Nokta Tahmin Edicilerin Özellikleri-2. örneklem olsun. 2. θ için başka bir yansız tahmin edici T ve E(T) = θ olmak üzere
|
|
- Derya Demirel
- 2 yıl önce
- İzleme sayısı:
Transkript
1 Nokta Tahmi Edicileri Özellikleri-2 Taım. X, X 2,, X olasılık yoğuluk foksiyou f(x, θ) bir kitlede çekile öreklem olsu.. E(T ) θ 2. θ içi başka bir yasız tahmi edici T ve E(T) θ olmak üzere Var(T ) Var(T) Eşitsizliği θ ε Θ içi sağlaıyorsa( buradaki Θ parametre kümesidir, Θ öreği Beroulli dağılımı içi, Θ [0, ]). T tahmi edicisi θ içi düzgü, e küçük varyaslı, yasız tahmi edicidir.(umvue) Rao Cramer Alt Sıırı f(x; θ) θ ya göre iki kez türevleebilir olsu. iki kez türevleebilir olsu. f(x; θ)dx Her iki tarafı θ ya göre türevi alıırsa f(x; θ)dx θ ya göre d dθ f(x; θ)dx d dθ () 0 d f(x; θ)dx dθ 0 d dθ f(x; θ) f(x; θ) f(x; θ) dx 0 d lf(x; θ)f(x; θ)dx dθ 0 ( ) Not. E(g(X)) g(x) f(x)dx E ( d lf(x; θ)) E(S(X; θ)) 0 dθ S(X; θ) d lf(x; θ) ifadesie Skor foksiyou deir. dθ Doç. Dr. Vedat SAĞLAM Sayfa
2 2 ( ) ifadesii 2.türevii alırsak d2 lf(x; θ)f(x; θ)dx dθ2 + d dθ lf(x; θ) d dθ f(x; θ) f(x; θ) f(x; θ) dx 0 d2 dθ 2 lf(x; θ)f(x; θ)dx + [ d 2 dθ lf(x; θ)] f(x; θ)dx 0 E [ d2 dθ 2 lf(x; θ)] + E[S2 (X; θ) ] 0 Foksiyoua Fisher bilgisi deir. I (θ) E[S 2 (X; θ)] I (θ) E [ d2 lf(x; θ)] dθ2 olduğuda E[S(X; θ)] 0 I (θ) Var[S(X; θ)] E[S 2 (X; θ)] [E[S(X; θ)] ] Not. X, X 2,, X f(x; θ) da alımış ise I (θ) I(θ) olur. Teorem(R-C). X, X 2,, X f(x; θ) yoğuluk foksiyoua sahip tesadüfi bir öreklem olsu. T(X ) de k(θ)( θ ıfoksiyou) içi yasız bir tahmi edicisi olsu. 0 2 İspat. E(T(X )) k(θ) V(T(X )) [dk(θ) dθ ]2 I (θ) Doç. Dr. Vedat SAĞLAM Sayfa 2
3 3 E (T(X )) T(x)L(θ; x)dx dx 2 dx k(θ) R X R X 2 R X Her iki tarafı θ ya göre türevii alalım T(x) L(θ;x) R X R X 2 R X (θ). L(θ;x) L(θ;x) dx k (θ) T(x) [ lf(x i;θ) i ] (θ) R X R X 2 R X E[T(X) Cauchy Shwartz Eşitsizliği: Skor Foksiyou i. i f(x i ; θ)dx i k (θ) S(X i ; θ)] k (θ) [Cov(X, Y)] 2 Var(X)Var(Y) Cov(X, Y) E(XY) E(X)E(Y) Cov[T(X), i S(X i ; θ)] E[T(X) i S(X i ; θ) ] E (T(X) E( i S(X i ; θ) ) olur 0 Cov[T(X), i S(X i ; θ)] E[T(X) S(X i ; θ) i ] i ] [E(T(X) i S(X i ; θ)] 2 Var(T(X))Var[ S(X i ; θ) [k (θ)] 2 E[T(X) i S(X i ; θ] 2 Var (T(X)) I (θ) Var (T(X)) [k (θ)] 2 I (θ) Not. Eğer sadece θ içi tahmi ediciye bakılırsa k(θ) θ ise Rao Cramer Alt Sıırı Var (T(X)) /I (θ) Doç. Dr. Vedat SAĞLAM Sayfa 3
4 4 T(X) tahmi edicisii varyası Rao Cramer alt sıırıa eşitse T(X) θ içi UMVUE dir. Örek. X, X 2,, X ~Biom(m, p) olmak üzere T(X) X m UMVUE midir. Çözüm. L(p; x, x 2,, x ) ( m x ) p x ( p) m x ( m x ) p x ( p) m x ( m x ) i i k sabiti p x i i ( p) m i x i ll(p; x) lk + ( i x i )lp + (m i x i )l( p) ll(p; x) p 2. kez türev alıırsa i x i p i x i m ( p) i i 2 ll(p; x) p 2 x i p 2 m x i ( p) 2 Fisher bilgisi I (p) E [ 2 ll(p; x) p 2 ] O halde E [ 2 ll(p; x) p 2 ] E [ i x i p 2 + m i x i ( p) 2 ] E [ i x i i + m x i p 2 ( p) 2 ] I (p) Rao Cramer Alt Sıırı ise I (p) m pq Doç. Dr. Vedat SAĞLAM Sayfa 4
5 5 I (θ) I (p) pq m T(X) X m Var (T(X)) Var(X ) m 2 σ2 m 2 mpq m 2 pq m Böylece Rao Cramer Alt Sıırı T(X) X m X i varyasıa eşit olduğuda, p içi bir UMVUE dir. Örek. X, X 2,, X ~exp(θ) olmak üzere T(X) X, θ içi UMVUE midir. Çözüm. X i ~exp(θ) olmak üzere, a) E(X ) θ olurmu? m x f(x; θ) { θ e θ, x 0 0, d. d. i. E(X ) E ( X i i) E(X i ) θ θ b) T(X) X, θ içi UMVUE midir Rao Cramer alt sıırıa bakalım. Var(X ) RCLB ise UMVUE midir. Var(X ) Var ( X i i) Var(X 2 i ) 2 θ2 θ2 i Şimdi Fisher bilgiside bu varyası e küçük alt sıırı, L i f(x i, θ) θ e x θ. θ e x LL lθ θ θ e x θ i x i i i Fisher bilgisi, 2 ll( θ; x) θ 2 θ 2 2 i x i θ 3 Doç. Dr. Vedat SAĞLAM Sayfa 5
6 6 I(p) E [ 2 ll( θ; x) ] E [ 2 i x i ] + 2 θ θ 2 θ 2 θ 3 θ 2 θ 3 θ 2 Rao Cramer Alt Sıırı ise I (θ) θ2 Var(X ) RCLB olduğuda X, θ içi bir UMVUE dir. Örek. X, X 2,, X ~Poisso(θ) olmak üzere a) T(X) X, θ içi UMVUE midir. b) T(X) X, θ 2 içi UMVUE midir. Çözüm. a) Var(X ) Var ( X i i) Var(X 2 i ) θ θ i 2 Şimdi Fisher bilgiside bu varyası e küçük alt sıırı, L(θ, x) i f(x i, θ) θx,e θ x! θx,e θ x! e θ θ i x i x i! i k L(θ, x) lk lθ i x i Fisher bilgisi, i 2 ll( θ; x) θ 2 x i θ 2 I (p) E [ 2 ll( θ; x) θ 2 ] E [ i X i θ 2 ] E(X i) iθ 2 θ θ 2 θ Rao Cramer alt sıırı ise Doç. Dr. Vedat SAĞLAM Sayfa 6
7 7 I (θ) θ b) Var(X ) E(X 2) [E(X )] 2 θ E(X 2) θ 2 θ 2 E(X 2)+ θ, E(X ) θ 4. Yeterlilik θ 2 E(X 2)+ E(X ) θ 2 E (X 2 X ), θ 2 E (X 2 X ), Y X 2 X θ2 E(Y) alıırsa, X, X 2,, X Öreklemi f(x; θ) yoğuluk foksiyoua sahip dağılımda alımış olsu. T(X, X 2,, X ) gibi bir istatistiği göz öüe alalım. Bu durumda verii tamamı ile ilgilemekte ise T(X, X 2,, X ) de elde edile bilgi ile kitle parametresi hakkıdaki bilgiye ulaşılabilir mi? Eğer bu soruu cevabı evet ise T(X, X 2,, X ) θ içi yeterli bir istatistiktir. Taım. X, X 2,, X Öreklemi f(x; θ) yoğuluk foksiyoua sahip dağılımda alımış olsu. T(X, X 2,, X ) gibi bir istatistiği göz öüe alalım. T(X) t verilmişke X x koşullu dağılımı θ parametresii içermiyorsa T(X) θ içi yeterli bir istatistiktir. P(X x T(X) t(x) ) i f(x i; θ) g T (t(x, x 2,, x ) i f(x i; θ) g T (t; θ ) Olasılığı θ ya bağlı değil ise T(X) θ içi yeterli bir istatistiktir. Örek. X, X 2,, X ~exp (λ) olmak üzere X i i T, λ içi yeterli bir istatistik midir. Doç. Dr. Vedat SAĞLAM Sayfa 7
8 8 Çözüm. P(X x T(X) t ) i f(x i; θ) g T (t; θ ) ( ) X i ~ exp(λ) ike T i X i ~Gamm(, λ) olur. f(t;, λ) λ(λx) e λt Γ(), λ > 0, t > 0 O halde g T (t; λ ) λ(λx) e λt Γ() P(X x T(X) t ) λe λx λe λx 2 λe λx λ(λx) e λt Γ() ifadesi θ λ içermediğide T Γ() t i X i Örek. X, X 2,, X ~N(θ, ) olmak üzere T istatistik midir. Çözüm. X, X 2,, X ~N(θ, ) ise T i i E(T) E( X i ) E(X i ) θ i i, λ içi yeterli bir istatistiktir. i X i Var(T) Var( X i ) Var(X i ) P(X x T(X) t ) i f(x i; θ) g T (t; θ ) i X i ~N(θ, ), θ içi yeterli bir t i x i ise i 2π e 2π e 2 (x i θ) 2 2 (t θ)2 Doç. Dr. Vedat SAĞLAM Sayfa 8
9 9 A (2π) 2 2π Ae B e 2 i (x i θ) 2 e 2 (t θ)2 2 [ x i 2 2θ i i x i +θ 2 ] Be 2 [t2 2tθ+ 2 θ 2 ] A B e 2 [ i x i 2 + t2 ] Bu ora parametrede bağımsız olduğuda T i X i istatistiği θ parametresi içi yeterli bir istatistiktir. Not. T i dağılımı her zama elde edilmeyebilir. Bu durumda aşağıdaki Neyma çarpalarıa ayırma teoremi verilebilir. t Teorem. X, X 2,, X ~{f(x; θ), θ Θ } olabilmesi içi yeter ve gerek şart olsu. T gibi bir istatistiği yeterli i f(x i ; θ) g T (t(x, x 2,, x ); θ )h(x, x 2,, x ). Örek. X, X 2,, X ~N(θ, ) olmak üzere θ içi yeterli bir istatistik buluuz(neyma çarpalarıa ayırma teoremie göre) f(x; θ) f(x i ; θ) i 2π e 2 (x θ) 2 2π e 2 (x θ) 2 (2π) 2 (2π) 2 e 2 i (x i θ) 2 {e 2 [ x i 2 2θ i i x i +θ 2 ] } t Doç. Dr. Vedat SAĞLAM Sayfa 9
10 0 (2π) 2 e 2 i x i 2 h(x) e θ i x i θ2 2 g(t(x);θ) şeklide yazılabildiğide i x i, θ parametresi içi yeterli bir istatistiktir. Örek. X, X 2,, X ~Poiss(θ) olmak üzere, a) T i X i, θ içi yeterli bir istatistikmidir. b) θ parametresi içi yeterli bir tahmi edici buluuz(neyma çarpalarıa ayırma teoremie göre) Çözüm. a) θ x i i P(X x) P(X x T t) P(T t) x i! e θ (θ) t e t! θ T i X i, T~Poisso(θ) P(X x T t) θ i x i t θ t t! e θ i x i e θ P(X x T t) t! t i x i Koşullu olasılığı θ parametresii içermediğide T i X i, yeterli bir istatistiktir. b) f(x; θ) θx x! e θ, x 0,,2, f(x; θ) θ i x i e θ i x i! Doç. Dr. Vedat SAĞLAM Sayfa 0
11 x i! i h(x) θ i x i e θ g(t(x); θ) olduğuda i x i θ içi yeterli bir istatistiktir. Ödev. X, X 2,, X ~exp(θ) olmak üzere θ içi yeterli bir istatistik buluuz(neyma çarpalarıa ayırma teoremie göre) Üstel Aile ve Yeterlilik Kavramı f(x, θ) c(θ)h(x)e m i w j(θ)t j (x) () c(θ) 0, w, w 2,,, w m θ ı foksiyoları ve h(x) 0, (x, x 2,, x ) i foksiyou, T,, T m ler (x, x 2,, x ) i foksiyou böylece (T ( x ), T 2 ( x ),, T m ( x )), (θ, θ 2,, θ m ) içi ortak yeterli istatistiktir. f(x, θ) c(θ)e m i w j(θ)t j (x) g(t,,t m ;θ,θ 2,,θ m ) h(x) h(x,x 2,,x ) Ayrılabildiğide (T ( x ), T 2 ( x ),, T m ( x )), yeterli istatistiktir. (θ, θ 2,, θ m ) içi ortak Örek. X~Beta(α, β) α > 0 ve β > 0 olsu. Doç. Dr. Vedat SAĞLAM Sayfa
12 2 f(x, x 2,, x ; α, β) Γ(α + β) [ Γ(α)Γ(β) ] x α x α 2 x α ( x ) β ( x 2 ) β ( x ) β. f(x; α, β) Γ(α+ β) Γ(α)Γ(β) xα ( x) β, α > 0 ve β > 0; 0 < x < Γ(α+ β) f(x, x 2,, x ; α, β) [ Γ(α + β) [ Γ(α)Γ(β) ] Γ(α + β) [ Γ(α)Γ(β) ] c(α,β) Γ(α)Γ(β) ] [ i x i ] α [ i ( x i )] β e (α ) i lx ie ( β ) i l ( x i) e α i lx i+β i l ( x i ) e i lx i l ( x i ) i T (x) i lx i h(x) T 2 (x) i l ( x i ) w (α,β)α, w 2 (α,β)β f(x; α, β) üstel aile özelliğie sahip (α, β) içi ortak yeterli istatistikler ( i lx i, i l ( x i )) biçimidedir. Örek. X, X 2,, X ~üzere μ, σ 2 parametreleri içi yeterli istatistik buluuz. Çözüm. f(x; μ, σ 2 ) { 2πσ 2 e 2σ 2(x μ)2, < x < 0, dd f(x; μ, σ 2 ) i f(x i, μ, σ 2 ), < μ <, σ 2 > 0 [2πσ 2 ] 2 [2πσ 2 ] 2 [2πσ 2 ] 2 [2πσ 2 ] 2 e e e e μ2 2σ 2 i ( x i μ) 2 2σ 2 i (x i 2 2μx i +μ 2 ) 2σ 2 i (x i 2 2μx i +μ 2 ) 2σ 2 e 2σ 2 i x i 2 + μ σ 2 i x i Doç. Dr. Vedat SAĞLAM Sayfa 2
13 3 [2π] 2 h(x) [σ 2 ] 2 c(μ,σ 2 ) e μ2 2σ 2 e 2 [ x i i ][ i x i T (x) 2 x i i x i 2σ 2 μ ] σ 2 T 2 (x) i w (μ,σ 2 ) /σ 2, w 2 (μ,σ 2 )μ/σ 2 2 i x i ve i x i μ, σ 2 içi yeterli istatistiktir. Miimal Yeterli İstatistik Mümkü ola veri idirgemesi yapılırke θ hakkıdaki bilgiyi muhafaza ede istatistiğe miimal yeterli istatistik deir. Taım. T (X) ve T(X) tahmi edicileri yeterli istatistikler olmak üzere T(X) f(t (X)) olacak biçimde bir f foksiyou varsa T(X) istatistiği miimal yeterlidir. Bu bağlamda aşağıdaki teorem verilebilir. Teorem. X, X 2,, X f(x; θ) yoğuluk foksiyoua sahip bir öreklem olsu. f(x; θ) f(y; θ) h(x, y) T(X) T(Y) Bu durumda T(X) istatistiği θ içi miimal yeterlidir. Örek. X, X 2,, X ~Poisso(λ) olmak üzere teoremi uygulayarak λ içi miimal yeterli istatistiği buluuz. Çözüm. f(x; λ) f(y; λ) i i λ x ie λ x i! λy i e λ y i! i y i! x i! i i λ i x i i y i i h(x, y) x i y i Doç. Dr. Vedat SAĞLAM Sayfa 3
14 4 i y i! x i! olduğuda i x i, λ içi miimal yeterli istatistiktir. Örek. X, X 2,, X ~Biom(m, p) olmak üzere teoremi uygulayarak p içi miimal yeterli istatistiği buluuz. f(x; λ) f (y; λ) f(x; λ) ( m i x ) i i p x i ( p) m x i ( m i y ) p y i( p) m y i i ( m i x ) i ( m i y ) i. p x i i y i i ( p) y i i ( m i x ) i ( m i y ) i h(x, y) x i i y i f(y; λ) olduğuda i x i, p içi miimal yeterli istatistiktir. i i x i Ödev. X, X 2,, X ~exp(λ) olmak üzere teoremi uygulayarak λ içi miimal yeterli istatistiği buluuz.. Teorem(Rao Blackwell T. ). X, X 2,, X olasılık yoğuluk foksiyou f(x; θ) ola bir öreklem olsu. T(X) de θ içi yeterli bir istatistik ve U(X) de yasız bir tahmi edici olsu. a) E[Φ(T)] θ b) Var[Φ(T)] Var[U(X)] Φ(t) E[U(X) T(X) t(x)] İspat a) E[Φ(T)] Φ(t) g(t)dt E[U(X) T(X) t(x)] g(t)dt Doç. Dr. Vedat SAĞLAM Sayfa 4
15 5 ug(u t)g(t)dtdu ug(u,t) g(t)dtdu g(t) u E(U) g(u) g(u, t)dt du θ b ) Var(X) E Y (Var(X Y) + Var(E(X Y)) eşitliğide Var (U(X)) E T [Var(U(X) T(X) )] + Var[E(U(X) T(X) )] Var (U(X)) Var[E(U(X) T(X) )] Var(Φ(T)) 0 Var (U(X)) Var(Φ(T)) olur. Yardımcı İstatistik Taım. Bir istatistiği dağılımı bilimeye parametreye bağlı değil ise bu istatistiğe yardımcı istatistik deir. Örek. X, X 2,, X ~N(μ, 25) T ( )S ~χ ( ), T i dağılımı μ ye bağlı değildir. T i X i T μ içi yeterli bir istatistiktir. T ise μ içi yardımcı bir istatistiktir. Bu T istatistiği μ hakkıda bilgi vermez. Tam Aile ve Tam İstatistik Doç. Dr. Vedat SAĞLAM Sayfa 5
16 6 Taım. F {f(x; θ), θεθ } ailesi içi T yeterli bir istatistik olsu. Bu istatistiği herhagi bir foksiyou içi, E(g(T)) 0 ( θεθ) ike P(g(T)) oluyorsa F ye tam aile T ye ise θ ı tam ve yeterli istatistiği deir. Örek. X, X 2,, X parametresi θ ola Beroulli dağılımıda çekile bir öreklem olsu. 0< θ < içi T i X i istatistiği Beroulli dağılımlar ailesi içi tam mıdır? Çözüm. E(g(T)) 0 P(g(T)) E(g(T)) 0 g(t) 0 (T istatistiği tamdır) E(g(T)) i g(t)p(t t) i g(t)( t )θt ( θ) t ( θ) i g(t)( t )θt ( θ) t, 0 < θ < ( θ) g(t) ( t ) [ θ i >0 θ ]t 0 >0 >0 Bu toplamı sıfıra eşit olması bütü t ler içi g(t) 0 olması ile mümküdür. Yai E(g(T)) 0 P(g(T)) olduğuda T i X i istatistiği Beroulli dağılımlar ailesi içi tamdır Basu Teoremi Eğer T yeterli ve tam bir istatistik ise T herhagi bir yardımcı istatistikte bağımsızdır. Örek. X, X 2,, X ~N(μ, 25) içi T i X i, μ içi yeterli bir istatistiktir. T ( )S2 2 ~χ 25 ( ), T ise μ içi yardımcı bir istatistiktir. Bu T istatistiği μ hakkıda bilgi vermez. ( )S 2 25 ile de i X i, (T ile T ) birbiride bağımsızdır. Bu bağlamda S 2 ile X birbiride bağımsızdır. Lehma-Scheffe Teklik Teoremi Doç. Dr. Vedat SAĞLAM Sayfa 6
17 7 X, X 2,, X yoğuluk foksiyou f(x; θ) ola bir dağılımda rasgele çekile bir öreklem ve θ parametresii de tam yeterli tahmi edicisi T(X, X 2,, X ) T(X ) olsu. T i bir foksiyou ola U U(T) solu varyaslı ve θ içi yasız bir tahmi edici ise bu T(X, X 2,, X ) tahmi edicisi yasız tahmi ediciler arasıda e küçük varyaslı ve tektir. Teorem. T(X ) θ içi yeterli bir istatistik {h T {t, θ }, θεθ } tam bir aile olsu. Eğer T i herhagi bir foksiyou θ içi yasız ise yasız e küçük varyaslı tahmi ediciler arasıda T(X ) tekdir. Doç. Dr. Vedat SAĞLAM Sayfa 7
5. Ders Yeterlilik. f(x 1 ; x 2 ; :::; x n ; ) = g (T (x 1 ; x 2 ; :::; x n ); ) h(x 1 ; x 2 ; :::; x n )
5. Ders Yeterlilik Yeterlilik Ilkesi: Bir T(X ; X ; :::; X ) istatisti¼gi, hakk da yeterli bir istatistik olacaksa hakk da herhagi bir souç ç kar m T arac l ¼g ile (X ; X,...,X ) öreklemie ba¼gl olmal
Detaylı4. Ders Fisher informasyonu s f rdan büyük ve sonlu, yani 0 < I() < 1; R f(x; )dx (kesikli da¼g l mlarda R yerine P.
4. Ders tkilik Küçük varyasl olmak, tahmi edicileri vazgeçilmez bir özelli¼gidir. Bir tahmi edicii, yal veya yas z, küçük varyasl olmas isteir. Parametrei kedisi () veya bir foksiyou (g()) ile ilgili tahmi
Detaylı3. 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(;
DetaylıTahmin Edici Elde Etme Yöntemleri
6. Ders Tahmi Edici Elde Etme Yötemleri Öceki derslerde ve ödevlerde U(0; ) ; = (0; ) da¼g l m da, da¼g l m üst s r ola parametresi içi tahmi edici olarak : s ra istatisti¼gi ve öreklem ortalamas heme
DetaylıBEKLENEN DEĞER. 6. Ders. Tanım: X, bir rasgele değişken ve g : R R, B B R için x : g x B B R özelliğine sahip bir fonksiyon olmak üzere:
6. Ders BEKLENEN DEĞER Taım: X, bir rasgele değişke ve g : R R, B BR içi x : gx B BR özelliğie sahip bir foksiyo olmak üzere: i) X kesikli ve ii) X sürekli ve gx fx olduğuda, x EgX gxfx gx fxdx olduğuda,
DetaylıAKT201 MATEMATİKSEL İSTATİSTİK I ÖDEV 6 ÇÖZÜMLERİ
AKT MATEMATİKSEL İSTATİSTİK I ÖDEV 6 ÇÖZÜMLERİ KESİKLİ RASLANTI DEĞİŞKENLERİ & KESİKLİ DAĞILIMLAR. X aşağıdaki olasılık foksiyoua sahip kesikli bir r.d. olsu. Bua göre;. ; x =.. ; x =. 4. ; x =. 5 p X
DetaylıİST Rassal Süreçler Dersi Tarihli Ders Notları. Öznur AY
İST 522 - Rssl Süreçler Dersi 3.3.217 Trihli Ders Notlrı Öznur AY 1 Beklenen Değer E[X] xp(x) xf(x)dx x X Bernoulli(p) E[X] p.1 + (1 p). p X Binomil(n, p) E[X] i.p (X i) ( ) n i p i (1 p) n i i n! i. (n
DetaylıBir Rasgele Değişkenin Fonksiyonunun Olasılık Dağılımı
5.Ders Döüşümler Bir Rasgele Değişkei Foksiyouu Olasılık Dağılımı Bu kısımda olasılık dağılımı bilie bir rasgele değişkei foksiyoları ola rasgele değişkeleri olasılık dağılımlarıı buluması ile ilgileeceğiz.
DetaylıTAHMİNLEYİCİLERİN ÖZELLİKLERİ Sapmasızlık 3.2. Tutarlılık 3.3. Etkinlik minimum varyans 3.4. Aralık tahmini (güven aralığı)
3 TAHMİNLEYİCİLERİN ÖZELLİKLERİ 3.1. Sapmasızlık 3.. Tutarlılık 3.3. Etkilik miimum varyas 3.4. Aralık tahmii (güve aralığı) İyi bir tahmi edici dağılımı tahmi edilecek populasyo parametresie yakı civarda
DetaylıBağımsızlık özelliğinden hareketle Ortak olasılık fonksiyonu (sürekli ise
YTÜ-İktisat İstatistik II Örekleme ve Öreklem Dağılımları BASİT RASSAL ÖRNEKLEME N tae ese arasıda taelik bir öreklem seçilmesii istediğii düşüelim. eseli olaaklı her öreklemi seçilme şasıı eşit kıla seçim
Detaylıİşlenmemiş veri: Sayılabilen yada ölçülebilen niceliklerin gözlemler sonucu elde edildiği hali ile derlendiği bilgiler.
OLASILIK VE İSTATİSTİK DERSLERİ ÖZET NOTLARI İstatistik: verileri toplaması, aalizi, suulması ve yorumlaması ile ilgili ilkeleri ve yötemleri içere ve bu işlemleri souçlarıı probabilite ilkelerie göre
DetaylıEME 3117 SİSTEM SIMÜLASYONU. Girdi Analizi Prosedürü. Dağılıma Uyum Testleri. Dağılıma Uyumun Kontrol Edilmesi. Girdi Analizi-II Ders 9
..7 EME 37 Girdi Aalizi Prosedürü SİSTEM SIMÜLASYONU Modelleecek sistemi (prosesi) dokümate et Veri toplamak içi bir pla geliştir Veri topla Verileri grafiksel ve istatistiksel aalizii yap Girdi Aalizi-II
Detaylı12. Ders Büyük Sayılar Kanunları. Konuya geçmeden önce DeMoivre-Stirling formülünü ve DeMoivre-Laplace teoremini hatırlayalım. DeMoivre, genel terimi,
. Ders Büyü Sayılar Kauları Kouya geçmede öce DeMoivre-Stirlig formülüü ve DeMoivre-Laplace teoremii hatırlayalım. DeMoivre, geel terimi, a!,,, 3,... e ola dizii yaısa olduğuu göstermiş, aca limitii bulamamış.
Detaylı4/16/2013. Ders 9: Kitle Ortalaması ve Varyansı için Tahmin
4/16/013 Ders 9: Kitle Ortalaması ve Varyası içi Tahmi Kitle ve Öreklem Öreklem Dağılımı Nokta Tahmii Tahmi Edicileri Özellikleri Kitle ortalaması içi Aralık Tahmii Kitle Stadart Sapması içi Aralık Tahmii
Detaylı2016 YILI I.DÖNEM AKTÜERLİK SINAVLARI RİSK ANALİZİ VE AKTÜERYAL MODELLEME. aşağıdaki seçeneklerden hangisinde verilmiştir? n exp 1.
06 YILI I.DÖNEM AKTÜERLİK SINAVLARI Soru Toplam hasar miktarı S i olasılık ürete foksiyou X x i PS ( t) = E( t ) = exp λi( t ) ise P S(0) aşağıdaki seçeeklerde hagiside verilmiştir? A) 0 B) C) exp λ i
Detaylıaltında ilerde ele alınacaktır.
YTÜ-İktisat İstatistik II Nokta Tahmin Yöntemleri 1 NOKTA TAHMİN YÖNTEMLERİ Şimdiye kadar verilmiş tahmin edicilerin sonlu örneklem ve asimptotik özelliklerini inceledik. Acaba bilinmeyen anakütle parametrelerini
DetaylıAKTÜERLK SINAVLARI OLASILIK VE STATSTK SINAVI ÖRNEK SORULARI. için. 01 olaslk younluk fonksiyonu aa daki seçeneklerden hangisinde yer.
SORU : AKTÜERLK SINAVLARI OLASILIK VE STATSTK SINAVI ÖRNEK SORULARI X raslat deikeii olas l k youluk foksiyou 8x, x f(x) = 0, ö.d olarak verilmitir. Bua göre 0< y içi Y = raslat deikeii X olaslk youluk
DetaylıİSTATİSTİK 2. Tahmin Teorisi 07/03/2012 AYŞE S. ÇAĞLI. aysecagli@beykent.edu.tr
İSTATİSTİK 2 Tahmi Teorisi 07/03/2012 AYŞE S. ÇAĞLI aysecagli@beyket.edu.tr İstatistik yötemler İstatistik yötemler Betimsel istatistik Çıkarımsal istatistik Tahmi Hipotez testleri Nokta tahmii Aralık
DetaylıBİYOİSTATİSTİK İstatistiksel Tahminleme ve Hipotez Testlerine Giriş Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK İstatistiksel Tahmileme ve Hipotez Testlerie Giriş Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üiversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr
Detaylı2.2. Fonksiyon Serileri
2.2. Foksiyo Serileri Taım.. Herhagi bir ( u (x reel (gerçel değerli foksiyo dizisi verilsi. Bu m foksiyo dizisii tüm terimlerii toplamıa, yai u m (x + u m+ (x + u m+2 (x + u m+3 (x + + u m+ (x + = k=m
Detaylı6. Uygulama. dx < olduğunda ( )
. Uygulama Hatırlatma: Rasgele Değşelerde Belee Değer Kavramı br rasgele değşe ve g : R R br osyo olma üzere, ) esl ve g ) ) < olduğuda D ) sürel ve g ) ) d < olduğuda g belee değer der. c R ve br doğal
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferasiyel Deklemler 2009 Bahar Bu bilgilere atıfta bulumak veya kullaım koşulları hakkıda bilgi içi http://ocw.mit.edu/terms web sitesii ziyaret ediiz.
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıİSTATİSTİKSEL TAHMİNLEME VE HİPOTEZ TESTİ
İSTATİSTİKSEL TAHMİNLEME VE HİPOTEZ TESTİ Bu bölümdeki yötemler, bilimeye POPULASYON PARAMETRE değeri hakkıda; TAHMİN yapmaya yöelik ve, KARAR vermekle ilgili, olmak üzere iki grupta icelemektedir. Parametre
Detaylı7. Ders. Bazı Kesikli Olasılık Dağılımları
Hatırlatma: ( Ω, U, P) bir olasılık uzayı ve 7. Ders Bazı Kesikli Olasılık Dağılımları : Ω ω R ( ω) foksiyou Borel ölçülebilir, yai B B içi { ω Ω : ( ω) B } U oluyorsa foksiyoua bir Rasgele Değişke deir.
DetaylıSimülasyonda İstatiksel Modeller
Simülasyonda İstatiksel Modeller Amaç Model-geliştirici dünyaya deterministik değil olasıksal olarak bakar. İstatiksel modeller değişimleri iyi tanımlayabilir. İlgilenilen olayın örneklenmesi ile uygun
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıPOLİNOMLARDA 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
DetaylıAKT201 Matematiksel İstatistik I Yrd. Doç. Dr. Könül Bayramoğlu Kavlak
AKT20 Matematiksel İstatistik I 207-208 Güz Dönemi AKT20 MATEMATİKSEL İSTATİSTİK I ÖDEV 6 Son Teslim Tarihi: 29 Aralık 207 Cuma, Saat: 5:00 (Ödevlerinizi Arş. Gör. Ezgi NEVRUZ a elden teslim ediniz.) (SORU
Detaylıˆp x p p(1 p)/n. Ancak anakütle oranı p bilinmediğinden bu ilişki doğrudan kullanılamaz.
YTÜ-İktisat İstatistik II Aralık Tahmii II 1 ANAKÜTLE ORANININ (p GÜVEN ARALIKLARI (BÜYÜK ÖRNEKLEMLERDE Her birii başarı olasılığı p ola birbiride bağımsız Beroulli deemeside öreklemdeki başarı oraıı ˆp
DetaylıİSTATİSTİKSEL TAHMİN. Prof. Dr. Levent ŞENYAY VIII - 1 İSTATİSTİK II
8 İSTATİSTİKSEL TAHMİN 8.. İstatistiksel tahmileyiciler 8.. Tahmileyicileri Öellikleri 8... Sapmasılık 8... Miimum Varyaslılık 8..3. Etkilik 8.3. Aralık Tahmii 8.4. Tchebysheff teoremi Prof. Dr. Levet
DetaylıSimülasyonda İstatiksel Modeller. Banks, Carson, Nelson & Nicol Discrete-Event System Simulation
Simülasyonda İstatiksel Modeller Banks, Carson, Nelson & Nicol Discrete-Event System Simulation Amaç Model-geliştirici dünyaya deterministik değil olasıksal olarak bakar. İstatiksel modeller değişimleri
DetaylıYrd.Doç. Dr. Mustafa Akkol
komşuluğu: Taım: ; isteildiği kadar küçük seçilebile poziti bir sayı olmak üzere a a açık aralığıa a R sayısıı komşuluğu deir Örek : Taım: a a a a ve 0 00 olsu ' i 0 00 0 00 999 00 : Z R bir dizi deir
DetaylıİÇİNDEKİLER. Ön Söz Polinomlar II. ve III. Dereceden Denklemler Parabol II. Dereceden Eşitsizlikler...
İÇİNDEKİLER Ö Söz... Poliomlar... II. ve III. Derecede Deklemler... Parabol... 9 II. Derecede Eşitsizlikler... 8 Trigoometri... 8 Logaritma... 59 Toplam ve Çarpım Sembolü... 7 Diziler... 79 Özel Taımlı
Detaylı5. Ders. Dağılımlardan Rasgele Sayı Üretilmesi Ters Dönüşüm Yöntemi
5. Drs Dağılımlarda Rasgl Sayı Ürtilmsi Trs Döüşüm Yötmi sürkli bir rasgl dğişk v bu rasgl dğişki dağılım foksiyou olsu. Dağılımı dstk kümsi üzrid dağılım foksiyou arta v bir-bir bir foksiyo olmaktadır.
DetaylıEME 3117 SISTEM SIMÜLASYONU. Üçgensel Dağılım. Sürekli Düzgün Dağılım. Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar
0..07 EME 37 SISTEM SIMÜLASYONU Simulasyonda İstatistiksel Modeller-II Ders 5 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar Sürekli Düzgün (Uniform) Dağılım Normal Dağılım Üstel (Exponential)
Detaylı19.11.2013 EME 3105 SİSTEM SİMÜLASYONU. Sürekli Dağılımlar (2) Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar.
9..03 EME 305 SİSTEM SİMÜLASYONU Simulasyonda İstatistiksel Modeller-II Ders 5 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar Sürekli Düzgün (Uniform) Dağılım Normal Dağılım Üstel (Exponential)
Detaylıf n dµ = lim gerçeklenir. Gösteriniz (Bu teorem Monoton yakınsaklık teoreminde yakınsaklık f n = f ve (f n ) monoton artan dizi
4.2. Pozitif Foksiyoları İtegrali SOU : f ), M +, A) kümeside bulua foksiyoları mooto arta dizisi ve h.h.h. f = f ise f dµ = f dµ gerçekleir. Gösteriiz Bu teorem Mooto yakısaklık teoremide yakısaklık yerie
DetaylıLİNEER OLMAYAN DENKLEMLERİN SAYISAL ÇÖZÜM YÖNTEMLERİ-2
LİNEER OLMAYAN DENKLEMLERİN SAYISAL ÇÖZÜM YÖNTEMLERİ SABİT NOKTA İTERASYONU YÖNTEMİ Bu yötemde çözüme gitmek içi f( olarak verile deklem =g( şeklie getirilir. Bir başlagıç değeri seçilir ve g ( ardışık
DetaylıİSTATİSTİK DERS NOTLARI
Balıkesir Üiversitesi İşaat Mühedisliği Bölümü umutokka@balikesir.edu.tr İSTATİSTİK DERS NOTLARI Yrd. Doç. Dr. Umut OKKAN idrolik Aabilim Dalı Balıkesir Üiversitesi İşaat Mühedisliği Bölümü Bölüm 5 Örekleme
DetaylıKuyruk 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
DetaylıAnaliz II Çalışma Soruları-2
Aaliz II Çalışma Soruları- So gücelleme: 04040 (I Aşağıdaki foksiyoları (ilgili değişkelere göre türevlerii buluuz 7 cos π 8 log (si π ( si ta e 9 4 5 6 + cot 0 sec sit t si( e + e arccos ( e cos(ta (II
DetaylıOlasılık ve Dağılım Teorisi Kavramlarının Gözden Geçirilmesi
İSTATİSTİK I: Olasılık ve Dağılım Teorisi Kavramlarının Gözden Geçirilmesi Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü 22 Eylül 2012 Ekonometri: Olasılık ve Dağılım - H. Taştan 1 İstatistik
DetaylıÖRNEKLEME VE ÖRNEKLEME DAĞILIŞLARI
7 ÖRNEKLEME VE ÖRNEKLEME DAĞILIŞLARI 7.. Niçi Örekleme Yapılır 7.. Olasılıklı Örekleme 7... Basit Şas Öreklemesi 7... Tabakalı Örekleme 7... Küme Öreklemesi 7..4. Sistematik Örekleme 7.. Olasılıklı Olmaya
Detaylı0 1 2 n 1. Doğu Akdeniz Üniversitesi Matematik Bölümü Mate 322
Bölüm 3. İkici Mertebede Lieer ve Sabit Katsaılı Diferesiel Deklemler 4 3. Geel Taımlar ( ) ( ) ( ) a ( ) + a ( ) + a ( ) +... + a ( ) + a ( ) = f ( ) () 0 şeklideki bir deklem. mertebede lieer deklem
DetaylıDÜZCE ÜN IVERS ITES I FEN-EDEB IYAT FAKÜLTES I
DÜZCE ÜN IVERS ITES I FEN-EDEB IYAT FAKÜLTES I MATEMAT IK BÖLÜMÜ 203-204 BAHAR YARIYILI D IFERANS IYEL DENKLEMLER II ARA SINAV 2 Nisan 204 Süre: 90 dakika CEVAP ANAHTARI. (5p) Belirsiz katsay lar yöntemini
DetaylıİÇİNDEKİLER. Ön Söz Saymanın Temel Kuralları Permütasyon (Sıralama) Kombinasyon (Gruplama) Binom Açılımı...
İÇİNDEKİLER Ön Söz... Saymanın Temel Kuralları... Permütasyon (Sıralama)... 8 Kombinasyon (Gruplama)... 6 Binom Açılımı... Olasılık... 9 İstatistik... 8... Dağılımlar... 5 Genel Tarama Sınavı... 6 RASTGELE
Detaylı(3) Eğer f karmaşık değerli bir fonksiyon ise gerçel kısmı Ref Lebesgue. Ref f. (4) Genel karmaşık değerli bir fonksiyon için. (6.
Problemler 3 i Çözümleri Problemler 3 i Çözümleri Aşağıdaki özellikleri kaıtlamaızı ve buu yaıda daha fazla soyut kaıt vermeizi isteyeceğiz. h.h. eşitliğii ölçümü sıfır ola bir kümei tümleyei üzeride eşit
DetaylıTOPOLOJİK TEMEL KAVRAMLAR
TOPOLOJİK TEMEL KAVRAMLAR 1.1. Kümeler ve Foksiyolar A ı bir elemaıa B i yalız bir elemaıı eşleye bağıtıya bir foksiyo deir. f : A B, Domf = U A ve ragef B dir. Taım 1.1.1. f : A B foksiyou içi V A olsu.
DetaylıÖRNEKLEME TEORİSİ VE TAHMİN TEORİSİ
İSTATİSTİKSEL TAHMİNLEME VE İSTATİSTİKSEL YORUMLAMA TAHMİNLEME SÜRECİ VE YORUMLAMA SÜRECİ ÖRNEKLEME TEORİSİ VE TAHMİN TEORİSİ ÖRNEKLEME VE ÖRNEKLEME ÖRNEKLEME DAĞILIMLARI VE ÖRNEKLEME DAĞILIMLARI Yorumlama
DetaylıTümevarım_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
DetaylıPOLİNOMLAR. reel sayılar ve n doğal sayı olmak üzere. n n. + polinomu kısaca ( ) 2 3 n. ifadeleri polinomun terimleri,
POLİNOMLAR Taım : a0, a, a,..., a, a reel sayılar ve doğal sayı olmak üzere P x = a x + a x +... + a x + a x + a biçimideki ifadelere x e bağlı reel katsayılı poliom (çok terimli) deir. 0 a 0 ax + a x
DetaylıPOLĐNOMLAR YILLAR ÖYS
YILLAR 4 5 6 7 8 9 ÖSS - - - - - - ÖYS POLĐNOMLAR a,a,a,..., a P () = a + a +... + a R ve N olmak üzere; ifadesie Reel katsayılı.ci derecede bir değişkeli poliom deir. P()= a sabit poliom, (a ) P()= sıfır
DetaylıHerhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır.
Kümülatif Dağılım Fonksiyonları Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. F X (x) = P (X x) = x f X(x ) dx Sürekli
DetaylıİSTATİSTİK I KAVRAMLARININ
YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme İSTATİSTİK I KAVRAMLARININ GÖZDEN GEÇİRİLMESİ Hüseyin Taştan Yıldız Teknik Üniversitesi, İktisat Bölümü, email: tastan@yildiz.edu.tr YTÜ-İktisat İstatistik
DetaylıYard. Doç. Dr. Mustafa Akkol
Yard. Doç. Dr. Mustaa Akkol Değişim Oraı: oksiouu değişimii ile, i değişimii İle östere. Değişim oraı olur. Diğer tarata olduğuda, Değişim oraı ve 0, alalım. Örek: Yard. Doç. Dr. Mustaa Akkol olur. 0,
Detaylı5 İKİNCİ MERTEBEDEN LİNEER DİF. DENKLEMLERİN SERİ ÇÖZÜMLERİ
5 İKİNCİ MERTEBEDEN LİNEER DİF. DENKLEMLERİN SERİ ÇÖZÜMLERİ Bir lieer deklemi geel çözümüü bulmak homoje kısmı temel çözümlerii belirlemesie bağlıdır. Sabit katsayılı diferasiyel deklemleri temel çözümlerii
DetaylıSÜREKLİ DÜZGÜN DAĞILIM
SÜREKLİ DÜZGÜN DAĞILIM X rassal değişkenin olasılık yoğunluk fonksiyonu; şeklinde ise x e düzgün dağılmış rassal değişken, f(x) e sürekli düzgün dağılım denir. a 0 olduğuna göre, f(x) >0 olur.
DetaylıHİPOTEZ TESTLERİ. İstatistikte hipotez testleri, karar teorisi olarak adlandırılır. Ortaya atılan doğru veya yanlış iddialara hipotez denir.
HİPOTEZ TETLERİ İstatistikte hipotez testleri, karar teorisi olarak adladırılır. Ortaya atıla doğru veya yalış iddialara hipotez deir. Öreği para hilesizdir deildiğide bu bir hipotezdir. Ortaya atıla iddiaya
DetaylıMühendislik Matematiği 2- Hafta 2-3. Arş. Gör. Dr. Sıtkı AKKAYA
Mühendislik Matematiği 2- Hafta 2-3 Arş. Gör. Dr. Sıtkı AKKAYA İÇİNDEKİLER BÖLÜM 2 2.1. GİRİŞ 2.2. BİRİNCİ MERTEBE DİFERANSİYEL DENKLEMLERE GENEL BAKIŞ 2.3. BİRİNCİ MERTEBE LİNEER DİFERANSİYEL DENKLEMLER
DetaylıA= {1,2,3}, B={1,3,5,7}kümeleri veriliyor. A dan B ye tanımlanan aşağıdaki bağıntılardan hangisi fonksiyon değildir?
ÖRNEK 1 : A= {1,,}, B={1,,5,7}kümeleri veriliyor. A da B ye taımlaa aşağıdaki bağıtılarda hagisi foksiyo değildir? A) {(1,), (,5), (,7)} B) {(1,), (1,5), (,1)} C) {(1,1), (,1), (,1)} D) {(1,5), (,1), (,7)}
Detaylı2(1+ 5 ) b = LYS MATEMATİK DENEMESİ. işleminin sonucu kaçtır? A)2 5 B)3 5 C)2+ 5 D)3+ 5 E) işleminin sonucu kaçtır?
017 LYS MATEMATİK DENEMESİ Soru Sayısı: 50 Sınav Süresi: 75 ı 1. 4. (1+ 5 ) 1+ 5 işleminin sonucu kaçtır? A) 5 B)3 5 C)+ 5 işleminin sonucu kaçtır? D)3+ 5 E)1+ 5 A) B) 1 C) 1 D) E) 3. 4 0,5.16 0,5 işleminin
Detaylıx 2$, X nın bir tahminidir. Bu durumda x ile X arasındaki farka bu örnek için örnekleme hatası x nın örnekleme hatasıdır. X = x - (örnekleme hatası)
4 ÖRNEKLEME HATASI 4.1 Duyarlılık 4. Güveilirik 4.3 Örek hacmi ve uyarlılık arasıaki ilişki 4.4 Örek hacmi ve göreceli terimler ile uyarlılık arasıaki ilişki 4.5 Hata kareler ortalaması Örekte ele eile
DetaylıÜSTEL VE Kİ-KARE DAĞILIMLARI ARASINDAKİ İLİŞKİNİN SİMULASYON İLE ÜRETİLEN RANDOM SAYILARLA GÖSTERİLMESİ
C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 4, Sayı, 3 97 ÜSTEL VE Kİ-KARE DAĞILIMLARI ARASINDAKİ İLİŞKİNİN SİMULASYON İLE ÜRETİLEN RANDOM SAYILARLA GÖSTERİLMESİ Yalçı KARAGÖZ Cumhuriyet Üiversitesi
DetaylıEME 3117 SİSTEM SİMÜLASYONU. Üçgensel Dağılım. Sürekli Düzgün Dağılım. Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar
9.0.06 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar EME 7 SİSTEM SİMÜLASYONU Simulasyonda İstatistiksel Modeller (Sürekli Dağılımlar) Ders 5 Sürekli Düzgün Dağılım Sürekli Düzgün (Uniform)
Detaylı1 Lineer Diferansiyel Denklem Sistemleri
Outline İçindekiler 1 Lineer Diferansiyel Denklem Sistemleri 1 1.1 Lineer sistem türleri (iki bilinmeyenli iki denklem)................. 1 2 Normal Formda lineer denklem sistemleri (İki bilinmeyenli iki
DetaylıTOBB Ekonomi ve Teknoloji Üniversitesi İKT351 Ekonometri I, Ara Sınavı
TOBB Ekoom ve Tekoloj Üverstes İKT351 Ekoometr I, Ara Sıavı Öğr.Gör.: Yrd. Doç. Dr. A. Talha YALTA Ad, Soyad: Açıklamalar: Bu sıav toplam 100 pua değerde 4 soruda oluşmaktadır. Sıav süres 90 dakkadır ve
DetaylıANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER DOÇ. DR. NİHAL ERGİNEL 2015 X beklenen değeri B[X] ile gösterilir. B[X] = BEKLENEN DEĞER Belli bir malzeme taşınan kolilerin ağırlıkları
DetaylıOLASILIK DAĞILIŞLARI. Ek 1. Moment Türeten Fonksiyon
6 OLASILIK DAĞILIŞLARI 6.. Kesikli Olasılık Dağılışları 6.. Kesikli Uıform Dağılışı 6... Beroulli Dağılışı 6..3. Biom Dağılışı 6..4. Hyer-Geometrik Olasılık Dağılışı ( İadesiz Örekleme ) 6..5. Geometrik
DetaylıVeri nedir? p Veri nedir? p Veri kalitesi p Veri önişleme. n Geometrik bir bakış açısı. n Olasılıksal bir bakış açısı
Veri edir? p Veri edir? Geometrik bir bakış açısı p Bezerlik Olasılıksal bir bakış açısı p Yoğuluk p Veri kalitesi p Veri öişleme Birleştirme Öreklem Veri küçültme p Temel bileşe aalizi (Pricipal Compoet
DetaylıTÜME VARIM Bu bölümde öce,kısaca tümevarım yötemii, sorada ÖYS de karşılamakta olduğumuz sembolüü ve sembolüü ele alacağız. A. TÜME VARIM YÖNTEMİ Tümevarım yötemii ifade etmede öce, öerme ve doğruluk kümesi
DetaylıALIŞTIRMALAR. Sayısal Bilginin Özetlenmesi:
İSTATİSTİK I ALIŞTIRMALAR Y.Doç.Dr. Hüseyin Taştan AÇIKLAMA: N: P. Newbold, İşletme ve İktisat için İstatistik, 4. basımdan çeviri. Çift sayılı alıştırmalar için kitabın arkasındaki çözümlere bakabilirsiniz.
DetaylıY = f(x) denklemi ile verilen fonksiyonun diferansiyeli dy = f '(x). dx tir.
1 İNTEGRAL BİR FONKSİYONUN DİFERANSİYELİ Tanım: f: [a,b] R, x f(x) fonksiyonu (a,b) aralığında türevli olmak üzere, x değişkeninin değişme miktarı x ise f '(x). x ifadesine f(x) fonksiyonunun diferansiyeli
DetaylıEME 3105 SİSTEM SİMÜLASYONU. Girdi Analizi Prosedürü. Dağılıma Uyum Testleri. Dağılıma Uyumun Kontrol Edilmesi. Girdi Analizi-II Ders 9
EME 3105 1 Girdi Analizi Prosedürü SİSTEM SİMÜLASYONU Modellenecek sistemi (prosesi) dokümante et Veri toplamak için bir plan geliştir Veri topla Verilerin grafiksel ve istatistiksel analizini yap Girdi
DetaylıÖABT Olasılık - İstatistik KONU TESTİ Saymanın Temel Kuralları
ÖABT Olasılık - İstatistik KONU TESTİ Saymanın Temel Kuralları. 9 + = 6. A dan B ye 5 farklı şekilde gidebilir. B den C ye 3 farklı şekilde gidebilir. 5.3 = 5. 4.5 = 0 7. 5.3.3.5 5 3. kişi için iki durum
DetaylıİDEAL 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
Detaylı1. GRUPLAR. 2) Aşağıdaki kümelerin verilen işlem altında bir grup olup olmadığını belirleyiniz.
Sorular ve Çözümleri 1. GRUPLAR 1) G bir grup olmak üzere aşağıdaki eşitlikleri gösteriiz. i) e G birim elema olmak üzere e 1 = e. ii) a G olmak üzere (a 1 ) 1 = a. iii) a 1, a 2,, a G içi (a 1 a 2 a )
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
Detaylı1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz...
1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz... CABİR VURAL BAHAR 2006 Açıklamalar
DetaylıANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LISANS TEZİ MARKOV ZİNCİRLERİNDE BOOTSTRAP. Serhat DUMAN İSTATİSTİK ANABİLİM DALI ANKARA 2006
ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LISANS TEZİ MARKOV ZİNCİRLERİNDE BOOTSTRAP Serhat DUMAN İSTATİSTİK ANABİLİM DALI ANKARA 26 Her hakkı saklıdır Yrd. Doç. Dr. İhsa KARABULUT u daışmalığıda,
Detaylıİstatistiksel Kavramların Gözden Geçirilmesi
İstatistiksel Kavramların Gözden Geçirilmesi Anlamlı Basamaklar Konusu ve Olasılık Ekonometri 1 Konu 1 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial
DetaylıANADOLU ÜNİVERSİTESİ. ENM 317 Prof. Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 Prof. Dr. Nihal ERGİNEL 2 ÖRNEKLEME Anakütleden n birimlik örnek alınması ve anakütle parametrelerinin örnekten tahmin edilmesidir. 3 ÖRNEKLEME ALMANIN NEDENLERİ Anakütleye
DetaylıAppendix B: Olasılık ve Dağılım Teorisi
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım
Detaylı{ 1 3 5} { 2 4 6} OLASILIK HESABI
OLASILIK HESABI Bu derste, uygulamalarda sıkça karşılaşıla, Olasılık Uzaylarıda bazılarıa değieceğiz ve verilmiş bir Olasılık Uzayıda olasılık hesabı yapacağız. Ω. Ω solu sayıda elemaa sahip olsu. Ω {
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıZ = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ
YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM X 1,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun.
DetaylıSIRADAN EN KÜÇÜK KARELER (OLS)
SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge
DetaylıBölüm 5 Olasılık ve Olasılık Dağılışları. Doç.Dr. Suat ŞAHİNLER
Bölüm 5 Olasılık ve Olasılık Dağılışlaı Doç.D. Suat ŞAHİNLE Olasılık ve Olasılık Dağılışlaı Olasılık: Eşit saşla meydaa gele tae olayda A taesi A olayı olsu. Bu duumda A olayıı meydaa gelme olasılığı;
DetaylıOLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler
1 SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge
DetaylıMAT355 Kompleks Fonksiyonlar Teorisi I Hafta 13
4. İNTEGRALLER 4.1. Kompleks İntegrasyon Tanım 1. f : [a, b] R fonksiyonu f(t) u(t) + iv(t) biçiminde olsun. Eğer u ve v, [a, b] aralığı üzerinde integrallenebilirse, olarak tanımlanır. b f(t)dt b u(t)dt
DetaylıOlasılık Kuramı ve Bazı Olasılık Dağılımları
KAVRAMLAR Olasılık Kuramı ve Bazı Olasılık Dağılımları Deney: belirli koşullar altında tekrarlanabilen ve her tekrarda farklı sonuçlar elde edilebilen işlemdir. Örneklem uzayı: bir denemenin tüm olası
DetaylıDiziler ve Seriler ÜNİTE. Amaçlar. İçindekiler. Yazar Prof.Dr. Vakıf CAFEROV
Diziler ve Seriler Yazar Prof.Dr. Vakıf CAFEROV ÜNİTE 7 Amaçlar Bu üiteyi çalıştıkta sora; dizi kavramıı taıyacak, dizileri yakısaklığıı araştırabilecek, sosuz toplamı alamıı bilecek, serileri yakısaklığıı
DetaylıKümülatif Dağılım Fonksiyonu (Sürekli)
Kümülatif Dağılım Fonksiyonu (Sürekli) sürekli bir rastgele değişken olsun. Bu durumda kümülatif dağılım fonksiyonu şu şekilde tanımlanır. F ( ) = Pr[ ] Tipik bir KDF şu şekilde görünür:.0 F () 0 Kümülatif
Detaylı(14) (19.43) de v yi sağlayan fonksiyona karşılık gelen u = F v fonksiyonunun ikinci türevi sürekli, R de 2π periodik ve
nin her g L 2 (S için tek çözümünüm olması için gerekli ve yeterli koşulun her j için λ λ j olacak biçimde λ j ifadesini sağlayan R \ {} de bir λ j dizisinin olduğunu gösteriniz. (13) Her λ j için (19.43)
DetaylıARASINAV SORULARININ ÇÖZÜMLERİ GÜZ DÖNEMİ A A A A A A A
AKDENİZ ÜNİVERSİTESİ MATEMATİK BÖLÜMÜ BİTİRME ÖDEVİ I ARASINAV SORULARININ ÇÖZÜMLERİ - 6 GÜZ DÖNEMİ ADI SOYADI :... NO :... A A A A A A A SINAV TARİHİ VE SAATİ : Bu sınav 4 sorudan oluşmaktadır ve sınav
DetaylıH.L.Royde Real Aalysis çeviri ve düzeleme Prof.Dr.Hüseyi Çakallı Kısım Bir Reel Değişkeli Foksiyolar Teorisi Prof.Dr.Hüseyi Çakallı 3 H.L.Royde Real Aalysis çeviri ve düzeleme Prof.Dr.Hüseyi Çakallı Reel
DetaylıSÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım
SÜREKLİ ŞANS DEĞİŞKENLERİ Üstel Dağılım Normal Dağılım 1 Üstel Dağılım Meydana gelen iki olay arasındaki geçen süre veya bir başka ifadeyle ilgilenilen olayın ilk defa ortaya çıkması için geçen sürenin
DetaylıSÜREKLİ RASSAL DEĞİŞKENLER
SÜREKLİ RASSAL DEĞİŞKENLER Sürekli Rassal Değişkenler Sürekli Rassal Değişken: Değerleriölçümyadatartımla elde edilen, bir başka anlatımla sayımla elde edilemeyen, değişkene sürekli rassal değişken denir.
Detaylı