8. Uygulama. Bazı Sürekli Dağılımlar

Save this PDF as:
 WORD  PNG  TXT  JPG

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "8. Uygulama. Bazı Sürekli Dağılımlar"

Transkript

1 8. Uygulama Bazı Sürekli Dağılımlar : Bir tür böcek 6 gün yaşadıktan sonra iki gün içinde aynı miktarlarda azalıp ölmektedir. X rasgele değişkeni bu türden bir böceğin ömrü olmak üzere, X U (6,8) dır. olup grafikleri,, 6 < x < 8 f ( x) =, d. y, x < 6 x 6 F( x) = P( X x) =, 6 x < 8, x 8 f ( x ) / 6 8 x F( x ) 6 8 x dır. X in beklenen değeri (ortalaması), ve varyansı, E( X ) = = 7 dır. (8 6) Var( X ) = = 3

2 : QBASIC programlama dilinde RND, Matlab da rand fonksiyonu U (,) dağılımından sayı üretmektedir. Bir X rasgele değişkenin dağılımından sayı üretmek için, F ( RND) = inf x : F( x) RND, x R { } değerleri alınabilir. Sürekli bir X rasgele değişkenin dağılım fonksiyonu, değer kümesi üzerinde birebir olduğunda, X in dağılımından sayı üretmede F ( RND) değerleri alınabilir. Yukarıdaki dağılımdan sayı üretmek için F ( RND) = 6 + RND, RND [,) dönüşümü kullanılabilir. RND F( x ) Kesikli bir X rasgele değişkeninin dağılımından sayı üretmek için (,) aralığı dağılımdaki olasılıklar oranında parçalara ayrılıp RND sayısının düştüğü aralığa karşılık gelen değer X olarak alınabilir. Đstatistik amaçlı bilgisayar paket programlarında U (,) ve diğer dağılımlardan sayı üreten fonksiyonlar hazır halde bulunmaktadır. >> rand(,5) Üretilen tane sayı ile ilgili histogram, F ( RND) x dır

3 Histogramdaki sınıf aralıklarının he biri için beklenen frekans = x.= dur. b g Beklenen frekanslar ( f, i =,,... ) ile gözlenen frekanslar ( f, i =,,... ) arasındaki farklılığın bir ölçütü olarak değer, i i= g b ( f ) i fi değeri alınabilir. Üretilen tane sayı için bu f b i g b ( fi fi ) (7 ) ( ) (8 ) (8 ) ( ) = b i= f i (8 ) ( ) (9 ) (3 ) ( ) dır. Bu değerin büyüklüğünün yorumlanmasını ileride öğreneceğiz. + = >> z=randn(,); >> [z(:,) z(:4,) z(4:6,) z(6:8,) z(8:,)] Üretilen tane sayı ile ilgili histogram: >> hist(z) i

4 Random Number Generators betarnd binornd chirnd copularnd evrnd exprnd frnd gamrnd geornd gevrnd gprnd hygernd iwishrnd johnsrnd lhsdesign lhsnorm lognrnd mhsample mnrnd mvnrnd mvtrnd nbinrnd ncfrnd nctrnd ncxrnd normrnd pearsrnd poissrnd randg random randsample randtool raylrnd slicesample trnd unidrnd unifrnd wblrnd wishrnd Random numbers from beta distribution Random numbers from binomial distribution Random numbers from chi-square distribution Random numbers from copula Random numbers from extreme value distribution Random numbers from exponential distribution Random numbers from F distribution Random numbers from gamma distribution Random numbers from geometric distribution Random numbers from generalized extreme value distribution Random numbers from generalized Pareto distribution Random numbers from hypergeometric distribution Random numbers from inverse Wishart distribution Random numbers from Johnson system of distributions Generate latin hypercube sample Generate latin hypercube sample with normal distribution Random numbers from lognormal distribution Markov chain Metropolis-Hastings sampler Random numbers from multinomial distribution Random numbers from multivariate normal distribution Random numbers from multivariate t distribution Random numbers from negative binomial distribution Random numbers from noncentral F distribution Random numbers from noncentral t distribution Random numbers from noncentral chi-square distribution Random numbers from normal distribution Random numbers from Pearson system of distributions Random numbers from Poisson distribution Gamma distributed random numbers and arrays (unit scale) Random numbers from specified distribution Random sample, with or without replacement Interactive random number generation Random numbers from Rayleigh distribution Markov chain slice sampler Random numbers from Student's t distribution Random numbers from discrete uniform distribution Random numbers from continuous uniform distribution Random numbers from Weibull distribution Random numbers from Wishart distribution >> hist(randn(,)) 3 >> hist(trnd(,,))

5 4. X ~ N ( µ =, σ = 4) dağılımında P(9 < X < ) olasılığı x P(9 < X < ) = e dx 9 π. olmak üzere analitik olarak integral alınamamaktadır. Standart normal dağılım tablosundan faydalanmak için Z X µ σ = dönüşümü yapılırsa, 9 P(9 < X < ) = P < Z < = P(.5< Z<.5) = FZ (.5) FZ (.5) = =.383 elde edilir. Matlab da P(9 < X < ) = normcdf(,,)-normcdf(9,,) =.389 olarak bulunur. Bu olasılık, [9,] aralığında x-ekseninin üzerinde ve olasılık yoğunluk fonksiyonun grafiğinin altında kalan alandır Yapılan araştırmalar sonucunda, Ankara doğumlu 8 aylık çocukların ağırlıklarının N µ = 3.5( kg), σ =.5 dağılımına sahip olduğu bilinmektedir. ( ) a) Rasgele seçilen bir çocuğun ağırlığının 8 kg dan fazla olması olasılığı nedir? b) Rasgele seçilen bir çocuğun ağırlığının kg dan az olması olasılığı nedir? c) Ağırlıkları kg ile 5 kg arasında olan çocukların oranı nedir? d) Rasgele seçilen çocuktan en az 8 tanesinin [,7] aralığında olması olasılığı nedir? çocuktan kaç tanesinin [,7] aralığına düşmesi beklenir? e) Çoçuklardan %5 nin ağırlığı hangi değerin altındadır? f) Çoçuklardan %75 nin ağırlığı hangi değerin altındadır? g) En hafif %5 lik çocuklar için ağırlıklar hangi değerin altındadır. h) En ağır %5 lik çocuklar için ağırlıklar hangi değerin üzerindedir? ı) Rasgele seçilen tane çocuktan aşağıdaki aralıklara düşenlerin beklenen sayıları nedir? (9 kg dan az), (9,], (,], (,], (,3], (3,4], (4,5], (5,6], (6,7], (7,8], (8 kg dan çok) a) X : rasgele seçilen bir çocuğun ağırlığı olsun. X ~ N ( µ = 3.5, σ =.5) dağılımlıdır P( X > 8) = P Z > = P( Z > 3) = P( Z 3) =.9987 =.3.5 b) 3.5 P( X < ) = P Z < = P( Z < ) = c) P( < X < 5) = normcdf(5,3.5,.5)-normcdf(,3.5,.5)=.686 %68

6 d) Rasgele seçilen bir çocuğun kg ile 7 kg arasında olması olasılığı, p= P( < X < 7) = normcdf(7,3.5,.5)-normcdf(,3.5,.5)=.9837 %98 dır. Y rasgele değişkeni rasgele seçilen çocuk arasında ağırlıkları [,7] aralığında olanların sayısı olsun. Y b( n=, p=.9837) dağılımına sahiptir. Buna göre, x x P( Y 8) = p q = x= 8 x sum(binopdf([8 9 ],,.9837)) =.9998 dır. E( Y ) = np=.9837=9.837 olmak üzere, rasgele seçilen çocuktan [,7] aralığına düşenlerin sayısının beklenen değeri dir. P( X< x ) =.5 olmak üzere, e).5 x.5 F X (.5) = = norminv(.5,3.5,.5) =.488 dır. f) x.75 = F X (.75) = norminv(.75,3.5,.5) = 4.5 g) x.5 = F X (.5) = norminv(.5,3.5,.5) =.33 h) x.95 = F (.95) = norminv(.95,3.5,.5) = X ı) P( X < 9) = normcdf(9,3.5,.5)=.3 P(9 < X < ) = normcdf(,3.5,.5)-normcdf(9,3.5,.5) =.85 P( < X < ) = normcdf(,3.5,.5)-normcdf(,3.5,.5) =.38 P( < X < ) = normcdf(,3.5,.5)-normcdf(,3.5,.5) =.9 P( < X < 3) = normcdf(3,3.5,.5)-normcdf(,3.5,.5) =.8 P(3 < X < 4) = normcdf(4,3.5,.5)-normcdf(3,3.5,.5) =.6 P(4 < X < 5) = normcdf(5,3.5,.5)-normcdf(4,3.5,.5) =.8 P(5 < X < 6) = normcdf(6,3.5,.5)-normcdf(5,3.5,.5) =.9 P(6 < X < 7) = normcdf(7,3.5,.5)-normcdf(6,3.5,.5) =.38 P(7 < X < 8) = normcdf(8,3.5,.5)-normcdf(7,3.5,.5) =.85 P( X > 8) = P( X 8) = -nomcdf(8,3.5,.5)=-.9987= olmak üzere, çocuktan bu arlıklara düşenlerin beklenen sayıları, dır. P( X < 9) =.3 P(9 < X < ) = 8.5 P( < X < ) = 38 P( < X < ) =.9 P( < X < 3) =.8 P(3 < X < 4) = 6. P(4 < X < 5) =.8 P(5 < X < 6) =.9 P(6 < X < 7) = 38 P(7 < X < 8) = 8.5 P( X > 8) =.3

7 Ankara da yaşayan 8 aylık çocukların ağırlıklarının dağılımını ortaya çıkarmak için yapılan araştırmada: 8 aylık çocukların kitlesi nasıl belirlendi? Bu kitleden bir örnek (örneğin tane çocuk) nasıl seçildi? Verileri toplama zaman olarak ne kadar sürdü? Toplanan tane sayı nasıl analiz edildi? Ağırlığın normal dağılıma sahip olduğu kararı nasıl verildi? Bir yıl sürmüş olması gereken böyle bir çalışmada elde edilen bulgular sonraki yıllarda 8 aylık çocuklar için geçerliliğini koruyacak mıdır? Erkek ve kız çocukları için aynı dağılım söz konusu olabilir mi? gibi sorular ve başka birçok sorun ortaya çıkacaktır. Bunların çözüm yollarını önümüzdeki yıllarda öğreneceksiniz. 6. Belli bir tür pil için dayanma süresinin N( µ = 35( saat), σ = 6) dağılımına sahip olduğu bilinmektedir. a) Rasgele seçilen bir pilin dayanma süresinin 45 saatten çok olması olasılığı nedir? X : bir pilin saat olarak dayanma süresi olsun. X N ( µ = 35, σ = 6) olmak üzere, P( X 45) = P( X < 45) = -normcdf(45,35,4)=.697 b) Dağılımın çeyreklikleri nedir? x.5 F X (.5) = = norminv(.5,35,4) = 3.3 x = F = µ =.5 X (.5) 35 x.75 F X (.75) = = norminv(.75,35,4) = Rasgele seçilen tane pilden 5 tanesinin 3.3 saatten az, 5 tanesinin 3.3 ile 35 saat arasında, 5 tanesinin 35 ile saat arasında ve 5 tanesinin saatten çok dayanması beklenir. c) Rasgele seçilen tane pilden en az 6 tanesinin 35 saatin üstünde dayanması olasılığı nedir? Bir pilin 35 saatin üstünde dayanması olasılığı ½ dir. Y rasgele değişkeni seçilen pilden 35 saat üzerinde dayananların sayısı olsun. Y b( n=, p= ) dağılımına sahiptir. Buna göre, P( Y 6) = = x x x x x= 6 x= 6 45 = = = sum(binopdf([ ],,/))= dır.

8 7. Bir normal dağılımda dağılımın % si 5 in solunda ve %4 ı nin sağında ise dağılımın ortalaması ve varyansı nedir? 5 µ P Z, 5 µ 5 µ z. norminv(.,,) P( X 5), < = = = < = σ σ σ P( X > ) =, 4 µ µ µ P Z < =,6 = z.6 = norminv(.6,,) σ σ σ 5 µ = σ µ -.846σ = 5 µ = µ = µ µ σ = =.5335 σ = σ =.85 σ 8. N (,) standart normal dağılımın olasılık yoğunluk fonksiyonu ve dağılım fonksiyonu grafikleri aşağıdaki gibidir Dağılım fonksiyonunun grafiğinin bulunduğu koordinat sisteminin y-ekseninin [,] aralığında U (,) düzgün dağılımdan tane sayı üretip, bunları dağılım fonksiyonun tersi ile x-eksenine dönüştürürsek N (,) dağılımından sayı üretmiş oluruz (ĐST-Ders7-Örnek5). >> hist(norminv(rand(,)),6) Matlab da randn(,) fonksiyonu ile doğrudan (,) N dağılımından tane sayı üretilebilir.

9 9. Nµ ( =, σ = 5) standart normal dağılımın olasılık yoğunluk fonksiyonu ve dağılım fonksiyonu grafikleri aşağıdaki gibidir Dağılım fonksiyonunun grafiğinin bulunduğu koordinat sisteminin y-ekseninin [,] aralığında U (,) düzgün dağılımdan tane sayı üretip, bunları dağılım fonksiyonun tersi ile x-eksenine dönüştürürsek N (,) dağılımından sayı üretmiş oluruz (ĐST-Ders7-Örnek5). >> hist(norminv(rand(,))*5+) Matlab da randn(,)*5+ fonksiyonu ile doğrudan dağılımından tane sayı üretilebilir. Nµ = σ = (, 5)

10

11

12

13

14

15

16

17

18

19

20

21

SÜREKLİ OLASILIK DAĞILIŞLARI

SÜREKLİ OLASILIK DAĞILIŞLARI SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla

Detaylı

IE 303T Sistem Benzetimi

IE 303T Sistem Benzetimi IE 303T Sistem Benzetimi 1 L E C T U R E 5 : O L A S I L I K T E K R A R 2 Review of the Last Lecture Random Variables Beklenen Değer ve Varyans Moment Kesikli Dağılımlar Bernoulli Dağılımı Binom Dağılımı

Detaylı

rasgele değişkeninin olasılık yoğunluk fonksiyonu,

rasgele değişkeninin olasılık yoğunluk fonksiyonu, 3.6. Bazı Sürekli Dağılımlar 3.6.1 Normal Dağılım Normal dağılım hem uygulamalı hem de teorik istatistikte kullanılan oldukça önemli bir dağılımdır. Normal dağılımın istatistikte önemli bir yerinin olmasının

Detaylı

19.11.2013 EME 3105 SİSTEM SİMÜLASYONU. Sürekli Dağılımlar (2) Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar.

19.11.2013 EME 3105 SİSTEM SİMÜLASYONU. Sürekli Dağılımlar (2) Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar. 9..03 EME 305 SİSTEM SİMÜLASYONU Simulasyonda İstatistiksel Modeller-II Ders 5 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar Sürekli Düzgün (Uniform) Dağılım Normal Dağılım Üstel (Exponential)

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık Ders 5: Rastgele Değişkenlerin Dağılımları II Prof. Dr. İrfan KAYMAZ Sık Kullanılan Dağılımlar Frekans tablolarına dayalı histogram ve frekans poligonları, verilerin dağılımı hakkında

Detaylı

ĐST 474 Bayesci Đstatistik

ĐST 474 Bayesci Đstatistik ĐST 474 Bayesci Đstatistik Ders Sorumlusu: Dr. Haydar Demirhan haydarde@hacettepe.edu.tr Đnternet Sitesi: http://yunus.hacettepe.edu.tr/~haydarde Đçerik: Olasılık kuramının temel kavramları Bazı özel olasılık

Detaylı

KESİKLİ ŞANS DEĞİŞKENLERİNİN OLASILIK DAĞILIMLARI. Bernoulli Dağılımı Binom Dağılımı Poisson Dağılımı

KESİKLİ ŞANS DEĞİŞKENLERİNİN OLASILIK DAĞILIMLARI. Bernoulli Dağılımı Binom Dağılımı Poisson Dağılımı KESİKLİ ŞANS DEĞİŞKENLERİNİN OLASILIK DAĞILIMLARI Bernoulli Dağılımı Binom Dağılımı Poisson Dağılımı 1 Bernoulli Dağılımı Bir şans değişkeninin bernoulli dağılımı göstermesi için ilgilenilen süreçte bernoulli

Detaylı

SÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım

SÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım SÜREKLİ ŞANS DEĞİŞKENLERİ Üstel Dağılım Normal Dağılım 1 Üstel Dağılım Meydana gelen iki olay arasındaki geçen süre veya bir başka ifadeyle ilgilenilen olayın ilk defa ortaya çıkması için geçen sürenin

Detaylı

Simülasyonda İstatiksel Modeller. Banks, Carson, Nelson & Nicol Discrete-Event System Simulation

Simülasyonda İstatiksel Modeller. Banks, Carson, Nelson & Nicol Discrete-Event System Simulation Simülasyonda İstatiksel Modeller Banks, Carson, Nelson & Nicol Discrete-Event System Simulation Amaç Model-geliştirici dünyaya deterministik değil olasıksal olarak bakar. İstatiksel modeller değişimleri

Detaylı

Kesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları

Kesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları Kesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları 1 Şans Değişkeni: Bir dağılışı olan ve bu dağılışın yapısına uygun frekansta oluşum gösteren değişkendir.

Detaylı

KESİKLİ DÜZGÜN DAĞILIM

KESİKLİ DÜZGÜN DAĞILIM KESİKLİ DÜZGÜN DAĞILIM Eğer X kesikli rassal değişkeninin alabileceği değerler (,,..., ) eşit olasılığa sahip ise, kesikli düzgün dağılım söz konusudur. p(x) =, X=,,..., şeklinde gösterilir. Bir kutuda

Detaylı

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007 RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 007 1 Tekdüze Dağılım Bir X rasgele değişkenin, a ve b arasında tekdüze dağılımlı olabilmesi için olasılık yoğunluk

Detaylı

Markov Zinciri Monte Carlo Yaklaşımı. Aktüeryal Uygulamaları

Markov Zinciri Monte Carlo Yaklaşımı. Aktüeryal Uygulamaları Markov Zinciri Monte Carlo Yaklaşımı ve Aktüeryal Uygulamaları ŞİRZAT ÇETİNKAYA Aktüer Sistem Araştırma Geliştirme Bölümü AKTÜERLER DERNEĞİ 2.0.20080 2008 - İSTANBUL Sunum Planı. Giriş 2. Bayesci Metodun

Detaylı

1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN. Ders No:5 Rassal Değişken Üretimi

1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN. Ders No:5 Rassal Değişken Üretimi 1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN Ders No:5 RASSAL DEĞIŞKEN ÜRETIMI Bu bölümde oldukça yaygın bir biçimde kullanılan sürekli ve kesikli dağılımlardan örneklem alma prosedürleri

Detaylı

Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ

Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM X 1,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun.

Detaylı

Sürekli Rastsal Değişkenler

Sürekli 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

Detaylı

BMÜ-421 BENZETIM VE MODELLEME STOKASTİK ÜRETEÇLER. İlhan AYDIN

BMÜ-421 BENZETIM VE MODELLEME STOKASTİK ÜRETEÇLER. İlhan AYDIN BMÜ-421 BENZETIM VE MODELLEME STOKASTİK ÜRETEÇLER İlhan AYDIN RASGELE SAYI ÜRETEÇLERİ BMÜ-421 Benzetim ve Modelleme 2 Deterministik terimler ile doğayı tanımlamak geleneksel bir yoldur. Doğa ve mühendislik

Detaylı

SÜREKLİ RASSAL DEĞİŞKENLER

SÜREKLİ RASSAL DEĞİŞKENLER SÜREKLİ RASSAL DEĞİŞKENLER Sürekli Rassal Değişkenler Sürekli Rassal Değişken: Değerleriölçümyadatartımla elde edilen, bir başka anlatımla sayımla elde edilemeyen, değişkene sürekli rassal değişken denir.

Detaylı

IE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R

IE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R IE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R Geçen Ders Envanter yonetımı: Gazetecı problemı Rastsal Rakamlar Üret Talebi hesapla Geliri hesapla Toplam maliyeti hesapla Günlük ve aylık

Detaylı

4) Seyrek rastlanılan bir hastalık için belli bir zaman araalığında bu hastalığa yakalananların sayısının gözlenmesi,

4) Seyrek rastlanılan bir hastalık için belli bir zaman araalığında bu hastalığa yakalananların sayısının gözlenmesi, POĐSSON DAĞILIMI Poisson Dağılımı sürekli oramlarda (zaman, alan, hacim, ) kesikli sonuçlar veren ve aşağıda a),b),c) şıklarında belirilen özelliklere sahip deneylerin modellenmesinde kullanılan bir dağılım

Detaylı

İSTATİSTİK DERS NOTLARI

İSTATİSTİK DERS NOTLARI Balıkesir Üniversitesi İnşaat Mühendisliği Bölümü umutokkan@balikesir.edu.tr İSTATİSTİK DERS NOTLARI Yrd. Doç. Dr. Umut OKKAN Hidrolik Anabilim Dalı Balıkesir Üniversitesi Balıkesir Üniversitesi İnşaat

Detaylı

Dr. Mehmet AKSARAYLI

Dr. Mehmet AKSARAYLI Dr. Mehmet AKSARAYLI Şans Değişkeni: Bir dağılışı olan ve bu dağılışın yapısına uygun frekansta oluşum gösteren değişkendir. Şans Değişkenleri KESİKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI Kesikli

Detaylı

Rassal Değişken Üretimi

Rassal Değişken Üretimi Rassal Değişken Üretimi Doç. Dr. Mehmet AKSARAYLI GİRİŞ Yaşadığımız ya da karşılaştığımız olayların sonuçları farlılık göstermektedir. Sonuçları farklılık gösteren bu olaylar, tesadüfü olaylar olarak adlandırılır.

Detaylı

Simülasyonda İstatiksel Modeller

Simülasyonda İstatiksel Modeller Simülasyonda İstatiksel Modeller Amaç Model-geliştirici dünyaya deterministik değil olasıksal olarak bakar. İstatiksel modeller değişimleri iyi tanımlayabilir. İlgilenilen olayın örneklenmesi ile uygun

Detaylı

Istatistik ( IKT 253) 3. Çal şma Sorular - Cevaplar 5. CHAPTER (DISCRETE PROBABIL- ITY DISTRIBUTIONS - SÜREKS IZ OLASI- LIK DA ¼GILIMLARI)

Istatistik ( IKT 253) 3. Çal şma Sorular - Cevaplar 5. CHAPTER (DISCRETE PROBABIL- ITY DISTRIBUTIONS - SÜREKS IZ OLASI- LIK DA ¼GILIMLARI) TOBB-ETÜ, Iktisat Bölümü Istatistik ( IKT 253) 3. Çal şma Sorular - Cevaplar 5. CHAPTER (DISCRETE PROBABIL- ITY DISTRIBUTIONS - SÜREKS IZ OLASI- LIK DA ¼GILIMLARI) 1 Soru 1 : Bir ma¼gazaya gelen herhangi

Detaylı

SİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN

SİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN SİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN SİMÜLASYON ÇEŞİTLERİ Günümüz simülasyonları gerçek sistem davranışlarını, zamanın bir fonksiyonu olduğu düşüncesine dayanan Monte Carlo yöntemine dayanır. 1.

Detaylı

Ders 4: Rastgele Değişkenler ve Dağılımları

Ders 4: Rastgele Değişkenler ve Dağılımları Ders 4: Rastgele Değişkenler ve Dağılımları Rastgele değişken kavramı Kesikli ve sürekli rastgele değişkenler İki boyutlu rastgele değişkenler Beklenen değer Varyans Örnek uzaydaki her elemanı bir sayıyla

Detaylı

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5 Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık Örnekleme Planlar ve Dağılımları Prof. Dr. İrfan KAYMAZ Tanım İncelenen olayın ait olduğu anakütlenin bütünüyle dikkate alınması zaman, para, ekipman ve bunun gibi nedenlerden dolayı

Detaylı

LOGİSTİC DAĞILIM VE RANDOM SAYI ÜRETİMİ

LOGİSTİC DAĞILIM VE RANDOM SAYI ÜRETİMİ C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 3, Sayı, 9 LOGİSTİC DAĞILIM VE RANDOM SAYI ÜRETİMİ Yalçın KARAGÖZ Cumhuriyet Üniversitesi, İ.İ.B.F. İşletme Bölümü Özet Bu çalışmada logistic dağılım hakkında

Detaylı

İçindekiler. Ön Söz... xiii

İçindekiler. Ön Söz... xiii İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1

Detaylı

RİSK ANALİZİ VE AKTÜERYAL MODELLEME

RİSK ANALİZİ VE AKTÜERYAL MODELLEME SORU 1: Bir hasar sıklığı dağılımının rassal değişken olan ortalaması (0,8) aralığında tekdüze dağılmaktadır. Hasar sıklığı dağılımının Poisson karma dağılıma uyduğu bilindiğine göre 1 ya da daha fazla

Detaylı

ANADOLU ÜNİVERSİTESİ ÖRNEK: GEOMETRİK DAĞILIM

ANADOLU ÜNİVERSİTESİ ÖRNEK: GEOMETRİK DAĞILIM ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ KESİKLİ DAĞILIMLAR-2 DOÇ. DR. NİHAL ERGİNEL 2015 GEOMETRİK DAĞILIM Bir Bernoulli deneyi ilk olumlu sonuç elde edilmesine kadar tekrarlansın. X: ilk olumlu sonucun

Detaylı

3/6/2013. Ders 6: Kesikli Olasılık Dağılımları

3/6/2013. Ders 6: Kesikli Olasılık Dağılımları Ders 6: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı

Detaylı

Exponential Distribution. diger. Probability Distributions. Sürekli Şans Değişkenleri. 0 diger. SÜREKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI

Exponential Distribution. diger. Probability Distributions. Sürekli Şans Değişkenleri. 0 diger. SÜREKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI Probability Distributions Probability Distributions SÜREKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI Dr. Mehmet AKSARAYLI Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Ekonometri Bölümü

Detaylı

SÜREKLİ( CONTINUOUS) OLASILIK

SÜREKLİ( CONTINUOUS) OLASILIK SÜREKLİ( CONTINUOUS) OLASILIK DAĞILIMLARI Sürekli bir random değişken (a,b) aralığındaki her değeri alabiliyorsa bu değişkene ait olasılık dağılım fonksiyonunun grafiğinde eğri altında kalan alan bize

Detaylı

AST416 Astronomide Sayısal Çözümleme - II. 6. Monte Carlo

AST416 Astronomide Sayısal Çözümleme - II. 6. Monte Carlo AST416 Astronomide Sayısal Çözümleme - II 6. Monte Carlo Bu derste neler öğreneceksiniz? Monte Carlo Yöntemleri Markov Zinciri (Markov Chain) Rastgele Yürüyüş (Random Walk) Markov Chain Monte Carlo, MCMC

Detaylı

SÜREKLĠ OLASILIK DAĞILIMLARI

SÜREKLĠ 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

Detaylı

Tesadüfi Değişken. w ( )

Tesadüfi Değişken. w ( ) 1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere

Detaylı

IE 303T Sistem Benzetimi L E C T U R E 6 : R A S S A L R A K A M Ü R E T I M I

IE 303T Sistem Benzetimi L E C T U R E 6 : R A S S A L R A K A M Ü R E T I M I IE 303T Sistem Benzetimi L E C T U R E 6 : R A S S A L R A K A M Ü R E T I M I Geçen Ders Sürekli Dağılımlar Uniform dağılımlar Üssel dağılım ve hafızasızlık özelliği (memoryless property) Gamma Dağılımı

Detaylı

Girdi Analizi. 0 Veri toplama 0 Girdi sürecini temsil eden olasılık dağılımı belirleme. 0 Histogram 0 Q-Q grafikleri

Girdi Analizi. 0 Veri toplama 0 Girdi sürecini temsil eden olasılık dağılımı belirleme. 0 Histogram 0 Q-Q grafikleri Girdi Analizi 0 Gerçek hayattaki benzetim modeli uygulamalarında, girdi verisinin hangi dağılımdan geldiğini belirlemek oldukça zor ve zaman harcayıcıdır. 0 Yanlış girdi analizi, elde edilen sonuçların

Detaylı

MAT 208 İSTATİSTİK ve OLASILIK II ALIŞTIRMALAR-1

MAT 208 İSTATİSTİK ve OLASILIK II ALIŞTIRMALAR-1 MAT 208 İSTATİSTİK ve OLASILIK II ALIŞTIRMALAR-1 şeklinde tanımlanan dağılımın a) Ortalama ve varyans değerlerini bulunuz b) Moment yaratma fonksiyonunu bularak a-şıkkını tekrar çözünüz. Bir tezgahta üretilen

Detaylı

Parametrik Olmayan İstatistik. Prof. Dr. Cenk ÖZLER

Parametrik Olmayan İstatistik. Prof. Dr. Cenk ÖZLER Parametrik Olmayan İstatistik Prof. Dr. Cenk ÖZLER Not: Beklenen Frekansı 5 in altında olan gruplar varsa, bu gruplar bir önceki veya bir sonraki grupla birleştirilir. Hipotezler χ 2 Dağılışa Uyum Testi

Detaylı

Olasılık ve İstatistik Hatırlatma

Olasılık ve İstatistik Hatırlatma Olasılık ve İstatistik Hatırlatma BSM 445 Kuyruk Teorisi Güz 014 Yrd. Doç. Dr. Ferhat Dikbıyık Bir olayın olasılığı bize ne anlatır? Verilen bir olasılığın manası nedir? Örnek: Tavlada düşeş atma olasılığı

Detaylı

Matematik Ders Notları. Doç. Dr. Murat Donduran

Matematik Ders Notları. Doç. Dr. Murat Donduran Matematik Ders Notları Doç. Dr. Murat Donduran Mart 18, 28 2 İçindekiler 1 Tanımlı Integral Uygulamaları 5 1.1 Olasılık.............................. 5 3 4 İÇINDEKILER Bölüm 1 Tanımlı Integral Uygulamaları

Detaylı

8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek,

8.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

Detaylı

Rastgele Değişkenlerin Dağılımları. Mühendislikte İstatistik Yöntemler

Rastgele Değişkenlerin Dağılımları. Mühendislikte İstatistik Yöntemler Rastgele Değişkenlerin Dağılımları Mühendislikte İstatistik Yöntemler Ayrık Rastgele Değişkenler ve Olasılık Dağılımları Yapılan çalışmalarda elde edilen verilerin dağılışı ve dağılış fonksiyonu her seferinde

Detaylı

Bölüm 2 VERİLERİN DERLENMESİ VE SUNUMU

Bölüm 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

Detaylı

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

AST416 Astronomide Sayısal Çözümleme - II. 2. Temel İstatistik Kavramlar ve Dağılımlar

AST416 Astronomide Sayısal Çözümleme - II. 2. Temel İstatistik Kavramlar ve Dağılımlar AST416 Astronomide Sayısal Çözümleme - II 2. Temel İstatistik Kavramlar ve Dağılımlar Bu derste neler öğreneceksiniz? Sıklık Dağılımı ve Olasılık Dağılımı Olasılık ve Kümüatif Dağılım Fonksiyonları Dağılım

Detaylı

WEIBULL DAĞILIMI WEIBULL DAĞILIMI ANADOLU ÜNİVERSİTESİ

WEIBULL DAĞILIMI WEIBULL DAĞILIMI ANADOLU ÜNİVERSİTESİ ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ SÜREKLİ DAĞILIMLAR-2 DOÇ. DR. NİHAL ERGİNEL 2015 WEIBULL DAĞILIMI Weibull dağılımı, pek çok farklı sistemlerin bozulana kadar geçen süreleri ile ilgilenir. Dağılımın

Detaylı

Bölüm 2. Frekans Dağılışları VERİLERİN DERLENMESİ VE SUNUMU. Frekans Tanımı. Verilerin Derlenmesi ve Sunulması

Bölüm 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

Detaylı

Yapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( )

Yapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( ) İKİ DEĞİŞKENLİ OLASILIK Rassal bir deneme yapılmakta ve farklı iki olay ile ilgilenilmektedir. A 1, A 2,,A i olayları bağdaşmaz ve bütünü kapsayıcıdır. B 1, B 2,,B j olayları bağdaşmaz ve bütünü kapsayıcıdır.

Detaylı

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi

Detaylı

ANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER

ANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER DOÇ. DR. NİHAL ERGİNEL 2015 X beklenen değeri B[X] ile gösterilir. B[X] = BEKLENEN DEĞER Belli bir malzeme taşınan kolilerin ağırlıkları

Detaylı

Appendix B: Olasılık ve Dağılım Teorisi

Appendix B: Olasılık ve Dağılım Teorisi Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi

Detaylı

Başarı olasılığı olan bir Bernoulli denemesinin aynı şartlar altında (bağımsız olarak) n kez tekrarlanması ile oluşan deneye binom deneyi denir.

Başarı olasılığı olan bir Bernoulli denemesinin aynı şartlar altında (bağımsız olarak) n kez tekrarlanması ile oluşan deneye binom deneyi denir. 3.5. Bazı Kesikli Dağılımlar 3.5.1. Bernoulli Dağılımı Bir deneyde başarı ve başarısızlık diye nitelendirilen iki sonuçla ilgilenildiğinde bu deneye (iki sonuçlu) Bernoulli deneyi ya da Bernoulli denemesi

Detaylı

Kitle: Belirli bir özelliğe sahip bireylerin veya birimlerin tümünün oluşturduğu topluluğa kitle denir.

Kitle: 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

Detaylı

İstanbul Aydın Üniversitesi İ.İ.B.F Öğretim Üyesi Sigorta Matematiği. İstanbul, 2013

İstanbul Aydın Üniversitesi İ.İ.B.F Öğretim Üyesi Sigorta Matematiği. İstanbul, 2013 i Yrd. Doç. Dr. Çiğdem ÖZARI İstanbul Aydın Üniversitesi İ.İ.B.F Öğretim Üyesi cigdemozari@aydin.edu.tr MSc. Elif ÇAKMAKOĞLU elifcakmakoglu@gmail.com Sigorta Matematiği İstanbul, 2013 ii Yayın No : 2953

Detaylı

İstatistik Dersi Çalışma Soruları Arasınav(Matematik Müh. Bölümü-2014)

İstatistik 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

Detaylı

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI SORU- 1 : ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI X ve Y birbirinden bağımsız iki rasgele değişken olmak üzere, sırasıyla aşağıdaki moment çıkaran fonksiyonlarına sahiptir: 2 2 M () t = e,

Detaylı

DERS 8 BELİRSİZ TALEP DURUMUNDA STOK KONTROL. Zamanlama Kararları. Bir Seferlik Karar

DERS 8 BELİRSİZ TALEP DURUMUNDA STOK KONTROL. Zamanlama Kararları. Bir Seferlik Karar Zamanlama Kararları DERS 8 BELİRSİZ TALEP DURUMUNDA STOK KONTROL Miktar kararları Ne zaman sipariş verilecek? kararıyla birlikte verilir. Bu karar, stok yönetimindeki ana kararlardan biridir. Ne zaman

Detaylı

RİSK ANALİZİ VE AKTÜERYAL MODELLEME MAYIS 2015

RİSK ANALİZİ VE AKTÜERYAL MODELLEME MAYIS 2015 RİSK ANALİZİ VE AKTÜERYAL MODELLEME MAYIS 2015 SORU 2: Motosiklet sigortası pazarlamak isteyen bir şirket, motosiklet kaza istatistiklerine bakarak, poliçe başına yılda ortalama 0,095 kaza olacağını tahmin

Detaylı

EME 3105 SİSTEM SİMÜLASYONU. Girdi Analizi Prosedürü. Dağılıma Uyum Testleri. Dağılıma Uyumun Kontrol Edilmesi. Girdi Analizi-II Ders 9

EME 3105 SİSTEM SİMÜLASYONU. Girdi Analizi Prosedürü. Dağılıma Uyum Testleri. Dağılıma Uyumun Kontrol Edilmesi. Girdi Analizi-II Ders 9 EME 3105 1 Girdi Analizi Prosedürü SİSTEM SİMÜLASYONU Modellenecek sistemi (prosesi) dokümante et Veri toplamak için bir plan geliştir Veri topla Verilerin grafiksel ve istatistiksel analizini yap Girdi

Detaylı

Rastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble.

Rastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble. 1 Rastgele Süreçler Olasılık taması Rastgele Deney Çıktı Örnek Uzay, S (s) Zamanın Fonksiy onu (t, s) Olayları Tanımla Rastgele süreç konsepti (Ensemble) deney (t,s 1 ) 1 t Örnek Fonksiyonlar (t,s ) t

Detaylı

SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ

SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ Sıra İstatistikleri ve Uygulama Alanlarından Bir Örneğin Değerlendirmesi 89 SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ Esin Cumhur PİRİNÇCİLER Araş. Gör. Dr., Çanakkale Onsekiz

Detaylı

MONTE CARLO BENZETİMİ

MONTE CARLO BENZETİMİ MONTE CARLO BENZETİMİ U(0,1) rassal değişkenler kullanılarak (zamanın önemli bir rolü olmadığı) stokastik ya da deterministik problemlerin çözümünde kullanılan bir tekniktir. Monte Carlo simülasyonu, genellikle

Detaylı

İÇİNDEKİLER ÖNSÖZ... Örneklem Genişliğinin Elde edilmesi... 1

İÇİNDEKİLER ÖNSÖZ... Örneklem Genişliğinin Elde edilmesi... 1 İÇİNDEKİLER ÖNSÖZ... v 1. BÖLÜM Örneklem Genişliğinin Elde edilmesi... 1 1.1. Kitle ve Parametre... 1 1.2. Örneklem ve Tahmin Edici... 2 1.3. Basit Rastgele Örnekleme... 3 1.4. Tabakalı Rastgele Örnekleme...

Detaylı

Finansal Ekonometri. Ders 2 Olasılık Teorisi ve Rasgele Değişkenler

Finansal 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

Detaylı

Ersin Pak (ersin.pak@kocallianz.com.tr) Melda Şuayipoğlu (melda.suayipoglu@kocallianz.com.tr) Nalan Öney (nalan.kadioglu@kocallianz.com.

Ersin Pak (ersin.pak@kocallianz.com.tr) Melda Şuayipoğlu (melda.suayipoglu@kocallianz.com.tr) Nalan Öney (nalan.kadioglu@kocallianz.com. Sağlık Sigortalarında İflas Olasılığını Etkileyen Parametrelerin Simülasyon Modeli ile Analizi Ersin Pak (ersin.pak@kocallianz.com.tr) Melda Şuayipoğlu (melda.suayipoglu@kocallianz.com.tr) Nalan Öney (nalan.kadioglu@kocallianz.com.tr)

Detaylı

Değer Frekans

Değer Frekans Veri Rasgelelik içeren olgulardan elde edilen ölçüm (gözlem) değerlerine istatistiksel veri veya kısaca veri (data) diyelim. Verilerin deneyler sonucu veya doğal şartlarda olguları gözlemekle elde edildiğini

Detaylı

2016 YILI I.DÖNEM AKTÜERLİK SINAVLARI: SİGORTA MATEMATİĞİ. Soru 1

2016 YILI I.DÖNEM AKTÜERLİK SINAVLARI: SİGORTA MATEMATİĞİ. Soru 1 Soru Günde 8 saat çalışan bir bankanın müşterilerinin sayısı ile ilgili olarak şu bilgi verilmektedir: Müşteri sayısı, bankanın açıldığı an 9 müşteri ile başlayıp, her saat başı 9 oranı ile doğrusal artarak

Detaylı

BÖLÜM 9 NORMAL DAĞILIM

BÖLÜM 9 NORMAL DAĞILIM 1 BÖLÜM 9 NORMAL DAĞILIM Normal dağılım; 'normal dağılım eğrisi (normaly distribution curve)' ile kavramlaştırılan hipotetik bir evren dağılımıdır. 'Gauss dağılımı' ya da 'Gauss eğrisi' olarak da bilinen

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz...

1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz... 1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz... CABİR VURAL BAHAR 2006 Açıklamalar

Detaylı

χ =1,61< χ χ =2,23< χ χ =42,9> χ χ =59,4> χ

χ =1,61< χ χ =2,23< χ χ =42,9> χ χ =59,4> χ SORU : Ortalaması, varyansı olan bir raslantı değişkeninin, k ile k arasında değer alması olasılığının en az 0,96 olmasını sağlayacak en küçük k değeri aşağıdakilerden hangisidir? A),5 B) C) 3,75 D) 5

Detaylı

Normallik Varsayımı ve Ençok Olabilirlik Yöntemi

Normallik Varsayımı ve Ençok Olabilirlik Yöntemi Normallik Varsayımı ve Ençok Olabilirlik Yöntemi EO Açıklayıcı Örnekler Ekonometri 1 Konu 14 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike

Detaylı

Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder.

Merkezi 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,

Detaylı

DERS 8 BELIRSIZ TALEP DURUMUNDA STOK KONTROL. Zamanlama Kararları. Bir Seferlik Karar

DERS 8 BELIRSIZ TALEP DURUMUNDA STOK KONTROL. Zamanlama Kararları. Bir Seferlik Karar DERS 8 BELIRSIZ TALEP DURUMUNDA STOK KONTROL Zamanlama Kararları Miktar kararları Ne zaman sipariş verilecek? kararıyla birlikte verilir. Bu karar, stok yönetimindeki ana kararlardan biridir. Ne zaman

Detaylı

RASSAL SAYI ÜRETİLMESİ

RASSAL SAYI ÜRETİLMESİ Dr. Mehmet AKSARAYLI Ekonometri Böl. Simülasyon Ders Notları Rassal Sayı Üretilmesi RASSAL SAYI ÜRETİLMESİ Simülasyon analizinde kullanılacak az sayıda rassal sayı üretimi için ilkel yöntemler kullanılabilir.

Detaylı

İstatistik ve Olasılık

İstatistik 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

Detaylı

İÇİNDEKİLER ÖN SÖZ...

İÇİNDEKİLER 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

Detaylı

BMÜ-421 BENZETIM VE MODELLEME STOKASTİK ÜRETEÇLER. İlhan AYDIN

BMÜ-421 BENZETIM VE MODELLEME STOKASTİK ÜRETEÇLER. İlhan AYDIN BMÜ-421 BENZETIM VE MODELLEME STOKASTİK ÜRETEÇLER İlhan AYDIN RASGELE SAYI ÜRETEÇLERİ BMÜ-421 Benzetim ve Modelleme 2 Deterministik terimler ile doğayı tanımlamak geleneksel bir yoldur. Doğa ve mühendislik

Detaylı

2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK

2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK Soru 1 X rassal değişkeninin olasılık yoğunluk fonksiyonu x x, x> f ( x) = 0, dy. 1 werilmiş ve Y = rassal değişkeni tanımlamış ise, Y değişkenin 0< 1 X 1 y için olasılık yoğunluk fonksiyonu aşağıdaki

Detaylı

Notasyonlar ve Genel Kurallar

Notasyonlar ve Genel Kurallar Notasyonlar ve Genel Kurallar BSM 445 Kuyruk Teorisi Güz 2014 Yrd. Doç. Dr. Ferhat Dikbıyık Bir kuyruğun temel bileşenleri 1. Varış Prosesi 6. Servis disiplinleri 2. Servis zamanı dağılımı 4. Bekleme yerleri

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

Temelleri. Doç.Dr.Ali Argun Karacabey

Temelleri. Doç.Dr.Ali Argun Karacabey Doğrusal Programlamanın Temelleri Doç.Dr.Ali Argun Karacabey Doğrusal Programlama Nedir? Bir Doğrusal Programlama Modeli doğrusal kısıtlar altında bir doğrusal ğ fonksiyonun değerini ğ maksimize yada minimize

Detaylı

Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır.

Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. Kümülatif Dağılım Fonksiyonları Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. F X (x) = P (X x) = x f X(x ) dx Sürekli

Detaylı

İstatistiksel Yorumlama

İstatistiksel Yorumlama İstatistiksel Yorumlama Amaç, popülasyon hakkında yorumlamalar yapmaktadır. Populasyon Parametre Karar Vermek Örnek İstatistik Tahmin 1 Tahmin Olaylar hakkında tahminlerde bulunmak ve karar vermek zorundayız

Detaylı

GAZİ ÜNİVERSİTESİ, İ.İ.B.F, İSTATİSTİK VE OLASILIĞA GİRİŞ I, UYGULAMA SORULARI. Prof. Dr. Nezir KÖSE

GAZİ ÜNİVERSİTESİ, İ.İ.B.F, İSTATİSTİK VE OLASILIĞA GİRİŞ I, UYGULAMA SORULARI. Prof. Dr. Nezir KÖSE GAZİ ÜNİVERSİTESİ, İ.İ.B.F, İSTATİSTİK VE OLASILIĞA GİRİŞ I, UYGULAMA SORULARI Prof. Dr. Nezir KÖSE 30.12.2013 S-1) Ankara ilinde satın alınan televizyonların %40 ı A-firması tarafından üretilmektedir.

Detaylı

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ DAĞILIM FONKSİYONLARI KONVOLÜSYONLARININ MONTE CARLO TAHMİNİ VE BAZI UYGULAMALARI

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ DAĞILIM FONKSİYONLARI KONVOLÜSYONLARININ MONTE CARLO TAHMİNİ VE BAZI UYGULAMALARI ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ DAĞILIM FONKSİYONLARI KONVOLÜSYONLARININ MONTE CARLO TAHMİNİ VE BAZI UYGULAMALARI Ömer ALTINDAĞ İSTATİSTİK ANABİLİM DALI ANKARA 212 Her hakkı

Detaylı

Rasgele Sayıların Özellikleri

Rasgele Sayıların Özellikleri Rasgele Sayı Üretme Rasgele Sayıların Özellikleri İki önemli istaiksel özelliği var : Düzgünlük (Uniformity) Bağımsızlık R i, rasgele sayısı olasılık yoğunluk fonksiyonu aşağıdaki gibi olan uniform bir

Detaylı

ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI. Örnek Olay 1 (Sayfa 61) Ders 3 Minitab da Grafiksel Analiz-III Örnek Olaylar. Örnek Olay 1 (Sayfa 61)

ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI. Örnek Olay 1 (Sayfa 61) Ders 3 Minitab da Grafiksel Analiz-III Örnek Olaylar. Örnek Olay 1 (Sayfa 61) ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI Ders 3 Minitab da Grafiksel Analiz-III Örnek Olaylar Örnek Olay 1 (Sayfa 61) Bir zeytinyağı üretim işletmesi şişe etiketleme süreci boyunca açığa çıkan hata

Detaylı

Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir,

Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir, 14. Binom ve Poisson olasılık dağılımları Faktöriyeller ve kombinasyonlar Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, n! denir ve n! = 1.2.3...(n-2).(n-l).n biçiminde gösterilir.

Detaylı

BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ

BÖLÜM 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

Detaylı

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6

Detaylı

Bekleme Hattı Teorisi

Bekleme Hattı Teorisi Bekleme Hattı Teorisi Sürekli Parametreli Markov Zincirleri Tanım 1. * +, durum uzayı * +olan sürekli parametreli bir süreç olsun. Aşağıdaki özellik geçerli olduğunda bu sürece sürekli parametreli Markov

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı