DEÜ MÜHENDİSLİK FAKÜLTESİ FEN BİLİMLERİ DERGİSİ

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "DEÜ MÜHENDİSLİK FAKÜLTESİ FEN BİLİMLERİ DERGİSİ"

Transkript

1 DEÜ MÜHEDİSLİK FAKÜLTESİ FE BİLİMLERİ DERGİSİ Ct: 1 Sayı: 3 sh Ekm 010 İCEMLEMİŞ GÖZLEMLERE DAYAA PARAMETRE KESTİRİMİDE OPTİMAL EK GÜRÜLTÜ VE BUU E BÜYÜK SOSAL OLASILIK KESTİRİCİLERİ ÜZERİE ETKİLERİ (OPTIMAL ADDITIVE OISE FOR PARAMETER ESTIMATIO BASED O QUATIZED OBSERVATIOS AD ITS EFFECTS O MAXİMUM A-POSTERIORI PROBABILITY ESTIMATORS) ÖZET/ABSTRACT Gökce Osma BALKA*, Sa GEZICI* Ek gürütüü doğrusa omaya sstemerdek faydaarı kıpırtıadırma ve stokastk rezoas bağamıda gözememştr. Ek gürütüü avatajarı, ayrıca doğrusa omaya sstemer çere kestrm probemerde de görümüştür. Bu makaedek teme amaç, ma ek gürütü ekemş gözemer cememş sürümer kuaıdığı ve ma ek gürütüü sosa Cramer-Rao at sıırı (SCRAS) csde formüeştrdğ kestrm probemerde, e büyük sosa oasıık kesrcer ortaama karese hata başarımıı geşm ceemektr. İk oarak ma ek gürütüü formüeştrmes suumaktadır. Ardıda ma ek gürütüü sabt br syae karşıık gedğ açıkamaktadır. Bu kuramsa souç, öce sayısa br öreke göstermekte, sorasıda se ma ek gürütüü sıkça kuaıa kıpırtıadırma syaer e karşıaştırımasıya destekemektedr. So oarak, SCRAS csde fade ede ma ek gürütüü yarararı, e büyük sosa oasıık kestrcer ortaama karese hataarı csde ceemştr. The beefts of addtve ose oear systems have bee observed the cotext of dtherg ad stochastc resoace. Aso, the advatages of addtve ose have bee observed parameter estmato probems vovg oear systems. I ths paper, the ma am s to vestgate the mea-squared error (MSE) performace ehacemet of the maxmum a-posteror probabty (MAP) estmators, where the quatzed versos of the observatos combed wth the ma addtve ose are used to estmate the parameter reated to the observato ad the ma addtve ose s formuated terms of the posteror Cramer-Rao ower boud (PCRLB). Frst, the formuato of the ma addtve ose s preseted. ext, t s expaed that the ma addtve ose correspods to a costat sga. Ths theoretca resut s frst demostrated wth a umerca exampe ad the supported by the comparso of the ma addtve costat ose wth commoy used dther sgas. Fay, the beefts of the ma addtve ose, whch s descrbed terms of the PCRLB, are vestgated for the MSEs of MAP estmators. AAHTAR KELİMELER/KEYWORDS Kestrm, cememe, Gürütü e geştrmş kestrm, Sosa Cramer-Rao at sıırı, Ortaama karese hata, E büyük sosa oasıık Estmato, Quatzato, ose ehaced estmato, Posteror Cramer-Rao ower boud, Mea-squared error, Maxmum a-posteror probabty * Bket Ü., Eektrk-Eektrok Müh. Böümü, AKARA

2 Sayfa o: 36 G. O. BALKA, S. GEZİCİ 1. GİRİŞ Geeke sstemer performasıı oumsuz yöde etkemesye be gürütü, stokastk rezoas feome atıda doğrusa omaya bazı sstemer performasıı artırabmektedr (Bez vd., 1981; Gammato vd., 1998). Gürütüü oumu katkıarı, kıpırtıadırma (dtherg) kavramı atıda, cememş sstemerde de gözememektedr (Dabeer ve Kark, 006). Sezm kuramıda gürütüü faydaarı, ek gürütü e sezm başarımı geştre ma omaya sezcerde de görümüştür (Che vd., 007; Pate ve Kosko, 009; Bayram ve Gezc, 009). Ek gürütüü yarararı parametre kestrm probemerde de ceemştr (Chapeau- Bodeau ve Rousseau, 004; Chapeau-Bodeau, 00). Frekas kestrm probemerde, bazı koşuar atıda gürütüü artması durumuda ma Bayes kestrcs ortaama karese hatasıı azadığı gözememştr (Chapeau-Bodeau ve Rousseau, 004). Bezer şekde Bayes kestrmde arta gürütü sevyes ortaama karese hata başarımıa oumu katkı sağadığı görümüştür (Chapeau-Bodeau, 00). Her k çaışmada da gürütüü faydaarı cemeycer doğrusa omaya yapıarı sayesde gözememştr. Gözem sayısıı yüksek oması e ortaama karese hataı hesabı zoraşmaktadır ve ateratf oarak Cramer-Rao at sıırı başarım artış öçümü ç uygu br öçüt oarak kuaımaktadır (Baka ve Gezc, ). cememş gözemere dayaı dağıtımış kestrm probemde Cramer-Rao at sıırı e küçütmes, cememe araıkarıı e yeştrmesye sağamıştır (Marao vd., 006). Ayrıca çoku sevye br cemeyc kuaıdığı parametre kestrm probemde, rasgee gürütü kaste ekeeerek Cramer-Rao at sıırı düşürümüştür (Papadopouos vd., 001). Bezer başarım artışarı, sabt br gürütüü kaste ekemes ede oduğu başarım artışıı ayı şekde sağaya uygu br cemeyc eşğ seçmye ve grd syade var oa gürütü değşts uygu br değere çekmesye de sağamaktadır (Rbero ve Gaaks, 006; Chapeau-Bodeau ve Rousseau, 003). cememş gözemere bağı kestrm probemerde, ek gürütüü kestrm başarımıı arttırdığı çaışmaarda, Cramer-Rao at sıırıı e yeştre ek gürütüü oasıık yoğuuk foksyou da buumuştur (Baka ve Gezc, ). Kuramsa oarak bu at sıırı e aza drgeye ek gürütüü yapısı buumuş osa da, bu gürütüü pratkte ortaama karese hata başarımıa etks üzerde çaışımamıştır. Bu çaışmadak teme amaç, kestrmek stee parametre rasgee oduğu durumda, ma ek gürütüü ceemes ve ortaama karese hatayı ası etkedğ beremesdr. Buradak ma ek gürütü, SCRAS a göre ede edmektedr. SCRAS ı öçüt oarak aımasıı sebeb, öse oasıığa sahp bmeye parametreer kestrmde, SCRAS ı ortaama karese hataar ç at sıır beremes ve souşurda verm oa kestrcer de bu at sııra souşurda oarak varmasıdır. Baka ve Gezc çaışmasıdak gb bu makaedek SCRAS; cemeyc foksyou, ek gürütü oasıık yoğuuk foksyou ve ası (gürütü ekememş) gözem oasıık yoğuuk foksyou csde taımamıştır (Baka ve Gezc, ). Ayrıca cemeyc,

3 Mühedsk Bmer Dergs Ct : 1 Sayı : 3 Sayfa o: 37 çoku sevye ve eşker her değer aabecek şekde modeemştr. çaışmasıdak modede farkı oarak, gözemer brbrde bağımsız oduğu varsayımıştır (Baka ve Gezc, ). Makae kc böümüde probem taımı suumaktadır. Ardıda üçücü böümde, SCRAS ı e büyüte ma ek gürütüü sabt br sya e fade edebdğ açıkamaktadır. Bu souç, cemeyc eşk değerer kaydırımasıa dek gedğde ve farkı gürütü değerer arasıda rasgeeeştrme gerektrmedğde, pratk uyguamaar ç avatajıdır. Bu böümdek kuramsa souçar e g oarak, br sorak böümde ek gürütüü SCRAS a katkı sağadığı br örek vermektedr. Sorasıda ma ek gürütüü sağadığı kestrm başarımı artışı, Gauss ve br bçm kıpırtıadırma syaerk e karşıaştırıarak, kuramsa souçar pratk br örek e destekemektedr. So oarak, SCRAS csde kestrm başarımıı artıra ma ek gürütüü, ayı zamada e büyük sosa oasıık kestrcer ortaama karese hata performasıı da arttırdığı göstermektedr.. PROBLEM TAIMI Herhag br kestrc e kestrmek stee rasgee parametres çere cememş x gözemer grd oarak aıdığı br sstem ee aımaktadır. x1x xl ede x vektörüü oasıık yoğuuk foksyou p x ; ve cemeyc X x K oarak fade foksyou e göstermektedr. Bu sstemde ı kestrm performasıı artıması ç gözemere K vektörü ve 1 L p oasıık dağıım foksyou e göstere gürütü ekemektedr. Bu şekde ı kestrmde x cememş ha kuaımaktadır. Şek 1 dek gb göstere bu sstemde ee aıa probem, kestrm performasıı e yeştre gürütüü oasıık yoğuuk foksyouu buumasıdır. x M sevye cemeyc y Kestrc ˆ y Şek 1. Sstem mode x M farkı sevyede cemedğ farzedmektedr. cemeycde çıka gürütüü gözem y y y K y oarak göstermekte ve 1 L y x oarak taımamaktadır. cemeyc sevyeer 1,, K, M 1 eşker e beremştr. cemeyc grds e çıktısı arasıdak şk; 1,, K, L ç 0,1, K, M 1, ve omak üzere

4 Sayfa o: 38 G. O. BALKA, S. GEZİCİ y x (1), 1 e göstermektedr. Bu probemde x ve beşeer brbrde bağımsız oduğu ama özdeş dağıımı omayabeceğ varsayımaktadır. Bu durumda y beşeer brbrde bağımsız oduğu düşüüebr. p Y y;, vere br değere göre çıktıı c beşe oasıık küte foksyouu fade ettğde, Eştk 1 kuaıarak 0,1, K, M 1 ç p y; = X Y P 1 = P X p d 1 = E F ; F ; X 1 X () soucu ede edr. Buradak beket (expectato) şem üzerdedr ve F ; X, orja gözem c beşe oa X oasıık dağıım foksyoudur. Bu çaışmada sstem kestrm başarısıı e yeştrmek ç kuaıacak öçüt SCRAS (ya da Bayes se) dır. Dğer br fadeye buradak amaç, SCRAS ı e büyüte ma gürütü dağıımıı buumasıdır. SCRAS herhag br yaı veya yasız ˆ kestrcs ortaama karese hatasıa at sıır teşk etmekte ve ˆ ˆ D P 1 MSE =E y J J (3) şekde fade edmektedr. Burada J D verde (gözemde), J P se hakkıdak öse bgde gee Fsher bgs smgeemekte ve w ı öse dağıımı omak üzere JD E og p ; y Y JP E og w (4) fadeerye göstermektedr. Bu fadeerdek beket şemer hem Y hem de üzerdedr. Y1, Y, K, YL rasgee değşkeer brbrerde bağımsızarsa, gözemde gee Fsher bgs

5 Mühedsk Bmer Dergs Ct : 1 Sayı : 3 Sayfa o: 39 L L Y JD J D= E og py y; 1 1 (5) oarak fade edebmektedr. Y beşeer ayı zamada özdeşçe dağımışarsa Eştk 5, J D L hade yazıabr. Eştk 3, Eştk 4 ve Eştk 5 kuaıarak, ma gürütüü J Y D oasıık yoğuuk foksyou Fsher bgs csde aşağıdak probeme fade edebr. p arg max J +J p D L p arg max E og Y ; p p y 1 P (6) Eştk 6 dak fadede J P, ek gürütüde bağımsız oduğu ç yer amamaktadır. Eştktek türev ve beket aıması e amaç foksyou 1 (7) L M1 p arg max w py ; d p 1 0 py ; hade yazıır. Eştk 7 dek foksyou yapısıda ötürü mzasyo probem 1,, K, L ç ayrı ayrı çözmek mümküdür. Başka br deyşe ma gürütüü c beşe oasıık yoğuuk foksyou aşağıdak gb hesapaabr. M 1 1 p arg max w p ; Y d p 0 p ;. (8) Y Eğer Y1, Y, K, YL rasgee değşkeer bağımsız ve özdeşçe dağımışarsa, ya 1,, K, L ç p ; p ; eştğ geçer se, Eştk 8 de geçe mzasyo Y Y probemer özdeştr ve orja gözem x bütü beşeere eşt mktarda gürütü ekemes gerekr. 3. OPTİMAL GÜRÜLTÜÜ OLASILIK DAĞILIMI SCRAS ı mze ede gürütüü statstkse özeğ ceemek amacıya F X 1 ; F X ; (9)

6 Sayfa o: 40 G. O. BALKA, S. GEZİCİ FX 1 ; ; FX (10) foksyoarı taıması. Eştk de aaşıacağı üzere, M 1 H, ç, 0 H 1, ve H, 1 geçerdr. Eştk 9 ve Eştk 10 dak taımara göre, Eştk dek oasıık 0 küte foksyou e buu ya göre türev, p ; =E H Y ; / =E, Y, ve p G oarak fade edebr. Bu durumda Eştk 8 dek mzasyo probem 0, M 1 E G, p arg max w d p (11) E H hae ger. Eştk 11 dek probem çözümü ç k öce aşağıdak ösav suumaktadır (Baka ve Gezc., 010 ). Ösav 1: Eştk 9 ve Eştk 10 da taımamış gerçek değer foksyoar, bütü ar ve muhteme her oasıık yoğuuk foksyou ç M1 EG M 1, G, max 0 E, (1) H 0 H, eştszğ geçerdr. Kaıt: Z Z Z ç Hessa matrs 1 f Z Z / Z k değşke br foksyo osu. f(z) 1 / Z Z1 / Z H f 3 (13) Z1 / Z Z1 / Z oarak hesapaır. 1 T ve 0 T Z ç 3 H f 1Z Z1 / Z 0 eştszğ geçer oduğuda f Z dış bükey oduğu aaşıır. Bu edee aşağıdak Jese eştszğ geçerdr. E E Z 1 Z1 Z E Z (14)

7 Mühedsk Bmer Dergs Ct : 1 Sayı : 3 Sayfa o: H, taımarı yapısı. Eştk 9 dak taıma göre H, ve ç Z G 1,,,, ve ç geçer oduğuda, Eştk 14 dek eştszk her p, 0, her,, E G G E E H H,, (15) ha aır. Bu durumda bütü er ç Eştk 15 dek eştszk geçer oduğuda doayı, p ve ç M1 EG M 1, G, E 0 EH, (16) 0 H, soucu çıkar. Eştk 16 dak eştszğ sağ tarafı max / 0 hçbr zama daha büyük oamayacağıda ötürü ösavdak souca uaşıır. Ösav 1, değere göre p ç M 1 0, M 1 G, H, fadesde E G, e göstere Fsher bgs, her gürütü E H M 1 G, fades e büyük değer hçbr zama aşamayacağıı 0 H, göstermektedr. Başka br fadeye, farkı gürütü değerer arasıda rasgeeeştrme, Eştk 11 dek foksyou değer arttıramaz. Bu souç e aşağıdak öermeye varıabr (Baka ve Gezc, ). Öerme 1: Eştk 11 dek fadede geçe ma gürütüü oasıık yoğuuk foksyou M 1 0, G, arg max w d (17) H ç p e fade edebr. Kaıt: Kaıt ç Baka ve Gezc çaışmasıdake bezer br yakaşım kuaımaktadır (Baka ve Gezc, ). Her p eştszk ayı zamada her ç geçer oduğuda, çıkarıabmektedr. ç geçer oa Eştk 16 dak p ç aşağıdak eştszk

8 Sayfa o: 4 G. O. BALKA, S. GEZİCİ M1 EG M 1, G, w d E w d 0 EH, (18) 0 H, Bu yüzde Eştk 11 dek foksyou e büyük değer max p M1 EG M 1, G, w d max E w d 0 E p H, (19) 0 H, oarak üstte sıırıdır. Eştk 19 dak üst sıır, e yüksek değere max w M 1 G, H 0, d fadese, uaştığıda aşağıdak souç ede edr. max p M 1 EG M 1 M 1, G, G, w d max w d w d 0 E H, 0 H, 0 H, (0) Burada, Eştk 17 de taımadığı gbdr. Eştk 0 de vere eştszktek üst sıır, p ke uaşıdığıda doayı öermedek souca varıır. Öerme 1, ek gürütüü muhteme bütü oasıık yoğuuk foksyoarı çde tek küte oktasıya göstere br oasık yoğuuk foksyouu, ya sabt br gürütüü, SCRAS ı e küçüttüğüü bertmektedr. Bu yüzde gözeme ma gürütüyü ekemek, cemeyc eşk değerer kaydırmak e dektr. Bu da farkı gürütü değerer arasıda rasgeeeştrme gerektrmedğde bast br şemdr. 4. OPTİMAL EK GÜRÜLTÜÜ KIPIRTILADIRMA İLE KARŞILAŞTIRILMASI Br öcek böümde suua kuramsa souçar ç br sayısa örek vermek üzere x 1 exp x foksyou taımaıp, Şek 1 dek x gözem oasıık yoğuuk foksyou

9 Mühedsk Bmer Dergs Ct : 1 Sayı : 3 Sayfa o: 43 X ; 0.5 ;, 0.5 ;, p x x x oarak aısı. Bu durumda 0,1, K, M 1 ç sadece tek gözem buuduğuda, Eştk 9 dak FX H, yere H F F 1 ; ; kuaıabmektedr. Burada X X x;, X oasıık dağıım foksyou oup x x FX 1 ; 0.5Q 0.5Q oarak taımıdır ve H Q a ya göre türev 1 0.5t e dt a Q-foksyouu fade etmektedr. Ayrıca G y vermektedr. Buara ek oarak, bu örekte kuaıa 4 sevye cemeyc 1 3, 1 0, 1 3 eşk değerere sahptr ve ı oasıık dağıımı w exp oarak varsayımıştır. Şek. ye göre SCRAS değerer Öerme 1 e göre ma gürütü değerer sabt br değer e fade edebmes sayesde, 0,, 1 ve 1 oduğu durumarda, sabt ek gürütü değerere karşıık gee SCRAS değerer Şek de göstermştr. Bu örekte değer aa e düşük SCRAS ke görümektedr. Bu da ek gürütüü kestrm başarımıı SCRAS

10 Sayfa o: 44 G. O. BALKA, S. GEZİCİ csde arttırdığıı göstermektedr. Ek gürütüü omadığı durumda oa SCRAS ma ek gürütü sayesde e mştr. Bu probemde SCRAS a göre ma oduğu buua tek küte oktaı oasıık yoğuuk foksyoua sahp ek gürütü dışıda, doğrusa omaya sstemerde ek gürütüü faydaarı, ssteme ekee Gauss ve br bçm kıpırtıadırma (dtherg) syaer e de görümüştür (Papadopouos vd., 001; Waamaker vd., 000). Bu böümde, kuramsa oarak buua ma ek gürütüü kestrm sabete katkısı, Gauss ve br bçm kıpırtıadırma syaer katkıarıya karşıaştırımaktadır. Bu karşıaştırma ç sıfır ortaamaı ve değşts oa Gauss kıpırtıadırma sya e, araığıda taımı br bçm kıpırtıadırma syaer kuaımaktadır. Şek 3. ya göre =0 ve ç SCRAS ı karşıaştırması SCRAS a göre başarım karşıaştırımasıda kuaımak üzere, k öce e y başarımı sağaya Gauss kıpırtıadırma sya değşts hesapamıştır. Bu hesapamada, gözem oasıık yoğuuk foksyouu beşeer ayı değştye sahp Gauss karışımı ve gözem ek gürütüde bağımsız omasıda faydaaımıştır. Brbrde bağımsız k Gauss dağıımı rasgee değşke topamıda ortaya çıka Gauss dağıımı ye rasgee değşke değşts, her k rasgee değşke değşter topamı oduğuda, bu örekte X, ve X+ stadart sapmaarı arasıdak şk X X (1)

11 Mühedsk Bmer Dergs Ct : 1 Sayı : 3 Sayfa o: 45 şekde yazıabmektedr. Bu durumda X+ ma stadart sapmaası oarak hesapamak suretye ma ek gürütüü stadart sapması sayısa X () X X fadesye buuuabmektedr. Karşıaştırmayı fade ede Çzege 1 k satırıda, ma değşt Gauss kıpırtıadırma sya fade etmektedr. Ou dışıda yer aa 1, 0.5, 0.5 ve 0, burada vere değerer amış br bçm kıpırtıadırma syaer tems etmekte ve se ma sabt ek gürütüyü fade etmektedr. cememe öcesde ekee bu syaer e ede ede SCRAS değerer Çzege 1 kc satırıda yer amaktadır. Bu çzegeye bakıdığıda, ma sabt ek gürütüü e y kestrm başarımıı sağadığı görümektedr. Optma Gauss kıpırtıadırma sya e y SCRAS değer oa ü 0 durumuda verdğ ç, bu öreğe göre ek Gauss kıpırtıadırma sya hçbr şekde kestrm performasıa SCRAS csde katkı sağamamaktadır. 1 oarak aıdığı göz öüe aıarak X değşts artırmaı X e X değşt Gauss kıpırtıadırma sya ekemeke dek omasıda doayı bu souç Şek 3 de de çıkarıabmektedr. Ayı şekde, br bçm kıpırtıadırma sya ekemesye ede ede e y SCRAS değere 0 ke uaşıdığıda br bçm kıpırtıadırma sya kestrm başarımıı arttırdığı söyeemez. 0.5, 0.5 ve 1 ke ede ede SCRAS değerer gderek artması bu durumu destekemektedr. Souçta bu çzegeye göre kuramsa oarak e y ek gürütüü sabt sya oduğu, bu pratk örekte Gauss ve br bçm kıpırtıadırma syaer sabt ek gürütü e karşıaştırıması e görümektedr. Çzege 1. Optma ek gürütü e Gauss ve br bçm kıpırtıadırma syaer SCRAS başarımı bakımıda karşıaştırıması SCRAS EK GÜRÜLTÜÜ E BÜYÜK SOSAL OLASILIK KESTİRİCİSİE ETKİLERİ Bu böümde, pratk durumarda kestrm başarımıı değeredrmek amacıya, SCRAS krtere gore e yee ek gürütüü kestrcer ortaama karese hataarıa etker ceemektedr. Ortaama karese hata başarımıı değeredrmek amacıya, souşurda verm (asymptotcay effcet) oa e büyük sosa oasıık kestrcs ee aımaktadır. E büyük sosa oasıık kestrcs souşurda vermk özeğ

12 Sayfa o: 46 G. O. BALKA, S. GEZİCİ ˆ Y me y m J J mj (3) Y MAP D P D fadesye gösterebr. Eştk 3 de ˆ MAP y e büyük sosa oasıık kestrcs, J Y D e J P sırası e. böümde taıtıdığı üzere gözemerde gee Fsher bgs e kestrecek parametre öse oasıık dağıımıda gee Fsher bgs ve gözem sayısıı bertmektedr. Bu eştkte fade ede, gözem sayısıı sosuza kadar arttığıda, ortaama karese hataı SCRAS a uaşmasıdır. Bu yüzde e büyük sosa oasıık kestrcs souşurda verm br kestrcdr. Ayrıca, gözem sayısı arttıkça, kestrecek parametre öse oasıık dağıımıda gee Fsher bgs öem kamamaktadır ve sadece J Y D term SCRAS değer etker hae gemektedr. Bu durumda gözem sayısı arttıkça, e büyük sosa oasıık kestrcs ortaama karese hataı SCRAS değere yakaşması bekemektedr. E büyük sosa oasıık kestrcs p ˆ y arg max y ; (4) Y fadesye göstermektedr. Bu fade, y beşeer brbrde bağımsız ve özdeşçe dağımış oduğu durumda p y L ˆ y arg max ; (5) 1 Y hae gemektedr. cememş gözemer kuaıdığı e büyük sosa oasıık kestrcsde geçe Y oasıık yoğuuk foksyou H FX 1 ; FX ; (6) oarak göstermektedr. SCRAS e yeştrmes ortaama karese hata başarımıa etks ceemek amacıya, br öcek böümdek parametrk değerer kuaıdığı Mote Caro bezetmye e büyük sosa oasıık kestrcs gözem sayısıa göre ortaama karese hata değerer hesapaıp, SCRAS e karşıaştırımıştır. İk öce 1 ç w exp dağımıa göre 100 tae ouşturumuştur. Ardıda her ç L sayıda cememş gürütüü gözem ouşturumuş ve ortaama karese hata hesapamıştır. Daha sağıkı souç ede etmek amacıya bu şem 1000 defa tekraramış ve gürütüü ve gürütüsüz durumarda L sayıda Y ç ortaama karese hata e SCRAS değerer karşıaştırıdığı Şek 4 tek grafk ortaya çıkmıştır. Bu grafkte bekedğ üzere, SCRAS değerer ortaama karese hata değerer atıdadır ve

13 Mühedsk Bmer Dergs Ct : 1 Sayı : 3 Sayfa o: 47 gözem sayısıı yüksek oduğu durumda SCRAS e ortaama karese hata değerer brbrere yakı oduğu gözememektedr. Grafkte ayı zamada, ma gürütüü ekedğ durumda SCRAS değerer dışıda ortaama karese hata değerer de gürütüsüz duruma göre daha düşük oduğu görümektedr. Kısacası, cememede öce gözemere gürütü ekemek, kestrm sabet sadece SCRAS csde değ, ayı zamada ortaama karese hata csde de arttırmıştır. Bu da, SCRAS mzayouu ortaama karese hata mzasyoua y br ateratf oduğuu gösterr. Şek 4. Ek gürütüsüz ve ma ek gürütüü durumarda e büyük sosa oasıık kestrcs performasıı SCRAS değerer e karşıaştırıması 6. SOUÇ Bu makaede, cememş gözemer kuaıarak yapıa rasgee parametre kestrmde e yüksek başarımı sağaya ek gürütüü sabt br sya oduğu soucu ceemştr. Bu souç, ma sabt sya Gauss ve br bçm kıpırtıadırma syaer e karşıaştırıdığı sayısa br örek e pratk oarak destekemştr. Ayrıca kestrm başarımıı SCRAS csde e yeştre ek gürütüü ayı zamada ortaama karese hata başarımıı da arttırdığı pratk br öreke göstermştr. Optma gürütüü sabt br syae gösterebmes sayesde, ayı başarım e yeştrmes, cememe araıkarıı sabt br değer e kaydırımasıya da gerçekeştrebmektedr. Bu şekde, SCRAS ı farkı gürütü beşeer rasgeeştrmeye gerek kamada e küçütmek mümküdür. Bu da pratk uyguamaar ç odukça kuaışı br souçtur.

14 Sayfa o: 48 G. O. BALKA, S. GEZİCİ KAYAKLAR Baka G., Gezc S. (010 1 ): CRLB Based Optma ose Ehaced Parameter Estmato Usg Quatzed Observatos, IEEE Sga Processg Letters, Ct. 17, o. 5, s Baka G., Gezc S. (010 ): cememş Öçümere Bağımsız Gürüü Ekeerek Ortaama Fsher Bgs Optmzasyou, Ataya, Türkye, IEEE 18.Sya İşeme ve İetşm Uyguamaarı Kurutayı. Bayram S., Gezc S. (009): ose-ehaced M-ary Hypothess Testg the Mmax Framework, Proc. Iteratoa Coferace o Sga Processg ad Commu. Systems, (Omaha, ebraska), s Bez R., Sutera A., Vupa A. (1981): The Mechasm of Stochastc Resoace, J. Phys. A: Math. Geera, Ct 14, s Chapeau-Bodeau F. (00): ose-aded oear Bayesa Estmato, Physca Revew E., Ct 66, o. 3, s Chapeau-Bodeau F., Rousseau D. (003): oear Estmato from Quatzed Sgas: Quatzer Optmzato ad Stochastc Resoace, Greobe, Frace, Thrd Iteratoa Symposum o Physcs Sga ad Image Processg, s Chapeau-Bodeau F., Rousseau D. (004): ose Ehaced Performace for a Optma Bayesa Estmator, IEEE Tras. Sga Processg, Ct 54, o. 10, s Che H., Varshey P. K., Mches J. H. (008): ose Ehaced Parameter Estmato, IEEE Tras. Sga Processg, Ct 56, s Dabeer O., Kark A. (006): Sga Parameter Estmato Usg 1-bt Dthered Quatzato, IEEE Tras. Iformato Theory, Ct 5, o. 5, s Gammato L., Hagg P., Jug P., Marcheso F. (1998): Stochastc Resoace, Rev. Mod. Phys., Ct 70, s Marao S., Matta V., Wett P. (006): Quatzer Precso for Dstrbuted Estmato a Large Sesor etwork, IEEE Tras. Sga Processg, Ct 54, o. 10, s Papadopouos H. C., Wore G. W., Oppehem A. V. (001): Sequeta Sga Ecodg from osy Measuremets Usg Quatzers wth Dyamc Bas Cotro, IEEE Tras. Iformato Theory, Ct. 47, o. 3, s Pate A., Kosko B. (009): Optma ose Beefts eyma-pearso ad Iequaty- Costraed Sga Detecto, IEEE Tras. Sga Processg, Ct 57, s Rbero A., Gaaks G. B. (006): Badwdth-costraed Dstrbuted Estmato for Wreess Sesor etworks Part II: Ukow Probabty Desty Fucto, IEEE Tras. Sga Processg Ct 54, o. 7, s Waamaker R. A., Lpshtz S. P., Vaderkooy J. (000): A Theory of osubtractve Dther, IEEE Tras. Sga Processg, Ct 48, s

Empedans Devreleri Yaklaşımıyla Harmonik Kaynağının Yerinin Saptanması Locating Harmonic Source Using Impedance Network Approach

Empedans Devreleri Yaklaşımıyla Harmonik Kaynağının Yerinin Saptanması Locating Harmonic Source Using Impedance Network Approach Empedas Devreer Yakaşımıya Harmok Kayağıı Yer Saptaması Locatg Harmoc Source Usg Impedace Network Approach Obe Dağ, Caboat Uçak, Ömer Usta 2 Eektrk-Eektrok Mühedsğ Böümü Yedtepe Üverstes obedag@yedtepe.edu.tr,

Detaylı

Regresyon ve Korelasyon Analizi. Regresyon Analizi

Regresyon ve Korelasyon Analizi. Regresyon Analizi Regresyo ve Korelasyo Aalz Regresyo Aalz Regresyo Aalz Regresyo aalz, aralarıda sebep-souç lşks bulua k veya daha fazla değşke arasıdak lşky belrlemek ve bu lşky kullaarak o kou le lgl tahmler (estmato)

Detaylı

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ ÇOK AMAÇLI STOKASTİK PROGRAMLAMA PROBLEMLERİNE ETKİLEŞİMLİ BULANIK PROGRAMLAMA YAKLAŞIMI

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ ÇOK AMAÇLI STOKASTİK PROGRAMLAMA PROBLEMLERİNE ETKİLEŞİMLİ BULANIK PROGRAMLAMA YAKLAŞIMI ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ ÇOK AMAÇLI STOKASTİK PROGRAMLAMA PROBLEMLERİNE ETKİLEŞİMLİ BULANIK PROGRAMLAMA YAKLAŞIMI Kumru Ddem ATALAY İSTATİSTİK ANABİLİM DALI ANKARA 006 Her

Detaylı

YER ÖLÇÜLERİ. Yer ölçüleri, verilerin merkezini veya yığılma noktasını belirleyen istatistiklerdir.

YER ÖLÇÜLERİ. Yer ölçüleri, verilerin merkezini veya yığılma noktasını belirleyen istatistiklerdir. YER ÖLÇÜLERİ Yer ölçüler, verler merkez veya yığılma oktasıı belrleye statstklerdr. Grafkler bze verler yığılma oktaları hakkıda ö blg vermede yardımcı olurlar. Acak bu değerler gerçek değerler değldr,

Detaylı

Bir Steganografi Sisteminin FPGA Üzerinde Gerçeklenmesi Betül ELÇİ, Berna ÖRS, Volkan DALMIŞLI

Bir Steganografi Sisteminin FPGA Üzerinde Gerçeklenmesi Betül ELÇİ, Berna ÖRS, Volkan DALMIŞLI Br Stegaograf Sstem FPGA Üzerde Gerçekemes Betü ELÇİ, Bera ÖRS, Voka DALMIŞLI Özet Bu çaışmada, öceke stegaograf çerğ ve uyguama aaarı ceemştr. İk oarak br köe saçıı kazıtıarak, bg dövme şekde köe kafa

Detaylı

İki veri setinin yapısının karşılaştırılması

İki veri setinin yapısının karşılaştırılması İk ver set yapısıı karşılaştırılması Dağılım: 6,6,6 Ortalama: 6 Medya: 6 Mod: 6 td. apma: 0 Dağılım: 0,6,1 Ortalama: 6 Medya: 6 Mod: çoklu mod td: apma: 6 Amaç: Görüe Ötese Bakablmek Verler değşkelk durumuu

Detaylı

= k. Aritmetik Ortalama. Tanımlayıcı İstatistikler TANIMLAYICI İSTATİSTİKLER. Sınıflanmış Seriler İçin Aritmetik Ortalama

= k. Aritmetik Ortalama. Tanımlayıcı İstatistikler TANIMLAYICI İSTATİSTİKLER. Sınıflanmış Seriler İçin Aritmetik Ortalama TANIMLAYICI İSTATİSTİKLER Taımlayıcı İstatstkler MERKEZİ EĞİLİM ÖLÇÜLERİ Dr. Mehmet AKSARAYLI D.E.Ü. İ.İ.B.F..B.F. EKONOMETRİ BÖLÜMÜ mehmet.aksarayl aksarayl@deu.edu.tr Yer Ölçüler (Merkez Eğlm Ölçüler)

Detaylı

BEKLENEN DEĞER VE VARYANS

BEKLENEN DEĞER VE VARYANS BEKLEE DEĞER VE VARYAS.1. İadel ve adesz öreklemede tüm mümkü örekler.. Beklee değer.3. Varyas.4. İk değşke ortak dağılımı.5. İstatstksel bağımsızlık.6. Tesadüf değşkeler doğrusal kombasyolarıı beklee

Detaylı

değerine bu matrisin bir girdisi(elemanı,bileşeni) denir. Bir sütundan (satırdan) oluşan bir matrise bir sütun (satır) matrisi denir.

değerine bu matrisin bir girdisi(elemanı,bileşeni) denir. Bir sütundan (satırdan) oluşan bir matrise bir sütun (satır) matrisi denir. Bölüm 2 Matrsler aım 2.1 F br csm, m, brer doğal sayı olsu. a F ( 1,.., m; j 1,..., ) olmak üzere, a11... a1 fadese m satır sütuda oluşa (veya m tpde) br F matrs der. am 1... a m Böyle br matrs daha sade

Detaylı

Bulanık Mantık Kontrol Denetçisi ile Çözgü Gerginliği Simülasyonu

Bulanık Mantık Kontrol Denetçisi ile Çözgü Gerginliği Simülasyonu 6 th Iteratioa Advaced Techoogies Symposium (IATS 11), 16-18 May 011, Eazığ, Turkey Buaık Matık Kotro Deetçisi ie Çözgü Gergiiği Simüasyou L. Dağkurs 1, R.Ere, B.Hasçeik 3 1 Uiversity of GaziosmapaĢa Tokat/Turkey,

Detaylı

Genelleştirilmiş Ortalama Fonksiyonu ve Bazı Önemli Eşitsizliklerin Öğretimi Üzerine

Genelleştirilmiş 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

Detaylı

YÖNEYLEM ARAŞTIRMASI III. Dinamik Programlama. Örnek 3: Tıbbi Müdahale Ekiplerinin Ülkelere Dağıtımı

YÖNEYLEM ARAŞTIRMASI III. Dinamik Programlama. Örnek 3: Tıbbi Müdahale Ekiplerinin Ülkelere Dağıtımı YÖNEYLEM ARAŞTIRMASI III Hafta Determstk Damk Programlama (devam) Damk Programlama Geçe derste küçük ölçekl problemler damk programlamayla yelemel olarak asıl çözüldüğüü gördük. Bu derste, öreklere devam

Detaylı

Polinom İnterpolasyonu

Polinom İnterpolasyonu Polom İterpolasyou (Ara Değer Bulma Br foksyou solu sayıdak, K, R oktalarıda aldığı f (, f (,, f ( değerler bls (foksyou keds blmyor. Bu oktalarda geçe. derecede br tek, P a + a + a + + a (... polumu vardır

Detaylı

( k) Ayrık Zaman Hopfield Ağı ile Çağrışımlı Bellek Tasarımı. x 1, 1 1. Aşama: Belleğin Oluşturulması. n Aşama: Anımsama

( k) Ayrık Zaman Hopfield Ağı ile Çağrışımlı Bellek Tasarımı. x 1, 1 1. Aşama: Belleğin Oluşturulması. n Aşama: Anımsama Hatıratma Kaıa Hücre Moe: McCoch-Ptts Örütüer: { } Arı Zama Hoe Ağı e Çağrışımı Bee Tasarımı, { }. Aşama: Beeğ Oştrması s brşe ar!! > 0 < 0 bot, tae ere araraara beeğ oştrma ç ağırıar bereme Her öro çıışı

Detaylı

denklemini sağlayan tüm x kompleks sayılarını bulunuz. denklemini x = 64 = 2 i şeklinde yazabiliriz. Bu son kompleks sayıları için x = 2iy

denklemini sağlayan tüm x kompleks sayılarını bulunuz. denklemini x = 64 = 2 i şeklinde yazabiliriz. Bu son kompleks sayıları için x = 2iy Ders Sorumlusu: Doç. Dr. Necp ŞİMŞEK Problem. deklem sağlaya tüm kompleks sayılarıı buluu. Çöüm deklem şeklde yaablr. Bu so y kompleks sayıları ç y yaalım. Bu taktrde deklemde, baı y ( ) y elde edlr. Burada

Detaylı

6. Uygulama. dx < olduğunda ( )

6. Uygulama. dx < olduğunda ( ) . Uygulama Hatırlatma: Rasgele Değşelerde Belee Değer Kavramı br rasgele değşe ve g : R R br osyo olma üzere, ) esl ve g ) ) < olduğuda D ) sürel ve g ) ) d < olduğuda g belee değer der. c R ve br doğal

Detaylı

Tahmin Edicilerin ve Test Đstatistiklerinin Simülasyon ile Karşılaştırılması

Tahmin Edicilerin ve Test Đstatistiklerinin Simülasyon ile Karşılaştırılması . Ders ĐSTATĐSTĐKTE SĐMÜLASYON Tahm Edcler ve Test Đstatstkler Smülasyo le Karşılaştırılması Đstatstk rasgelelk olgusu çere olay süreç ve sstemler modellemesde özellkle bu modellerde souç çıkarmada ve

Detaylı

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇUKUROA ÜNİERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ Eg ARICAN NİTEL YANIT DEĞİŞKENE SAHİP REGRESYON MODELLERİNDE TAHMİN YÖNTEMLERİ İSTATİSTİK ANABİLİM DALI ADANA, ÇUKUROA ÜNİERSİTESİ FEN BİLİMLERİ

Detaylı

Tanımlayıcı İstatistikler (Descriptive Statistics) Dr. Musa KILIÇ

Tanımlayıcı İstatistikler (Descriptive Statistics) Dr. Musa KILIÇ Taımlayıcı İstatstkler (Descrptve Statstcs) Dr. Musa KILIÇ TANIMLAYICI ÖRNEK İSTATİSTİKLERİ YER ÖLÇÜLERİ (Frekas dağılışıı abss eksedek durumuu belrtr.) DEĞİŞİM ÖLÇÜLERİ ( Frekas dağılışıı şekl belrtr.).

Detaylı

ÖLÇÜM, ÖLÇÜM HATALARI ve ANLAMLI RAKAMLAR

ÖLÇÜM, ÖLÇÜM HATALARI ve ANLAMLI RAKAMLAR ÖLÇÜM, ÖLÇÜM HATALARI ve ANLAMLI RAKAMLAR Ölçme, her deeysel blm temel oluşturur. Fzk blmde de teorler sıaması ç çeştl deeyler tasarlaır ve bu deeyler sırasıda çok çeştl ölçümler yapılır. Br fzksel celğ

Detaylı

VĐSKOELASTĐK KOMPOZĐT MALZEMEDEN YAPILMIŞ DĐKDÖRTGEN KALIN PLAKLARIN DELAMĐNASYONUNUN ĐNCELENMESĐ

VĐSKOELASTĐK KOMPOZĐT MALZEMEDEN YAPILMIŞ DĐKDÖRTGEN KALIN PLAKLARIN DELAMĐNASYONUNUN ĐNCELENMESĐ YILDIZ TEKNĐK ÜNĐVERSĐTESĐ FEN BĐLĐMLERĐ ENSTĐTÜSÜ VĐSKOELASTĐK KOMPOZĐT MALZEMEDEN YAPILMIŞ DĐKDÖRTGEN KALIN PLAKLARIN DELAMĐNASYONUNUN ĐNCELENMESĐ Đş. Yük. Müh. Esra Eyem KARATAŞ FBE Đşaat Mühedsğ Aabm

Detaylı

Tahmin Edici Elde Etme Yöntemleri

Tahmin Edici Elde Etme Yöntemleri 6. Ders Tahmi Edici Elde Etme Yötemleri Öceki derslerde ve ödevlerde U(0; ) ; = (0; ) da¼g l m da, da¼g l m üst s r ola parametresi içi tahmi edici olarak : s ra istatisti¼gi ve öreklem ortalamas heme

Detaylı

WEİBULL DAĞILIMININ ÖLÇEK VE BİÇİM PARAMETRELERİ İÇİN İSTATİSTİKSEL TAHMİN YÖNTEMLERİNİN KARŞILAŞTIRILMASI

WEİBULL DAĞILIMININ ÖLÇEK VE BİÇİM PARAMETRELERİ İÇİN İSTATİSTİKSEL TAHMİN YÖNTEMLERİNİN KARŞILAŞTIRILMASI İstabul Tcaret Üverstes Sosal Blmler Dergs Yıl:8 Saı:5 Bahar 2009 s.73-87 WEİBULL DAĞILIMII ÖLÇEK VE BİÇİM PARAMETRELERİ İÇİ İSTATİSTİKSEL TAHMİ YÖTEMLERİİ KARŞILAŞTIRILMASI Flz ÇAKIR ZEYTİOĞLU* ÖZET Güümüzde

Detaylı

TıbbiHızİstatistik. Prof.Dr.İhsan Halifeoğlu

TıbbiHızİstatistik. Prof.Dr.İhsan Halifeoğlu TıbbiHızİstatistik ve Oran Prof.Dr.İhsan Haifeoğu Sağık Hizmeterinde Kuanıan Hız ve Oranar Çeşiti sağık sorunarının ve sağık hizmeterinin somut oarak görüebimesi ve değerendiriebimesi amacıya birçok sağık

Detaylı

BAZI YARIGRUP AİLELERİ ve YAPILARI İÇİN SONLULUK KOŞULLARI ve ETKİNLİK *

BAZI YARIGRUP AİLELERİ ve YAPILARI İÇİN SONLULUK KOŞULLARI ve ETKİNLİK * BAZI YARIGRUP AİLELERİ ve YAPILARI İÇİN SONLULUK KOŞULLARI ve ETKİNLİK * Fteess Codtos For Soe Segroup Fales ad Costructos ad Effcecy Basr ÇALIŞKAN Mateatk Aabl Dalı Hayrullah AYIK Mateatk Aabl Dalı ÖZET

Detaylı

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 9 Sayı: 1 s. 1-7 Ocak 2007 HİDROLİK PROBLEMLERİNİN ÇÖZÜMÜNDE TAŞIMA MATRİSİ YÖNTEMİ

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 9 Sayı: 1 s. 1-7 Ocak 2007 HİDROLİK PROBLEMLERİNİN ÇÖZÜMÜNDE TAŞIMA MATRİSİ YÖNTEMİ DEÜ MÜHENDİSLİK FAKÜLESİ FEN ve MÜHENDİSLİK DERGİSİ lt: 9 Sayı: s -7 Ocak 7 HİDROLİK PROBLEMLERİNİN ÇÖÜMÜNDE AŞIMA MARİSİ YÖNEMİ (MEHOD OF RANSFER MARIX O HE ANALYSIS OF HYDRAULI PROBLEMS) Rasoul DANESHFARA*,

Detaylı

ÖRNEKLEME YÖNTEMLERİ ve ÖRNEKLEM GENİŞLİĞİ

ÖRNEKLEME YÖNTEMLERİ ve ÖRNEKLEM GENİŞLİĞİ 03.05.013 ÖRNEKLEME YÖNTEMLERİ ve ÖRNEKLEM GENİŞLİĞİ 1 Nede Örekleme? Öreklemde çalışmak ktlede çalışmakta daha kolaydır. Ktle üzerde çalışmak çok daha masraflı olablr. Çoğu durumda tüm ktleye ulaşmak

Detaylı

III.4. YÜKSEK MERTEBE TAYLOR METODLARI. ( t)

III.4. YÜKSEK MERTEBE TAYLOR METODLARI. ( t) III.4. YÜKSEK MEREBE AYLOR MEODLARI Saısal tekkler amacı mmum çaba le olablğce uarlı aklaşımlar ele etmektr. Bu eele çeştl aklaşım ötemler vermllğ karşılaştıracak br krtere gereksm varır. İlk ele alıacak

Detaylı

Gaunt Katsayılarının Binom Katsayıları Kullanılarak Hesaplanması

Gaunt Katsayılarının Binom Katsayıları Kullanılarak Hesaplanması EN AKÜLTESİ EN DERGİSİ E06 4 9-5 Araştıra Maales Gelş Receved :6/0/06 Kabul Accepted :/0/06 Erha AKIN Selçu Üverstes e aültes z Bölüü Kapüs 450 Koya Türye e-al: ea@selcu.edu.tr Öz: Bu çalışada Gaut atsayıları

Detaylı

Özet. Pr (1) 1.GİRİŞ 2. SİSTEM MODELİ. TESLAB - Telekomünikasyon ve Sinyal-İşleme Laboratuarı. Elektrik- Elektronik Mühendisliği Bölümü

Özet. Pr (1) 1.GİRİŞ 2. SİSTEM MODELİ. TESLAB - Telekomünikasyon ve Sinyal-İşleme Laboratuarı. Elektrik- Elektronik Mühendisliği Bölümü PSAM-Tabanı LMMSE Kana Tahmini ie MRC ve EGC Uzay-Çeşitemesi Bireştiriminin Ricean Kanaar Üzerinde Kesinti Oasıığı ve Bit Hata Oranının İnceenmesi Jawad Ai Özgür Ertuğ TESLAB - Teekomünikasyon ve Sinya-İşeme

Detaylı

Deney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı

Deney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı SRY ÜNİVERSİESİ Djtal ontrol Laboratuvar Deney Föyü Deney No: 2 Sıvı Sevye ontrol Deney 2.. Deneyn macı Bu deneyn amacı, doğrusal olmayan sıvı sevye sstemnn belrlenen br çalışma noktası cvarında doğrusallaştırılmış

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık Ders 3: MERKEZİ EĞİLİM VE DAĞILMA ÖLÇÜLERİ Prof. Dr. İrfa KAYMAZ Taım Araştırma souçlarıı açıklamasıda frekas tablosu ve poligou isteile bilgiyi her zama sağlamayabilir. Verileri

Detaylı

CC g SEMI-RIEMANN METRİKLİ DOUBLE TANJANT DEMETİN DİFERENSİYEL GEOMETRİSİ. P.A.Ü., Eğitim Fakültesi, Fen Bilgisi Öğretmenliği A.B.D.

CC g SEMI-RIEMANN METRİKLİ DOUBLE TANJANT DEMETİN DİFERENSİYEL GEOMETRİSİ. P.A.Ü., Eğitim Fakültesi, Fen Bilgisi Öğretmenliği A.B.D. SDÜ FEN EDEBİYAT FAKÜLTESİ FEN DERGİSİ (E-DERGİ. 2007 2(2 228-235 SEMI-RIEMANN METRİKLİ DOUBLE TANJANT DEMETİN DİFERENSİYEL GEOMETRİSİ İsmet AYHAN * A. Cean ÇÖKEN ** * P.A.Ü. Eğtm Faütes Fen Bs Öğretmenğ

Detaylı

Olabilirlik Oranı Yöntemine Dayalı, Yapısal Homojen Olmayan Varyans Testlerinin Piyasa Modeli İçin Karşılaştırılması

Olabilirlik Oranı Yöntemine Dayalı, Yapısal Homojen Olmayan Varyans Testlerinin Piyasa Modeli İçin Karşılaştırılması Dokuz Eylül Üverstes İktsad ve İdar Blmler Fakültes Dergs, Clt:6, Sayı:, Yıl:011, ss.135-144 Olablrlk Oraı Yöteme Dayalı, Yaısal Homoje Olmaya Varyas Testler Pyasa Model İç Karşılaştırılması Flz KARDİYEN

Detaylı

Parametrik Olmayan İstatistik Çözümlü Sorular - 2

Parametrik Olmayan İstatistik Çözümlü Sorular - 2 Parametrk Olmaya İstatstk Çözümlü Sorular - Soru Böbrek hastalarıa at Kreat (KRT) değerlere lşk br araştırma yapılmak stemektedr. Buu ç rasgele seçle hastaya at Kreat değerler aşağıdak gb elde edlmştr

Detaylı

EMEKLİLİK YATIRIM FONLARI DEĞERLENDİRMESİ AÇIKLAMA NOTLARI VE VARSAYIMLAR

EMEKLİLİK YATIRIM FONLARI DEĞERLENDİRMESİ AÇIKLAMA NOTLARI VE VARSAYIMLAR EMEKLİLİK YATIRIM FONLARI DEĞERLENDİRMESİ AÇIKLAMA NOTLARI VE VARSAYIMLAR 2013 yılı fo getrs 02/01/2013-02/01/2014 tarhl brm pay değerler kullaılması le hesaplamıştır. 2013 yılı karşılaştırma ölçütü getrs

Detaylı

Đst201 Đstatistik Teorisi I

Đst201 Đstatistik Teorisi I Đst20 Đstatstk Teors I DERSĐN TÜRÜ Zorulu DERSĐN DÖNEMĐ Yaz DERSĐN KREDĐSĐ Ulusal Kred: (4, 0, 0 ) 4 KTS: 7 DERSĐN VERĐLDĐĞĐ Bölüm: Đstatstk 200/20 Öğretm Yılı DERSĐN MCI Đstatstğ matematksel temeller

Detaylı

=... 29 İÇİNDEKİLER. E(X) = k... 22. 3.5. Pascal (Negatif Binom) Dağılımı... 22 1. 3.6. Hipergeometrik Dağılım... 22. N y= ... 24

=... 29 İÇİNDEKİLER. E(X) = k... 22. 3.5. Pascal (Negatif Binom) Dağılımı... 22 1. 3.6. Hipergeometrik Dağılım... 22. N y= ... 24 İÇİNDEKİLER SİMGE LİSTESİ... KISALTMA LİSTESİ... v ÇİZELGE LİSTESİ... v ŞEKİL LİSTESİ... v ÖNSÖZ... v ÖZET... x ABSTRACT... x GİRİŞ... BÖLÜM : OLASILIK DAĞILIMLARI VE OLASILIK YOĞUNLUKLARI... BÖLÜM : OLASILIK

Detaylı

Giriş. Değişkenlik Ölçüleri İSTATİSTİK I. Ders 5 Değişkenlik ve Asimetri Ölçüleri. Değişkenlik. X i ve Y i aşağıdaki gibi iki seri verilmiş olsun:

Giriş. Değişkenlik Ölçüleri İSTATİSTİK I. Ders 5 Değişkenlik ve Asimetri Ölçüleri. Değişkenlik. X i ve Y i aşağıdaki gibi iki seri verilmiş olsun: Grş İSTATİSTİK I Ders Değşkelk ve Asmetr Ölçüler Ortalamalar, serler karşılaştırılmasıda her zama yeterl ölçüler değldr. Ayı ortalamayı sahp serler arklı dağılım göstereblrler. Bu edele serler karşılaştırılmasıda,

Detaylı

ÖZET Doktora Tezi PERİYODİK LİNEER FARK DENKLEM SİSTEMLERİN SCHUR KARARLILIĞININ HASSASİYETİ. Ahmet DUMAN

ÖZET Doktora Tezi PERİYODİK LİNEER FARK DENKLEM SİSTEMLERİN SCHUR KARARLILIĞININ HASSASİYETİ. Ahmet DUMAN ÖZE Dotora ezi PERİYODİK LİNEER FRK DENKLEM SİSEMLERİN SCHUR KRRLILIĞININ HSSSİYEİ hmet DUMN Seçu Üiversitesi Fe iimeri Estitüsü Matemati abiim Daı Daışma : Doç. Dr. Kema YDIN 8 73 viii Sayfa Jüri: Prof.

Detaylı

BÖLÜM 3 YER ÖLÇÜLERİ. Doç.Dr. Suat ŞAHİNLER

BÖLÜM 3 YER ÖLÇÜLERİ. Doç.Dr. Suat ŞAHİNLER BÖLÜM 3 YER ÖLÇÜLERİ İkici bölümde verileri frekas tablolarıı hazırlaması ve grafikleri çizilmesideki esas amaç; gözlemleri doğal olarak ait oldukları populasyo dağılışıı belirlemek ve dağılışı geel özelliklerii

Detaylı

Bir KANUN ve Bir TEOREM. Büyük Sayılar Kanunu

Bir KANUN ve Bir TEOREM. Büyük Sayılar Kanunu Br KANUN ve Br TEOREM Büyük Türkçe Sözlük kau Đg. law Doğa olaylarıı oluş edeler ortaya koya ve gelecektek olayları öcede kestrme olaağı vere bağıtı; Newto kauu, Kepler kauları. (BSTS / Gökblm Termler

Detaylı

T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ T.C. SEÇUK ÜNİVERSİTESİ FEN BİİMERİ ENSTİTÜSÜ BAKIR VE BAZI BAKIR BENZERİ İYONARDA ATOMİK YAPI HESAPAMAARI Emas ERO YÜKSEK İSANS TEZİ Fzk Aabm Daı Ocak-06 KONYA Her Hakkı Sakıdır TEZ BİDİRİMİ Bu tezdek

Detaylı

Zaman Skalasında Box-Cox Regresyon Yöntemi

Zaman Skalasında Box-Cox Regresyon Yöntemi Dokuz Eylül Üverstes İktsad ve İdar Blmler Fakültes Dergs, Clt:7, Sayı:, Yıl:0, ss.57-70. Zama Skalasıda Bo-Co Regresyo Yötem Atlla Özur İŞÇİ Sbel PAŞALI GÖKTAŞ ATMACA 3 M. Nyaz ÇANKAYA 4 Özet Hata term

Detaylı

İşlenmemiş veri: Sayılabilen yada ölçülebilen niceliklerin gözlemler sonucu elde edildiği hali ile derlendiği bilgiler.

İşlenmemiş veri: Sayılabilen yada ölçülebilen niceliklerin gözlemler sonucu elde edildiği hali ile derlendiği bilgiler. OLASILIK VE İSTATİSTİK DERSLERİ ÖZET NOTLARI İstatistik: verileri toplaması, aalizi, suulması ve yorumlaması ile ilgili ilkeleri ve yötemleri içere ve bu işlemleri souçlarıı probabilite ilkelerie göre

Detaylı

Matematik olarak normal dağılım fonksiyonu. 1 exp X 2

Matematik olarak normal dağılım fonksiyonu. 1 exp X 2 Matematk olarak ormal dağılım foksyou f ( ) ep ( ) Şeklde fade edlr. Burada μ artmetk ortalama, σ se stadart sapma değer gösterr ve dağılım foksyou N(μ, σ) otasyou le gösterlr. Bu deklem geometrk görütüsü

Detaylı

MERKEZİ EĞİLİM ÖLÇÜLERİ

MERKEZİ EĞİLİM ÖLÇÜLERİ MERKEZİ EĞİLİM ÖLÇÜLERİ Gözlee ver düzeleerek çzelgelerle, graklerle suulması çoğu kez yeterl olmaz. Geel durumu yasıtacak br takım ölçülere gereksm vardır. Bu ölçüler verler yalızca özlü br bçmde belrtmekle

Detaylı

ĐÇI DEKILER 1. TEMEL ĐSTATĐSTĐK KAVRAMLAR VE OTASYO LAR 1

ĐÇI DEKILER 1. TEMEL ĐSTATĐSTĐK KAVRAMLAR VE OTASYO LAR 1 ĐÇI DEKILER Sayfa. TEMEL ĐSTATĐSTĐK KAVRAMLAR VE OTASYO LAR.. Grş.. Đstatstk.3. Populasyo.4. Örek.5. Brm.6. Parametre.7. Değşke 3.8. Ver ve Ver Tpler 3.9. Toplama Sembolü 4 ÇALIŞMA PROBLEMLERĐ 6. VERĐLERĐ

Detaylı

Değişkenler Arasındaki İlişkiler Regresyon ve Korelasyon. Dr. Musa KILIÇ

Değişkenler Arasındaki İlişkiler Regresyon ve Korelasyon. Dr. Musa KILIÇ Değşkeler Arasıdak İlşkler Regresyo ve Korelasyo Dr. Musa KILIÇ http://ks.deu.edu.tr/musa.klc 1. Grş Buda öcek bölümlerde celedğmz koular, br tek değşke ç yorumlamalar yapmaya yöelk statstk yötemler üzerde

Detaylı

Tanımlayıcı İstatistikler

Tanımlayıcı İstatistikler Dr. Mehmet AKSARAYLI MERKEZİ EĞİLİM ve DEĞİŞKENLİK ÖLÇÜLERİ Ders / Tanımayıcı İstatstker Yer Öçüer (Merkez Eğm Öçüer) Duyarı Ortaamaar Artmetk ort. Tartıı Artmetk Geometrk ort. Kare ort. Harmonk ort. Duyarı

Detaylı

Tanımlayıcı İstatistikler

Tanımlayıcı İstatistikler Taımlayıcı İstatstkler Br veya brde fazla dağılışı karşılaştırmak ç kullaıla veya ayrıca örek verlerde hareketle frekas dağılışlarıı sayısal olarak düzeleye değerlere taımlayıcı statstkler der. Aalzlede

Detaylı

) ( k = 0,1,2,... ) iterasyon formülü kullanılarak sabit

) ( k = 0,1,2,... ) iterasyon formülü kullanılarak sabit Karadez Te Üverstes Blgsayar Mühedslğ Bölümü 5-6 Güz Yarıyılı Sayısal Çözümleme Ara Sıav Soruları Tarh: Kasım 5 Perşembe Süre: daa. f ( ( + a e fosyouu sabt otası olmadığı bldğe göre, a 'ı alableceğ e

Detaylı

REGRESYON ANALİZİNDE KULLANILAN EN KÜÇÜK KARELER VE EN KÜÇÜK MEDYAN KARELER YÖNTEMLERİNİN KARŞILAŞTIRILMASI

REGRESYON ANALİZİNDE KULLANILAN EN KÜÇÜK KARELER VE EN KÜÇÜK MEDYAN KARELER YÖNTEMLERİNİN KARŞILAŞTIRILMASI FEN DEGİSİ (E-DEGİ). 8, 3() 9-9 EGESYON ANALİZİNDE KULLANILAN EN KÜÇÜK KAELE VE EN KÜÇÜK MEDYAN KAELE YÖNTEMLEİNİN KAŞILAŞTIILMASI Özlem GÜÜNLÜ ALMA, Özgül VUPA Dokuz Eylül Üverstes, Fe-Edebyat Fakültes,

Detaylı

1. GAZLARIN DAVRANI I

1. GAZLARIN DAVRANI I . GZLRIN DRNI I İdeal Gazlar ç: lm 0 RT İdeal gazlar ç: RT Hacm() basıçla() değşk sıcaklıklarda değşm ekl.. de gösterlmştr. T >T 8 T T T 3 asıç T 4 T T 5 T 7 T 8 Molar Hacm ekl.. Gerçek br gazı değşk sıcaklıklardak

Detaylı

Doç.Dr.Erkan ÜLKER, Selçuk Üniversitesi Mühendislik F, Bilgisayar Mühendisliği Bölümü

Doç.Dr.Erkan ÜLKER, Selçuk Üniversitesi Mühendislik F, Bilgisayar Mühendisliği Bölümü Doç.Dr.Era ÜLKER, Seçu Üverstes Müheds F, Bgsayar Mühedsğ Böümü 17.05.014 Sayfa 1 Doç.Dr.Era ÜLKER, Seçu Üverstes Müheds F, Bgsayar Mühedsğ Böümü PARA METRIK NURBS YÜZEY ARA KOORDINATLARININ BULUNMASINDA

Detaylı

Sigma 2006/2 Araştırma Makalesi / Research Article THE SOLUTION OF MULTI-OBJECTIVE FUZZY OPTIMIZATION PROBLEMS USING GENETIC ALGORITHM

Sigma 2006/2 Araştırma Makalesi / Research Article THE SOLUTION OF MULTI-OBJECTIVE FUZZY OPTIMIZATION PROBLEMS USING GENETIC ALGORITHM Jorna of Engneerng and Natra Scences Mühendsk ve Fen Bmer Dergs Sgma 2006/2 Araştırma Makaes / Research Artce THE SOLUTION OF MULTI-OBJECTIVE FUZZY OPTIMIZATION PROBLEMS USING GENETIC ALGORITHM Ömer KELEŞOĞLU

Detaylı

Sayısal Türev Sayısal İntegrasyon İnterpolasyon Ekstrapolasyon. Bölüm Üç

Sayısal Türev Sayısal İntegrasyon İnterpolasyon Ekstrapolasyon. Bölüm Üç Sayısal Türev Sayısal İtegrasyo İterpolasyo Ekstrapolasyo Bölüm Üç Bölüm III 8 III-. Pvot Noktaları Br ( ) oksyouu değer, geellkle ekse üzerdek ayrık oktalarda belrler. Bu oktalara pvot oktaları der. Bu

Detaylı

TAHMİNLEYİCİLERİN ÖZELLİKLERİ Sapmasızlık 3.2. Tutarlılık 3.3. Etkinlik minimum varyans 3.4. Aralık tahmini (güven aralığı)

TAHMİNLEYİCİLERİN ÖZELLİKLERİ Sapmasızlık 3.2. Tutarlılık 3.3. Etkinlik minimum varyans 3.4. Aralık tahmini (güven aralığı) 3 TAHMİNLEYİCİLERİN ÖZELLİKLERİ 3.1. Sapmasızlık 3.. Tutarlılık 3.3. Etkilik miimum varyas 3.4. Aralık tahmii (güve aralığı) İyi bir tahmi edici dağılımı tahmi edilecek populasyo parametresie yakı civarda

Detaylı

DÜŞEY AÇI VE EĞİK UZUNLUK ÖLÇÜLERİYLE ÜÇ BOYUTLU KOORDİNAT BELİRLEMENİN DOĞRULUĞU V. AKARSU. ± σ ölçüleriyle ile P noktasının üç boyutlu konum

DÜŞEY AÇI VE EĞİK UZUNLUK ÖLÇÜLERİYLE ÜÇ BOYUTLU KOORDİNAT BELİRLEMENİN DOĞRULUĞU V. AKARSU. ± σ ölçüleriyle ile P noktasının üç boyutlu konum DÜŞEY ÇI VE EĞİK UUNLUK ÖLÇÜLERİYLE ÜÇ OYUTLU KOORDİNT ELİRLEMENİN DOĞRULUĞU V. KRSU ongudak Karaemas Üniversitesi ongudak Mesek Yüksekokuu, Teknik rogramar öümü, 6700 ongudak, vakarsu@mynet.com Özet ±

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık Ders 3: MERKEZİ EĞİLİM VE DAĞILMA ÖLÇÜLERİ Prof. Dr. İrfa KAYMAZ Taım Araştırma souçlarıı açıklamasıda frekas tablosu ve poligou isteile bilgiyi her zama sağlamayabilir. Verileri

Detaylı

Tanımlayıcı İstatistikler

Tanımlayıcı İstatistikler Taımlayıcı İstatstkler Taımlayıcı İstatstkler br değerler dzs statstksel olarak geel özellkler taımlaya ölçülerdr Taımlayıcı İstatstkler Yer Göstere Ölçüler Yaygılık Ölçüler Yer Göstere Ölçüler Br dağılımı

Detaylı

3. Ders Parametre Tahmini Tahmin Edicilerde Aranan Özellikler

3. Ders Parametre Tahmini Tahmin Edicilerde Aranan Özellikler 3. Ders Parametre Tahmii Tahmi Edicilerde Araa Özellikler Gerçek düyada rasgelelik olgusu içere bir özellik ile ilgili ölçme işlemie karş l k gele X rasgele de¼gişkeii olas l k (yo¼guluk) foksiyou, F ff(;

Detaylı

Quality Planning and Control

Quality Planning and Control Qualty Plag ad Cotrol END 3618 KALİTE PLANLAMA VE KONTROL Prof. Dr. Mehmet ÇAKMAKÇI Dokuz Eylül Üverstes Edüstr Mühedslğ Aablm Dalı 1 Qualty Maagemet İstatstksel Proses Kotrol Kotrol Kartları 2 END 3618

Detaylı

Tanımlayıcı İstatistikler

Tanımlayıcı İstatistikler TANIMLAYICI İSTATİSTİKLER MERKEZİ EĞİLİM ÖLÇÜLERİ Dr. Mehmet AKSARAYLI D.E.Ü. İ.İ.B.F. EKONOMETRİ BÖLÜMÜ mehmet.aksarayl@deu.edu.tr Taımlayıcı İstatstkler Yer Ölçüler (Merkez Eğlm Ölçüler) Duyarlı Ortalamalar

Detaylı

ÇOK AŞAMALI BÜTÜNLEŞİK LOJİSTİK AĞI OPTİMİZASYONU PROBLEMİNİN MELEZ GENETİK ALGORİTMA İLE ÇÖZÜMÜ

ÇOK AŞAMALI BÜTÜNLEŞİK LOJİSTİK AĞI OPTİMİZASYONU PROBLEMİNİN MELEZ GENETİK ALGORİTMA İLE ÇÖZÜMÜ Gazi Üiv. Müh. Mim. Fak. Der. J. Fac. Eg. Arch. Gazi Uiv. Cit 26, No 4, 929-936, 2011 Vo 26, No 4, 929-936, 2011 ÇOK AŞAMALI BÜTÜNLEŞİK LOJİSTİK AĞI OPTİMİZASYONU PROBLEMİNİN MELEZ GENETİK ALGORİTMA İLE

Detaylı

FİNANSAL YÖNETİM. Finansal Yönetim Örnek Sorular Güz 2015. Yrd. Doç. Dr. Rüstem Barış Yeşilay 1. Örnek. Örnek. Örnek. Örnek. Örnek

FİNANSAL YÖNETİM. Finansal Yönetim Örnek Sorular Güz 2015. Yrd. Doç. Dr. Rüstem Barış Yeşilay 1. Örnek. Örnek. Örnek. Örnek. Örnek Fasal Yöetm Örek lar Güz 2015 Güz 2015 Fasal Yöetm Örek lar 2 Örek FİNNSL YÖNETİM ÖRNEKLER 1000 TL %10 fazde kaç yıl süreyle yatırıldığıda 1600 TL olur? =1000 TL, FV=1600 TL, =0.1 FV (1 ) FV 1600 (1 )

Detaylı

Önceki bölümde özetlenen Taylor metodlarında yerel kesme hata mertebesinin yüksek oluşu istenilen bir özelliktir. Diğer taraftan

Önceki bölümde özetlenen Taylor metodlarında yerel kesme hata mertebesinin yüksek oluşu istenilen bir özelliktir. Diğer taraftan III.5.RUNGE-KUTTA METODLARI Öcek bölümde özelee Talor meodlarıda erel kesme aa merebes üksek oluşu sele br özellkr. Dğer araa ürevler buluma ve esaplaması pek çok problem ç karmaşık ve zama alıcı olduğuda

Detaylı

ÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU

ÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU 6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız

Detaylı

TABAKALI ŞANS ÖRNEKLEME

TABAKALI ŞANS ÖRNEKLEME 6 TABAKAI ŞA ÖREKEME 6.. Populasyo ortalaması ve populasyo toplamıı tam 6.. Populasyo ortalamasıı ve toplamıı varyası 6... Populasyo ortalamasıı varyası 6... Populasyo toplamıı varyası 6..3. Ortalama ve

Detaylı

Tümevarım_toplam_Çarpım_Dizi_Seri. n c = nc i= 1 n ca i. k 1. i= r n. Σ sembolü ile bilinmesi gerekli bazı formüller : 1) k =1+ 2 + 3+...

Tümevarım_toplam_Çarpım_Dizi_Seri. n c = nc i= 1 n ca i. k 1. i= r n. Σ sembolü ile bilinmesi gerekli bazı formüller : 1) k =1+ 2 + 3+... MC formülüü doğruluğuu tümevarım ilkesi ile gösterelim. www.matematikclub.com, 00 Cebir Notları Gökha DEMĐR, gdemir@yahoo.com.tr Tümevarım_toplam_Çarpım_Dizi_Seri Tümevarım Metodu : Matematikte kulladığımız

Detaylı

POLİNOMLARDA İNDİRGENEBİLİRLİK. Derleyen Osman EKİZ Eskişehir Fatih Fen Lisesi 1. GİRİŞ

POLİNOMLARDA İNDİRGENEBİLİRLİK. Derleyen Osman EKİZ Eskişehir Fatih Fen Lisesi 1. GİRİŞ POLİNOMLARDA İNDİRGENEBİLİRLİK Derleye Osma EKİZ Eskişehir Fatih Fe Lisesi. GİRİŞ Poliomları idirgeebilmesi poliomları sıfırlarıı bulmada oldukça öemlidir. Şimdi poliomları idirgeebilmesi ile ilgili bazı

Detaylı

4/16/2013. Ders 9: Kitle Ortalaması ve Varyansı için Tahmin

4/16/2013. Ders 9: Kitle Ortalaması ve Varyansı için Tahmin 4/16/013 Ders 9: Kitle Ortalaması ve Varyası içi Tahmi Kitle ve Öreklem Öreklem Dağılımı Nokta Tahmii Tahmi Edicileri Özellikleri Kitle ortalaması içi Aralık Tahmii Kitle Stadart Sapması içi Aralık Tahmii

Detaylı

SAYISAL YÖNTEMLER DERS NOTLARI

SAYISAL YÖNTEMLER DERS NOTLARI SAYISAL YÖNTEMLER DERS NOTLARI Yrd Doç Dr Hüse Bıroğu İSTANBUL 6 İÇİNDEKİLER SAYFA -GİRİŞ SAYISAL HESAPLAMALARDA HATA ANALİZİ HATA TANIMI SAYISAL YÖNTEMLERİN SINIFLANDIRILMASI 5 DENKLEMLERİN KÖKLERİNİN

Detaylı

Emici Torbalar. Ev Bakımında ya da Huzur Evlerinde hijyen ve konfor için eşsiz çözümler. Durulama Gerektirmeyen Banyo. www.cleanis.

Emici Torbalar. Ev Bakımında ya da Huzur Evlerinde hijyen ve konfor için eşsiz çözümler. Durulama Gerektirmeyen Banyo. www.cleanis. Ev Bakımında ya da Huzur Everinde hijyen ve konfor için eşsiz çözümer Emici Torbaar Duruama Gerektirmeyen Banyo www.ceanis.com Emici Torbaar Yatak Sürgüsü Kapaması Daha iyi dezenfeksiyon sağamak için,

Detaylı

GÜÇLENDİRME PERDELERİNDE BOŞLUKLARIN KAPASİTEYE OLAN ETKİSİ

GÜÇLENDİRME PERDELERİNDE BOŞLUKLARIN KAPASİTEYE OLAN ETKİSİ 2. Türkiye Deprem Müendisiği ve Sismooji Konferansı 25-27 Eyü 213 MKÜ HATAY GÜÇLENDİRME PERDELERİNDE BOŞLUKLARIN KAPASİTEYE OLAN ETKİSİ ÖZET: K. Pençereci 1, S. Yıdırım 1, Y.İ. Tonguç 1 1 İnş. Yük. Mü.,Promer

Detaylı

NİÇİN ÖRNEKLEME YAPILIR?

NİÇİN ÖRNEKLEME YAPILIR? İÇİ ÖREKEME YAPIIR? Zama Kısıdı Maliyeti Azaltma Hata Oraıı Azaltma Souca Ulaşma Hızı Doç.Dr. Ali Kemal ŞEHİRİOĞU Araş.Gör. Efe SARIBAY Örekleme Teorisi kousuu içide, Örekleme Tipleri populasyoda örek

Detaylı

5.1 Olasılık Tarihi. 5.2. Temel Olasılık Kavramları

5.1 Olasılık Tarihi. 5.2. Temel Olasılık Kavramları 5 OLSILIK 5.. Olasılık Tarh 5.. Temel Olasılık Kavramları 5.3. Deeysel Olasılık 5.4. Temel olasılık Teoremler 5.5. Olasılığı Tolaablrlk Kuralı: 5.6. Olasılığı çarım kuralı: 5.7. Değl ağıtısı: 5.8. Koşullu

Detaylı

PORTFÖY OPTİMİZASYONUNDA ORTALAMA MUTLAK SAPMA MODELİ VE MARKOWITZ MODELİNİN KULLANIMI VE İMKB VERİLERİNE UYGULANMASI

PORTFÖY OPTİMİZASYONUNDA ORTALAMA MUTLAK SAPMA MODELİ VE MARKOWITZ MODELİNİN KULLANIMI VE İMKB VERİLERİNE UYGULANMASI Süleyma Demrel Üverstes İktsad ve İdar Blmler Fakültes Dergs Y.2008, C.3, S.2 s.335-350. Suleyma Demrel Uversty The Joural of Faculty of Ecoomcs ad Admstratve Sceces Y.2008, vol.3, No.2 pp.335-350. PORTFÖY

Detaylı

A Mathematical Approach to the Preventive Intelligence Service Designed for the Encounter with the Organized Criminal and Terror Enterprise

A Mathematical Approach to the Preventive Intelligence Service Designed for the Encounter with the Organized Criminal and Terror Enterprise KMÜ Sosya ve Ekonomịk Araştırmaar Dergịs 6 (Öze Sayı I: 06-04 ISS: 47-7833 www.kmu.edu.tr Organze Suç ve Terör Örgüter e Mücadeede Öneyc Đsthbarat Hzmet çn Matematkse Yakaşım Murat BEŞER Đstanbu Ünverstes

Detaylı

İDEAL ÇARPIMLARI (IDEAL PRODUCTS)

İDEAL ÇARPIMLARI (IDEAL PRODUCTS) T.C. ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK BÖLÜMÜ (IDEAL PRODUCTS) 070216013 TUĞBA ÖZMEN 080216038 AYŞE MUTLU 080216064 SEVİLAY HOROZ Nil ehri, Düyaı e uzu ehridir (6.650

Detaylı

HĐPERSTATĐK SĐSTEMLER

HĐPERSTATĐK SĐSTEMLER HĐPERSTATĐK SĐSTELER Taım: Bütü kest zorları, şekldeğştrmeler ve yerdeğştrmeler belrlemes ç dege deklemler yeterl olmadığı sstemlere hperstatk sstemler der. Hperstatk sstemler hesabı ç, a) Dege deklemlere,

Detaylı

HERHANGİ BİR NOKTASINDAN BASİT MESNETLİ ANKASTRE BİR KİRİŞİN FREKANS CEVABI FONKSİYONUNUN BULUNMASI

HERHANGİ BİR NOKTASINDAN BASİT MESNETLİ ANKASTRE BİR KİRİŞİN FREKANS CEVABI FONKSİYONUNUN BULUNMASI 0.UUSA MAKİNE EORİSİ SEMPOZYUMU Seçuk Ünverstes, Konya, Eyü 00 HERHANGİ BİR NOKASINDAN BASİ MESNEİ ANKASRE BİR KİRİŞİN FREKANS CEVABI FONKSİYONUNUN BUUNMASI H. Ero ve M. Gürgöze İ..Ü. Makna Fakütes, Gümüşsuyu,

Detaylı

TÜMEVARIM. kavrayabilmek için sonsuz domino örneği iyi bir modeldir. ( ) domino taşını devirmek gibidir. P ( k ) Önermesinin doğru olması halinde ( 1)

TÜMEVARIM. kavrayabilmek için sonsuz domino örneği iyi bir modeldir. ( ) domino taşını devirmek gibidir. P ( k ) Önermesinin doğru olması halinde ( 1) TÜMEVARIM Matematite ulladığımız teoremleri ispatlamasıda pe ço ispat yötemi vardır. Özellile doğal sayılar ve birço ouda ispatlar yapare tümevarım yötemii sıça ullaırız. Tümevarım yötemii P Öermesii doğruluğuu

Detaylı

Okaliptüs Ağaçlandırmaları İçin Uyumlu Gövde Çapı ve Gövde Hacim Modellerinin Geliştirilmesi

Okaliptüs Ağaçlandırmaları İçin Uyumlu Gövde Çapı ve Gövde Hacim Modellerinin Geliştirilmesi I. Usa Akdenz Orman ve Çevre Sempozym, 6-8 Ekm 011, Kahramanmaraş KSÜ Doğa B. Der., Öze Sayı, 01 47 KSU J. Nat. Sc., Speca Isse, 01 Okaptüs Ağaçandırmaarı İçn Uym Gövde Çapı ve Gövde acm Modeernn Geştrmes

Detaylı

2.7 Bezier eğrileri, B-spline eğrileri

2.7 Bezier eğrileri, B-spline eğrileri .7 Bezer eğrler, B-splne eğrler Bezer eğrler ve B-splne eğrler blgsaar grafklernde ve Blgsaar Destekl Tasarım (CAD) ugulamalarında çok kullanılmaktadır.. B-splne eğrler sadece br grup ver noktası çn tanımlanan

Detaylı

GRİ MARKOV KESTİRİM MODELİ KULLANILARAK DÖVİZ KURU TAHMİNİ

GRİ MARKOV KESTİRİM MODELİ KULLANILARAK DÖVİZ KURU TAHMİNİ Joural of Ecoomcs, Face ad Accoutg (JEFA), ISSN: 48-6697 Year: 4 Volume: Issue: 3 CURRENCY EXCHANGE RATE ESTIMATION USING THE GREY MARKOV PREDICTION MODEL Omer Oala¹ ¹Marmara Uversty. omeroala@marmara.edu.tr

Detaylı

KUVVET SİSTEMLERİ KUVVET. Vektörel büyüklük. - Kuvvetin büyüklüğü - Kuvvetin doğrultusu - Kuvvetin uygulama noktası - Kuvvetin yönü. Serbest vektör.

KUVVET SİSTEMLERİ KUVVET. Vektörel büyüklük. - Kuvvetin büyüklüğü - Kuvvetin doğrultusu - Kuvvetin uygulama noktası - Kuvvetin yönü. Serbest vektör. İ.T.Ü. aka akültes ekak Aa Blm Dalı STATİK - Bölüm KUVVET SİSTELEİ KUVVET Vektörel büyüklük - Kuvvet büyüklüğü - Kuvvet doğrultusu - Kuvvet uygulama oktası - Kuvvet yöü S = (,,..., ) = + +... + = Serbest

Detaylı

Bağıl Değerlendirme Sisteminin Simülasyon Yöntemi ile Test Edilmesi: Kilis 7 Aralık Üniversitesi Örneği

Bağıl Değerlendirme Sisteminin Simülasyon Yöntemi ile Test Edilmesi: Kilis 7 Aralık Üniversitesi Örneği Akademk Blşm 11 - III. Akademk Blşm Koferası Bldrler 2-4 Şubat 2011 İöü Üverstes, Malatya Bağıl Değerledrme Sstem Smülasyo Yötem le Test Edlmes: Kls 7 Aralık Üverstes Öreğ Kls 7 Aralık Üverstes, Blgsayar

Detaylı

X = 11433, Y = 45237,

X = 11433, Y = 45237, A.Ü. SBF, IV Malye EKONOMETRİ I ARA SINAVI 4..006 Süre 90 dakkadır..,. ve 3. sorular 0 ar, 4. ve 5. sorular 30 ar pua, ödev 0 pua değerdedr. Tüm formüller ve şlemlerz açıkça gösterz. ) Y = Xβ + u doğrusal

Detaylı

5.3. Tekne Yüzeylerinin Matematiksel Temsili

5.3. 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

Detaylı

Örnek A. Benzer tipteki 40 güç kaynağının dayanma süreleri aşağıdaki gibidir. Genişletilmiş frekans tablosu oluşturunuz;

Örnek A. Benzer tipteki 40 güç kaynağının dayanma süreleri aşağıdaki gibidir. Genişletilmiş frekans tablosu oluşturunuz; Öre A. Bezer pe 40 güç ayağıı dayama süreler aşağıda gbdr. Geşlelmş reas ablosu oluşuruuz;, 4,7 3, 3,4 3,3 3, 3,9 4, 3,4 4, 3,8 3,7 3,6 3,8 3,7 3,0,,6 3, 3,,6,9 3, 3,0 3,3 4,3 3, 4, 4,6 3, 3,3 4,4 3,9,9

Detaylı

İ Ş İ İ ş ş ğ ç ğ ş ç ç ğ ç ğ Ç ö ç şi İ ç ç ş ğ ç ğ ç ç Ç ğ ö ğ İ ç ğ İ İ ğ ş ğ ğ ş öş ç ç ç ğ İ ş ğ İ ğ ç ç Ğ ş öş Ğ ç ç ç İ ğ ş ğ İ Ş ğ İ ğ ç ç İ Ğ

İ Ş İ İ ş ş ğ ç ğ ş ç ç ğ ç ğ Ç ö ç şi İ ç ç ş ğ ç ğ ç ç Ç ğ ö ğ İ ç ğ İ İ ğ ş ğ ğ ş öş ç ç ç ğ İ ş ğ İ ğ ç ç Ğ ş öş Ğ ç ç ç İ ğ ş ğ İ Ş ğ İ ğ ç ç İ Ğ İ Ş İ İ ş ş ğ ç ş ş ğ ğ ğ İ ğ İ İ ğ ş ğ ö ğ İ «ş ğ ş İ Ş ş ğ ş ş ğ İ ş ğ Ş İ Ş ş İ Ş ş Ş İİ Ş ş İ ğ Ş ö ş ö İ Ü Ü İ ö İ ş ç ğ ş çi ö ğ ç ş ç ö ğ ş ö ğ ç ş ğ ş ğ ş İ ö İ İ ö İ İ ç ş ş ö İ Ö ğ ş ğ İ ğ ş

Detaylı

Bina Isıtmada Enerji Tüketiminin Optimum Kontrolü JAGA Araştırması

Bina Isıtmada Enerji Tüketiminin Optimum Kontrolü JAGA Araştırması Bina Isıtmada Tüketiminin Optimum Kontroü JAGA Araştırması İç mekan ısıtma ve soğutma sistemerinde enerji tüketiminin kontro edimesi ısınma ve ikimeme teorisinde daima önemi ro oynayan bir konu omuştur.

Detaylı

Kuyruk Teorisi Ders Notları: Bazı Kuyruk Modelleri

Kuyruk Teorisi Ders Notları: Bazı Kuyruk Modelleri uyruk Teorisi Ders Notları: Bazı uyruk Modelleri Mehmet YILMAZ mehmetyilmaz@akara.edu.tr 10 ASIM 2017 11. HAFTA 6 Çok kaallı, solu N kapasiteli, kuyruk sistemi M/M//N/ Birimleri sisteme gelişleri arasıdaki

Detaylı

Sonlu kanat Teorisi Açıklık oranıküçük kanatlar etrafındaki akımın fiziksel yapısı

Sonlu kanat Teorisi Açıklık oranıküçük kanatlar etrafındaki akımın fiziksel yapısı Sou kt Teor çıkık orıküçük ktr etrfıdk kımı fke pıı çıkık orı küçük (R < -5 ktr çıkık orı büük (R > -5 ktr UCK5 erodmk der otrı UCK5 erodmk der otrı çıkık orıküçük ktr etrfıdk kımı fke pıı çıkık orıükek

Detaylı

Gamma ve Weibull Dağılımları Arasında Kullback-Leibler Uzaklığına Dayalı Ayrım

Gamma ve Weibull Dağılımları Arasında Kullback-Leibler Uzaklığına Dayalı Ayrım Afyo Kocatepe Üverstes Fe ve Mühedslk Blmler Dergs Afyo Kocatepe Uversty Joural of Scece ad Egeerg AKÜ FEMÜBİD 7 (27) 234 (5-55) AKU J. Sc.Eg.7 (27) 234 (5-55) DOI:.5578/fmbd.6774 Gamma ve Webull Dağılımları

Detaylı

ÖZELLİK-TABANLI BİLGİSAYAR DESTEKLİ SÜREÇ PLANLAMADA BULANIK MODELLEME YAKLAŞIMI

ÖZELLİK-TABANLI BİLGİSAYAR DESTEKLİ SÜREÇ PLANLAMADA BULANIK MODELLEME YAKLAŞIMI Özet ÖZELLİK-TABALI BİLGİSAYAR DESTEKLİ SÜREÇ PLALAMADA BULAIK MODELLEME YAKLAŞIMI Adem Göeç Ercyes Ünverstes Mühendsk Fakütes Endüstr Mühendsğ Böümü, 38039, KAYSERİ. Bu çaışmada, sndrk br maat parçası

Detaylı

TEKNOLOJİ, PİYASA REKABETİ VE REFAH

TEKNOLOJİ, PİYASA REKABETİ VE REFAH TEKNOLOJİ, PİYASA REKABETİ VE REFAH Dr Türkmen Göksel Ankara Ünverstes Syasal Blgler Fakültes Özet Bu makalede teknoloj sevyesnn pyasa rekabet ve refah sevyes üzerndek etkler matematksel br model le ncelenecektr

Detaylı

Ü Ğ Ş Ü Ğ İ ö İ ö öç Ğ ö İ Ü Ş ö Ö ç ç ğ ö ö ğ ö Ğ Ğ «Ü Ş ğ Ü Ş İ ğ İ ğ ğ ğ ö ö ç ç ğ ğ İ ğ Ç ğ ğ Ü Ş İ ğ İ Ç ğ ğ Ç ğ Ü Ş ğ ğ İ ğ ğ ğ ğ İ ö İ ğ İ Ü İ İ Ü Ü Ü Ü İ ğ Ü ğ ö ç ö ğ ğ İ ğ İ ç ç ç İ ğ ğ İ ğ İ

Detaylı

BÖLÜM 2 OLASILIK TEORİSİ

BÖLÜM 2 OLASILIK TEORİSİ BÖLÜM OLSILIK TEORİSİ İstatstksel araştırmaları temel koularıda br souu öede kes olarak blmeye bazı şasa bağlı olayları (deemeler) olası tüm mümkü souçlarıı hag sıklıkla ortaya çıktığıı belrleyeblmektr.

Detaylı