki))/k = round(, 3) [1] Vücut kitle indeksi değişkeni için sınıf sayısı 10, sınıf aralığı ise 3.38 olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(vki), max(vki), ) [1] [8] # Son sınıf üst limiti vki değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(vki)) <- c(, max() + ) [1] [8] <- table(cut(vki,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [15.2,16.4) [16.4,17.6) [17.6,18.8) [18.8,19.9) [19.9,21.1) [21.1,22.3) [22.3,23.4) [23.4,24.6) [24.6,25.8) [25.8,27) colnames() = c("vki", "Frekans") VKİ Frekans 1 [15.2,16.4) 1 2 [16.4,17.6) 3 3 [17.6,18.8) 6 4 [18.8,19.9) 23 5 [19.9,21.1) 17 6 [21.1,22.3) 17 7 [22.3,23.4) 7 8 [23.4,24.6) 7 9 [24.6,25.8) 6 10 [25.8,27) Histogram 12
13 ist(vki, breaks =, rigt = FALSE, col = "red", xlab = "vki", ylab = "f", axes = F, main = "Vücut Kitler İndeksi (Karekök)") axis(1, pos = 0, at =, labels = round(, 1)) axis(2, las = 1) Vücut Kitler Indeksi (Karekök) f vki Sturges Metodu Sturges metodu,k = log 2 n + 1 formülü ile sınıf sayısını (k) belirler. Sınıf aralığı () ise değişim aralığının sınıf sayısına bölünmesi ile elde edilir; = R/k. k = ceiling(log2(lengt(vki))) + 1 k [1] 8 = diff(range(vki))/k = round(, 3) [1] Vücut kitle indeksi değişkeni için sınıf sayısı 8, sınıf aralığı ise 4.75 olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(vki), max(vki), ) [1] # Son sınıf üst limiti vki değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(vki)) <- c(, max() + ) [1] [9]
14 <- table(cut(vki,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [15.2,16.7) [16.7,18.2) [18.2,19.6) [19.6,21.1) [21.1,22.6) [22.6,24) [24,25.5) [25.5,27) 10 2 colnames() = c("vki", "Frekans") VKİ Frekans 1 [15.2,16.7) 1 2 [16.7,18.2) 5 3 [18.2,19.6) 22 4 [19.6,21.1) 22 5 [21.1,22.6) 17 6 [22.6,24) 10 7 [24,25.5) 10 8 [25.5,27) Histogram ist(vki, breaks =, rigt = FALSE, col = "red", xlab = "vki", ylab = "f", axes = F, main = "Vücut Kitler İndeksi (Sturges)") axis(1, pos = 0, at =, labels = round(, 1)) axis(2, las = 1) Vücut Kitler Indeksi (Sturges) f vki 14
15 1.4.4 Rice Metodu Rice metodu, k = 2n 1/3 formülü ile sınıf sayısını (k) belirler. Sınıf aralığı () ise değişim aralığının sınıf sayısına bölünmesi ile elde edilir; = R/k. k = ceiling(2 * lengt(vki)^(1/3)) k [1] 9 = diff(range(vki))/k = round(, 3) [1] Vücut kitle indeksi değişkeni için sınıf sayısı 9, sınıf aralığı ise olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(vki), max(vki), ) [1] [8] # Son sınıf üst limiti vki değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(vki)) <- c(, max() + ) [1] [8] <- table(cut(vki,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [15.2,16.5) [16.5,17.8) [17.8,19.1) [19.1,20.4) [20.4,21.7) [21.7,23) [23,24.3) [24.3,25.7) [25.7,27) [27,28.3) colnames() = c("vki", "Frekans") VKİ Frekans 1 [15.2,16.5) 1 2 [16.5,17.8) 4 3 [17.8,19.1) 12 4 [19.1,20.4) 22 5 [20.4,21.7) 20 6 [21.7,23) 12 7 [23,24.3) 9 8 [24.3,25.7) 7 9 [25.7,27) 1 15
16 10 [27,28.3) Histogram ist(vki, breaks =, rigt = FALSE, col = "red", xlab = "vki", ylab = "f", axes = F, main = "Vücut Kitler İndeksi (Rice)") axis(1, pos = 0, at =, labels = round(, 1)) axis(2, las = 1) Vücut Kitler Indeksi (Rice) f vki Scott Metodu Scott metodu, = 3.5ˆσ/n 1/3 formülü ile sınıf aralığını () belirler. Sınıf sayısı (k) da esaplanmak istenir ise değişim aralığının sınıf aralığına bölünmesi ile elde edilebilir; k = R/. = 3.5 * sqrt(var(vki))/lengt(vki)^(1/3) = round(, 3) [1] Vücut kitle indeksi değişkeni için sınıf aralığı ise olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(vki), max(vki), ) [1] # Son sınıf üst limiti vki değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(vki)) <- c(, max() + ) [1]
17 <- table(cut(vki,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [15.2,17) [17,18.9) [18.9,20.7) [20.7,22.5) [22.5,24.3) [24.3,26.1) [26.1,27.9) 2 colnames() = c("vki", "Frekans") VKİ Frekans 1 [15.2,17) 2 2 [17,18.9) 11 3 [18.9,20.7) 29 4 [20.7,22.5) 25 5 [22.5,24.3) 11 6 [24.3,26.1) 9 7 [26.1,27.9) Histogram ist(vki, breaks =, rigt = FALSE, col = "red", xlab = "vki", ylab = "f", axes = F, main = "Vücut Kitler İndeksi (Scott)") axis(1, pos = 0, at =, labels = round(, 1)) axis(2, las = 1) Vücut Kitler Indeksi (Scott) f vki Freedman-Diaconis Metodu Freedman-Diaconis metodu, = 2 IQR(x)/n 1/3 formülü ile sınıf aralığını () belirler. Sınıf sayısı (k) da esaplanmak istenir ise değişim aralığının sınıf aralığına bölünmesi ile elde edilebilir; k = R/. 17
18 = 2 * IQR(vki)/lengt(vki)^(1/3) = round(, 3) [1] Vücut kitle indeksi değişkeni için sınıf aralığı ise olarak esaplanmıştır. Buna göre sınıflar ve sınıf frekansları şu şekilde elde edilecektir. <- seq(min(vki), max(vki), ) [1] [8] # Son sınıf üst limiti vki değişkeni maksimum değerini içeriyor mu? # İçermiyor ise bir sınıf daa oluşturulur. if (max() <= max(vki)) <- c(, max() + ) [1] [8] <- table(cut(vki,, rigt = FALSE)) # rigt=false sınıf üst limitine eşit değerlerin bir sonraki sınıfa dail [15.2,16.4) [16.4,17.6) [17.6,18.8) [18.8,19.9) [19.9,21.1) [21.1,22.3) [22.3,23.5) [23.5,24.6) [24.6,25.8) [25.8,27) colnames() = c("vki", "Frekans") VKİ Frekans 1 [15.2,16.4) 1 2 [16.4,17.6) 3 3 [17.6,18.8) 6 4 [18.8,19.9) 23 5 [19.9,21.1) 17 6 [21.1,22.3) 17 7 [22.3,23.5) 7 8 [23.5,24.6) 7 9 [24.6,25.8) 6 10 [25.8,27) Histogram ist(vki, breaks =, rigt = FALSE, col = "red", xlab = "vki", ylab = "f", axes = F, main = "Vücut Kitler İndeksi (FD)") axis(1, pos = 0, at =, labels = round(, 1)) axis(2, las = 1) 18
19 Vücut Kitler Indeksi (FD) f vki 19
Verilerin Düzenlenmesi
Verilerin Düzenlenmesi İstatistiksel verileri anlamlı hale getirmenin 5 ayrı yolu: 1. Sözel ifadelerle açıklama 2. Tablolar halinde düzenleme 3. Seriler halinde düzenleme 4. Grafiklerle gösterme 5. Bu
DetaylıYrd. Doç. Dr. Sedat Şen 9/27/2018 2
2.SUNUM Belirli bir amaç için toplanmış verileri anlamlı haline getirmenin farklı yolları vardır. Verileri sözel ifadelerle açıklama Verileri tablolar halinde düzenleme Verileri grafiklerle gösterme Veriler
DetaylıİSTATİSTİK STATISTICS (2+0) Yrd.Doç.Dr. Nil TOPLAN SAÜ.MÜH. FAK. METALURJİ VE MALZEME MÜH. BÖLÜMÜ ÖĞRETİM ÜYESİ ÖĞRETİM YILI
İSTATİSTİK STATISTICS (+) Yrd.Doç.Dr. Nil TOPLAN SAÜ.MÜH. FAK. METALURJİ VE MALZEME MÜH. BÖLÜMÜ ÖĞRETİM ÜYESİ ÖĞRETİM YILI KONU BAŞLIKLARI :. İSTATİSTİĞE GİRİŞ. VERİLERİN DÜZENLENMESİ. MERKEZİ EĞİLİM ÖLÇÜLERİ.
DetaylıProgram BagilHarfNotuHesabi.m clc; clear all; %Microsoft Excel Dosyalarını Matlaba okutmaya yarar. x=xlsread('veri.xls','b2:b37');
Program BagilHarfNotuHesabi.m clc; clear all; %Microsoft Excel Dosyalarını Matlaba okutmaya yarar. x=xlsread('veri.xls','b2:b37'); ogrencisayisi=length(x); %Bağıl Değerlirme Katma Limiti BDKL=25; notu25denbuyuk=[
Detaylı8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek,
İSTATİSTİK 8.Hafta Değişkenlik Ölçüleri Hedefler Bu üniteyi çalıştıktan sonra; Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek, Serilerin birbirlerine değişkenliklerini yorumlayabileceksiniz. 2
DetaylıİSTATİSTİK I KISA ÖZET KOLAYAOF
DİKKATİNİZE: BURADA SADECE ÖZETİN İLK ÜNİTESİ SİZE ÖRNEK OLARAK GÖSTERİLMİŞTİR. ÖZETİN TAMAMININ KAÇ SAYFA OLDUĞUNU ÜNİTELERİ İÇİNDEKİLER BÖLÜMÜNDEN GÖREBİLİRSİNİZ. İSTATİSTİK I KISA ÖZET KOLAYAOF 2 Kolayaof.com
DetaylıSıklık Tabloları, BASİT ve TEK değişkenli Grafikler Ders 3 ve 4 ve 5
Sıklık Tabloları, BASİT ve TEK değişkenli Grafikler Ders 3 ve 4 ve 5 Sıklık Tabloları Veri dizisinde yer alan değerlerin tekrarlama sayılarını içeren tabloya sıklık tablosu denir. Tek değişken için çizilen
DetaylıBÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ
1 BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel
DetaylıTEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ
TEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ 1 İstatistik İstatistik, belirsizliğin veya eksik bilginin söz konusu olduğu durumlarda çıkarımlar yapmak ve karar vermek için sayısal verilerin
DetaylıMühendislikte İstatistiksel Yöntemler
Mühendislikte İstatistiksel Yöntemler BÖLÜM 2 AÇIKLAYICI (BETİMLEYİCİ) İSTATİSTİK Yrd. Doç. Dr. Fatih TOSUNOĞLU 1-Açıklayıcı (Betimleyici) İstatistik İnceleme sonucu elde edilen ham verilerin istatistiksel
DetaylıBölüm 2 VERİLERİN DERLENMESİ VE SUNUMU
Bölüm 2 VERİLERİN DERLENMESİ VE SUNUMU 1 Verilerin Derlenmesi ve Sunulması Anakütleden alınan örnek yardımıyla elde edilen veriler derlendikten sonra çizelgeler ve grafikler halinde bir diğer analize hazır
DetaylıMerkezi Eğilim ve Dağılım Ölçüleri
Merkezi Eğilim ve Dağılım Ölçüleri Soru Öğrencilerin derse katılım düzeylerini ölçmek amacıyla geliştirilen 16 soruluk bir test için öğrencilerin ilk 8 ve son 8 soruluk yarılardan aldıkları puanlar arasındaki
DetaylıInternet Programming II
Internet Programming II Elbistan Meslek Yüksek Okulu 2016 2017 Bahar Yarıyılı Öğr.Gör. Murat KEÇECĠOĞLU 1 Fonksiyonlar Değişken Kontrol Fonksiyonları isset() Fonksiyonu Parametre olarak aldığı değişken
DetaylıBölüm 2. Frekans Dağılışları VERİLERİN DERLENMESİ VE SUNUMU. Frekans Tanımı. Verilerin Derlenmesi ve Sunulması
Verilerin Derlenmesi ve Sunulması Bölüm VERİLERİN DERLENMESİ VE SUNUMU Anakütleden alınan örnek yardımıyla elde edilen veriler derlendikten sonra çizelgeler ve grafikler halinde bir diğer analize hazır
DetaylıInternet Programming II
Internet Programming II Elbistan Meslek Yüksek Okulu 2015 2016 Bahar Yarıyılı 16 May. 2016 Öğr.Gör. Murat KEÇECĠOĞLU 1 Fonksiyonlar Değişken Kontrol Fonksiyonları isset() Fonksiyonu Parametre olarak aldığı
DetaylıFREKANS VERİLERİ. Prof.Dr. Levent ŞENYAY III - 1
3 FREKANS VERİLERİ 3.1. Frekans Tablolarının Düzenlenmesi 3.2. Frekans poligonu 3.3. Frekans tablosu hazırlama 3.4. Frekans Histogramı 3.5. Frekans eğrisi tipleri 3.6. Diğer İstatistiksel Grafik Gösterimler
DetaylıSık kullanılan istatistiksel yöntemler ve yorumlama. Doç. Dr. Seval KUL Gaziantep Üniversitesi Tıp Fakültesi
Sık kullanılan istatistiksel yöntemler ve yorumlama Doç. Dr. Seval KUL Gaziantep Üniversitesi Tıp Fakültesi Biyoistatistik AD Bşk. 1 Hakkımda 2 Hedef: Katılımcılar modülün sonunda temel istatistiksel yöntemler
DetaylıLAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I BAHAR DÖNEMĐ BÜTÜNLEME SINAVI SORULARI
LAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I 2015-2016 BAHAR DÖNEMĐ BÜTÜNLEME SINAVI SORULARI Tarih/Saat/Yer: 24.06.16/11:00-12:30/AS010 Instructor: Prof. Dr. Hüseyin Oğuz
DetaylıİSTATİSTİK DERS NOTLARI
Balıkesir Üniversitesi İnşaat Mühendisliği Bölümü umutokkan@balikesir.edu.tr İSTATİSTİK DERS NOTLARI Yrd. Doç. Dr. Umut OKKAN Hidrolik Anabilim Dalı Balıkesir Üniversitesi İnşaat Mühendisliği Bölümü Bölüm
DetaylıVERİLERİ ÖZETLEME. Prof.Dr. Levent ŞENYAY III - 1
3 VERİLERİ ÖZETLEME 3.. Frekans Tablolarının Düzenlenmesi 3.2. Frekans poligonu 3.3. Frekans tablosu hazırlama 3.4. Frekans Histogramı 3.5. Frekans eğrisi tipleri 3.6. Diğer İstatistiksel Grafik Gösterimler
DetaylıLAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I BAHAR DÖNEMĐ DÖNEM SONU SINAV SORULARI
LAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I 2015-2016 BAHAR DÖNEMĐ DÖNEM SONU SINAV SORULARI Tarih/Saat/Yer: 15.06.16/09:00-10:30/AS115-116-117 Instructor: Prof. Dr. Hüseyin
DetaylıİSTATİSTİK MHN3120 Malzeme Mühendisliği
İSTATİSTİK MHN3120 Malzeme Mühendisliği CBÜ - Malzeme Mühendisliği Bölümü Ofis: Mühendislik Fakültesi A Blok Ofis no:311 Tel: 0 236 2012404 E-posta :emre.yalamac@cbu.edu.tr YARDIMCI KAYNAKLAR Mühendiler
DetaylıTanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN
Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,
DetaylıR ile Programlamaya Giriş ve Uygulamalar
R ile Programlamaya Giriş ve Uygulamalar İçerik R ye genel bakış R dili R nedir, ne değildir? Neden R? Arayüz Çalışma alanı Yardım R ile çalışmak Paketler Veri okuma/yazma İşleme Grafik oluşturma Uygulamalar
DetaylıTANIMLAYICI İSTATİSTİKLER
TANIMLAYICI İSTATİSTİKLER Tanımlayıcı İstatistikler ve Grafikle Gösterim Grafik ve bir ölçüde tablolar değişkenlerin görsel bir özetini verirler. İdeal olarak burada değişkenlerin merkezi (ortalama) değerlerinin
DetaylıÇullas İlarslan N.E, Günay F, Bıyıklı Gençtürk Z, İleri D.T, Arsan S Ankara Üniv. Tıp Fakültesi Çocuk Sağlığı ve Hastalıkları A.B.D.
Yaşamın İlk İki Yılında Demir Profilaksisinin Önemi ve Anemi Taramasında Hemogram ile Birlikte Ferritin Ölçümü: Rutin Taramanın Bir Parçası Olabilir Mi? Çullas İlarslan N.E, Günay F, Bıyıklı Gençtürk Z,
DetaylıMerkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder.
Yayılma Ölçütleri Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder. Bir başka ifade ile, bir veri setinin,
DetaylıBilgisayar Teknolojileri Bölümü Bilgisayar Programcılığı Programı. Öğr. Gör. Cansu AYVAZ GÜVEN
Bilgisayar Teknolojileri Bölümü Bilgisayar Programcılığı Programı Öğr. Gör. Cansu AYVAZ GÜVEN NESNE TABANLI PROGRAMLAMA Java Değişkenler ve Veri Tipleri Operatörler JAVA Java Java SUN bilgisayar şirketince
DetaylıProf.Dr.İhsan HALİFEOĞLU
Prof.Dr.İhsan HALİFEOĞLU Örnek: Aşağıda 100 yetişkine ilişkin kolesterol değerlerini sınıflandırılarak aritmetik ortalamasını bulunuz (sınıf aralığını 20 alınız). 2 x A fb C 229.5 n 40 20 100 221.5 3 Örnek:.
DetaylıKitle: Belirli bir özelliğe sahip bireylerin veya birimlerin tümünün oluşturduğu topluluğa kitle denir.
BÖLÜM 1: FREKANS DAĞILIMLARI 1.1. Giriş İstatistik, rasgelelik içeren olaylar, süreçler, sistemler hakkında modeller kurmada, gözlemlere dayanarak bu modellerin geçerliliğini sınamada ve bu modellerden
DetaylıMATE 211 BİYOİSTATİSTİK DÖNEM SONU SINAVI
Öğrenci Bilgileri Ad Soyad: İmza: MATE 211 BİYOİSTATİSTİK DÖNEM SONU SINAVI 26 Mayıs, 2014 Numara: Grup: Soru Bölüm 1 10 11 12 TOPLAM Numarası (1-9) Ağırlık 45 15 30 20 110 Alınan Puan Yönerge 1. Bu sınavda
Detaylıİstatistik Dersi Çalışma Soruları Arasınav(Matematik Müh. Bölümü-2014)
İstatistik Dersi Çalışma Soruları Arasınav(Matematik Müh. Bölümü-2014) S-1) Bir otoyol üzerinde radarla hız kontrolü yapan, polis ekipler tarafından tespit edilen tane aracın hızları aşağıdaki tabloda
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 2: Prof. Dr. İrfan KAYMAZ Tanım İnceleme sonucu elde edilen ham verilerin istatistiksel yöntemler kullanılarak özetlenmesi açıklayıcı istatistiği konusudur. Açıklayıcı istatistikte
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık -II Prof. Dr. İrfan KAYMAZ İki Ortalama Farkının Güven Aralığı Anakütle Varyansı Biliniyorsa İki ortalama arasındaki farkın dağılımına ilişkin Z değişkeni: Güven aralığı ifadesinde
DetaylıBM202 SAYISAL ÇÖZÜMLEME
BM202 SAYISAL ÇÖZÜMLEME DOÇ.DR. CİHAN KARAKUZU DERS-2 1 Ders2-Sayısal Hesaplamalarda Gerek Duyulabilecek Matlab İşlemleri MATLAB, çok paradigmalı (bir şeyin nasıl üretileceği konusunda örnek, model) sayısal
DetaylıDers 8: Verilerin Düzenlenmesi ve Analizi
Ders 8: Verilerin Düzenlenmesi ve Analizi Betimsel İstatistik Merkezsel Eğilim Ölçüleri Dağılım Ölçüleri Grafiksel Gösterimler Bir kitlenin tamamını, ya da kitleden alınan bir örneklemi özetlemekle (betimlemekle)
DetaylıSÜREKLĠ OLASILIK DAĞILIMLARI
SÜREKLĠ OLASILIK DAĞILIMLARI Sayı ekseni üzerindeki tüm noktalarda değer alabilen değişkenler, sürekli değişkenler olarak tanımlanmaktadır. Bu bölümde, sürekli değişkenlere uygun olasılık dağılımları üzerinde
DetaylıÖDEV (Vize Dönemi) CEVAPLAR. 1. Ekrana Merhaba Dünya! yazdıran algoritmanın akış diyagramını çiziniz ve sözde kod olarak yazınız.
ÖDEV (Vize Dönemi) CEVAPLAR 1. Ekrana Merhaba Dünya! yazdıran algoritmanın akış diyagramını çiziniz ve sözde kod olarak yazınız. PROGRAM Soru1 PRINT Merhaba Dünya! ; 2. Klavyeden girilen negatif bir sayıyı
Detaylıistatistik 4. Bir frekans dağılımına ilişkin birikimli seriler 1. Birimlerle ilgili aşağıdaki ifadelerden hangisi
2010 S 4200- İstatistik sorulannın cevap l anmasında gerekli olabilecek t ablolar ve f ormüller bu kitapçığın sonunda verilmiştir. 1. Birimlerle ilgili aşağıdaki ifadelerden hangisi yanlıstır? ) Maddesel
DetaylıSPSS (Statistical Package for Social Sciences)
SPSS (Statistical Package for Social Sciences) SPSS Data Editor: Microsoft Excel formatına benzer satır ve sütunlardan oluşan çalışma sayfası (*sav) SPSS Data Editör iki arayüzden oluşur. 1. Data View
DetaylıİSTATİSTİK. İstatistik Nedir? İstatistiksel Araştırmanın Amacı
İSTATİSTİK İstatistik, belirli amaçlar için veri toplama, toplanan verileri tasnif etme, çözümleme ve yorumlama bilimidir Yrd. Doç. Dr. Hamit AYDIN İstatistik Nedir? Latince de durum anlamına gelen status
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 2: Prof. Dr. İrfan KAYMAZ Tanım İnceleme sonucu elde edilen ham verilerin istatistiksel yöntemler kullanılarak özetlenmesi açıklayıcı istatistiği konusudur. Açıklayıcı istatistikte
Detaylıhttps://twitter.com/farukbozan 19 Şubat 2016 Cuma
Bugünkü yazımda çok basit ve temel anlamda Spring ile XML tanım tabanlı bean okuma işlemini anlatmaya çalışacağım. Spring framework bizim yerimize nesnelerin birbirine olan bağımlılıklarını düzenleyip,
Detaylı4. HİSTOGRAM. Tolerans Aralığı. Değişim Aralığı HEDEF. Üst Spesifikasyon Limiti. Alt Spesifikasyon Limiti
4. HİSTOGRAM Nedir? Sınıflandırılmış verilerin sütun grafiğidir. Sütunların (sınıfların) genişliği sabit olup, bir veri sınıfını temsil etmektedir. Sütunların yüksekliği ise her bir veri sınıfına düşen
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: STATISTICS. Dersin Kodu: STA 1302
Dersi Veren Birim: Mühendislik Fakültesi Dersin Türkçe Adı: İSTATİSTİK Dersin Orjinal Adı: STATISTICS Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisans Dersin Kodu: STA 0 Dersin Öğretim
DetaylıLAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I BAHAR DÖNEMĐ TELAFĐ SINAVI SORULARI
LAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I 2015-2016 BAHAR DÖNEMĐ TELAFĐ SINAVI SORULARI Tarih/Saat/Yer: 20.06.16/15:00-16:30/AS010 Instructor: Prof. Dr. Hüseyin Oğuz Öğrenci
DetaylıİÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37
İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar
DetaylıT.C. KIRIKKALE ÜNİVERSİTESİ. Bağıl Değerlendirme Sistemi
T.C. KIRIKKALE ÜNİVERSİTESİ Bağıl Değerlendirme Sistemi Bağıl Değerlendirme Sistemi Üniversitemizde 2013-2014 eğitim öğretim yılından itibaren birimlerde yapılan seviye tespit sınavları ile yabancı dil
Detaylı009 BS 400- İstatistik sonılannın cevaplanmasında gerekli olabilecek tablolar ve formüller bu kitapçığın sonunda verilmiştir. 1. şağıdakilerden hangisi doğal birimdir? l TV alıcısı Bl Trafik kazası CL
DetaylıBİYOİSTATİSTİK. Genel Uygulama 1. Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Genel Uygulama 1 Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr Soru 1 Ege Üniversitesi Diş
DetaylıİNÖNÜ ÜNİVERSİTESİ MÜH. FAK. BİLGİSAYAR MÜH. BÖL. ALGORİTMA VE PROGRAMLAMA 1 DERSİ LAB. ÖDEVİ
İNÖNÜ ÜNİVERSİTESİ MÜH. FAK. BİLGİSAYAR MÜH. BÖL. ALGORİTMA VE PROGRAMLAMA 1 DERSİ LAB. ÖDEVİ AD SOYAD : TESLİM TARİHİ : OKUL NO : TESLİM SÜRESİ : 1 hafta Ödev No : 6 *********(ilk 4 soru çıktı üzerinde
DetaylıBİYOİSTATİSTİK. Ödev Çözümleri. Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Ödev Çözümleri Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr Ödev 1 Çözümleri 2 1. Bir sonucun
DetaylıNesne Yönelimli Programlama
1 Nesne Yönelimli Programlama Hazırlayan: M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Not: Bu dersin sunumları, Java Programlama Dili ve Yazılım Tasarımı, Altuğ B. Altıntaş, Papatya
DetaylıNESNEYE YÖNELİK PROGRAMLAMA
NESNEYE YÖNELİK PROGRAMLAMA Metotlar Şu ana kadar yaptığımız örneklerde hep önceden hazırlanmış ReadLine(), WriteLine() vb. gibi metotları kullandık. Artık kendi metotlarımızı yapmanın zamanı geldi. Bilmem
DetaylıSürekli Rastsal Değişkenler
Sürekli Rastsal Değişkenler Normal Dağılım: Giriş Normal Dağılım: Tamamen ortalaması ve standart sapması ile tanımlanan bir rastsal değişken, X, için oluşturulan sürekli olasılık dağılımına normal dağılım
Detaylı8- Sistem tarihinden gün değerini alarak çift veya tek sayı olup. 9-1 - 10 arasındaki sayılardan tek olanları yeşil çift olanları kırmızı
JAVASCRİPT SORULARI 1- Javascript For Döngüsü ile 1 den 100 e kadar olan sayıların toplamını bulan programı yazın? 2-1 den 1000 e kadar olan sayılardan 10 a ve 9 a tam bölünenlerin toplamını bulan programı
DetaylıVERİ KÜMELERİNİ BETİMLEME
BETİMLEYİCİ İSTATİSTİK VERİ KÜMELERİNİ BETİMLEME Bir amaç için derlenen verilerin tamamının olduğu, veri kümesindeki birimlerin sayısal değerlerinden faydalanarak açık ve net bir şekilde ilgilenilen özellik
DetaylıBIST RİSK KONTROL ENDEKSLERİ TEMEL KURALLARI
TEMEL KURALLARI 1. TANIM Risk Kontrol Endeksleri yatırımcılara, bir varlığa veya bir endekse önceden belirlenmiş sabit risk seviyesinden yatırım yapma olanağı sağlayan endekslerdir. Bu endeksler, yatırım
DetaylıİÇİNDEKİLER ÖN SÖZ...
İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN
Detaylı1. Aşağıdaki program parçacığını çalıştırdığınızda result ve param değişkenlerinin aldığı en son değerleri ve programın çıktısını yazınız.
1. Aşağıdaki program parçacığını çalıştırdığınızda result ve param değişkenlerinin aldığı en son değerleri ve programın çıktısını yazınız. [10 puan] int param = 30; int result = 300; if (param > 45) result
DetaylıBÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ
1 BÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel sayma
DetaylıYrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü
Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 Araştırma sonuçlarının açıklanmasında frekans tablosu
DetaylıGenel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Merkezi Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir.
3.SUNUM Genel olarak test istatistikleri Merkezi Eğilim (Yığılma) Ölçüleri Merkezi Dağılım (Yayılma) Ölçüleri olmak üzere 2 grupta incelenebilir. 2 Merkezi Eğilim Ölçüleri, belli bir özelliğe ya da değişkene
DetaylıGruplanmış serilerde standart sapma hesabı
Gruplanmış serilerde standart sapma hesabı Örnek: Verilen gruplanmış serinin standart sapmasını bulunuz? Sınıflar f i X X X m i f i. m i m i - (m i - ) f i.(m i - ) 0 den az 3 4 den az 7 4 6 dan az 4 6
DetaylıSPSS (Statistical Package for Social Sciences)
SPSS (Statistical Package for Social Sciences) SPSS Data Editor: Microsoft Excel formatına benzer satır ve sütunlardan oluşan çalışma sayfası (*sav) Data Editör iki arayüzden oluşur. 1. Data View 2. Variable
DetaylıDENEY 3 Ortalama ve Etkin Değer
A. DENEYİN AMACI : Ortalama ve etkin değer kavramlarının tam olarak anlaşılmasını sağlamak. B. KULLANILACAK ARAÇ VE MALZEMELER : 1. Sinyal üreteci 2. Osiloskop 3. 741 entegresi, değişik değerlerde dirençler
DetaylıMantıksal Kontrol ve Döngü Komutları
Mantıksal Kontrol ve Döngü Komutları Prof.Dr. Bahadır AKTUĞ JFM212 Python ile Mühendislik Uygulamaları *Kaynakça bölümünde verilen kaynaklardan derlenmiştir. Mantıksal Karşılaştırmalar Python, koşullu
DetaylıÜst Düzey Programlama
Üst Düzey Programlama JSP Üst Düzey Programlama-ders04/ 1 JSP JSP durağan HTML ile dinamik oluşturulan içeriği birleştirmeyi sağlar. Bir web sayfası tasarlama programı ile web sayfasını tasarlar daha sonra
DetaylıInternet Programming II. Elbistan Meslek Yüksek Okulu Bahar Yarıyılı
Internet Programming II Elbistan Meslek Yüksek Okulu 2015 2016 Bahar Yarıyılı Öğr. Gör. Murat KEÇECĠOĞLU 21 Mar. 2016 PHP de dizi Değişkenler Buraya kadar yaptığımız uygulamalarda değişkenlerin tek değer
DetaylıBölüm: Matlab e Giriş.
1.Bölüm: Matlab e Giriş. Aşağıdaki problemleri MATLAB komut penceresinde komut yazarak çözünüz. Aşağıdaki formüllerde (.) ondalıklı sayı için, ( ) çarpma işlemi için kullanılmıştır. 1.. 8.5 3 3 1500 7
DetaylıFinansal Ekonometri. Ders 2 Olasılık Teorisi ve Rasgele Değişkenler
Finansal Ekonometri Ders 2 Olasılık Teorisi ve Rasgele Değişkenler Tek Değişkenli Rasgele Değişkenler Tanım (rasgele değişken): Bir rasgele değişken, X, SX örneklem uzayından değerler alan ve bu örneklem
DetaylıKRİPTOANALİZ DERSİ FİNAL ÖDEVİ. PSO ile TRANSPOSITION CIPHER ÇÖZÜMÜ
KRİPTOANALİZ DERSİ FİNAL ÖDEVİ PSO ile TRANSPOSITION CIPHER ÇÖZÜMÜ 1 Uygulama Hakkında PSO kullanılarak şifreli metnin çözümü gerçekleştirilmiştir. Metin dosyadan okunmuştur. Okunan metin rastgele üretilen
DetaylıKARAR YAPILARI. Acaba hangi yöne gitmeliyim? Oturduğun yerden kalkıp, kapıya varana kadar kaç kez karar verdiniz biliyor musunuz?
ve Acaba hangi yöne gitmeliyim? Oturduğun yerden kalkıp, kapıya varana kadar kaç kez karar verdiniz biliyor musunuz? Şimdi ne tarafa gideceğiz yahu? KARAR VER!!! Karar mekanizması A B if yapısı ve kullanımı
DetaylıBölüm 2. Verinin görsel betimlemesi. İstatistik Ders Notları 2018
Bölüm 2 Verinin görsel betimlemesi Bu bölümde bir kitle ya da rastgele örneklemdeki verinin görsel olarak betimlenmesi için kullanılan yöntemler tanıtılacaktır. Birinci kısımda önce bir nitel değişkenin
Detaylıİstatistik 1 Bölüm 13 İndeks Sayıları 1
İstatistik 1 Bölüm 13 İndeks Sayıları 1 SBF Basit Ağırlıksız Fiyat İndeksleri Tek bir mal veya hizmetin fiyatında meydana gelen değişmelerin ölçümlenebilmesi amacı ile kullanılmakta olan bir fiyat indeksidir.
DetaylıSÜREKLİ OLASILIK DAĞILIMI
SÜREKLİ OLASILIK DAĞILIMI Normal Olasılık Dağılımı Akülerin dayanma süresi, araçların belli bir zamanda aldığı yol, bir koşuya katılanların bitirme süresi gibi sayılamayacak kadar çok değer alabilen sürekli
DetaylıDeğişken Türleri, Tanımlayıcı İstatistikler ve Normal Dağılım. Dr. Deniz Özel Erkan
Değişken Türleri, Tanımlayıcı İstatistikler ve Normal Dağılım Dr. Deniz Özel Erkan Evren Parametre Örneklem Çıkarım Veri İstatistik İstatistik Tanımlayıcı (Descriptive) Çıkarımsal (Inferential) Özetleme
DetaylıCopyright 2004 Pearson Education, Inc. Slide 1
Slide 1 Bölüm 2 Verileri Betimleme, Keşfetme, ve Karşılaştırma 2-1 Genel Bakış 2-2 Sıklık Dağılımları 2-3 Verilerin Görselleştirilmesi 2-4 Merkezi Eğilim Ölçüleri 2-5 Değişimin Ölçülmesi 2-6 Nispi Sabitlerin
Detaylıχ 2 Testi Mühendislikte İstatistik Yöntemler Bağımsızlık Testi Homojenlik Testi Uygunluk Testi
χ Testi Mühendislikte İstatistik Yöntemler χ Testi Bağımsızlık Testi Homojenlik Testi Uygunluk Testi χ Testi Sayısal olmayan değişkenler arasındaki ilişkinin testi (Bağımsızlık) Farklı örnek kütlelerin
DetaylıM.ilkucar MAKU MYO 1
M.ilkucar 2010 - MAKU MYO 1 7- PROGRAM YAPISAL KOMUTLARI Acaba hangi yöne gitmeliyim? Oturduğun yerden kalkıp, kapıya varana kadar kaç kez karar verdiniz biliyor musunuz? M.ilkucar 2010 - MAKU MYO 2 7-
DetaylıSAP2000 de önceden saptanan momentler doğrultusunda betonarme plak donatısı hesapları şu makale doğrultusunda yapılmaktadır:
Teknik Not: Betonarme Kabuk Donatı Boyutlandırması Ön Bilgi SAP000 de önceden saptanan momentler doğrultusunda betonarme plak donatısı esapları şu makale doğrultusunda yapılmaktadır: DD ENV 99-- 99 Eurocode
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: MAK 3026
Dersi Veren Birim: Makina Mühendisliği Dersin Adı: KONTROL SİSTEMLERİ Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Dersin Kodu: MAK 06 Dersin Öğretim Dili: Türkçe Formun Düzenleme / Yenilenme
DetaylıATATÜRK ÜNİVERSİTESİ AÇIKÖĞRETİM FAKÜLTESİ ÇIKMIŞ SORULAR
TATÜRK ÜNİVERSİTESİ AÇIKÖĞRETİM FAKÜLTESİ ÇIKMIŞ SORULAR Ders Adı : İstatistiğe Giriş Sınav Türü : Bütünleme WWW.NETSORULAR.COM Sınavlarınızda Başarılar Dileriz... İstatistiğe Giriş A Bu testte 20 soru
DetaylıGRAFİK YORUMLAMA. 1 ) Sütun Grafiği : Belirli bir zaman aralığında bazı veri grup-
GRAFİK YORUMLAMA Verilerin veya karşılaştırılması yapılacak değişkenlerin çizgi, tablo, nokta veya şekillerle ifade edilmesine grafik adı verilir. Grafik türleri olarak; sütun, çizgi, daire, histogram,
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel
DetaylıÜNİTE. BİYOİSTATİSTİK Prof. Dr. Ömer AKBULUT İÇİNDEKİLER HEDEFLER TABLOLAR VE GRAFİKLER. Giriş Tanımlayıcı İstatistikler Frekans Tabloları Grafikler
HEDEFLER İÇİNDEKİLER TABLOLAR VE GRAFİKLER Giriş Tanımlayıcı İstatistikler Frekans Tabloları Grafikler BİYOİSTATİSTİK Prof. Dr. Ömer AKBULUT Bu üniteyi çalıştıktan sonra; Verileri frekans tablolarında
DetaylıALIŞTIRMA 1 ULUSAL SINAİ ENDEKS
ALIŞTIRMA 1 ULUSAL SINAİ ENDEKS Bu çalışmada Ulusal Sınai Endeks serisiyle ilgili analizler yapılacaktır. Öncelikle seri oluşturulur. Data dan Define Dates e girilir oradan weekly,days(5) işaretlenir ve
DetaylıMAT355 Kompleks Fonksiyonlar Teorisi I Hafta 3
1.3. Kompleks Düzlemin Topolojisi Tanım 1. D ε (z 0 ) = {z C : z z 0 < ε} kümesine z 0 ın bir ε komşuluğu denir. Tanım 2. Bir A C kümesi verilsin. z 0 ın sadece A nın elemanlarından oluşan bir komşuluğu
DetaylıÜretim Süreci: Girdi İşlem Ürün (Sonuç) Araştırma Süreci: Hangi alanda olursa olsun araştırma bir BİLGİ ye ulaşma sürecidir.
BİYOİSTATİSTİK Üretim Süreci: Girdi İşlem Ürün (Sonuç) Araştırma Süreci: Hangi alanda olursa olsun araştırma bir BİLGİ ye ulaşma sürecidir. Veri Analiz Bilgi El ile ya da birtakım bilgisayar programları
DetaylıBİYOİSTATİSTİK Grafikler Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Grafikler Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Hangi Grafik?Neden? 1. Veri çeşidine
DetaylıBULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1. Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı
BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1 Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı Mart 2015 0 SORU 1) Bulanık Küme nedir? Bulanık Kümenin (fuzzy
DetaylıBİLG Dr. Mustafa T. Babagil 1
BİLG214 20.10.2009 Dr. Mustafa T. Babagil 1 Yapısal bilgi türlerinin tanımlanması. (C++ daki struct yapısı. ) Daha önce öğrenmiş olduğumuz bilgi tipleri char, int ve float v.b. değişkenler ile dizi (array)
DetaylıMerkezi Limit Teoremi
Örnekleme Dağılımı Merkezi Limit Teoremi Şimdiye kadar normal dağılıma uygun olan veriler ile ilgili örnekler incelendi. Çarpıklık gösteren veriler söz konusu olduğunda ne yapılması gerekir? Hala normal
Detaylıhttps://cran.r-project.org/mirrors.html adresinde görüldüğü üzere birçok ülkedeki kaynaktan indirme işlemi yapılabilir.
R a Giriş R Programı İndirme: R programı, istatistiksel hesaplama ve grafikler için geliştirilmiş bir programlama dilidir. Bir Proje olarak geliştirilmiştir. Çok geniş bir yelpazede istatistiksel( doğrusal
DetaylıAST415 Astronomide Sayısal Çözümleme - I. 7. Grafik Çizimi
AST415 Astronomide Sayısal Çözümleme - I 7. Grafik Çizimi Bu derste neler öğreneceksiniz? Python'la şekildekine benzer grafikler çizmeyi öğreneceksiniz! MATPLOTLIB.PYPLOT Modülü Python da grafik çizmek
Detaylı(13-01-2005 tarih ve 25699 sayılı R.G.)
GIDA MADDELERĐNDE OKRATOKSĐN A SEVĐYESĐNĐN RESMĐ KONTROLÜ ĐÇĐN NUMUNE ALMA METOTLARI TEBLĐĞĐ (Tebliğ No: 2004/47) (13-01-2005 tarih ve 25699 sayılı R.G.) Amaç Madde 1- Bu Tebliğin amacı okratoksin A seviyesinin
DetaylıKISITLI OPTİMİZASYON
KISITLI OPTİMİZASYON SİMPLEKS YÖNTEMİ Simpleks Yöntemi Simpleks yöntemi iteratif bir prosedürü gerektirir. Bu iterasyonlar ile gerçekçi çözümlerin olduğu bölgenin (S) bir köşesinden başlayarak amaç fonksiyonunun
DetaylıJAVA PROGRAMLAMA DİLİ ÖZELLİKLERİ
JAVA PROGRAMLAMA DİLİ ÖZELLİKLERİ Java programlama dili, Java SUN bilgisayar şirketi tarafından 1991 yılında geliştiril Program bloklar halinde yazılır ve bloklar { } ile oluşturulur. Komutlar aynı satıra
Detaylı8- PROGRAM YAPISAL KOMUTLARI ve. M.ilkucar MAKU MYO 1
ve M.ilkucar 2010 - MAKU MYO 1 7- PROGRAM YAPISAL KOMUTLARI Acaba hangi yöne gitmeliyim? Oturduğun yerden kalkıp, kapıya varana kadar kaç kez karar verdiniz biliyor musunuz? M.ilkucar 2010 - MAKU MYO 2
Detaylıistatistik El 10 1_ ve 2_ sorular a Ş3 gldakl bilgilere göre Al 4 Bl 6 cı 7 Dl 8 Al 5 B) 12 CL 27 D) 28 E) 35 2Q 10 BS 4200-A
2Q 10 BS 4200- İstatistik sorulannın cevap l anmasında gerekli olabilecek tablolar ve f ormüller bu kita p ç ığın sonunda ver-ilmiştir. 1_ ve 2_ sorular a Ş3 gldakl bilgilere göre cevaplandırılacaktır
Detaylı