9. Ders. Đstatistikte Monte Carlo Çalışmaları
|
|
- Soner Menderes
- 6 yıl önce
- İzleme sayısı:
Transkript
1 9. Ders Đstatstkte Mote Carlo Çalışmaları Đstatstk rasgelelk olgusu çere olay süreç ve sstemler modellemesde özellkle bu modellerde souç çıkarmada ve bu modeller geçerllğ sıamada kullaıla bazı blg ve yötemler sağlaya br blm dalıdır. Đstatstkte smülasyo; eğtmde kavramları kavratılmasıda öreklem brer foksyou ola statstkler dağılımları le lgl aaltk olarak elde edlemeye bazı özellkler rdelemesde tahm edcler ylk ölçütlere göre karşılaştırılmasıda test foksyolarıı güç foksyou değerledrmelerde so yıllarda çok kullaıla bootstrap gb yede öreklem tekklerde beklee değer ya tegral hesabı yapıla Mote Carlo tegrasyouda ve başka brçok kouda kullaılmaktadır. Acak statstktek smülasyou amacı olgu veya sstem smülasyoudak amaçlarda farklıdır. Öreğ br bez stasyou le lgl kuyruk model üzerde yapıla smülasyou amacı sstemdek bekleme zamaıı ve malyet e küçük yapacak şeklde hzmet brmler sayısıı belrlemek olablr. Burada statstk blm açısıda br amaç yoktur. Gamma dağılımı ç parametre tahmde mometler ve e-çok olablrlk tahm edclerde hags hata kareler ölçütüe göre daha ydr sorusuu cevabı smülasyo yaparak verlmeye çalışıldığıda burada statstksel br amaç söz kousudur. Özellkle bu soruya aaltk olarak cevap verlemyorsa smülasyo öem kazamaktadır. Acak smülasyou spatı yer tutacağı saılması. Smülasyo br spat yötem değldr. Smülasyoa öreklerle doğruyu yalışı tespt etme bazı durumlarda aaltk olarak çözülemeye problemlere çözüm yolu getrme baze de keds e y çözüm yoluu suduğu br yötem olarak bakablrz.
2 Öreklem Đstatstkler ve Dağılımları Bell br rasgelelk olgusuu modelleye olasılık dağılımı F olsu.... bağımsız ve ayı F dağılımlı rasgele değşkeler ya F dağılımıda br öreklem olmak üzere bu kısaca... öreklem ( F ) bçmde gösterlr. Öreklem Borel ölçüleblr herhag br T(... ) foksyoua statstk der. Đstatstkler brer rasgele değşkedr veya rasgele vektördür. Brçok durumda statstkler öreklem karmaşık foksyou olduklarıda dağılımlarıı buluması kolay olmamaktadır. Öreklem statstkler arasıda öreklem ortalamasıı çok özel br yer vardır. Öreğ öreklem N ( µ σ ) ormal dağılımda alıdığıda ~ N( µ σ / ) dır. N ( µ σ ) dağılımıı olasılık yoğuluk foksyouu grafğ ve bu dağılımda alıa brmlk öreklemler ç smülasyo le gözlee x x... x öreklem ortalamalarıı hstogramları aşağıdadır.. close all; clear all; subplot(3); fplot('/sqrt(*p)*exp(-.*(x-)^)'[-4 4]'k') for : ; xrad()+; xort()mea(x); ed subplot(34) ; hst(xort) ; ttle('') for : ;xrad()+; xort()mea(x); ed subplot(3) ; hst(xort) ; ttle('') for : ; xrad()+; xort()mea(x); ed subplot(36); hst(xort): ttle('')
3 Öreklem α β parametrel Γ ( α β ) Gamma dağılımıda alıdığıda ~ Γ ( α β / ) dır. Öreğ Γ( α β / ) dağılımıı olasılık yoğuluk foksyouu grafğ ve bu dağılımda alıa brmlk öreklemler ç smülasyo le gözlee x x... x öreklem ortalamalarıı hstogramları aşağıdak gbdr
4 Öreklem olasılık yoğuluk foksyou x b ( b) < x < b f ( x) d. y. ola dağılımda alıdığıda dağılımı edr? b ( b ( )) parametres b 3 olması durumuda olasılık yoğuluk foksyouu grafğ ve olasılık yoğuluk foksyou bu ola dağılımda alıa brmlk öreklemler ç smülasyo le gözlee x x... x öreklem ortalamalarıı hstogramları aşağıdak gbdr Öreklem olasılık foksyou f ( x) x 34 6 ola dağılımda 6 alıdığıda dağılımı edr? Olasılık foksyouu grafğ ve brmlk öreklemler ç smülasyo le gözlee x x... x öreklem ortalamalarıı hstogramları aşağıdadır
5 Dağılımda bağımsız olarak ya dağılım e olursa olsu öreklem ortalaması le lgl aşağıdak k teorem söz kousudur. Beklee değer µ ve varyası σ solu ola br dağılımda alıa... öreklem ç: - Zayıf Büyük Sayılar Kauu p - Merkez Lmt Teorem dır. µ ( ε > ç lm P ( µ < ε ) ) E( Var( ) ) µ d Z ~ N () σ / Bu k teorem söyledkler alamak ç ç çzle yukarıdak hstogramları yede gözde geçrz. Ayrıca düzgü br tavla zarıı atılması deey modelleye f ( x) x 34 6 dağılımıda 6 üretle sayıları dzs ve ortalamalar dzs olmak üzere smülasyo soucu elde edle yörügeler aşağıdak gb olmuştur. Öreklem hacm arttıkça öreklem ortalaması ktle ortalamasıa daha yakı br çevrede salımaktadır
6 Öreklem statstkler arasıda öreklem ortalamasıı yaıda öeml ola kc br statstk S ( ) öreklem varyasıdır. Bldğ gb öreklem N ( µ σ ) dağılımıda alıdığıda ( ) S σ ~ χ ( ) dır. Öreklem Γ ( α β ) dağılımıda alıdığıda S ' dağılımı edr? Smülasyo yaparak S ' dağılımıı rdelemeye çalışalım. Öreğ N ( µ σ ) dağılımıda alıa brmlk öreklemler ç smülasyo le gözlee aşağıdak gbdr. s s öreklem varyaslarıı hstogramları s
7 Γ( α β / ) dağılımıda alıa brmlk öreklemler ç smülasyo le gözlee aşağıdadır. s s öreklem varyaslarıı hstogramları s Normal dağılımda öreklem ortalaması le S öreklem varyası bağımsız statstklerdr. Gamma dağılımıda durum edr? le bağımsızlığı smülasyo yaparak rdeleeblr m? S ' Hstogram gb frekas polgou da br statstktr (Br rasgele elemadır). Öreğ N ( µ σ ) dağılımıda alıa 6 brmlk smülasyola üretle br öreklem ç hstogram le frekas polgou aşağıdak gbdr
8 Hstogram le frekas polgouu ortaya çıkardığı görsel etk N ( µ σ ) dağılımıı olasılık yoğuluk foksyouu grafğ bçm le lgldr. Eğer düşey ekse frekas yere frekas bölü hstogram alaı olarak ölçekledrlrse frekas plogou le olasılık yoğuluk foksyou arasıdak uyum ayı grafk üzerde görüleblr. Öreklem hacm arttıkça bu uyum daha y olmaktadır Hstogramı lgl dağılımı bçm hakkıda fkr verdğ; N ( µ σ ) dağılımıı olasılık yoğuluk foksyouu brmlk öreklem ç hstogramı ve ç üretle adet öreklem ortalaması ç üst üste çzle aşağıdak hstogramları gözde geçrz
9 Br statstk ola öreklem ortalamasıı dağılımıı bçm smülasyo le görülmek stedğde dağılımıda çok sayıda gözlem alııp hstogram çzleblr. Acak yukarıdak öreklerde bu böyle yapılmadı. Örekleme yapıla dağılımı kedsde ( ktle dağılımıda ) öreklemler üretlp (sözde öreklemler) öreklem br foksyou ola statstğ ( ) değer hesaplaarak elde edle değerler le hstogram çzld. Kısaca belrlemş br dağılımda çok kez (öreğ kez) tae sayı ( brmlk örek) üretlp aldığı değer hstogramı çzld. Gerçekte buu yapmak demek ktlede kez örek almak ya kez örekleme yapmak demektr. Acak örekleme br kez yapılmaktadır. Baze ö araştırma telğde küçük çaplı br örekleme ve ardıda asıl örekleme baze de doğrulama amaçlı ye küçük çaplı örekleme yapılablr ama kez öreklemey bırakı k kez ble örekleme olmaz. Olsa y olur masraflar karşılaırsa. Bootstrap Öreklemes Öreklemey tekrarlamak ve çok kez yapmak elverşl değldr. Elmzde sadece br ver (data gözlemler) bulumaktadır. Ver alıdığı ktle ortalamasıı tahm etmek stemşsek elmzde tahm olarak örek ortalaması bulumaktadır. Ktle dağılımı hakkıda hçbr varsayım yapılmamışsa küçük hacml öreklemede ktle ortalaması ç güve aralığı söyleyemeyz aralık tahm yapamayız. Bu gb soruları altıda kalmak ç elmzdek ver le lgl yede hacmlk öreklemeler yapılıp lgl statstğ değer çok kez gözlep dağılımı hakkıda fkr elde edleblr. Yede hacmlk öreklemeler asıl yapılablr? Gözlee verler lgl dağılımı temsl ettğ ve öreklem dağılım foksyou { : x } F ˆ #... ( x) ı F yere alıableceğ düşüces le Fˆ 'da brmlk öreklemler smülasyo le üretleblr. Bulara bootstrap öreklemler der.
10 Fˆ 'da brmlk br öreklem üretmek x x... x verlerde adel olarak kez çeklş yapmak demektr (öreğ x x... x değerler tae top üzere yazılıp adel olarak çeklş yapmak demektr). Böylece bootstrap öreklemler (örekler) çok kolay br şeklde üretleblr. Üretle B tae bootstrap öreklem ç öreklem ortalaması x... x xb olarak gözledğde bu gözlemler hstogramı ' dağılımı hakkıda fkr verecektr. Üretle B tae bootstrap öreklem ç hstogramı S öreklem varyası s olarak gözledğde buları s... sb S ' dağılımı hakkıda fkr verecektr. Üretle B tae bootstrap öreklem ç M öreklem medyaı m... m mb olarak gözledğde buları hstogramı M ' dağılımı hakkıda fkr verecektr. Fe Fakültes öğrecler arasıda rasgele seçle 6 öğrecye haftada evde kaç saat ders çalıştıkları sorulduğuda aşağıdak verler gözlemştr
11 %Bootstrap clc; close all ; clear all load ver ; hst(ver) for B: for :6 secfx(rad*6)+; x()ver(sec); ed Bvaryas(B)std(x)^; Bort(B)mea(x); Bmedya(B)meda(x) ed fgure; subplot(3); hst(bort) ;ttle('ortalama') subplot(3) ; hst(bvaryas) ;ttle('varyas') subplot(33) ; hst(bmedya) ; ttle('medya') 6 Ortalama Varyas Medya Bootstrap öreklemler br tür yede alımış öreklemler olarak düşüüldüğüde bootstrap br yede örekleme (resamplg) tekğdr. Brçok yede örekleme tekkler vardır. Bularda brs Jackfe'dır. Jackfe tekğde tae gözlemde brs dışarıda bırakılıp dğerler le brmlk ye br öreklem oluşturulmaktadır. Bu şeklde sadece tae farklı öreklem oluşturulablr. Bootstrap tekğde se steldğ kadar ye öreklem oluşturulablr.
12 Parametre Tahm Rasgelelk olgusuu modelleye olasılık dağılımıı bçm blmes ya model olarak kullaılablecek dağılımlar ales blmes ve bu ale br parametre le modellemş olması durumuda problem bu parametre belrlemese drgemektedr. Parametre kümes Θ ve... öreklem F( ; θ ) θ Θ olmak üzere θ parametres tahm etmek ç kullaılacak br T(... ) statstğ (tahm edcs) belrlemes gerekmektedr. Burada brbr le lgl k soru söz kousudur. Bularda brs tahm edclerde araa özellkler eler olmalı ve dğer de tahm edcler bulma yötemdr. Öreğ N ( µ σ ) dağılımıı parametreler eçok olablrlk tahm edcler µ ç ve σ ç S ( ) dır. yasız ve S yasız değldr. Her ks de olasılıkta tutarlı ya p µ S p σ dır. µ parametres ayı zamada ktle medyaı olduğuda öreklem medyaı M de µ ç br tahm edc olarak düşüüleblr. M öreklem medyaı µ ç
13 yasız br tahm edc mdr? Hata Kareler Ortalaması (MSE) ölçütüe göre hags daha ydr? Bu soruları cevabı kolay görümemektedr. ve σ MSE( ) E( µ ) Var( ) MSE ( M ) E( M µ ) olmak üzere N ( µ σ ) dağılımıda ç kez smülasyo le gözlee x x... x ve m m... m değerler ç MSE ˆ ( ) MSE ˆ ( M ) ( ( x m µ ) µ ) olarak elde edlmştr. M ˆSE( ) değer değere ya / sayısıa yakı çıkması gerekmektedr. Mˆ SE( M ) değer hag sayıya yakı çıkması gerekmektedr. Buu blmyoruz. değl de kez ç M öreklem medyaı gözlep Mˆ SE( M ) hesapladığıda şekldek (aşağıda) gb br durum ortaya çıkmaktadır. Şeklde görüldüğü gb Mˆ SE( M ) değerler.38 gb br sayı etrafıda salımaktadır. MSE ( ) < MSE( M ) olduğu söyleeblr m? Evet. MSE ölçütüe göre öreklem ortalaması öreklem medyaıda daha y br tahm edcdr. Buu smülasyo le söyledğ uutulmamalıdır. Smülasyo sadece N ( µ σ ) dağılımı üzerde yapılmıştır. Acaba dğer ormal dağılımlarda durum edr? σ
14 Üstel dağılımı olasılık yoğuluk foksyou e f ( x) θ x θ x > d. y. ve beklee değer θ varyası θ ( θ ( )) parametres ç θ medyaı l() θ olmak üzere T T S T 3 M l() tahm edcler düşüülsü. Hags Hata Kareler Ortalaması ölçütüe göre daha y olduğuu smülasyo yaparak gözleyz (Aşağıdak matlab programıı kullaablrsz). clc; close all ;clear all teta; ; N; for :N x-teta*log(rad()); T()mea(x); T()std(x); T3()meda(x)/log(); ed MSETsum((T-teta).^)/ MSETsum((T-teta).^)/ MSET3sum((T3-teta).^)/ Bldğ gb Posso dağılımıda beklee değer le varyas brbre eşttr ve bu değer dağılımı parametres ola λ 'dır. λ parametres ç yasız brer tahm edc ola le S ( ) tahm edclerde hags daha küçük varyaslıdır? Teork ya aaltk olarak bu soruya cevap vermek braz zordur. Smülasyo le bu kolayca görüleblr.
15 Hpotez Test Đstatstksel hpotez dağılım hakkıda br öermedr. Öreğ br rasgelelk olgusuu modelleye dağılımı üstel olduğuu söylemes (dda edlmes) br hpotezdr. Br dağılımla lgl öreğ varyasıı bell br sayıda küçük olduğuu söylemes k değşkel br dağılımda değşkeler bağımsız olduğuu söylemes brer hpotezdr. Parametrelerle lgl hpotezlerde Θ parametre kümes olmak üzere parametre br Θ Θ kümesde bulumasıa veya kısaca Θ 'a hpotez der ve H le gösterlr. Θ Θ \ Θ 'ya da karşıt (alteratf) hpotez der ve H (veya H A ) le gösterlr. Hpotezler ve olmak üzere H H : θ Θ : θ Θ... öreklem F (.; θ ) θ Θ Θ Θ [ ] ϕ : R (... ) ϕ(... ) statstğ aldığı değer y φ... ) olduğuda: b ( p y) Beroull ( deemes başarı le souçladığıda H reddedls aks halde H kabul edls bçmde br karara götüre φ... ) statstğe rasgeleleştrlmş test ( foksyou (kısaca test foksyou) der. Eğer φ görütü kümes { } ya (... ) B R φ(... ) (... ) B bçmde se φ ye rasgeleleştrlmemş test foksyou B kümese H hpotez ç red bölges B kümese de H hpotez ç kabul bölges der.
16 olmak üzere Br φ test foksyou le lgl güç foksyou π : Θ Θ [ ] θ π ( θ ) ( H ı reddedlmes) { π ( θ ): Θ } α sup θ P θ φ değere test alam düzey der. Alam düzey H doğru ke H 'ı reddedlmes ya I. tp hata yapma olasılığı ç üst sıırdır. Alam düzey α ola test foksyoları arasıda tüm θ Θ ç β (θ ) değerler e büyük ola φ teste düzgü e güçlü test der. Geel olarak böyle φ testler bulmak mümkü olmamakla brlkte bazı durumlar öreğ bast hpotezler ç düzgü e güçlü test buluablmektedr. N( µ σ ) dağılımı ç H : µ H : µ hpotez le lgl φ >. <. test foksyou öerls. brmlk öreklem ç α P( >. / H doğ ru ) P( Z > ).436 dır. π güç foksyouu grafğ aşağıdadır. fplot('-ormcdf(*(.-x))+ormcdf(*(.8-x))'[- 3])
17 Güç foksyou smülasyo yaparak da çzdrleblr % güç foksyou grafğ smülasyo yaparak çzdrmek clc : close all:clear all s; for mu-:.:3 say; ss+; for : xrad()+mu; ort()mea(x); f (ort()>.8) f (ort()<.) saysay+; ed ed ed olas-say/; guc(s)olas; ed mu-:.:3 plot(muguc'k')
18 Beroull dağılımı ( b ( p) p Θ () ) le lgl H : p.7 H : p <.7 ( Θ [.7 )) ( Θ (.7) ) hpotez test etmek amacıyla... öreklem b( ) p alıması durumu ç a) φ ) ( b) φ ) ( c) φ (... ) test foksyoları öerls. Bu test foksyolarıda a le b şıkkıdakler rasgeleleştrlmemş c şıkkıdak test foksyou rasgeleleştrlmş br test foksyoudur. Bular ç π güç foksyolarıı grafkler aşağıda verlmştr.
19 %guc foksyou (teork) clc ;close all ;clear all s; for p.:.:.99 ss+; guca(s)bocdf(6p); ed s; for p.:.:.99 ss+; gucb(s)bocdf(7p); ed s; for p.:.:.99 ss+; gucc(s)bocdf(6p)+.*bopdf(7p); ed p.:.:.99 plot(pguca'k'pgucb'k--'pgucc'k-.') leged('a''b''c').9.8 a b c
20 Güç foksyolarıı smülasyo yapılarak çzdrle grafkler aşağıda verlmştr. %güç foksyou (smülasyo) clc: close all: clear all:s; for p.:.:.99 ss+; guca(s)sum(sum(rad()<p)<6)/; ed s; for p.:.:.99 ss+; gucb(s)sum(sum(rad()<p)<7)/; ed s; for p.:.:.99 ss+; msum(rad()<p); m7sum(m7); redsum(rad(m7)<.); gucc(s)(sum(sum(rad()<p)<6)+red)/; ed p.:.:.99 plot(pguca'k'pgucb'k--'pgucc'k-.') leged('a''b''c').9.8 a b c
21 P-Değer N( µ σ ) dağılımı le lgl ( σ bldğde) H : µ µ H µ µ ( µ > ) : µ hpotezler α alam düzeyde test edlmek stes. Bast hpotezler ç Neyma-Pearso Lemması yardımıyla elde edle düzgü e güçlü test foksyou φ... ( bçmdedr. c sabt > c ) < c P µ ( > ) α c - µ c - µ P ( > ) α σ/ σ/ c - µ c - µ P ( Z > ) α Z α σ/ σ/ c Z σ/ µ α + olarak buluur. φ test foksyou alışılagelmş olarak φ(... ) bçmde yazılır. Hesaplaa Z h - µ σ/ - µ σ/ - µ σ/ > Z < Z α α değer ormal dağılım tablosuda okua olduğuda H reddedlr. Bu hpotez ç p-değer z p P( Z > Z h ) e dz π Z h dır. Küçük p değerlerde H reddedlr. Z tablo değerde büyük Z α
22 P-değer Z h statstğ (rasgele değşke) br foksyou olduğuda keds de br rasgele değşkedr. Bu rasgele değşke P Z h le gösterls. P Z h rasgele değşke dağılımı edr? Sıfır hpotez doğru ke P Z h rasgele değşke dağılımıı smülasyo le görmeye çalışalım. Öreğ N ( µ σ 9) dağılımıda H : µ H : µ ç 6 olduğuda kez smülasyo yaparak bulua hstogramı sıfır hpotez gbdr. %Sıfır hpotez altıda clc;close all;clear all zh(mea(3*rad(6))-)/(3/sqrt(6)); p-ormcdf(zh);hst(p) P Z h değerler altıda ve karşıt hpotez altıda sırasıyla aşağıdak Sfr hpotez altda 6 Karst hpotez altda Gerçekte sıfır hpotez doğru olduğuda p değer olasılık dağılımı düzgü dağılımdır. Dolayısıyla p değer le lgl yorumlamalar-da p değer büyük olması sıfır hpotez kabul edlmes alamıa gelp p değer büyüklüğüü br alamı yoktur.
Tahmin Edicilerin ve Test Đstatistiklerinin Simülasyon ile Karşılaştırılması
. Ders ĐSTATĐSTĐKTE SĐMÜLASYON Tahm Edcler ve Test Đstatstkler Smülasyo le Karşılaştırılması Đstatstk rasgelelk olgusu çere olay süreç ve sstemler modellemesde özellkle bu modellerde souç çıkarmada ve
DetaylıBir KANUN ve Bir TEOREM. Büyük Sayılar Kanunu
Br KANUN ve Br TEOREM Büyük Türkçe Sözlük kau Đg. law Doğa olaylarıı oluş edeler ortaya koya ve gelecektek olayları öcede kestrme olaağı vere bağıtı; Newto kauu, Kepler kauları. (BSTS / Gökblm Termler
DetaylıBEKLENEN DEĞER VE VARYANS
BEKLEE DEĞER VE VARYAS.1. İadel ve adesz öreklemede tüm mümkü örekler.. Beklee değer.3. Varyas.4. İk değşke ortak dağılımı.5. İstatstksel bağımsızlık.6. Tesadüf değşkeler doğrusal kombasyolarıı beklee
DetaylıRegresyon ve Korelasyon Analizi. Regresyon Analizi
Regresyo ve Korelasyo Aalz Regresyo Aalz Regresyo Aalz Regresyo aalz, aralarıda sebep-souç lşks bulua k veya daha fazla değşke arasıdak lşky belrlemek ve bu lşky kullaarak o kou le lgl tahmler (estmato)
DetaylıÖNSÖZ. 2) Evde yapabileceklerinizi yapıp, laboratuar kılavuzundaki yerleri doldurun (!!! işaretli yerler).
ÖNSÖZ Bu laboratuar kılavuzu ĐST 5 Đstatstk Laboratuarı deeyler ç hazırlamıştır. Buradak deeyler ve çalışmaları amacı, şu aa kadar görüle dersler çerçevesde, rasgelelk olgusuu alaşılması ve alatılması
Detaylı6. Uygulama. dx < olduğunda ( )
. Uygulama Hatırlatma: Rasgele Değşelerde Belee Değer Kavramı br rasgele değşe ve g : R R br osyo olma üzere, ) esl ve g ) ) < olduğuda D ) sürel ve g ) ) d < olduğuda g belee değer der. c R ve br doğal
DetaylıÖRNEKLEME YÖNTEMLERİ ve ÖRNEKLEM GENİŞLİĞİ
03.05.013 ÖRNEKLEME YÖNTEMLERİ ve ÖRNEKLEM GENİŞLİĞİ 1 Nede Örekleme? Öreklemde çalışmak ktlede çalışmakta daha kolaydır. Ktle üzerde çalışmak çok daha masraflı olablr. Çoğu durumda tüm ktleye ulaşmak
DetaylıĐst201 Đstatistik Teorisi I
Đst20 Đstatstk Teors I DERSĐN TÜRÜ Zorulu DERSĐN DÖNEMĐ Yaz DERSĐN KREDĐSĐ Ulusal Kred: (4, 0, 0 ) 4 KTS: 7 DERSĐN VERĐLDĐĞĐ Bölüm: Đstatstk 200/20 Öğretm Yılı DERSĐN MCI Đstatstğ matematksel temeller
Detaylıİki veri setinin yapısının karşılaştırılması
İk ver set yapısıı karşılaştırılması Dağılım: 6,6,6 Ortalama: 6 Medya: 6 Mod: 6 td. apma: 0 Dağılım: 0,6,1 Ortalama: 6 Medya: 6 Mod: çoklu mod td: apma: 6 Amaç: Görüe Ötese Bakablmek Verler değşkelk durumuu
DetaylıYER ÖLÇÜLERİ. Yer ölçüleri, verilerin merkezini veya yığılma noktasını belirleyen istatistiklerdir.
YER ÖLÇÜLERİ Yer ölçüler, verler merkez veya yığılma oktasıı belrleye statstklerdr. Grafkler bze verler yığılma oktaları hakkıda ö blg vermede yardımcı olurlar. Acak bu değerler gerçek değerler değldr,
Detaylı= k. Aritmetik Ortalama. Tanımlayıcı İstatistikler TANIMLAYICI İSTATİSTİKLER. Sınıflanmış Seriler İçin Aritmetik Ortalama
TANIMLAYICI İSTATİSTİKLER Taımlayıcı İstatstkler MERKEZİ EĞİLİM ÖLÇÜLERİ Dr. Mehmet AKSARAYLI D.E.Ü. İ.İ.B.F..B.F. EKONOMETRİ BÖLÜMÜ mehmet.aksarayl aksarayl@deu.edu.tr Yer Ölçüler (Merkez Eğlm Ölçüler)
DetaylıGiriş. Değişkenlik Ölçüleri İSTATİSTİK I. Ders 5 Değişkenlik ve Asimetri Ölçüleri. Değişkenlik. X i ve Y i aşağıdaki gibi iki seri verilmiş olsun:
Grş İSTATİSTİK I Ders Değşkelk ve Asmetr Ölçüler Ortalamalar, serler karşılaştırılmasıda her zama yeterl ölçüler değldr. Ayı ortalamayı sahp serler arklı dağılım göstereblrler. Bu edele serler karşılaştırılmasıda,
DetaylıParametrik Olmayan İstatistik Çözümlü Sorular - 2
Parametrk Olmaya İstatstk Çözümlü Sorular - Soru Böbrek hastalarıa at Kreat (KRT) değerlere lşk br araştırma yapılmak stemektedr. Buu ç rasgele seçle hastaya at Kreat değerler aşağıdak gb elde edlmştr
DetaylıMERKEZİ EĞİLİM ÖLÇÜLERİ
MERKEZİ EĞİLİM ÖLÇÜLERİ Gözlee ver düzeleerek çzelgelerle, graklerle suulması çoğu kez yeterl olmaz. Geel durumu yasıtacak br takım ölçülere gereksm vardır. Bu ölçüler verler yalızca özlü br bçmde belrtmekle
DetaylıBağımsızlık özelliğinden hareketle Ortak olasılık fonksiyonu (sürekli ise
YTÜ-İktisat İstatistik II Örekleme ve Öreklem Dağılımları BASİT RASSAL ÖRNEKLEME N tae ese arasıda taelik bir öreklem seçilmesii istediğii düşüelim. eseli olaaklı her öreklemi seçilme şasıı eşit kıla seçim
DetaylıTAHMİNLEYİCİLERİN ÖZELLİKLERİ Sapmasızlık 3.2. Tutarlılık 3.3. Etkinlik minimum varyans 3.4. Aralık tahmini (güven aralığı)
3 TAHMİNLEYİCİLERİN ÖZELLİKLERİ 3.1. Sapmasızlık 3.. Tutarlılık 3.3. Etkilik miimum varyas 3.4. Aralık tahmii (güve aralığı) İyi bir tahmi edici dağılımı tahmi edilecek populasyo parametresie yakı civarda
Detaylıİşlenmemiş veri: Sayılabilen yada ölçülebilen niceliklerin gözlemler sonucu elde edildiği hali ile derlendiği bilgiler.
OLASILIK VE İSTATİSTİK DERSLERİ ÖZET NOTLARI İstatistik: verileri toplaması, aalizi, suulması ve yorumlaması ile ilgili ilkeleri ve yötemleri içere ve bu işlemleri souçlarıı probabilite ilkelerie göre
DetaylıDeğişkenler Arasındaki İlişkiler Regresyon ve Korelasyon. Dr. Musa KILIÇ
Değşkeler Arasıdak İlşkler Regresyo ve Korelasyo Dr. Musa KILIÇ http://ks.deu.edu.tr/musa.klc 1. Grş Buda öcek bölümlerde celedğmz koular, br tek değşke ç yorumlamalar yapmaya yöelk statstk yötemler üzerde
DetaylıİSTATİSTİKSEL TAHMİN. Prof. Dr. Levent ŞENYAY VIII - 1 İSTATİSTİK II
8 İSTATİSTİKSEL TAHMİN 8.. İstatistiksel tahmileyiciler 8.. Tahmileyicileri Öellikleri 8... Sapmasılık 8... Miimum Varyaslılık 8..3. Etkilik 8.3. Aralık Tahmii 8.4. Tchebysheff teoremi Prof. Dr. Levet
DetaylıĐÇI DEKILER 1. TEMEL ĐSTATĐSTĐK KAVRAMLAR VE OTASYO LAR 1
ĐÇI DEKILER Sayfa. TEMEL ĐSTATĐSTĐK KAVRAMLAR VE OTASYO LAR.. Grş.. Đstatstk.3. Populasyo.4. Örek.5. Brm.6. Parametre.7. Değşke 3.8. Ver ve Ver Tpler 3.9. Toplama Sembolü 4 ÇALIŞMA PROBLEMLERĐ 6. VERĐLERĐ
DetaylıT.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BAZI DAĞILIMLAR İÇİN EN ÇOK OLABİLİRLİK VE FARKLI KAYIP FONKSİYONLARI ALTINDA BAYES TAHMİN EDİCİLERİNİN PERFORMANSLARININ KARŞILAŞTIRILMASI Gülca GENCER
Detaylıˆp x p p(1 p)/n. Ancak anakütle oranı p bilinmediğinden bu ilişki doğrudan kullanılamaz.
YTÜ-İktisat İstatistik II Aralık Tahmii II 1 ANAKÜTLE ORANININ (p GÜVEN ARALIKLARI (BÜYÜK ÖRNEKLEMLERDE Her birii başarı olasılığı p ola birbiride bağımsız Beroulli deemeside öreklemdeki başarı oraıı ˆp
DetaylıTanımlayıcı İstatistikler
Taımlayıcı İstatstkler Taımlayıcı İstatstkler br değerler dzs statstksel olarak geel özellkler taımlaya ölçülerdr Taımlayıcı İstatstkler Yer Göstere Ölçüler Yaygılık Ölçüler Yer Göstere Ölçüler Br dağılımı
DetaylıYrd. Doç. Dr. İhsa KARABULUT u daışmalığıda, Begül ARKANT tarafıda hazırlaa bu çalışma 3/07/008 tarhde aşağıdak jür tarafıda oy brlğ le Akara Üverstes
ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ BAĞIMLI GÖZLEMLERLE BOOTSTRAP YÖNTEMİ Begül ARKANT İSTATİSTİK ANABİLİM DALI ANKARA 008 Her hakkı saklıdır Yrd. Doç. Dr. İhsa KARABULUT u daışmalığıda,
DetaylıT.C. RECEP TAYYİP ERDOĞAN ÜNİVERSİTESİ İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ İŞLETME BÖLÜMÜ SAYISAL YÖNTEMLER ANABİLİM DALI DERS NOTLARI
15.09.015 T.C. RECEP TAYYİP ERDOĞAN ÜNİVERSİTESİ İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ İŞLETME BÖLÜMÜ SAYISAL YÖNTEMLER ANABİLİM DALI DERS NOTLARI ISL4 İSTATİSTİK II HAZIRLAYAN PROF. DR. ALİ SAİT ALBAYRAK
DetaylıQuality Planning and Control
Qualty Plag ad Cotrol END 3618 KALİTE PLANLAMA VE KONTROL Prof. Dr. Mehmet ÇAKMAKÇI Dokuz Eylül Üverstes Edüstr Mühedslğ Aablm Dalı 1 Qualty Maagemet İstatstksel Proses Kotrol Kotrol Kartları 2 END 3618
DetaylıÖLÇÜM, ÖLÇÜM HATALARI ve ANLAMLI RAKAMLAR
ÖLÇÜM, ÖLÇÜM HATALARI ve ANLAMLI RAKAMLAR Ölçme, her deeysel blm temel oluşturur. Fzk blmde de teorler sıaması ç çeştl deeyler tasarlaır ve bu deeyler sırasıda çok çeştl ölçümler yapılır. Br fzksel celğ
DetaylıTEZ ONAYI Nur ÇELİK tarafıda hazırlaa ANOVA Modellerde Çarpık Dağılımlar Kullaılarak Dayaıklı İstatstksel Souç Çıkarımı ve Uygulamaları adlı tez çalış
ANKARA ÜNİVERSİTESİ EN BİLİERİ ENSTİTÜSÜ DOKTORA TEZİ ANOVA MODELLERİNDE ÇARPIK DAĞILIAR KULLANILARAK DAYANIKLI İSTATİSTİKSEL SONUÇ ÇIKARIMI VE UYGULAMALARI Nur ÇELİK İSTATİSTİK ANABİLİM DALI ANKARA 0
DetaylıİSTATİSTİK. Doç. Dr. Suat ŞAHİNLER Arş.Gör. Özkan GÖRGÜLÜ
İSTATİSTİK Doç. Dr. Suat ŞAHİNLER Arş.Gör. Özka GÖRGÜLÜ Tavsye Edle Kayak Ktaplar Her öğrec keds tuttuğu düzel otlar.. Akar, M. ve S. Şahler, (997). İstatstk. Ç.Ü. Zraat Fakültes Geel Yayı No: 74, Ders
DetaylıDoç. Dr. Mehmet AKSARAYLI
Doç. Dr. Mehmet AKSARALI www.mehmetaksarayl İstatstksel araştırmalarda k yada daha çok değşke arasıdak lşk celemes ç e çok kullaıla yötemlerde brs regresyo aalzdr. Değşkeler arasıdak lşk matematksel br
DetaylıGamma ve Weibull Dağılımları Arasında Kullback-Leibler Uzaklığına Dayalı Ayrım
Afyo Kocatepe Üverstes Fe ve Mühedslk Blmler Dergs Afyo Kocatepe Uversty Joural of Scece ad Egeerg AKÜ FEMÜBİD 7 (27) 234 (5-55) AKU J. Sc.Eg.7 (27) 234 (5-55) DOI:.5578/fmbd.6774 Gamma ve Webull Dağılımları
DetaylıALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI
ALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI Bezetimi e öemli faydalarıda birisi, uygulamaya koymada öce alteratifleri karşılaştırmaı mümkü olmasıdır. Alteratifler; Fabrika yerleşim tasarımları Alteratif üretim
DetaylıPolinom İnterpolasyonu
Polom İterpolasyou (Ara Değer Bulma Br foksyou solu sayıdak, K, R oktalarıda aldığı f (, f (,, f ( değerler bls (foksyou keds blmyor. Bu oktalarda geçe. derecede br tek, P a + a + a + + a (... polumu vardır
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 3: MERKEZİ EĞİLİM VE DAĞILMA ÖLÇÜLERİ Prof. Dr. İrfa KAYMAZ Taım Araştırma souçlarıı açıklamasıda frekas tablosu ve poligou isteile bilgiyi her zama sağlamayabilir. Verileri
Detaylı=... 29 İÇİNDEKİLER. E(X) = k... 22. 3.5. Pascal (Negatif Binom) Dağılımı... 22 1. 3.6. Hipergeometrik Dağılım... 22. N y= ... 24
İÇİNDEKİLER SİMGE LİSTESİ... KISALTMA LİSTESİ... v ÇİZELGE LİSTESİ... v ŞEKİL LİSTESİ... v ÖNSÖZ... v ÖZET... x ABSTRACT... x GİRİŞ... BÖLÜM : OLASILIK DAĞILIMLARI VE OLASILIK YOĞUNLUKLARI... BÖLÜM : OLASILIK
Detaylı4/16/2013. Ders 9: Kitle Ortalaması ve Varyansı için Tahmin
4/16/013 Ders 9: Kitle Ortalaması ve Varyası içi Tahmi Kitle ve Öreklem Öreklem Dağılımı Nokta Tahmii Tahmi Edicileri Özellikleri Kitle ortalaması içi Aralık Tahmii Kitle Stadart Sapması içi Aralık Tahmii
DetaylıBİYOİSTATİSTİK İstatistiksel Tahminleme ve Hipotez Testlerine Giriş Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK İstatistiksel Tahmileme ve Hipotez Testlerie Giriş Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üiversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr
DetaylıALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI
µ µ içi Güve Aralığı ALTERNATİF İTEMLERİN KARŞILAŞTIRILMAI Bezetimi e öemli faydalarıda birisi, uygulamaya koymada öce alteratifleri karşılaştırmaı mümkü olmasıdır. Alteratifler; Fabrika yerleşim tasarımları
DetaylıT.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ STRES DAYANIKLILIK GÜVENİLİRLİĞİNİN MASKELİ VERİLERE DAYALI TAHMİNİ Demet SEZER DOKTORA TEZİ İstatstkAablm Dalı Aralık-03 KONYA Her Hakkı Saklıdır TEZ
DetaylıTahmin Edici Elde Etme Yöntemleri
6. Ders Tahmi Edici Elde Etme Yötemleri Öceki derslerde ve ödevlerde U(0; ) ; = (0; ) da¼g l m da, da¼g l m üst s r ola parametresi içi tahmi edici olarak : s ra istatisti¼gi ve öreklem ortalamas heme
DetaylıTanımlayıcı İstatistikler
TANIMLAYICI İSTATİSTİKLER MERKEZİ EĞİLİM ÖLÇÜLERİ Dr. Mehmet AKSARAYLI D.E.Ü. İ.İ.B.F. EKONOMETRİ BÖLÜMÜ mehmet.aksarayl@deu.edu.tr Taımlayıcı İstatstkler Yer Ölçüler (Merkez Eğlm Ölçüler) Duyarlı Ortalamalar
Detaylı1. GAZLARIN DAVRANI I
. GZLRIN DRNI I İdeal Gazlar ç: lm 0 RT İdeal gazlar ç: RT Hacm() basıçla() değşk sıcaklıklarda değşm ekl.. de gösterlmştr. T >T 8 T T T 3 asıç T 4 T T 5 T 7 T 8 Molar Hacm ekl.. Gerçek br gazı değşk sıcaklıklardak
DetaylıTanımlayıcı İstatistikler (Descriptive Statistics) Dr. Musa KILIÇ
Taımlayıcı İstatstkler (Descrptve Statstcs) Dr. Musa KILIÇ TANIMLAYICI ÖRNEK İSTATİSTİKLERİ YER ÖLÇÜLERİ (Frekas dağılışıı abss eksedek durumuu belrtr.) DEĞİŞİM ÖLÇÜLERİ ( Frekas dağılışıı şekl belrtr.).
DetaylıOperasyonel Risk İleri Ölçüm Modelleri
Bakacılar Dergs, Sayı 58, 006 Grş Operasyoel Rsk İler Ölçüm Modeller Çalışma k bölümde oluşmaktadır. İlk bölümde operasyoel rskler ölçülmes kapsamıda hag ler ölçüm modeller kullaılması gerektğ, söz kousu
DetaylıUYUM 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
DetaylıEME 3117 SİSTEM SIMÜLASYONU. Girdi Analizi Prosedürü. Dağılıma Uyum Testleri. Dağılıma Uyumun Kontrol Edilmesi. Girdi Analizi-II Ders 9
..7 EME 37 Girdi Aalizi Prosedürü SİSTEM SIMÜLASYONU Modelleecek sistemi (prosesi) dokümate et Veri toplamak içi bir pla geliştir Veri topla Verileri grafiksel ve istatistiksel aalizii yap Girdi Aalizi-II
DetaylıBÖLÜM 3 YER ÖLÇÜLERİ. Doç.Dr. Suat ŞAHİNLER
BÖLÜM 3 YER ÖLÇÜLERİ İkici bölümde verileri frekas tablolarıı hazırlaması ve grafikleri çizilmesideki esas amaç; gözlemleri doğal olarak ait oldukları populasyo dağılışıı belirlemek ve dağılışı geel özelliklerii
DetaylıTOBB Ekonomi ve Teknoloji Üniversitesi İKT351 Ekonometri I, Ara Sınavı
TOBB Ekoom ve Tekoloj Üverstes İKT351 Ekoometr I, Ara Sıavı Öğr.Gör.: Yrd. Doç. Dr. A. Talha YALTA Ad, Soyad: Açıklamalar: Bu sıav toplam 100 pua değerde 4 soruda oluşmaktadır. Sıav süres 90 dakkadır ve
Detaylıdenklemini sağlayan tüm x kompleks sayılarını bulunuz. denklemini x = 64 = 2 i şeklinde yazabiliriz. Bu son kompleks sayıları için x = 2iy
Ders Sorumlusu: Doç. Dr. Necp ŞİMŞEK Problem. deklem sağlaya tüm kompleks sayılarıı buluu. Çöüm deklem şeklde yaablr. Bu so y kompleks sayıları ç y yaalım. Bu taktrde deklemde, baı y ( ) y elde edlr. Burada
Detaylı2016 YILI I.DÖNEM AKTÜERLİK SINAVLARI RİSK ANALİZİ VE AKTÜERYAL MODELLEME. aşağıdaki seçeneklerden hangisinde verilmiştir? n exp 1.
06 YILI I.DÖNEM AKTÜERLİK SINAVLARI Soru Toplam hasar miktarı S i olasılık ürete foksiyou X x i PS ( t) = E( t ) = exp λi( t ) ise P S(0) aşağıdaki seçeeklerde hagiside verilmiştir? A) 0 B) C) exp λ i
DetaylıTABAKALI ŞANS ÖRNEKLEME
6 TABAKAI ŞA ÖREKEME 6.. Populasyo ortalaması ve populasyo toplamıı tam 6.. Populasyo ortalamasıı ve toplamıı varyası 6... Populasyo ortalamasıı varyası 6... Populasyo toplamıı varyası 6..3. Ortalama ve
DetaylıİSTATİSTİK DERS NOTLARI
Balıkesir Üiversitesi İşaat Mühedisliği Bölümü umutokka@balikesir.edu.tr İSTATİSTİK DERS NOTLARI Yrd. Doç. Dr. Umut OKKAN idrolik Aabilim Dalı Balıkesir Üiversitesi İşaat Mühedisliği Bölümü Bölüm 5 Örekleme
DetaylıÖZET Yüksek Lsas Tez NORMAL DAĞILIM VE NORMAL DAĞILIMLA İLGİLİ ÇIKARIMLAR Şeol ÇELİK Akara Üverstes Fe Blmler Esttüsü İstatstk Aablm Dalı Daışma : Doç
ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ NORMAL DAĞILIM VE NORMAL DAĞILIMLA İLGİLİ ÇIKARIMLAR Şeol ÇELİK İSTATİSTİK ANABİLİM DALI ANKARA 006 Her hakkı saklıdır ÖZET Yüksek Lsas Tez
DetaylıİSTATİSTİK 2. Tahmin Teorisi 07/03/2012 AYŞE S. ÇAĞLI. aysecagli@beykent.edu.tr
İSTATİSTİK 2 Tahmi Teorisi 07/03/2012 AYŞE S. ÇAĞLI aysecagli@beyket.edu.tr İstatistik yötemler İstatistik yötemler Betimsel istatistik Çıkarımsal istatistik Tahmi Hipotez testleri Nokta tahmii Aralık
Detaylıİstatistik Ders Notları 2018 Cenap Erdemir BÖLÜM 5 ÖRNEKLME DAĞILIMLARI. 5.1 Giriş
İstatistik Ders Notları 08 Ceap Erdemir BÖLÜM 5 ÖRNEKLME DAĞILIMLARI 5. Giriş Öreklem istatistikleri kullaılarak kitle parametreleri hakkıda çıkarsamalar yapmak istatistik yötemleri öemli bir bölümüü oluşturur.gülük
DetaylıTanımlayıcı İstatistikler
Taımlayıcı İstatstkler Br veya brde fazla dağılışı karşılaştırmak ç kullaıla veya ayrıca örek verlerde hareketle frekas dağılışlarıı sayısal olarak düzeleye değerlere taımlayıcı statstkler der. Aalzlede
DetaylıREGRESYON ANALİZİNDE KULLANILAN EN KÜÇÜK KARELER VE EN KÜÇÜK MEDYAN KARELER YÖNTEMLERİNİN KARŞILAŞTIRILMASI
FEN DEGİSİ (E-DEGİ). 8, 3() 9-9 EGESYON ANALİZİNDE KULLANILAN EN KÜÇÜK KAELE VE EN KÜÇÜK MEDYAN KAELE YÖNTEMLEİNİN KAŞILAŞTIILMASI Özlem GÜÜNLÜ ALMA, Özgül VUPA Dokuz Eylül Üverstes, Fe-Edebyat Fakültes,
DetaylıAKT201 MATEMATİKSEL İSTATİSTİK I ÖDEV 6 ÇÖZÜMLERİ
AKT MATEMATİKSEL İSTATİSTİK I ÖDEV 6 ÇÖZÜMLERİ KESİKLİ RASLANTI DEĞİŞKENLERİ & KESİKLİ DAĞILIMLAR. X aşağıdaki olasılık foksiyoua sahip kesikli bir r.d. olsu. Bua göre;. ; x =.. ; x =. 4. ; x =. 5 p X
DetaylıPOISSON REGRESYON ANALİZİ
İstabul Tcaret Üverstes Fe Blmler Dergs Yıl:4 Sayı:7 Bahar 005/ s. 59-7 POISSON REGRESYON ANALİZİ Özlem DENİZ * ÖZET Herhag br olayı belrlee br süreç çersde yaıla deemeler soucuda meydaa gelme sayısı,
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 3: MERKEZİ EĞİLİM VE DAĞILMA ÖLÇÜLERİ Prof. Dr. İrfa KAYMAZ Taım Araştırma souçlarıı açıklamasıda frekas tablosu ve poligou isteile bilgiyi her zama sağlamayabilir. Verileri
DetaylıARAŞTIRMA MAKALESİ /RESEARCH ARTICLE
ANADOLU ÜNİVERSİTESİ BİLİM VE TEKNOLOJİ DERGİSİ ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY Clt/Vol.:0-Sayı/No: : 455-465 (009) ARAŞTIRMA MAKALESİ /RESEARCH ARTICLE İKİ PARAMETRELİ WEIBULL DAĞILIMINDA
DetaylıKİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür.
Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk
DetaylıÖlçme Hataları ve Normal Dağılım
Ölçme Hataları ve Normal Dağılım Yıl 967. Fzk ders mekak laoratuarıda rc laoratuar. Kousu: Ölçme ve çft kefel terazler hassasyet. Mesaj: ey ölçerse ölç, ölçmek stedğ şey ulamazsı, ölçü alet hassasyet sıırları
DetaylıTALEP TAHMİNLERİ. Y.Doç.Dr. Alpagut YAVUZ
TALEP TAHMİNLERİ Y.Doç.Dr. Alpagut YAVUZ Yöetm e temel foksyolarıda br ola plalama, e kaba taımıyla, şletme geleceğe yöelk alıa kararları br bleşkesdr. Geleceğe yöelk alıa kararları başarısı yöetcler yaptıkları
DetaylıTanımlayıcı İstatistikler
Taımlayıcı İstatstkler Br veya brde azla dağılışı karşılaştırmak ç kullaıla ve ayrıca örek verlerde hareket le rekas dağılışlarıı sayısal olarak özetleye değerlere taımlayıcı statstkler der. Aalzlerde
DetaylıOlabilirlik Oranı Yöntemine Dayalı, Yapısal Homojen Olmayan Varyans Testlerinin Piyasa Modeli İçin Karşılaştırılması
Dokuz Eylül Üverstes İktsad ve İdar Blmler Fakültes Dergs, Clt:6, Sayı:, Yıl:011, ss.135-144 Olablrlk Oraı Yöteme Dayalı, Yaısal Homoje Olmaya Varyas Testler Pyasa Model İç Karşılaştırılması Flz KARDİYEN
DetaylıKİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ
Kİ-KAR TSTLRİ A) Kİ-KAR DAĞILIMI V ÖZLLİKLRİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk gösterp
DetaylıÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ Ayça Hatce TÜRKAN GÜVENİLİRLİK ANALİZİNDE KULLANILAN İSTATİSTİKSEL DAĞILIM MODELLERİ İSTATİSTİK ANABİLİM DALI ADANA, 007 ÇUKUROVA ÜNİVERSİTESİ
DetaylıMühendislikte Olasılık, İstatistik, Risk ve Güvenilirlik Altay Gündüz. Mühendisler için İstatistik Prof. Dr. Mehmetçik Bayazıt, Prof. Dr.
İSTATİSTİK DERSİ (BAÜ Müh-Mm Fakültes Dr. Bau Yağcı KAYNAKLAR Mühedslkte Olasılık, İstatstk, Rsk ve Güvelrlk Altay Güdüz Blgsayar (Ecel Destekl Uygulamalı İstatstk Pro. Dr. Mustaa Akkurt Mühedsler ç İstatstk
DetaylıKİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri
Kİ KAR ANALİZİ 1 Doç. Dr. Mehmet AKSARAYLI www.mehmetaksarayl K-Kare Analzler OLAY 1: Genelde br statstk sınıfında, öğrenclern %60 ının devamlı, %30 unun bazen, %10 unun se çok az derse geldkler düşünülmektedr.
Detaylıdeğerine bu matrisin bir girdisi(elemanı,bileşeni) denir. Bir sütundan (satırdan) oluşan bir matrise bir sütun (satır) matrisi denir.
Bölüm 2 Matrsler aım 2.1 F br csm, m, brer doğal sayı olsu. a F ( 1,.., m; j 1,..., ) olmak üzere, a11... a1 fadese m satır sütuda oluşa (veya m tpde) br F matrs der. am 1... a m Böyle br matrs daha sade
DetaylıRegresyon Analizi Basit Do rusal Regresyon Analizi En Küçük Kareler Tekni i Varyans n(v 2 ) Tahmini Basit Do rusal Regresyonda Aral k Tahmini
5 STAT ST K-II Amaçlar m z Bu ütey tamamlad kta sora; k de flke aras dak lflky aç klaya do rusal model kurablecek, k de flke aras dak lflk dereces belrleyeblecek blg ve becerlere sahp olacaks z. Aahtar
DetaylıNORMAL DAĞILIM İÇİN UYUM İYİLİĞİ TESTLERİ VE BİR SİMÜLASYON ÇALIŞMASI. Nurcan YILDIRIM YÜKSEK LİSANS TEZİ İSTATİSTİK
NORML DĞILIM İÇİN UYUM İYİLİĞİ TETLERİ VE BİR İMÜLYON ÇLIŞMI Nurca YILDIRIM YÜE LİN TEİ İTTİTİ Gİ ÜNİVERİTEİ FEN BİLİMLERİ ENTİTÜÜ ŞUBT 3 NR Nurca YILDIRIM tarafıda hazırlaa NORML DĞILIM İÇİN UYUM İYİLİĞİ
DetaylıGenelleştirilmiş Ortalama Fonksiyonu ve Bazı Önemli Eşitsizliklerin Öğretimi Üzerine
Geelleşrlmş Oralama Foksyou ve Bazı Öeml Eşszlkler Öğrem Üzere Gabl ADİLOV, Gülek TINAZTEPE & Serap KEALİ * Öze Armek oralama, Geomerk oralama, Harmok oralama, Kuvadrak oralama ve bular arasıdak lşk vere
Detaylı5.1 Olasılık Tarihi. 5.2. Temel Olasılık Kavramları
5 OLSILIK 5.. Olasılık Tarh 5.. Temel Olasılık Kavramları 5.3. Deeysel Olasılık 5.4. Temel olasılık Teoremler 5.5. Olasılığı Tolaablrlk Kuralı: 5.6. Olasılığı çarım kuralı: 5.7. Değl ağıtısı: 5.8. Koşullu
DetaylıRasgele Değişken Üretme Teknikleri
Rasgele Değşken Üretme Teknkler Amaç Smülasyon modelnn grdlern oluşturacak örneklern üretlmes Yaygın olarak kullanılan ayrık veya sürekl dağılımların örneklenmes sürecn anlamak Yaygın olarak kullanılan
DetaylıHĐPERSTATĐK SĐSTEMLER
HĐPERSTATĐK SĐSTELER Taım: Bütü kest zorları, şekldeğştrmeler ve yerdeğştrmeler belrlemes ç dege deklemler yeterl olmadığı sstemlere hperstatk sstemler der. Hperstatk sstemler hesabı ç, a) Dege deklemlere,
Detaylı7. Ders. Bazı Kesikli Olasılık Dağılımları
Hatırlatma: ( Ω, U, P) bir olasılık uzayı ve 7. Ders Bazı Kesikli Olasılık Dağılımları : Ω ω R ( ω) foksiyou Borel ölçülebilir, yai B B içi { ω Ω : ( ω) B } U oluyorsa foksiyoua bir Rasgele Değişke deir.
DetaylıNİÇİN ÖRNEKLEME YAPILIR?
İÇİ ÖREKEME YAPIIR? Zama Kısıdı Maliyeti Azaltma Hata Oraıı Azaltma Souca Ulaşma Hızı Doç.Dr. Ali Kemal ŞEHİRİOĞU Araş.Gör. Efe SARIBAY Örekleme Teorisi kousuu içide, Örekleme Tipleri populasyoda örek
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon 1 Korelasyon Analz İk değşken arasında lşk olup olmadığını belrlemek çn yapılan analze korelasyon analz denr. Korelasyon; doğrusal yada doğrusal olmayan dye kye ayrılır. Korelasyon
DetaylıKONTROL KARTLARI 1)DEĞİŞKENLER İÇİN KONTROL KARTLARI
1 KONTOL KATLAI 1)DEĞİŞKENLE İÇİN KONTOL KATLAI Ölçe,gözle veya deey yolu le elde edle verler değşke(ölçüleblr-sürekl) ve özellk (sayılablr-keskl) olak üzere başlıca k gruba ayrılır. Değşke verler belrl
DetaylıZaman Skalasında Box-Cox Regresyon Yöntemi
Dokuz Eylül Üverstes İktsad ve İdar Blmler Fakültes Dergs, Clt:7, Sayı:, Yıl:0, ss.57-70. Zama Skalasıda Bo-Co Regresyo Yötem Atlla Özur İŞÇİ Sbel PAŞALI GÖKTAŞ ATMACA 3 M. Nyaz ÇANKAYA 4 Özet Hata term
DetaylıBÖLÜM 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
Detaylı12. Ders Büyük Sayılar Kanunları. Konuya geçmeden önce DeMoivre-Stirling formülünü ve DeMoivre-Laplace teoremini hatırlayalım. DeMoivre, genel terimi,
. Ders Büyü Sayılar Kauları Kouya geçmede öce DeMoivre-Stirlig formülüü ve DeMoivre-Laplace teoremii hatırlayalım. DeMoivre, geel terimi, a!,,, 3,... e ola dizii yaısa olduğuu göstermiş, aca limitii bulamamış.
DetaylıİSTATİSTİKSEL TAHMİNLEME VE
1 ölüm maçları İSTTİSTİKSEL THMİLEME VE YORUMLM SÜRECİ ÖREKLEME VE ÖREKLEME DĞILIMLRI u bölümde öğreeceklerz. Örekleme gereksm ve yötemler celemek. Örekleme hatası kavramıı taımlamak Örekleme dağılışı
DetaylıX = 11433, Y = 45237,
A.Ü. SBF, IV Malye EKONOMETRİ I ARA SINAVI 4..006 Süre 90 dakkadır..,. ve 3. sorular 0 ar, 4. ve 5. sorular 30 ar pua, ödev 0 pua değerdedr. Tüm formüller ve şlemlerz açıkça gösterz. ) Y = Xβ + u doğrusal
Detaylı(DERS NOTLARI) Hazırlayan: Prof.Dr. Orhan ÇAKIR. Ankara Üniversitesi, Fen Fakültesi, Fizik Bölümü
FİZ433 FİZİKTE BİLGİSAYAR UYGULAMALARI DERS NOTLARI Hazırlaya: Pro.Dr. Orha ÇAKIR Akara Üverstes, Fe Fakültes, Fzk Bölümü Akara, 7! İÇİNDEKİLER. LİNEER OLMAYAN DENKLEMLERİN KÖKLERİNİN BULUNMASI I/II. LİNEER
DetaylıDEĞİŞİM ÖLÇÜLERİ 4. TAŞINMAZ GELİŞTİRME TEZSİZ YÜKSEK LİSANS PROGRAMI. Ünite: 4 DEĞİŞİM ÖLÇÜLERİ. Doç. Dr. Yüksel TERZİ İÇİNDEKİLER İÇİNDEKİLER
TAŞINMAZ GELİŞTİRME Üte: DEĞİŞİM ÖLÇÜLERİ Doç. Dr. üksel TERZİ TAŞINMAZ GELİŞTİRME TEZSİZ ÜKSEK LİSANS PROGRAMI İÇİNDEKİLER.1. GİRİŞ.. DEĞİŞİM ÖLÇÜLERİ..1. Değşm Geşlğ... Kartller Arası fark... Ortalama
DetaylıBir tahmin edicinin sapması, beklenen değeriyle gerçek parametre arasındaki fark olarak tanımlanır.
6. EN KÜÇÜK KARELER TAHMİNLERİNİN ÖZELLİKLERİ 6. TAHMİN EDİCİLERDE ARANAN ÖZELLİKLER Geellkle br tahm aa kütle parametres gerçek değere yakı olmasıı ve b gerçek parametre yakılarıda dar br aralıkta değşmes
Detaylıİşletme İstatistiği. [Type the document subtitle] Ege Yazgan ve Yüce Zerey 10/21/2003
ISTANBUL BİLGİ UNİVERSİTY İşletme İstatstğ [Type the documet subttle] Ege Yazga ve Yüce Zerey 1/1/3 [Type the abstract of the documet here. The abstract s typcally a short summary of the cotets of the
DetaylıÖRNEKLEME TEORİSİ VE TAHMİN TEORİSİ
İSTATİSTİKSEL TAHMİNLEME VE İSTATİSTİKSEL YORUMLAMA TAHMİNLEME SÜRECİ VE YORUMLAMA SÜRECİ ÖRNEKLEME TEORİSİ VE TAHMİN TEORİSİ ÖRNEKLEME VE ÖRNEKLEME ÖRNEKLEME DAĞILIMLARI VE ÖRNEKLEME DAĞILIMLARI Yorumlama
DetaylıKUVVET SİSTEMLERİ KUVVET. Vektörel büyüklük. - Kuvvetin büyüklüğü - Kuvvetin doğrultusu - Kuvvetin uygulama noktası - Kuvvetin yönü. Serbest vektör.
İ.T.Ü. aka akültes ekak Aa Blm Dalı STATİK - Bölüm KUVVET SİSTELEİ KUVVET Vektörel büyüklük - Kuvvet büyüklüğü - Kuvvet doğrultusu - Kuvvet uygulama oktası - Kuvvet yöü S = (,,..., ) = + +... + = Serbest
DetaylıSayısal Türev Sayısal İntegrasyon İnterpolasyon Ekstrapolasyon. Bölüm Üç
Sayısal Türev Sayısal İtegrasyo İterpolasyo Ekstrapolasyo Bölüm Üç Bölüm III 8 III-. Pvot Noktaları Br ( ) oksyouu değer, geellkle ekse üzerdek ayrık oktalarda belrler. Bu oktalara pvot oktaları der. Bu
DetaylıFarklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = σ i2. Eşit Varyans. Hata. Zaman
Farklı Varyans Var(u X ) = Var(u ) = E(u ) = σ Eşt Varyans Y X Farklı Varyans Hata Var(u X ) = Var(u ) = E(u ) = σ Farklı Varyans Zaman Farklı Varyans le Karşılaşılan Durumlar Kest Verlernde. Kar dağıtım
DetaylıRasgele sayıda bağımlı aktüeryal risklerin beklenen değeri için alt ve üst sınırlar
www.saskcler.org İsaskçler Dergs (8) 64-74 İsaskçler Dergs Rasgele sayıda bağımlı aküeryal rskler beklee değer ç al ve üs sıırlar Fah Tak Kırıkkale Üverses Fe-Edebya Faküles, İsask Bölümü 7-ahşha,Kırıkkale,
DetaylıKi- kare Bağımsızlık Testi
PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER Prof. Dr. Ali ŞEN Ki- kare Bağımsızlık Testi Daha öceki bölümlerde ölçümler arasıdaki ilişkileri asıl iceleeceğii gördük. Acak sıklıkla ilgileile veriler ölçüm
DetaylıMatematik olarak normal dağılım fonksiyonu. 1 exp X 2
Matematk olarak ormal dağılım foksyou f ( ) ep ( ) Şeklde fade edlr. Burada μ artmetk ortalama, σ se stadart sapma değer gösterr ve dağılım foksyou N(μ, σ) otasyou le gösterlr. Bu deklem geometrk görütüsü
DetaylıBağıl Değerlendirme Sisteminin Simülasyon Yöntemi ile Test Edilmesi: Kilis 7 Aralık Üniversitesi Örneği
Akademk Blşm 11 - III. Akademk Blşm Koferası Bldrler 2-4 Şubat 2011 İöü Üverstes, Malatya Bağıl Değerledrme Sstem Smülasyo Yötem le Test Edlmes: Kls 7 Aralık Üverstes Öreğ Kls 7 Aralık Üverstes, Blgsayar
DetaylıYayılma (Değişkenlik) Ölçüleri
Yayılma (Değşel) Ölçüler Br ver set taıma yada farlı ver set brbrde ayırt etme ç her zama yalızca yer ölçüler yeterl olmayablr. Dağılımları brbrde ayırt etmede ullaıla ve geellle artmet ortalama etrafıda
Detaylı