Saklı Markov Modeli Kullanılarak İstanbul daki Üniversite Öğrencilerinin GSM Operatör Tercihlerini Etkileyen Faktörlerin Analizi
|
|
- Şebnem Yazıcı
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Çukurova Ünverses Mühendslk Mmarlık Faküles ergs, 33(4), ss , Aralık 2018 Çukurova Unversy Journal of he Faculy of Engneerng and Archecure, 33(4), pp , ecember 2018 Saklı Markov Model Kullanılarak İsanbul dak Ünverse Öğrenclernn GSM Operaör erchlern Ekleyen Fakörlern Analz Osman AYAZ 1, Selçuk ALP *1 1 Yıldız eknk Ünverses, Makne Faküles, Endüsr Mühendslğ Bölümü, İsanbul Gelş arh: Kabul arh: Öz Markov Zncr model pazarlama, eğm, fnans ve mala gb brçok alanda kullanılmakadır. Saklı Markov modeller se Markov zncrler bazı özellkler eklenerek oluşurulmuşur. Bu çalışmada, İsanbul da eğm gören ünverse öğrenclernn GSM operaör erchlern ekleyen fakörler le lgl br uygulama yapılmışır. Saklı Markov Model le öğrenclern kullandıkları GSM operaörlern ve bu operaörler erch eme nedenler ahmn edlmşr. ahmnler sonucunda, erch edlecek GSM operaörler sırasıyla urkcell %37,10, ürk elekom %31,78 ve Vodafone %31,12 olarak bulunmuşur. Elde edlen bulgulara göre bu GSM operaörlernn erch sebepler urkcell çn kapsama gücü, ürk elekom ve Vodafone çn se fya uygunluğu olduğu belrlenmşr. Anahar Kelmeler: Markov zncrler, Saklı markov modeller, Marka erchler Analyss of GSM Operaor Preference of Unversy Sudens n İsanbul By Usng Hdden Markov Model Absrac Markov Chan uses n many areas such as markeng, educaon, fnance and manufacurng. Hdden Markov models were creaed by addng some feaures o Markov chans. In hs sudy, an applcaon was made abou he facors affecng he GSM operaor preferences of unversy sudens sudyng n Isanbul. Usng he Markov Model, why sudens prefer for he GSM operaors and reason of hese choosng of operaors were predced. As a resul of he predcon, GSM operaors o be preferred were 37.10%, ürk elekom 31.78% and Vodafone 31.12% respecvely. Accordng o he obaned evdence, he reasons behnd choosng hese brands are deermned as nework coverage for urkcell and prce elgbly for ürk elekom and Vodafone. Keywords: Markov chan, Hdden markov models, Brand preference * Sorumlu yazar (Correspondng auhor): Selçuk ALP, alp@yldz.edu.r Ç.Ü. Müh. Mm. Fak. ergs, 33(4), Aralık
2 Saklı Markov Model Kullanılarak İsanbul dak Ünverse Öğrenclernn GSM Operaör erchlern Ekleyen Fakörlern Analz 1. GİRİŞ Günümüzde cep elefonu ve GSM (Global Sysem for Mobl Communcaon) sekörler sürekl gelşme göseren sekörler arasında yer almakadır. Bu sekörlern ülkemzdek durumları ncelendğnde, halen nsanların büyük br kısmının cep elefonunu akf br şeklde kullandığı görülmekedr. Bu durumda GSM operaörlernn yen cep elefonu sahb olacak kşler abone yapmaya dönük kampanyaların yanı sıra daha büyük br poansyele sahp olan ve hâlhazırda cep elefonu kullanan faka dğer GSM operaörlern erch emş bulunan aboneler kend abones yapmaya yönelk kampanyalar üremeye çalışmakadırlar. GSM operaörler uyguladıkları bu kampanyalarla hem abone sayısını arırmaya hem de abonelernn dğer operaörlere geçmelern engellemeye çalışmakadırlar. Ülke nüfusumuzun büyük br kısmını gençler oluşurduğu ve aynı zamanda bu genç kesmn eknolojdek gelşmeler de daha yakından akp eğ çn ünverse öğrencler, GSM operaörler çn öneml br pazar payını abone kaynağını oluşurmakadır. Bu çalışmada ünverse öğrenclernn GSM operaör erch sıraları ve erchlernn alında yaan nedenlern Saklı Markov Model le belrlenmes amaçlanmışır. 2. MAERYAL VE MEO 2.1. Markov Sürec ve Markov Zncr Markov sürec, şu anda meydana gelen br olayın gelecekek durumu hakkında olasılıklı blgler ednmey sağlayan br yönemdr. Markov analznde öncek durumlardan bağımsız olarak, yalnızca mevcu duruma bağlı olan sürecn, nasıl gelşeceğn çeren olasılıkları bulunduran br özellğ bulunmakadır [1]. Süreçlern çoğu uygulamada bu anıma uymaka ve dolayısıyla da bu süreçlere Markov analz olasılık model uygulanablmekedr [2]. Markov sürec uygulamalarında, opmal br sonuca ulaşmak yerne karar vermeye yardımcı olablecek olasılıklı blgler sağlama amacı güdülür [3]. z kümesndek n sayıda zaman nokasının herhang br n kümes çn, X nn X, X,..., 1 X 2 nn verlen değerlerne göre koşullu n dağılımı yalnızca X n n değerne (X n br öncek 1 zamandak değer) bağlı se X sürecne Markov Sürec denr. Söz konusu bu durum, maemaksel olarak PX ( X 1 1,..., 1 1) ( 1 1) n n X X X X n n PX X n n X X n n şeklnde fade edlmekedr [4,5]. Br Markov sürecnde, sürecn durumunun belrlenmes koşuluyla sürecn bell olan bu durumdan sonrak ve öncek durumlarının brbrnden bağımsız olması özellğne Markov özellğ denr [6,7]. Br Markov sürec, kapsadığı olası durumlar kümesnn sonlu olması, durumların başlangıç olasılıklarının blnmes, durumlar arası durağan geçş olasılıklarının varlığı ve Markov özellğn aşıması durumunda Markov Zncr adını almakadır [2,8]. Markov süreçlernn, brçok farklı alanda uygulamalarına raslamak mümkündür. Markov süreçler, byoloj, fzk, meeoroloj, ürem, asronom, kmya ve benzer fen blmlern yanında, ekonom, fnans, eğm, pazarlama, hukuk, sağlık hzmeler ve şleme gb sosyal blmlern özel konularında da uygulama olanağı bulmuşur Saklı Markov Model Markov zncr modellernde ssemn, br durumdan dğer duruma geçş söz konusudur. Ssemn bulunableceğ bu durumlar ve durumlar arası geçşler açık br şeklde gözlemleneblr durumda se Markov zncr söz konusudur. Saklı Markov Modelnde se durumlar dışarıdan doğrudan gözlemlenemez, yalnızca her br durumdan meydana gelen gözlem çıkıları gözlemleneblr. Gözlem çıkılarının br araya gelmes le gözlem dzs meydana gelmekedr. Saklı Markov Modelnde gözlem dzsnn alında yaan durum dzsnn blnmemes, söz konusu 204 Ç.Ü. Müh. Mm. Fak. ergs, 33(4), Aralık 2018
3 Osman AYAZ, Selçuk ALP modellern Saklı olarak fade edlmesne neden olmakadır. Ayrıca Saklı Markov Modelnde ssemde meydana gelen gözlemlerden her br zamandan bağımsızdır ve mevcu durumun her br olaya lşkn olasılığı, dağılım değerne bağlı olarak oraya çıkmakadır [9]. Saklı Markov Modelnn gözlemleneblr Markov sürecnden farkı, ssemn herhang br anında hang durumda olduğunun blnememes, ancak ssem herhang br durumda ken bu durumun ekledğ gözlemn oraya konulablmesdr [10,11]. Saklı Markov Model le lgl olarak 1940 lı yıllardan baren eork olarak çalışılmaya başlanmış faka model uygulama alanında yaygınlaşamamışır. Model, 1960 ve 1970 l yıllarda Baum ve Pere [12], Baum ve Eagon [13], Baum ve arkadaşları [14] ve Baum [15] arafından gelşrlmşr. Son yıllarda özellkle blgsayar ssemlernn öneml düzeyde gelşmes sonucunda uygulama alanları oldukça yaygınlaşmışır. Saklı Markov Model, brbrnden farklı brçok alanda kullanılmışır (Çzelge 1). Çzelge 1. Saklı markov model kullanılarak gerçekleşrlen bazı çalışmalar Konu Çalışmalar Byoloj eprem ehlkes Ekomon Hava urumu İnsan avranışları anıma Müşer İlşkler Yönem Guolang ve Xa [16], Krogh ve arkadaşları [17], Yn ve Wang [18], Felsensen ve Churchll [19], Krogh ve arkadaşları [20] Can ve arkadaşları [21] Büyükalı [3], Can ve Öz [9], Emam ve Aaghae [22], Öz [23] Yaman [24], Lamber ve arkadaşları [25] Rabner [5], Haberdar [10], Argunşah ve Çen [26], unca [27], Clla ve arkadaşları [28], Hanlç ve Eraş [29], Uslu [30] Emam ve Aaghae [22], ezer ve arkadaşları [31], Can ve Öz [34] 2.3. Saklı Markov Model Varsayımları Maemaksel ve hesaplamaya dayalı şlemlerde kolaylık sağlaması açısından Saklı Markov Model eorsnde Markov, durağanlık ve çıkı bağımsızlık varsayımlarını kullanılmakadır. 1) Markov Varsayımı: Saklı Markov Modelnde geçş olasılıkları Eşlk 1 le gb anımlanır. a P q S q 1 S j j (1) Burada gelecek durumun yalnızca şmdk duruma bağlı olduğu varsayılmakadır. Bu durumda model brnc derece Saklı Markov Model olmakadır. Gelecek durum geçmşek k. duruma dayanıyorsa, bu durumda model, k. derece Saklı Markov Model olarak fade edlr. k. derece Saklı Markov Modeller çn geçş olasılıkları Eşlk 2 le anımlanır [5]. a , 1 1,..., 2 k j P q Sj q S q S q k a S k (2) (1,,...,, j ) 1 2 k Yüksek derecel Saklı Markov Model oldukça karmaşık br yapıya sahp olduğu çn uygulamalarda brnc derece Saklı Markov Model yaygın br şeklde kullanılmakadır. 2) urağanlık Varsayımı: urağanlık varsayımında geçş olasılıklarının geçerl durumdan bağımsız oldukları kabul edlmekedr. Bu varsayım Eşlk 3 le anımlanır. P q Sj q S P q Sj q S 2 ve 1 2 3) Çıkı Bağımsızlık Varsayımı: (3) Çıkı bağımsızlık varsayımı se var olan, geçerl gözlemn (çıkının) öncek gözlemlerden saksel olarak bağımsız olması gerekğn belrmekedr. Çıkı bağımsızlık varsayımı, O O1, O2,..., O3 olarak Ç.Ü. Müh. Mm. Fak. ergs, 33(4), Aralık
4 Saklı Markov Model Kullanılarak İsanbul dak Ünverse Öğrenclernn GSM Operaör erchlern Ekleyen Fakörlern Analz fade edlen gözlem sers ele alınarak formüle edleblr. Saklı Markov Model çn çıkı bağımsızlık varsayımına göre Eşlk 4 le anımlanır.,,...,,, (4) PO q q q Po q Bu varsayımın geçerllğ, dğer k varsayıma göre çok sınırlıdır. Bazı durumlarda bu varsayım yeernce uygun olmayablr. Böylece Saklı Markov Modellernn kuvvel ve zayıf yönler oraya çıkmakadır [32] Saklı Markov Modelnn Özellkler ), ssem çndek durumların sayısını fade emekedr. urumlar saklı olsalar da, genellkle durumlar kümesne s { s1, s2,..., s } lşkn bazı belrgn fzksel anlamlar bulunmakadır. Genel olarak, durumlar kend çlernde, herhang br durumdan dğer durumlara ulaşılablecek bçmde bağlanılıdır. ) M, her br duruma a ayrık gözlem sembollernn sayısını fade emekedr. Gözlemler sürekl se, M sonsuzdur. Gözlem semboller v { v1, v2,..., v M }, modellenen ssemn fzksel çıkısına karşılık gelmekedr. ) Herhang br durumdan dğer durumlara ek br adımda geçş olasılıkları sandar olasılık kurallarına Eşlk 5 ve Eşlk 6 uymalıdır. a 0 1,.., j 1,.., (5) j j j 1 a 1 1,.., (6) v) j durumundak gözlem sembolü olasılığı dağılımı B { bj ( k)} olarak göserlr ve Eşlk 7 dek gb anımlanmakadır. Ayrıca, bj( k ) çn aşağıdak verlen sokask kısılar sağlanmalıdır (Eşlk 8 ve 9). b ( k) 0 1,.., j 1,.., (8) j M j k 1 b ( k) 1 1,.., (9) v) Başlangıç durum dağılımı olarak göserlmeke ve Eşlk 10 dak gb anımlanmakadır. Pq1 S 1,.., (10), M, A, B ve nn uygun değerler çn (her br O gözlem V sembollernden br ve dzdek gözlemlern sayısı olmak üzere) Saklı Markov Model, O O1, O2,..., O3 gb br gözlem dzsn verecek br üreeç olarak kullanılablr [23, 32] Saklı Markov Modelnn Özellkler Üç emel Problem ve Çözüm Algormaları Uygulama alanlarında Saklı Markov Modeln kullanablmek çn leraürde Saklı Markov Modelnn Üç emel Problem olarak fade edlen üç problemn çözülmes gerekmekedr. Brbrne rakp k model arasından seçm yapılması senldğnde, 1. problemn çözümü gözlemlere en uygun olan model seçme olanağı verecekr. Opmal durum dzlernn bulunması ya da her br durumun oralama sasklernn elde edlmes gb şlemler çn 2. problemn çözümü kullanılır. 3. problem olan Öğrenme problem, model paramerelernn, gözlemlenen verlere opmal olarak uyarlanmasına ve bu sayede en y modeln yaraılmasına olanak anımaka olduğundan Saklı Markov Model le lgl br çok uygulama çn önem aşımakadır. b k P v a q S j k 1,.., j 1,.., (7) Saklı Markov Modelnn üç emel problem çn yaygın br şeklde kullanılan algormalar aşağıda verlmşr. 206 Ç.Ü. Müh. Mm. Fak. ergs, 33(4), Aralık 2018
5 Osman AYAZ, Selçuk ALP Brnc Problem: İler-Yön/Ger-Yön Algorması Brnc problemn çözümü çn İler-Yön (Forward) ve Ger-Yön (Backward) algormaları kullanılmakadır. Her k algorma le hesaplanan P(O ) olasılıkları aynı sonucu vermekedr [9]. İler-Yön Algorması gözlemlenen durumların verlen br modele göre başan sona doğru olan gerçekleşme olasılıklarını hesaplanmakadır. Ger- Yön algorması se model am ers yönde çalışarak aynı olasılıkları hesaplamakadır. İler-Yön algorması gözlemler, brbrnn peş sıra zncrleme br şeklde ele almakadır. zamanda gözlemler ele aldıkan sonra koşullu durumların dağılımını ekrarlı olarak hesaplar [3]. İler-Yön değşken ( ) POO O, q S bçmnde anımlanır ve anında S durumundak ssemn OO...O 1 2 kısm gözlem dzsnn olasılığı şeklnde fade edlr. İler-Yön algorması 3 adımdan oluşmakadır. Bu adımlar aşağıdak şeklde verleblr [9]. ) Başlangıç anında üm durumlar çn O1 gözlemnn meydana gelme olasılığı hesaplanarak algorma başlaılır Eşlk 11 ve 12). 1() P( O1, q1 S ) PO ( q S, ) Pq ( S ) (11) () b ( O ), 1, 1,..., (12) ) Herhang br zamanında üm durumlarından +1 zamanında j durumuna geçş ( ) 1 j değşken le hesaplanır (Eşlk 13). 1( ) j ( ) aj bj( O 1), 1 1,..., 1, j 1,..., (13) ) Son adımda senlen PO ( ) olasılığı İler- Yön değşkenlernn () POO ( O, q S ) oplamı olarak verlr (Eşlk 14). PO ( ) POq (, S ) ( ) (14) 1 1 Ger-Yön algorması değerlendrme problemnn çözümünde kullanılan knc br yoldur. Ger-Yön olasılık değşken () aşağıdak gb anımlanarak başlanmakadır (Eşlk 15). ( ) P O 1, O2,..., O s, 1,..., s S (15) ) Başlangıç anında üm ler çn () değerler 1 olarak kabul edlr (Eşlk 16). (16) ( ) 1,..., ) Yneleme (Eşlk 19): ajbj O 1 j1 () ( ) 1,..., 1, 2,...,1 (17) Br dz gözlem sırası göz önüne alındığında SM Modelnn gözlem sırasının en y açıklaması bulunmakadır. ğer br fade le PO ( ) yı maksmum kılan değernn bulunması ya da * arg max PO ( ) farklı olarak belrmek gerekrse, problem belrl br gözlem sırası çn en olası Saklı Markov Model paramerelern ahmn emekr [23, 33]. İknc problem: Verb Algorması Verb algorması, çözümleme problem olarak da anımlanmakadır. Bu algorma, gözlenen sembollern alında gerçekleşen opmum durum dzsn oraya çıkarmayı amaçlamakadır. Opmum olma anımı, durumların her br çn ek ek ya da br gözlem dzsnn amamı çn yapılablr. ek ek durumlar üzernden opmzasyon manık dışı sonuçlar doğurableceğ ve aynı zamanda karmaşık olduğu çn erch edlmez [30]. Bazı uygulamalar çn ardışık gözlemler çersnde yer alan ardışık durumların ahmnn gerekllğ Ç.Ü. Müh. Mm. Fak. ergs, 33(4), Aralık
6 Saklı Markov Model Kullanılarak İsanbul dak Ünverse Öğrenclernn GSM Operaör erchlern Ekleyen Fakörlern Analz sapanmışır. Verb algorması, P* olasılığının maksmzasyonunu sağlayacak en y durum ardışıklığının bulunmasında kullanılır. Verb Algorması orjnalnde karmaşık çözümlemel kodların analz çn planlanmışır. Saklı Markov Modelnde verlen gözlem ardışıkları O { o1, o2,..., o } çn en olası durum * * * * ardışıklığını Q { q1, q2,..., q } bulmak çn kullanılmakadır. Öncek anımlamada da olduğu gb, fonksyon maksmum Z değernn y argümanına karşılık geldğn gösermekedr (Eşlk 18). arg max{ z } (18) y Verb algorması hem PQ ( 0) noka olasılığı hem de PQ ( 0) koşullu olasılığı eş zamanlı olarak maksmze emekedr [3]. Verb algormasının şlem adımları aşağıda verlmşr. ) Her br durumun başlangıç olasılık değer le brnc gözlemn olasılık değer çarpılır. Bu durumda maksmum argüman belrleyen () değşken sıfır değern alır (Eşlk 19 ve 20). ( ) b ( O ), 1,2,..., (19) 1 1 () 0, 1,2,..., (20) 1 ) Ayrı ayrı üm durumlar çn elde edlen () 1 değerler geçş olasılıkları le çarpılır. aha sonra bu çarpım değerler çndek maksmum değer le mevcu durumdak gözlem olasılığı çarpılır. Bu şlem sonucunda maksmum değere sahp olan durum, ( j) 1 değşkenne aanır (Eşlk 21). 1 1 ajbj O () max () ( ), 2,...,, j1,2,..., 1 aj 1 ( ) arg max ( ), 2,...,, j 1,2,..., (21) (22) ) İknc adımdak son gözlem çn hesaplanan () değerler çnden maksmum olanı P* a aanır. q se seçlmş olan maksmum () nn * hang durumdan geldğn belrlemekedr. Bu sonuç, son gözlem çn opmum durumu verr (Eşlk 23 ve 24). P q * * max ( ) (23) 1 arg max ( ) (24) 1 v) Son adımda, son gözlemden lk gözleme doğru ger yönde lerlenr. Her br ger yönlü adımda * * q 1( q 1) fades le br sonrak adımda elde edlmş olan opmum sonucun hang durumdan geldğ bulunur. Bu şlem =1 yan başlangıç anına kadar devam eder. Bu adım sonunda q * değşkennn aldığı durumlar dzs, opmum durum dzsn oluşurur (Eşlk 25) [9]. * * 1 1 q q, 1, 2,...,1 (25) Verb algormasında yer alan şlemler ler-yön algormasındak şlemlere benzemekedr. İk algorma arasında fark sadece oplam yerne maksmum değern alınmasıdır. Verb algorması le en yüksek olasılığı veren yol üzernden P(O λ) olasılığı elde edlr. Bu olasılık değer (P*) sınıflamada da kullanılablr [27]. Üçüncü Problem: Baum-Welch Algorması Baum-Welch algorması çn ler/ger yön algorması fades de kullanılmakadır. Bu algorma öncek blg çn seçlen lk değerler P,, paramerelernn kullanımında başlar. Sonra mevcu modeln kullanımı, bu alışırma se çn üm yollar P,, nn yen olasılık değerler kullanılmak sureyle göz önünde uulmalıdır. Mevcu modeldek paramerelerdek değşklkler devam eğ sürece şlem ekrar edlr. Baum-Welch algormasının şlem adımları aşağıda verlmşr. 208 Ç.Ü. Müh. Mm. Fak. ergs, 33(4), Aralık 2018
7 Osman AYAZ, Selçuk ALP ) =1 zamanında s durumu çn beklenlen sıklıkak lk durum dağıımının ahmn () 1 şeklnde hesaplanır. ) p j ve j( k) ahmnlernn lk anımlamaları bulunur. ) Mevcu model ( P,, ); p j ve j ( k) değerlernn oplamıdır. Güncellenmş modeln kullanımında yen erasyonlar ( P,, ) şeklnde kullanılır. Yen model le esk model brbrlerne yaklaşıncaya kadar bu şleme devam edlr. v) önceden anımlanmış başlangıç değer se, PO [ ] PO [ ] olduğunda, şlem durur [3]. 3. UYGULAMA 3.1. Araşırma Konusu Bu çalışmada, ünverse öğrenclernn GSM operaör erchler ve bu erchlern alında yaan nedenlern Saklı Markov Model le belrlenmes amaçlanmışır. Ver oplama yönem olarak anke yönem seçlmşr. Uygulamada Saklı Markov Modelnn üç emel problemnden lk ks kullanılmışır. Üçüncü emel model paramerelernn yenden yapılandırılmasının üzerne kuruludur. Model paramerelernn yenden yapılandırılması çalışma kapsamı çnde olmadığı çn uygulamaya dâhl edlmemşr. GSM operaör marka erchler ve erch nedenlernn belrlenmesne yönelk olarak çalışmanın hedefn İsanbul dak ünverse öğrencler oluşurmakadır. Çalışmanın verler anke yönem le bas esadüf örnekleme yönem kullanılarak elde edlmşr. Ankee yer alan soru ve cevapların hazırlanmasında ankelerden elde edlen cevaplar ve leraür aramasında elde edlen blglerden yararlanılmışır. Ankee dör ane kaegor sorusu bulunmakadır. Brnc soru, şu anda kullanılan GSM operaör markasının seçm, knc soru, kullanılan bu markanın erch nedennn seçmdr. Üçüncü soru, br öncek kullanılan GSM operaör markasının seçm, dördüncü soru se br öncek kullanılan GSM operaör markasının erch nedennn seçmdr. ürkye de bulunan üm ünverse öğrenclerne anke ulaşırmanın zorluğundan dolayı çalışmanın ana klesn İsanbul dak ünverselerde okuyan öğrencler oluşurmuşur. İsanbul dak ünverselerde yılında eğm gören öğrenc sayısı YÖK verlerne göre 1.2 mlyon dur. Ana kle hacm 1.2 mlyon olduğundan çalışmanın %97 güven düzeynde olması çn örneklem hacmnn en az 1066 olması gerekmekedr. Elde edlen 2004 ade anken br bölümü (96 aded) eksk blg ya da çelşkl fadeler çermes nedenyle şlem dışı bırakılmışır. Gerye kalan 1908 ade ankele analzler gerçekleşrlmşr. Ünverse öğrenclernn GSM operaör erchlernn ve erch nedenlernn Saklı Markov Model le ahmn edleblmes çn Saklı Markov Modeln oluşuran paramerelern belrlenmes gerekr. Belrl br zamanda herhang br GSM operaör markasının erch edlmesnn alında yaan neden Saklı Markov Modelnn durum u olarak alınmışır. { q }. GSM operaör marka erch nedenler, ankelerde yer alan açık uçlu sorulara verlen cevaplar değerlendrlerek belrlenmşr. Bu sayede elde edlen erch nedenler leraürden elde edlen nedenler le karşılaşırılmış ve uygulama çn 7 emel erch neden belrlenmşr. GSM operaörü marka erch nedenler çn br öncek ve şu ank erch nedenler kullanılarak geçş olasılıkları mars kurulmuşur. Geçş olasılıkları mars saır ve süunları { 1, 2, 3, 4, 5, 6, 7} şeklnde (Çzelge 2) fade edlen br öncek kullanılan GSM operaör Ç.Ü. Müh. Mm. Fak. ergs, 33(4), Aralık
8 Saklı Markov Model Kullanılarak İsanbul dak Ünverse Öğrenclernn GSM Operaör erchlern Ekleyen Fakörlern Analz erch nedennden şu anda kullanılan GSM operaör erch nedenne geçş olasılıklarını (Çzelge 3) { A { a j }} çermekedr. Çzelge 2. SM model çn saklı durumlar Sembol Saklı urumlar Uygun fyalı arfeler (üm müşerlerne) umara aşıyanlara özel uygun fyalı arfeler Gençlere sunulan hzmeler (Gncrkcll, Freezone, Selfy) İnerne hızı Şebeke kapsama alanının genşlğ Marka majı Müşer hzmelernn kales Çzelge 3. Geçş olasılıkları mars aj ,29 0,16 0,10 0,08 0,21 0,08 0,08 2 0,18 0,45 0,05 0,09 0,09 0,09 0,05 3 0,26 0,16 0,05 0,11 0,21 0,16 0,05 4 0,29 0,18 0,24 0,18 0,12 0,00 0,00 5 0,26 0,10 0,13 0,00 0,39 0,06 0,06 6 0,42 0,13 0,16 0,00 0,03 0,23 0,03 7 0,18 0,09 0,36 0,09 0,09 0,00 0,18 Ankee yer alan br öncek durumda kullanılan GSM operaör marka (Çzelge 4) erch V k ve şu anda kullanılan GSM operaör marka erch Vk 1 sorularına verlen yanılar Saklı Markov Modelnn gözlemler olarak alınmışır. Çzelge 4. Markaları fade eden gözlemler Sembol Gözlemler V1 urkcell V2 ürk elekom V3 Vodafone GSM operaör erchler, erch nedenler le brleşrldğnde gözlem olasılıkları mars { B { bj ( k)}} oluşurulmakadır. Bu marse göre herhang br durumda ken GSM operaör markalarının erch olasılıkları verlmşr. (8) ve (9) fadeler le açıklanan gözlem olasılıkları mars anke cevaplarına göre hazırlanmışır. Başlangıç anında GSM operaör erch nedenlernn brbrlerne göre br öncelğ olmamasından dolayı başlangıç durum olasılıkları eş olarak alınmışır (Çzelge 5). Çzelge 5. Gözlem olasılıkları mars V1 V2 V3 1 0,0341 0,6383 0, ,0580 0,4646 0, ,2752 0,2111 0, ,7334 0,100 0, ,8276 0,0217 0, ,6788 0,1315 0, ,4736 0,1843 0,3421 Saklı Markov Modelnn brnc problem kullanılarak model çn kullanılan PO ( ) değerler, br öncek ve şu ank GSM operaör erchlernden sonrak erch edlecek markaya lşkn olasılıkları fade emekedr. Burada yer alan O değer GSM operaör markalarının her brn ayrı ayrı gösermek çn kullanılır. PO ( ) olasılığının hesaplanmasında (11), (13) ve (14) fadeler le verlen İler-Yön algorması kullanılmışır. Br öncek ve şu ank kullanılan GSM operaör erchlernden sonrak erchn olasılığı belrlendğnde bu erchn alında yaan nedenn ne olacağının bulunması Saklı Markov Modelnn İknc Problem kullanılarak hesaplanmışır. V1, V2, V3 gözlemler çn saklı durumların bulunması şlemler Verb algorması kullanılarak gerçekleşrlmşr Sonuç ve Önerler İler Yön ve Verb Algormalarıyla le elde edlen sonuçlar Çzelge 6 ve Çzelge 7 de yer almakadır. Çzelge 6. Marka erch olasılıkları Marka Gözlemler urkcell 37,10 ürk elekom 31,78 Vodafone 31, Ç.Ü. Müh. Mm. Fak. ergs, 33(4), Aralık 2018
9 Osman AYAZ, Selçuk ALP Çzelge 6 ya göre ahmnler sonucunda en yüksek olasılıkla erch edlecek GSM operaör markası urkcell (%37,10) bulunmuşur. urkcell n ardından ürk elekom (%31,78) ve Vodafone (%31,12) gelmşr. Çzelge 7. Marka erchler çn saklı durumlar Marka Saklı urum urkcell 5 ürk elekom 1 Vodafone 1 Çzelge 7 ye göre markaların erch sebeplernn urkcell çn şebeke kapsama alanının genşlğ, ürk elekom ve Vodafone markaları çn se uygun fyalı arfeler (üm müşerlerne) olduğu ahmn edlmşr. Bu durum GSM operaörler açısından değerlendrldğnde şebeke kapsama alanının genşlğ ve uygun fyalı arfeler (üm müşerlerne) geleceke oluşacak marka erchlernde en ekl nedenler olduğu belrlenmşr. Kullanılan verler İsanbul dak ünverse öğrenclerne yönelk olup 1908 ane anke cevaplandırılmışır. Çalışmanın anlam düzeynn yükselleblmes çn %97 yerne %99 erch edleblr. Anke sayısını arırarak ahmnlern daha güvenlr olması sağlanablr. Çalışma yalnızca ünverse öğrenclerne uygulanmak yerne GSM abonelernn ümüne yapılablr. Böyle br çalışmada ankee yer alablecek çeşl demografk özellklere (yaş, cnsye ve öğrenm durumları vb.) göre farklı sonuçlar elde edleblr. 4. KAYAKLAR 1. Rüzgar,.S., Br İşlemenn Ödemeler engesnn Markov Süreçler Yardımıyla Analz, EÜ SBE ergs, 5(1), Çöloğlu, M.İ., Br Maknanın Güvenlrlğnn ehlke Fonksyonu ve Markov Zncr le Analz, Yayınlanmamış Yüksek Lsans ez, Osmangaz Ünverses FBE, Eskşehr. 3. Büyükalı, F., Şrkelerdek Erken Uyarı Gösergeler le SM Model Üzerne Br Uygulama, Yayınlanmamış Yüksek Lsans ez, Akdenz Ünverses SBE, Analya. 4. Gürbüz, H., Köse,., Şüphel Alacak Zararlarının Büyüklernn Markov Zncr eors le Hesaplanması, Afyon Kocaepe Ünverses İİBF ergs, 4(2), Rabner, L.R., A uroral on Hdden Markov Models and Seleced Applcaons n Speech Recognon, Proceedng of he IEE, 77(2), Günay, F., İk Sıralı Markov Zncrler, Yayınlanmamış Yüksek Lsans ez, Fıra Ünverses FBE, Elazığ. 7. Pfefer, P.E., Carraway, R.L., Modellng Cusomer Relaonshps as Markov Chans, Jounal of Ineracve Markeng, 14(2), Ayemz,., Şengönül, A., Markov Zncrlernn Ekonomk Br Probleme Uygulanması: Perakende Alış verşlerde Breysel Olarak Kullanılan Maden para Sraejlernn Karşılaşırmalı Analz, EÜ Sosyal Blmler ergs, 6(4), Can,., Öz, E., SM Modeller Kullanılarak ürkye de olar Kurundak eğşmn ahmn Edlmes, İÜ İşleme Faküles ergs 38, Haberdar, H., SM Model Kullanılarak Görünüden Gerçek Zamanlı ürk İşare l anıma Ssem, Yayınlanmamış Yüksek Lsans ez, YÜ FBE, İsanbul. 11. Ghahraman, Z., A Inroducon o Hdden Markov Models and Bayesan eworks, A Inroducon o Hdden Markov Models and Bayesan eworks, Journal of Paern Recognon and Arfcal Inellgence, 15(1), Baum, L.E., Pere,., Sascal Inference for Probablsc Funcons of Fne Sae Markov Chans, he Annals of Mahemacal Sascs, 37(6), Baum, L.E., Eagon, J.A., An Inequaly wh Applcaons o Sascal Esmaon for Probablsc Funcons of a Markov Process and o a Model for Ecology, Bullen of he Amercan Mahemacal Socey, 73(3), Baum, L.E., Pere,., Solues, G., Wes,., A Maxmzaon echnque Occurrng n he Sascal Analyss of Probablsc Ç.Ü. Müh. Mm. Fak. ergs, 33(4), Aralık
10 Saklı Markov Model Kullanılarak İsanbul dak Ünverse Öğrenclernn GSM Operaör erchlern Ekleyen Fakörlern Analz Funcons of Markov Chans, he Annals of Mahemacal Sascs, 41(1), Baum, L.E., An Inequaly and Assocaed Maxmzaon echnque n Sascal Esmaon for Probablsc Funcons of Markov Processes. In: Oved Shsha, ed. Inequales III: Proceedngs of he hrd Symposum on Inequales. ew York: Academc Press, Guolang, F., Xa, X.G., Wavele-Based exure Analyss and Synhess Usng Hdden Markov Models, IEEE rans. Crc. Sys. I: Fundam. heory Appl. 50, Krogh, A., Larsson, B., von Hejne G., Sonnhammer, E.L.L., Predcng ransmembrane Proen opology wh a Hdden Markov Model: Applcaon o Complee Genomes, Journal of Molecular Bology 305(3), Yn, M.M., Wang, J..L., Effecve Hdden Markov Models for eecng Splcng Juncon Ses n A Sequences, Informaon Scences 139, Felsensen, J., Churchll, G.A., A Hdden Markov Model Approach o Varaon Among Ses n Rae of Evoluon, Molecular Bology and Evoluon 13(1), Krogh, A., Brown, M., Man K.S., Sjölander, K., Haussler,., Hdden Markov Models n Compuaonal Bology Applcaons o Proen Modelng, Journal of Molecular Bology, 235(5), Can, C., Ergün, G., Gökçeoğlu, C., Bleck Çevresnde eprem ehlkesnn SM Model le ahmn, ürkye eprem Mühendslğ ve Ssmoloj Konferansı, Eylül, Haay. 22. Emam, S., Asghae, A., Inroducng Busy Cusomer Porfolo Usng Hdden Markov Model, Iranan Journal of Managemen Sudes, 4(2), Öz, E., İMKB Üzerne SM Model le Br ahmnleme, Ekonomk Yaklaşım, 20(72), Yaman,., Modellng Precpaon aa of Ceran Regons for urkey va Hdden Markov Models, Yayınlanmamış Yüksek Lsans ez, MEU he School of aural and Appled Scences, Ankara. 25. Lamber, M.F., Whng J.P., Mecalfe, A. V., 2003, A on-paramerc Hdden Markov Model for Clmae Sae Idenfcaon, Hydrology and Earh Sysem Scences 7(5), Argunşah, A., Çen, M., Saklı Markov Modeller ve Boyu İndrgemeye ayalı Br Beyn-Blgsayar Arayüzü Algorması, IEEE 18. Snyal İşleme ve İleşm Uygulamaları Kurulayı, san, yarbakır. 27. unca, A., SM Modeller ve Sürekl Konuşma anıma eknğyle Rakam zs anıma, Yayınlanmamış Yüksek Lsans ez, Osmangaz Ünverses FBE, Eskşehr. 28. Clla, R., Parco, M.A., Garca, J., Berlanga, A., Molna, J.M., Recognzng Human Acves from Sensors Usng Hdden Markov Models Consruced by Feaure Selecon echnques, Algorhms 2, Hanlç, C., Eraş, F., Sürekl Saklı Markov Modeller le Menden Bağımsız Konuşmacı anıma Paramerelernn İncelenmes, Uludağ Ünverses Mühendslk- Mmarlık Faküles ergs, 12(1), Uslu, E., Gzl Markov Model le Genş Sözlüklü Sürekl Konuşma anıma, Yayınlanmamış Yüksek Lsans ez, YÜ FBE, İsanbul. 31. ezer, O., Lan, J.M., Srnvasan, V., A Hdden Markov Model of Cusomer Relaonshp ynamcs, Markeng Scence, 27(2), Semerc, Z., Saklı Markov Modellernde Üç emel Problemn İncelenmes, Yayınlanmamış Yüksek Lsans ez, Haceepe Ünverses FBE, Ankara. 33. Ibe, O.C., Markov Processes For Sochasıc Modelng, 2 nd Edon, Elsever Inc., Lowell, USA. 34. Can,., Öz, E., Marka erchlerne ve erch edenlerne Gzl Markov Modelnn Uygulanması, Eskşehr Osmangaz Ünverses Sosyal Blmler ergs, 10(2), Ç.Ü. Müh. Mm. Fak. ergs, 33(4), Aralık 2018
Saklı Markov modelleri kullanılarak Türkiye de dolar kurundaki değişimin tahmin edilmesi
İsanbul Ünverses İşleme Faküles Dergs Isanbul Unversy Journal of he School of Busness Admnsraon Cl/Vol:38, Sayı/o:, 2009, -23 ISS: 303-732 - www.fdergs.org 2009 Saklı Markov modeller kullanılarak ürkye
DetaylıDENEY TASARIMI VE ANALİZİ
DENEY TASARIMI VE ANALİZİ Bundan öncek bölümlerde bell br araşırma sonucu elde edlen verlere dayanılarak populasyonu anıma ve paramere ahmnlerne yönelk yönemlerden söz edld. Burada se sözü edlecek olan,
DetaylıDENEY TASARIMI VE ANALİZİ
1 DENEY TASARIMI VE ANALİZİ 1.1. Varyans Analz 1.. Tek Yönlü Varyans Analz Model 1.3. İk Yönlü Varyans Analz Model Prof Dr. Leven ŞENYAY XII-1 İsask II Bundan öncek bölümlerde bell br araşırma sonucu elde
Detaylıdir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır.
BÖLÜM 3 OLASILIK HESABI 3.. Br Olayın Olasılığı Tanım 3... Br olayın brbrnden ayrık ve ortaya çıkma şansı eşt n mümkün sonucundan m tanes br A olayına uygun se, A olayının P(A) le gösterlen olasılığı P(A)
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
DetaylıÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU
6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız
DetaylıCinsiyet Değişkeni Bağlamında Harcama Alt Grupları ve Gelir Đlişkisi: Dumlupınar Üniversitesi Öğrencileri Üzerine Bir Uygulama.
Cnsye Değşken Bağlamında Harcama Al Grupları ve Gelr Đlşks: Dumlupınar Ünverses Öğrencler Üzerne Br Uygulama Mahmu ZORTUK * Öze: Đksa blmnn en öneml konuları arasında yer alan gelr le ükem lşks her dönem
DetaylıSeralarda Isıtma Kapasitelerinin Hesaplanmasına Yönelik Bir Bilgisayar Programı
Seralarda Isıma Kapaselernn Hesaplanmasına Yönelk Br Blgsayar Programı Gürkan Alp Kağan GÜRDİL 1, Kemal Çağaay SELVİ 1, Hasan ÖNDER 2 1 Ondokuz Mayıs Ünverses, Zraa Faküles, Tarım Maknaları Bölümü, Samsun
DetaylıSıklık Tabloları ve Tek Değişkenli Grafikler
Sıklık Tabloları ve Tek Değşkenl Grafkler Sıklık Tablosu Ver dzsnde yer alan değerlern tekrarlama sayılarını çeren tabloya sıklık tablosu denr. Sıklık Tabloları tek değşken çn marjnal tablo olarak adlandırılır.
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeler http://ocm.mt.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında blg almak çn http://ocm.mt.edu/terms veya http://tuba.açık ders.org.tr adresn zyaret ednz. 18.102
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
DetaylıLineer Olmayan Yapı Sistemlerinin Analizi İçin Yay-Boyu Metodu
Fıra Ünv. Fen ve Müh. Bl. Dergs Scence and Eng. J of Fıra Unv. 9 (4), 55-530, 007 9 (4), 55-530, 007 Lneer Olmayan Yaı Ssemlernn Analz İçn Yay-Boyu Meodu Cengz OLA ve Yusuf CALAYIR Fıra Ünverses eknk Blmler
DetaylıYÜKSEK PLANLAMA KURULU
YÜKSEK PLANLAMA KURULU Tarh : 4/02/2008 Karar No : 2008/T-5 Konu : Enerj KİT lernn Uygulayacağı Malye Bazlı Fyalandırma Mekanzmasının Usul ve Esasları Yüksek Planlama Kurulu nca; Enerj ve Tab Kaynaklar
DetaylıSAKLI MARKOV MODEL KULLANILARAK GORUNTUDEN GERCEK ZAMANLI TURK ISARET DILI TANIMA SISTEMI
SAKLI MARKOV MODEL KULLANILARAK GORUNTUDEN GERCEK ZAMANLI TURK ISARET DILI TANIMA SISTEMI Hakan Haberdar A Thess n Compuer Engneerng Submed n Paral Fulfllmen of he Requremens for he Degree of Maser of
DetaylıProgramı : Elektronik Müh.
İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜZ RESİMLERİNDEN CİNSİYET TAYİNİ YÜKSEK LİSANS TEZİ Özlem ÖZBUDAK Anablm Dalı : Elekronk e Haberleşme Müh. Programı : Elekronk Müh. OCAK 009 İSTANBUL
DetaylıMamografide Şüpheli Kitle Adayı Bölgelerin Belirlenmesi
Mamografde Şüphel Kle Adayı Bölgelern Belrlenmes Burçn KURT a, Vasf V. NABİYEV b, Kemal TURHAN a a Byosas ve Tıp Blşm AD, Karadenz Ten Ünverses, Trabzon b Blgsayar Mühendslğ AD, Karadenz Ten Ünverses,
DetaylıBÖLÜM 9 İKİ BOYUTLU PANEL YÖNTEMLERİ
BÖLÜM 9 İKİ BOYUTLU PAEL YÖTEMLERİ 9.. Grş 9.2. Kompleks dülemde poansyel akım problemnn negral formülasyonu 9.3. Doğrusal paneller boyunca sab ekllk dağılımı hal 9.4. Kaynak dağılımını esas alan panel
DetaylıOLASILIĞA GİRİŞ. Biyoistatistik (Ders 7: Olasılık) OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI
OLASILIĞA GİRİŞ Yrd. Doç. Dr. Ünal ERKORKMAZ Sakarya Ünverstes Tıp Fakültes Byostatstk Anablm Dalı uerkorkmaz@sakarya.edu.tr OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI Br olayındoğal koşullar altında toplumda
DetaylıAvrupa Birliği ve Türkiye de Mali Saydamlığın Panel Veri Yöntemi ile Analizi
EGE AKADEMİK BAKIŞ / EGE ACADEMIC REVIEW Cl: Özel Sayı 0 ss. 59-73 Avrupa Brlğ ve Türkye de Mal Saydamlığın Panel Ver Yönem le Analz Fscal Transparency of he European Unon and Turkey wh Panel Daa Analyss
Detaylıkadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.
KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X
Detaylı1.GİRİŞ. Cinsiyet Değişkeni Bağlamında Harcama Alt Grupları ve Gelir İlişkisi: Dumlupınar Üniversitesi Öğrencileri Üzerine Bir Uygulama
1.GİRİŞ Cnsye Değşken Bağlamında Harcama Al Grupları ve Gelr İlşks: Dumlupınar Ünverses Öğrencler Üzerne Br Uygulama Mahmu ZORTUK * Öze: İksa blmnn en öneml konuları arasında yer alan gelr le ükem lşks
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
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
DetaylıHAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :
HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını
DetaylıMerkezi Eğilim (Yer) Ölçüleri
Merkez Eğlm (Yer) Ölçüler Ver setn tanımlamak üzere kullanılan ve genellkle tüm elemanları dkkate alarak ver setn özetlemek çn kullanılan ölçülerdr. Ver setndek tüm elemanları temsl edeblecek merkez noktasına
DetaylıSürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Sürekl Olasılık Dağılım Brkml- KümülatFonksyonu Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr Sürekl olasılık onksyonları X değşken - ;+ aralığında tanımlanmış br sürekl rassal değşken olsun. Aşağıdak
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
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.
DetaylıBİRİM YÜKLENME PROBLEMİNİN ÜÇ FARKLI YÖNTEM KULLANILARAK KARŞILAŞTIRMALI ÇÖZÜMLENMESİ
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Cl 24, o 3, 425-434, 2009 Vol 24, o 3, 425-434, 2009 BİRİM YÜKLEME ROBLEMİİ ÜÇ FARKLI YÖTEM KULLAILARAK KARŞILAŞTIRMALI ÇÖZÜMLEMESİ Mehme KURBA ve
DetaylıÖrneklemeli K-ortalama Algoritması Kmeans with Sampling
Örneklemel K-oralama Algorması Kmeans wh Samplng Mehme Fah Amasyalı Blgsayar Mühendslğ Bölümü Yıldız Teknk Ünverses mfah@ce.yldz.edu.r Öze K-oralama algorması, kümeleme prolemlernn çözümünde en çok kullanılan
DetaylıVeride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir?
MEH535 Örünü Tanıma 7. Kümeleme (Cluserng) Doç.Dr. M. Kemal GÜLLÜ Elekronk ve Haberleşme Mühendslğ Bölümü web: hp://akademkpersonel.kocael.edu.r/kemalg/ E-posa: kemalg@kocael.edu.r Verde eke blgs yok Denemsz
DetaylıENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI
V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN
DetaylıİMKB BİLEŞİK 100 ENDEKSİ GETİRİ VOLATİLİTESİNİN ANALİZİ ANALYSIS OF ISTANBUL STOCK EXCHANGE 100 INDEX S RETURN VOLATILITY ABSTRACT
İsanbul Tcare Ünverses Sosyal Blmler Dergs Yıl:7 Sayı:3 Bahar 008 s.339-350 İMKB BİLEŞİK 00 ENDEKSİ GETİRİ VOLATİLİTESİNİN ANALİZİ Ünal H. ÖZDEN ÖZET Fnansal serlerde, aşıdıkları özellkler nedenyle doğrusal
DetaylıPARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ
PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ 1 Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı, F Dağılışı, gb br dağılışa uygun olduğu durumlarda
DetaylıÇok Barajlı Sistemde Gerçek Zamanlı Optimal İşletme *
İMO Teknk Derg, 2011 5359-5385, Yazı 347 Çok Barajlı semde Gerçek Zamanlı Opmal İşleme * Mücah OPAN* ÖZ Bu çalışmada, çok amaçlı ve çok barajlı br su kaynakları ssem anımlanmışır. sem üzerne enerj ürem
DetaylıSummary. Orijinal araştırma (Original article)
Türk. enomol. derg., 2011, 35 (2): 325-338 ISSN 1010-6960 Orjnal araşırma (Orgnal arcle) Sıfır değer ağırlıklı genelleşrlmş Posson regresyonu yardımıyla Van Gölü nde Nooneca vrds Delcour, 1909 (Hempera:
DetaylıKoşullu Varyans Modelleri: İmkb Serileri Üzerine Bir Uygulama
Çukurova Ünverses İİBF Dergs Cl:15.Sayı:.Aralık 11 ss.1-18 Koşullu Varyans Modeller: İmkb Serler Üzerne Br Uygulama Condııonal Varıance Models: An Alıcaıon on Isanbul Sock Exchange Serıes H.Alan Çabuk
DetaylıX, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının
1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell
DetaylıTek Yönlü Varyans Analizi
Tek Yönlü Varyan Analz Nedr ve hang durumlarda kullanılır? den fazla grupların karşılaştırılmaı öz konuu e, çok ayıda t-tet nn kullanılmaı, Tp I hatanın artmaına yol açar; Örneğn, eğer 5 grubu kşerl olarak
DetaylıIII - ELEKTROMAGNETİK GENELLEŞTİRME
3 - EEKTROMAGNETİK GENEEŞTİRME.A ) AGRANGE ORMAİZMİ Dnamğn agrange medu le yenden frmüle edlmes, genelleşrlmş krdna ssemlernn kullanılmasına mkan anır. Yen krdnaların ye larak ble dk lmaları gerekmez.
DetaylıALGILANAN HİZMET KALİTESİ VE LOJİSTİK REGRESYON ANALİZİ İLE HİZMET TERCİHİNE ETKİSİNİN BELİRLENMESİ. Özet
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Yayın Gelş Tarh: 18.02.2011 Clt: 13, Sayı: 1, Yıl: 2011, Sayfa: 21-37 Yayına Kabul Tarh: 17.03.2011 ISSN: 1302-3284 ALGILANAN HİZMET KALİTESİ VE LOJİSTİK
DetaylıÇEV 314 Yağmursuyu ve Kanalizasyon. Nüfus Projeksiyonları
ÇEV 34 Yağmursuyu ve Kanalzasyon üfus Projesyonları Yrd. oç. r. Özgür ZEYA hp://cevre.beun.edu.r/zeydan/ üfus Projesyonları Tasarımı yapılaca olan alyapı projesnn (analzasyon, yağmursuyu analları vb.),
DetaylıSU KAYNAKLARININ SÜRDÜRÜLEBİLİR YÖNETİMİ İÇİN BİR MODEL A MODEL FOR THE SUSTAINABLE MANAGEMENT OF WATER RESOURCES
ANKARA - TURKIYE SU KAYNAKLARININ SÜRDÜRÜLEBİLİR YÖNETİMİ İÇİN BİR MODEL A MODEL FOR THE SUSTAINABLE MANAGEMENT OF WATER RESOURCES Arş. Gör. Dr. Onur Arslan* *Nğde Ün., Mühendslk Fak., İnşaa Mühendslğ
DetaylıNOT: Deney kılavuzunun Dönme Dinamiği Aygıtının Kullanımı İle İlgili Bilgiler Başlıklı Bölümü okuyunuz.
8. AÇISAL HIZ, AÇISAL İVME VE TORK Hazırlayan Arş. Grv. M. ERYÜREK NOT: Deney kılavuzunun Dönme Dnamğ Aygıının Kullanımı İle İlgl Blgler Başlıklı Bölümü okuyunuz. AMAÇ 1. Küle merkez boyunca geçen ab br
DetaylıDoğrusal Korelasyon ve Regresyon
Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan
Detaylıalphanumeric journal The Journal of Operations Research, Statistics, Econometrics and Management Information Systems
Avalable onlne a www.alphanumercjournal.com alphanumerc journal The Journal of Operaons Research, Sascs, Economercs and Managemen Informaon Sysems Receved: March 0, 017 Acceped: Aprl 19, 017 Publshed Onlne:
DetaylıPARABOLİK KISMİ DİFERANSİYEL DENKLEMLER İÇİN İKİ ZAMAN ADIMLI YAKLAŞIMLAR ÜZERİNE BİR ÇALIŞMA. Gamze YÜKSEL 1, Mustafa GÜLSU 1, *
Ercyes Ünverses Fen Blmler Ensüsü Dergs 5 - - 45 9 p://fbe.ercyes.ed.r/ ISS -54 PARABOLİK KISMİ DİFERASİYEL DEKLEMLER İÇİ İKİ ZAMA ADIMLI YAKLAŞIMLAR ÜZERİE BİR ÇALIŞMA Gamze YÜKSEL Msafa GÜLS * Mğla Ünverses
Detaylı5.3. Tekne Yüzeylerinin Matematiksel Temsili
5.3. Tekne Yüzeylernn atematksel Temsl atematksel yüzey temslnde lk öneml çalışmalar Coons (53) tarafından gerçekleştrlmştr. Ferguson yüzeylernn gelştrlmş hal olan Coons yüzeylernde tüm sınır eğrler çn
DetaylıDirect Decomposition of A Finitely-Generated Module Over a Principal Ideal Domain *
BİR ESAS İDEAL BÖLGESİ ÜZERİNDEKİ SONLU DOĞURULMUŞ BİR MODÜLÜN DİREK PARÇALANIŞI * Drec Decompoon of A Fnely-Generaed Module Over a Prncpal Ideal Doman * Zeynep YAPTI Fen Blmler Enüü Maemak Anablm Dalı
DetaylıBulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi
Harta Teknolojler Elektronk Dergs Clt: 5, No: 1, 2013 (61-67) Electronc Journal of Map Technologes Vol: 5, No: 1, 2013 (61-67) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn: 1309-3983 Makale
DetaylıPARÇALI DOĞRUSAL REGRESYON
HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal
DetaylıSistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir :
5 9. BÖLÜM YÜK AKIŞI (GÜÇ AKIŞI) 9.. Grş İletm sstemlernn analzlernde, bara sayısı arttıkça artan karmaşıklıkları yenmek çn sstemn matematksel modellenmesnde kolaylık getrc bazı yöntemler gelştrlmştr.
DetaylıDENEY 5: FREKANS MODÜLASYONU
DENEY 5: FREKANS MODÜLASYONU AMAÇ: Malab da rekans modülasyonunun uygulanması ve nelenmes. ÖN HAZIRLIK 1. TEMEL TANIMLAR Açı modülasyonu, az ve rekans modülasyonunu kasamakadır. Taşıyıının rekansı veya
DetaylıGM-220 MÜH. ÇALIŞ. İSTATİSTİKSEL. Frekans Dağılımı Oluşturma Adımları VERİLERİN SUNUMU. Verilerin Özetlenmesi ve Grafikle Gösterilmesi
VERİLERİN SUNUMU GM-0 MÜH. ÇALIŞ. İSTATİSTİKSEL YÖNTEMLER Br çalışadan elde edlen verler ha ver ntelğndedr. Ha verlerden blg ednek zor ve zaan alıcıdır. Ha verler çok karaşık durudadır. Verlern düzenlenes
DetaylıJournal of Engineering and Natural Sciences Mühendislik ve Fen Bilimleri Dergisi
Journal of Engneerng and Naural Scences Mühendslk ve Fen Blmler Dergs Sgma 29, 329-339, 2011 PhD Research Arcle / Dokora Çalışması Araşırma Makales A MULTI-STAGE SUPPLY CHAIN MODEL TO DETERMINE OPTIMAL
Detaylı3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları
3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları Basınç çubukları brden fazla profl kullanılarak, bu profller arasında plan düzlemnde bell br mesafe bulunacak şeklde düzenleneblr. Bu teşklde,
Detaylı6. NORMAL ALT GRUPLAR
6. ORMAL ALT GRUPLAR G br grup ve olsun. 5. Bölümden çn eştlğnn her zaman doğru olamayacağını blyoruz. Fakat bu özellğ sağlayan gruplar, grup teorsnde öneml rol oynamaktadır. Bu bölümde bu tür grupları
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
Detaylıbir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre
Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak
DetaylıDOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre
1 DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cnemre 2 BİRİNCİ BÖLÜM HEDEF PROGRAMLAMA 1.1 Grş Karar problemler amaç sayısına göre tek amaçlı ve çok amaçlı
DetaylıMakine Öğrenmesi 10. hafta
Makne Öğrenmes 0. hafta Lagrange Optmzasonu Destek Vektör Maknes (SVM) Karesel (Quadratc) Programlama Optmzason Blmsel term olarak dlmze geçmş olsa da bazen en leme termle karşılık bulur. Matematktek en
DetaylıELEKTRİK DEVRE TEMELLERİ
ELEKTRİK DEVRE TEMELLERİ Öğretm üyes: Doç. Dr. S. Özoğuz Tel: 85 36 9 e-posta: serdar@ehb.tu.edu.tr Ders saat: Pazartes,.-3. / D-4 İçndekler. Dere teors, toplu parametrel dereler, Krchhoff un gerlm e akım
DetaylıK-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi *
İMO Teknk Derg, 2012 6037-6050, Yazı 383 K-Ortalamalar Yöntem le Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelern Belrlenmes * Mahmut FIAT* Fath DİKBAŞ** Abdullah Cem KOÇ*** Mahmud GÜGÖ**** ÖZ
DetaylıTek Yönlü Varyans Analizi (ANOVA)
VARYANS ANALİZİ İ örne ortalaması arasında farın önem ontrolü, örne büyülüğüne göre z veya testlernden bryle yapılır. Bu testlerle, den fazla örne ortalamasını brlte test etme ve aralarında farın önem
DetaylıDeprem Tepkisinin Sayısal Metotlar ile Değerlendirilmesi (Newmark-Beta Metodu) Deprem Mühendisliğine Giriş Dersi Doç. Dr.
Deprem Tepksnn Sayısal Metotlar le Değerlendrlmes (Newmark-Beta Metodu) Sunum Anahat Grş Sayısal Metotlar Motvasyon Tahrk Fonksyonunun Parçalı Lneer Interpolasyonu (Pecewse Lnear Interpolaton of Exctaton
DetaylıDENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI
A. DNYİN AMACI : Bast ser ve bast paralel drenç devrelern analz edp kavramak. Voltaj ve akım bölücü kurallarını kavramak. Krchoff kanunlarını deneysel olarak uygulamak. B. KULLANILACAK AAÇ V MALZML : 1.
DetaylıAKIŞKAN ÇAMUR TABAKASIYLA YÜZEY DALGALARININ ETKİLEŞİMİNİN SAYISAL MODELLENMESİ
AKIŞKAN ÇAMUR TABAKASIYLA YÜZEY DALGALARININ ETKİLEŞİMİNİN SAYISAL MODELLENMESİ Doç.Dr.Lale BALAS, A. Mehme ŞİRİN Gaz Ünverses, Mühendslk Mmarlık Faküles,İnşaa Mühendslğ Bölümü, Malepe, Ankara Tel:37400/7,
DetaylıÖğretim planındaki AKTS TASARIM STÜDYOSU IV 214058100001312 2 4 0 4 9
Ders Kodu Teork Uygulama Lab. Ulusal Kred Öğretm planındak AKTS TASARIM STÜDYOSU IV 214058100001312 2 4 0 4 9 Ön Koşullar : Grafk İletşm I ve II, Tasarım Stüdyosu I, II, III derslern almış ve başarmış
DetaylıFLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ
FLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ 1 Nasır Çoruh, Tarık Erfdan, 3 Satılmış Ürgün, 4 Semra Öztürk 1,,4 Kocael Ünverstes Elektrk Mühendslğ Bölümü 3 Kocael Ünverstes Svl Havacılık Yüksekokulu ncoruh@kocael.edu.tr,
DetaylıBAŞKENT ÜNİVERSİTESİ MAKİNE MÜHENDİSLİĞİ BÖLÜMÜ MAK MAKİNE MÜHENDİSLİĞİ LABORATUVARI DENEY - 8
BAŞKENT ÜNİVERSİTESİ MAKİNE MÜHENDİSLİĞİ BÖLÜMÜ MAK - 402 MAKİNE MÜHENDİSLİĞİ LABORATUVARI DENEY - 8 FARKLI YÜZEY ÖZELLİKLERİNE SAHİP PLAKALARIN ISIL IŞINIM YAYMA ORANLARININ HESAPLANMASI BAŞKENT ÜNİVERSİTESİ
DetaylıAdi Diferansiyel Denklemler NÜMERİK ANALİZ. Adi Diferansiyel Denklemler. Adi Diferansiyel Denklemler
6.4.7 NÜMERİK ANALİZ Yrd. Doç. Dr. Hatce ÇITAKOĞLU 6 Müendslk sstemlernn analznde ve ugulamalı dsplnlerde türev çeren dferansel denklemlern analtk çözümü büük öneme saptr. Sınır değer ve/vea başlangıç
DetaylıSabit Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2
X Sabt Varyans Y Var(u X ) = Var(u ) = E(u ) = s Eşt Varyans EKKY nn varsayımlarından br anakütle regresyon fonksyonu u lern eşt varyanslı olmasıdır Her hata term varyansı bağımsız değşkenlern verlen değerlerne
DetaylıSEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)
SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler
DetaylıKIRMIZI, TAVUK VE BEYAZ ET TALEBİNİN TAM TALEP SİSTEMİ YAKLAŞIMIYLA ANALİZİ
Süleyman Demrel Ünverstes Sosyal Blmler Ensttüsü Dergs Yıl: 2007/2, Sayı: 6 Journal of Suleyman Demrel Unversty Insttue of Socal Scences Year: 2007/2, Number: 6 KIRMIZI, TAVUK VE BEYAZ ET TALEBİNİN TAM
DetaylıYÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA
YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,
DetaylıMakine Öğrenmesi 6. hafta
Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,
DetaylıStandart Model (SM) Lagrange Yoğunluğu. u, d, c, s, t, b. e,, Şimdilik nötrinoları kütlesiz Kabul edeceğiz. Kuark çiftlerini gösterelim.
SM de yer alacak fermyonlar Standart Model (SM) agrange Yoğunluğu u s t d c b u, d, c, s, t, b e e e,, Şmdlk nötrnoları kütlesz Kabul edeceğz. Kuark çftlern gösterelm. u, c ve t y u (=1,,) olarak gösterelm.
Detaylı4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ
Ünsal M.; Varol, A.: Soğutma Kulelernn Boyutlandırılması İçn Br Kuramsal 8 Mayıs 990, S: 8-85, Adana 4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ Asaf Varol Fırat Ünverstes, Teknk Eğtm Fakültes,
DetaylıA İSTATİSTİK. 4. X kesikli rasgele (random) değişkenin moment çıkaran. C) 4 9 Buna göre, X in beklenen değeri kaçtır?
. Br torbada 6 syah, 4 beyaz top vardır. Bu torbadan yerne koyarak top seçlyor. A İSTATİSTİK KPSS/-AB-PÖ/006. Normal dağılıma sahp br rasgele (random) değşkenn varyansı 00 dür. Seçlen topların ksnn de
DetaylıVEKTÖRLER VE VEKTÖREL IŞLEMLER
VEKTÖRLER VE VEKTÖREL IŞLEMLER 1 2.1 Tanımlar Skaler büyüklük: Sadece şddet bulunan büyüklükler (örn: uzunluk, zaman, kütle, hacm, enerj, yoğunluk) Br harf le sembolze edleblr. (örn: kütle: m) Şddet :
DetaylıENERJİ TÜKETİMİ VE EKONOMİK BÜYÜME: GELİŞMEKTE OLAN ÜLKELER İÇİN BİR PANEL EŞBÜTÜNLEŞME ANALİZİ
önem ve Ekonom Araşırmaları Dergs / Journal of Managemen and Economcs Research Cl/Volume: 5 Sayı/Issue: Ocak/January 207 Do: hp://dx.do.org/0.6/yead.306823 EERJİ TÜKETİMİ VE EKOOMİK BÜÜME: GELİŞMEKTE OLA
DetaylıCalculating the Index of Refraction of Air
Ankara Unversty Faculty o Engneerng Optcs Lab IV Sprng 2009 Calculatng the Index o Reracton o Ar Lab Group: 1 Teoman Soygül Snan Tarakçı Seval Cbcel Muhammed Karakaya March 3, 2009 Havanın Kırılma Đndsnn
DetaylıHataları Değişen Varyanslı ve Otokorelasyonlu Lineer Olmayan Regresyonda Parametre Tahmini
S.Ü. Fen-Edeba Faküles Fen Dergs Saı 0 (00) 55-68, KONYA Haaları Değşen Varanslı ve Ookorelasonlu Lneer Olmaan Regresonda Paramere Tahmn İsmal KINACI, Aşır GENÇ Öze: Blndğ gb, gerek lneer gerekse lneer
DetaylıENERJİ. Isı Enerjisi. Genel Enerji Denklemi. Yrd. Doç. Dr. Atilla EVCİN Afyon Kocatepe Üniversitesi 2007
Yrd. Doç. Dr. Atlla EVİN Afyon Kocatepe Ünverstes 007 ENERJİ Maddenn fzksel ve kmyasal hal değşm m le brlkte dama enerj değşm m de söz s z konusudur. Enerj değşmler mler lke olarak Termodnamğn Brnc Yasasına
DetaylıGÜMRÜK BİRLİĞİ SONRASI TÜRKİYE NİN İHRACAT FONKSİYONUNUN TAHMİNİ
İsanbul Tcare Ünverses Sosal Blmler Dergs Yıl:7 Saı:3 Bahar 2008 s. 89-04 GÜMRÜK BİRLİĞİ SONRASI TÜRKİYE NİN İHRACAT FONKSİYONUNUN TAHMİNİ Cengz AKTAŞ * Vesel YILMAZ ** ÖZET Gelşmeke olan ülkelern ekonomk
DetaylıSAYISAL ANALİZ. Doç.Dr. Cüneyt BAYILMIŞ. Sayısal Analiz. Doç.Dr. Cüneyt BAYILMIŞ
SAYISAL ANALİZ Doç.Dr. Cüneyt BAYILMIŞ Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz SAYISAL ANALİZ SAYISAL TÜREV Numercal Derentaton Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz İÇİNDEKİLER Sayısal Türev Ger Farklar
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
DetaylıOtomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya DOĞRUSAL OLMAYAN KONTROL SİSTEMLERİ
Oomak Konrol Ulusal oplanısı OK3 6-8 Eylül 3 Malaya DOĞRUSAL OLMAYAN KONROL SİSEMLERİ 33 Oomak Konrol Ulusal oplanısı OK3 6-8 Eylül 3 Malaya rnc ve İknc Dereceden Kayan Kpl Güdüm Yönem le Havadan Havaya
DetaylıNİTEL TERCİH MODELLERİ
NİTEL TERCİH MODELLERİ 2300 gözlem sayısı le verlen değşkenler aşağıdak gbdr: calsma: çocuk çalışıyorsa 1, çalışmıyorsa 0 (bağımlı değşken) Anne_egts: Anne eğtm sevyes Baba_egts: Baba eğtm sevyes Kent:
DetaylıSayfa 1. GİRİŞ TEMEL KAVRAMLAR... 2
. ĠÇĠNDEKĠLER Sayfa. GİRİŞ.... TEMEL KAVRAMLAR.... Olasılık.... Rasgele Değşken..... Keskl Rasgele Değşken... 3.. Sürekl Rasgele Değşken... 4.3 Olasılık Fonksyonu... 4.3. Keskl Rasgele Değşkenn Olasılık
DetaylıORTOTROPİK ZİNCİR YAN PLAKALARINDA GERİLME YIĞILMASI KATSAYILARININ HESAPLANMASI
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K B İ L İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 997 : 3 : 3 :45-49
DetaylıELM201 ELEKTRONİK-I DERSİ LABORATUAR FÖYÜ
T SAKAYA ÜNİESİTESİ TEKNOLOJİ FAKÜLTESİ ELEKTİK-ELEKTONİK MÜHENDİSLİĞİ ELM201 ELEKTONİK- DESİ LAOATUA FÖYÜ DENEYİ YAPTAN: DENEYİN AD: DENEY NO: DENEYİ YAPANN AD ve SOYAD: SNF: OKUL NO: DENEY GUP NO: DENEY
DetaylıHasar sıklıkları için sıfır yığılmalı kesikli modeller
www.statstkcler.org İstatstkçler Dergs 5 (01) 3-31 İstatstkçler Dergs Hasar sıklıkları çn sıfır yığılmalı keskl modeller Sema Tüzel Hacettepe Ünverstes Aktüerya Blmler Bölümü 06800-Beytepe, Ankara, Türkye
DetaylıGENEL DESTEK PROGRAMI. B R NC Amaç, Kapsam, Dayanak ve
LETMELER GEL T RME VE DESTEKLEME DARES BA KANLI I (KOSGEB) GENEL DESTEK PROGRAMI B R NC Amaç, Kapsam, Dayanak ve Amaç MADDE 1 - (1) Bu p kar bçmde gerçekle dares Ba uygulanacak Genel Kapsam MADDE 2 - (1)
DetaylıİSTATİSTİK DERS NOTLARI
Balıkesr Ünverstes İnşaat Mühendslğ Bölüü uutokkan@balkesr.edu.tr İSTATİSTİK DERS OTLARI Yrd. Doç. Dr. Uut OKKA Hdrolk Anabl Dalı Balıkesr Ünverstes Balıkesr Ünverstes İnşaat Mühendslğ Bölüü İnşaat Mühendslğ
DetaylıALTERNATİF AKIM DEVRE YÖNTEM VE TEOREMLER İLE ÇÖZÜMÜ
BÖLÜM 6 ALTERNATİF AKIM DEVRE ÖNTEM VE TEOREMLER İLE ÇÖZÜMÜ 6. ÇEVRE AKIMLAR ÖNTEMİ 6. SÜPERPOZİSON TEOREMİ 6. DÜĞÜM GERİLİMLER ÖNTEMİ 6.4 THEVENİN TEOREMİ 6.5 NORTON TEOREMİ Tpak GİRİŞ Alternatf akımın
DetaylıKOCAELİ ÜNİVERSİTESİ Mühendislik Fakültesi Makina Mühendisliği Bölümü Mukavemet I Vize Sınavı (2A)
KOCELİ ÜNİVERSİTESİ Mühendslk akültes Makna Mühendslğ Bölümü Mukavemet I Vze Sınavı () dı Soyadı : 18 Kasım 013 Sınıfı : No : SORU 1: Şeklde verlen levhalar aralarında açısı 10 o la 0 o arasında olacak
Detaylı2005 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:16, s31-46
2005 Gaz Ünverstes Endüstryel Sanatlar Eğtm Fakültes Dergs Sayı:16, s31-46 ÖZET BANKALARDA MALİ BAŞARISIZLIĞIN ÖNGÖRÜLMESİ LOJİSTİK REGRESYON VE YAPAY SİNİR AĞI KARŞILAŞTIRMASI 31 Yasemn KESKİN BENLİ 1
DetaylıTürk İmalat Sanayinde İstihdam, İhracat ve Kapasite Kullanım Oranı İlişkisi: Panel Koentegrasyon
Türk İmala Sanaynde İshdam, İhraca ve Kapase Kullanım Oranı İlşks: Panel Koenegrasyon Seçkn SUNAL Elçn AYKAÇ Absrac In hs sudy he relaon beween employmen fgures and expors and capacy ulzaon of frms ha
Detaylı