Parçacık Sürü Optimizasyonu Yöntemi ile Sayım Modelleri için En Uygun Değişken Kümesinin Belirlenmesi
|
|
- Süleyman Kayyali
- 1 yıl önce
- İzleme sayısı:
Transkript
1 Süleyma Demirel Üiversitesi Fe Bilimleri Estitüsü Dergisi Cilt 23, Özel Sayı, 76-83, 2019 Süleyma Demirel Uiversity Joural of Natural ad Applied Scieces Volume 23, Special Issue, 76-83, 2019 DOI: /sdufebed Parçacık Sürü Optimizasyou Yötemi ile Sayım Modelleri içi E Uygu Değişke Kümesii Belirlemesi Haydar KOÇ 1, Tuba KOÇ *2, Emre DÜNDER 3 1,2 Çakırı Karateki Üiversitesi, Fe Fakültesi, İstatistik Bölümü, Çakırı 1 (ORCID: 2 (ORCID: 3 Odokuz Mayıs Üiversitesi, Fe-Edebiyat Fakültesi, İstatistik Bölümü, Samsu 3 (ORCID: (Alıış / Received: , Kabul / Accepted: , Olie Yayılama / Published Olie: ) Aahtar Kelimeler Değişke seçimi, Sayım modelleri, Sezgisel optimizasyo Özet: Birçok bilimsel çalışmada sayım verisi olarak adladırıla egatif olmaya tamsayı değerleri ala icel veriler kullaılmaktadır. İstatistiği e temel aaliz yötemleride biri ola regresyo aalizi kapsamıda da sayım verileri oldukça sık kullaılmaktadır. Bağımlı değişkei tamsayı ile ifade edilebildiği regresyo modelleri sayım modelleri olarak taımlaır. Bu çalışmada sayım modelleri kapsamıda model seçimi iceledi. Sayım modelleride model seçimi içi klasik seçim yötemleri ve PSO algoritması kullaıldı. Uygulamalar hem simülasyo hem de gerçek veriler üzeride yapıldı. Souç olarak klasik yötemlerle kıyasladığıda PSO algoritmasıı, modeldeki değişke sayısı arttıkça ve bağımsız değişkeler arasıdaki korelasyo değerleri yükseldikçe daha iyi souçlar verdiği ve sayım modelleri içi PSO algoritmasıı değişke seçimide alteratif bir yötem olarak kullaılabileceği gösterilmiştir. Determiatio of Best Variable Set for Cout Models by Particle Swarm Optimizatio Keywords Variable selectio, Cout models, Heuristic optimizatio Abstract: I most scietific studies quatitative data are used which take oegative iteger values, called cout data. Cout data are also used frequetly i the cotext of regressio aalysis, which is oe of the most basic aalysis methods of statistical aalysis. The regressio models i which the depedet variable ca be expressed by itegers are defied as cout models. I this study, the model selectio i the cotext of cout models was ivestigated by usig classical selectio methods ad PSO algorithm. Applicatios were made o both simulatio ad real data. As a result, it has bee show that PSO algorithm ca be used as a alterative method for PSO algorithm selectio for cout models whe the umber of model variables icreases ad the correlatio values betwee idepedet variables icreases as compared to classical methods. 1. Giriş Bilimsel çalışmalarda kullaıla icel verileri birçoğu belirli bir değer aralığı içeriside sürekli değerlere sahip değildir. Verileri bazıları uygulama alalarıa göre egatif olmaya tamsayılar ile ifade edilmektedir. Bu veriler sayım verileri olarak adladırılır. İstatistiği e temel aalizleride biri ola regresyo aalizi kapsamıda da sayım verileri kullaılmaktadır. Bağımlı değişkei tamsayı ile ifade edilebildiği regresyo modelleri sayım modelleri olarak taımlaır. Sayım modellerii tahmi gücü bağımsız değişkeleri modeli açıklayabilme gücüe bağlıdır. Bu amaçla farklı regresyo modelleride *İlgili yazar: tubakoc@karateki.edu.tr 76 olduğu gibi, e uygu değişke kümesi belirleerek regresyo modeli oluşturulmalıdır. Bağımsız değişkeler arasıda yüksek derecede ilişkii buluması, gereksiz değişkeleri modele dahil edilmesi gibi çeşitli hatalar regresyo modelii tahmi performasıı düşürmektedir. Regresyo modeli içeriside e uygu modeli seçimi içi değişke seçim algoritmaları uygulamaktadır. Değişke seçimi içi literatürde e sık kullaıla üç klasik yötem vardır. Bular; geriye doğru, ileriye doğru ve adımsal seçim tekikleridir. Acak bu tekikler birçok durumda iyi souçlar vermemektedir [1,2]. Değişke sayısı arttıkça klasik seçim yötemleri çoğu zama uygu modeli
2 seçememektedir. Ayrıca çok yüksek boyutlu verilerde çoklu bağlatı soruu sebebiyle klasik seçim yötemleri ile model belirlemek mümkü değildir. Söz kousu problemleri çözmek amacıyla sezgisel optimizasyo tekikleride yararlaılmaktadır [3]. Literatür icelediğide model seçimide yapıla çalışmaları büyük bir kısmıı lieer ve lojistik regresyo aalizi üzerie olduğu görülmektedir. Lieer regresyo aalizi içi tabu araştırma [4], geetik algoritma [2], hibrit geetik algoritmabezetimli tavlama metodu kullaılmıştır [5]. Lojistik regresyo aalizide tabu araştırma algoritması [6] ve parçacık sürü optimizasyou algoritmasıı kullaılarak optimum değişke kümesii seçimii icelemiştir [7]. Geelleştirilmiş lieer modellerde model seçimi üzerie farklı yötemler de kullaılmıştır. Poisso regresyo aalizide adımsal bir model seçim yötemi öermiştir [8]. McLeod ve Xu geelleştirilmiş lieer modeler içi değişke seçimi uygulaya bestglm isimli bir paket geliştirmiştir [9]. Calcago, ve Mazacourt geelleştirilmiş lieer modellerde geetik algoritma kullaarak değişke seçimi uygulaya glmulti isimli bir yazılım paketi oluşturmuştur [10]. Regresyo modelleride cezaladırma yötemleri de model seçimide sıkça kullaılmaktadır. Cezaladırma yötemleri ile model seçimi kousuda bilie e geel yötem LASSO metodudur [11]. Bu metodu aa fikri, modeldeki regresyo katsayılarıı sıfıra yaklaştıracak şekilde daraltmaktır. LASSO tekiğide cezaladırma içi elastik et [12], adaptif LASSO [13] yötemleri geliştirilmiştir. Cezaladırma yötemleri kullaarak değişe yayılım parametreli beta regresyo modeli içi değişke seçim tekiği uygulamıştır [14]. Beta regresyo aalizide model seçimi içi bootstrap tekiği kullaılmıştır [15]. Model seçimi üzeride so derece etkili ola bilgi kriterleri içi de çok sayıda çalışma mevcuttur. Regresyo aalizide e çok kullaıla kriterler Akaike ve Bayesci bilgi kriterleridir. Akaike bilgi kriteri yalılık problemii çözümü ve küçük öreklemlerde de iyi performas sağlaması içi alteratif cezaladırmalar ile düzeltilmiş ve yei Akaike türü kriterler öerilmiştir [16,17]. Bayesci bilgi kriteri de regresyo katsayılarıa ilişki kovaryas matrisi de cezaladırma terimie dahil olacak şekilde düzelemiş ve alteratif iki kriter öerilmiştir [18]. Kovaryas matrisii cezaladırma terimie dahil ederek bilgi kriteri hesaplaya yaklaşım ilk olarak Bozdoğa tarafıda öerilmiştir [19]. Bu yaklaşım, cezaladırma terimideki değişiklikler ile düzeleerek alteratif kriterler türetilmiştir [20, 21, 22]. performasıı optimize etme kousuda zayıf olduğuda, sezgisel optimizasyoa dayalı yaklaşımlar daha başarılı souçlar sağlama potasiyelie sahiptir. Bu sebeple, çalışmaı temel motivasyo kayağı, sayım modelleride model seçimi sürecii parçacık sürü optimizasyou algoritması kullaarak gerçekleştirmektir. 2. Materyal ve Metot 2.1. Poisso regresyo modeli Poisso regresyo modeli sayımla elde edile verileri modellemeside kullaıla temel bir yaklaşımdır. Y i ( i = 0,1,2, ), ortalaması µ i ola belli bir zamada meydaa gele olayları sayısı olsu. Bu durumda Y i ler Poisso rasgele değişkeidir ve olasılık foksiyou f(y i ; µ i ) = e µ iµ i y i y i! y i = 0,1,2, (1) ile verilir. Burada, ortalama ve varyas E(Y i ) = Var(Y i ) = µ i dir. Log-olabilirlik foksiyou eşitlik (2) de verildiği gibidir. L(µ; y) = i=1 {y i l(µ i ) µ i l(y i!)} (2) X : (p + 1) boyutlu açıklayıcı değişke matrisi olsu. Y i ve X i i-ci satır vektörü arasıdaki ilişki eşitlik (3) de verilmiştir. l(µ i ) = η i = x i T β (3) Bu model poisso regresyo veya log-liear model olarak biliir. β ı e çok olabilirlik tahmi edicisi β, Fisher scorig yötemi ile elde edilebilir. Poisso regresyo modelide iki temel varsayım vardır. Biricisi, olaylar zamaa göre birbiride bağımsız gerçekleşir. İkicisi, şartlı beklee değer ve varyas birbirie eşittir. İkici varsayımda bahsedile eşitlik durumu, eşit yayılım olarak biliir ve uygulamada çoğulukla eşit yayılım durumu sağlamamaktadır ve geelde varyas ortalamada büyük çıkmaktadır Negatif biomial modeli Poisso regresyo modelide, bağımlı değişke içi varyası ortalamada büyük olması, bağımlı değişke değerleri arasıda pozitif korelasyou buluması veya verileri olasılıkları arasıdaki değişimi yüksek çıkması gibi durumlar aşırı yayılıma ede olabilir. Ayrıca verii dağılımsal varsayımlarıda bir ihlal söz kousu olduğu durumlarda da aşırı yayılım ortaya çıkabilir. Model seçimi, istatistiksel modelleme içeriside so derece öemli bir koudur. Klasik model seçim algoritmaları, sayım modelleri kapsamıda modeli 77 Aşırı yayılım durumuda e sık başvurula yaklaşım Negatif Biomial Regresyo Modelidir (NBRM). NBRM, modele gözlemleemeye heterojelik terimi
3 dahil edilerek geliştirilebileceği gibi bir çok farklı yötem ile de elde edilebilir [23]. Negatif biomial dağılımı olasılık foksiyou aşağıda verildiği gibidir: Pr(y i x i ) = Γ(y i + α 1 ) y i! Γ(α 1 ) α 1 α 1 + µ i α 1 µ y i i α 1 (4) + µ i Burada Γ(. ) ile gamma foksiyou ifade edilmektedir ve α sabit bir parametredir. Negatif biomial dağılımı içi y i beklee değeri Poisso dağılımı ile ayıdır. Yai, μ i = E(y i x i ) = e x i β dır. Acak varyası, eşitlik (5) de verildiği gibidir: Var(y i x i ) = µ i (1 + αµ i ) = e x i β (1 + αe x i β ) (5) NBRM de, y i varyası, beklee değeride büyüktür. Çükü, µ ve α ı her ikisi de pozitiftir. Eşitlik (5), α = 0 olduğuda µ i olur. Yai, α = 0 olduğuda egatif biomial dağılımı poissoa idirgeir. NBRM parametreleri tahmiide e çok olabilirlik yötemi kullaılabilir [23] Sıfır yoğuluklu poisso model Sıfır yoğuluklu Poisso (ZIP) model, iki aşamalı bir karışım modelidir. Bu model, sıfır değerli gözlemleri iki farklı şekilde ortaya çıktığıı varsayar. Birici durum w i olasılığı ile gerçekleşir ve sadece sıfır üretir. İkici durum (1 w i ) olasılığı ile meydaa gelir ve µ ortalamalı stadart bir Poisso sayım verisi elde edilir. Geelde birici durumda elde edile sıfırlar yapısal sıfırlar olarak ve Poisso dağılımıda kayaklaa sıfırlar öreklem sıfırları olarak adladırılır [24]. ZIP modeli aşağıdaki iki lik foksiyou ekleerek elde edilebilir. l(µ i ) = X β logit(w i ) = l w 1 w = X γ (9) 2.4. Parçacık sürü optimizasyou Parçacık Sürü Optimizasyou (PSO), sürü halide hareket ede balıklar ve böceklerde esileerek geliştirilmiş bir optimizasyo yötemidir [25]. Temel olarak sürü zekâsıa dayaa bir algoritmadır. Sürü halide hareket ede hayvaları yiyecek ve güvelik gibi durumlarda, çoğu zama rastgele sergiledikleri hareketleri, amaçlarıa daha kolay ulaşmalarıı sağladığı görülmüştür. Algoritma temel olarak aşağıdaki basamaklarda oluşur [26]; I. Rasgele üretile başlagıç pozisyoları ve hızları ile başlagıç sürüsü oluşturulur. II. Sürü içerisideki tüm parçacıkları uyguluk değerleri hesaplaır. III. Her bir parçacık içi mevcut jeerasyoda yerel e iyi (pbest) buluur. Sürü içeriside e iyileri sayısı parçacık sayısı kadardır. IV. Mevcut jeerasyodaki yerel eiyiler içeriside küresel e iyi (gbest) seçilir. V. Pozisyo ve hızlar aşağıdaki gibi yeileir. V id = W V id + c 1 rad 1 (P id X id ) + c 2 rad 2 P gd X id X id = X id + V id Burada X id pozisyo ve V ii hız değerlerii verirke, rad 1 ve rad 2 değerleri rasgele üretilmiş sayılardır. W, atalet ağırlık değeri ve c 1, c 2 ölçekledirme faktörleridir. Bu iki aşamalı süreç iki bileşeli bir karışım dağılımı verir ve olasılık foksiyou aşağıdaki gibidir. VI. Durdurma kriteri sağlaıcaya kadar II, III, IV ve V adımları tekrar edilir. w i + (1 w i )e μ i, y i = 0, r (y i x i, μ i, w i ) = (1 w i ) e μ i y μ i i y i! y i = 1,2,3, 0 w i 1 (6) Bu olasılık foksiyou Y~ZIP(µ, w) ile gösterilir. Y i ortalama ve varyası aşağıdaki gibidir. E(y i ) = µ i (1 w i ) Var(y i ) = (1 w i )(µ i + w i µ i 2 ) (7) Görüldüğü gibi Y i marjial dağılımı w > 0 olduğuda aşırı yayılıma izi vermektedir. w = 0 olduğuda stadart Poisso dağılımıa idirgemektedir. Log olabilirlik foksiyou eşitlik (8) de verildiği gibidir Bilgi Kriterleri Log olabilirlik foksiyoua dayalı ola bilgi kriteri tabalı model seçim tekikleri, hem iç içe hem de iç içe olmaya sayı ile ifade edile modeller içi kullaılabilirler. Modele daha fazla parametre eklediğide log olabilirliği artacağı düşüülür. Log olabilirlik artışıı cezası, gözlem sayısı kadar parametre sayısıı da hesaba katar. Bu çalışmada, iki bilgi kriteri ölçüsü ele alımıştır Akaike bilgi kriteri Akaike bilgi kriteri (AIC) istatistiksel modelleri uyum iyiliği içi kullaıla bir kriterdir. L ZIP (µ, w; y) = I(y i = 0) l[w i + (1 w i )e µ i ] + I(y i > 0)[l(1 w i ) µ i + ylµ i l (y!)] i=1 (8) 78 AIC = 2L + 2p = D θ + 2p (10)
4 Burada p, modeldeki parametre sayısıı ve L ise log olabilirlik foksiyouu göstermektedir Bayesci bilgi kriteri Ayı zamada Schwarz kriteri olarakta bilie Bayesci bilgi kriteri (BIC) istatistiksel modellemede çok sık kullaıla bir kriterdir. BIC = 2L + (l ) p (11) Burada, veri setideki gözlem sayısıı p ise parametre sayısıı göstermektedir. 3. Bulgular Uygulama aşamasıda iki farklı simülasyo ve bir gerçek veri seti uygulaması yapıldı Simülasyo tasarımları çoklu bağlatı bulua ve bulumaya regresyo modelleri içi uyguladı. Model seçim yötemleride ileriye doğru (İ), geriye doğru (G), adımsal (A) ve PSO metotları kullaılarak sayım modelleri içi model seçimi souçları elde edildi. Uygulama aşamasıda seçim yötemlerii seçmiş olduğu sayım modellerie ilişki AIC ve BIC değerleri iceledi. AIC ve BIC değeri daha düşük ola seçim yötemi daha başarılı olarak kabul edildi. Aalizler R yazılımıı versiyou kullaılarak yapılmıştır. Ayrıca pso ve COUNT paketleride yararlaılmıştır. Simülasyo çalışması -1 Çalışmaı bu bölümüde çoklu bağlatı problemi içere regresyo modelleri oluşturuldu. Simülasyo tasarımı içi toplam o açıklayıcı değişke ile Poisso, egatif biomial ve sıfır yoğuluklu regresyo modelleri içi klasik seçim yötemleri ve PSO algoritmaları uyguladı. Bağımsız değişkeler aşağıdaki şekilde türetildi: x 1 = 10 + ε 1 (12) x 2 = ε 1 + αε 2 (13) x 3 = ε αε αε 3 (14) x 4 = 8 + x x x ε 4 (15) x 5 = = x 1 + x ε 5 (16) Pois(λ), NegBi(λ) ve ZINFPois(λ) biçimide sırasıyla Poisso, egatif biomial ve sıfır yoğuluklu Poisso dağılımlı bağımlı değişkeler türetildi. Bağımsız değişkeler kümesie bağımlı değişkeler ile ilişkisi olmaya beş adet düzgü dağılımlı değişkeler R j ~ Düzgü(0,1) j=1,2,3,4,5 ilave edildi. 1. Simülasyo tasarımı içi öreklem sayıları sırası ile =30,50,100,200,500 olarak alıdı. Simülasyo çalışması -2 Bu simülasyo çalışmasıda çoklu bağlatı problemi içermeye regresyo modelleri oluşturuldu. Simülasyo tasarımı içi sırasıyla p=2,3,...,15 değişke ve =100 içi Poisso, egatif biomial ve sıfır yoğuluklu regresyo modelleri kapsamıda klasik seçim yötemleri ve PSO algoritmaları uyguladı. Bağımsız değişkeler birbiride bağımsız olarak X k, k=2,3, 15 içi N(0,1) dağılımıa uygu olarak türetildi. Bağımsız değişkeler arasıdaki korelasyo yapısı, çoklu bağlatı problemi içermeyecek biçimde cor(x i, X j )=0.10 i j i, j=2,3, 15 içi türetildi. Bağımsız değişkeler ile bağımlı değişkelere ait λ parametreleri ise şu şekilde türetildi: λ = Xβ + ε (18) ε ~ N(0, 1) dağılımlı hata terimidir. β=(0.1,0.3,0.5,,s) biçimide artımsal olarak seçildi. Bu deklemdeki s, toplam değişke sayısı doğru oratılı olarak 0.1 birim artımlı β değerlerii temsil etmektedir. Eşitlik (18) de elde edile λ değerleri ile y ~ Pois(λ), NegBi(λ) ve ZINFPois(λ) biçimide sırasıyla Poisso, egatif biomial ve sıfır yoğuluklu Poisso dağılımlı bağımlı değişkeler türetildi. Gerçek veri uygulaması Gerçek veri uygulaması içi R programıda COUNT paketi içeriside yer ala affairs hazır veri seti kullaıldı [27]. Bu veri setide bağımlı değişke tam sayıdır ve veri seti sayım verilerii modellemek içi so derece elverişlidir. Bu veri seti üzeride klasik değişke seçim yötemleri ve PSO algoritması ile model seçimi uyguladı ve modelleri AIC-BIC değerleri elde edildi. ε 1, ε 2, ε 3, ε 4, ε 5 ~ N(0, 1) dağılımlı hata terimleridir. Eşitlik içi α parametresi çoklu bağlatı düzeyii kotrol etmektedir. Bu çalışmada geçmiş çalışmalar baz alıarak α =0.03 alıdı ve bağımlı değişke türetimi aşağıdaki şekilde yapıldı: λ = 8 + x x x ε (17) ε i, i= 1, 2,..., içi ε ~ N(0,1) içi dağılımlı hata terimidir. Eşitlik (17) de bulua λ değerleri ile y ~ 79 Tablo Simülasyo tasarımıda Poisso regresyo modeli içi AIC kriteri souçları Seçim yötemi
5 Tablo Simülasyo tasarımıda Poisso regresyo modeli içi BIC kriteri souçları Seçim yötemi Tablo 1 ve 2 de Poisso regresyo modeli içi elde edile 1.simülasyo tasarımı souçları gösterilmektedir. Bu souçlara göre 1. simülasyo tasarımı kapsamıda PSO algoritması klasik seçim yötemlerie göre AIC ve BIC değeri daha düşük ola modelleri seçmiştir. Çoklu bağlatı içere durumlar içi PSO daha doğru souçlar içere Poisso regresyo modellerii elde etmektedir. Tablo 3. 2.Simülasyo tasarımıda Poisso regresyo modeli içi AIC kriteri souçları Seçim yötemi %(p/) Tablo 4. 2.Simülasyo tasarımıda Poisso regresyo modeli içi BIC kriteri souçları Seçim yötemi %(p/) simülasyo tasarımı souçları Tablo 3 ve 4 te verilmiştir. Souçlar icelediğide PSO algoritmasıı klasik yötemlere göre daha iyi souçlar verdiği görülmektedir. Ayrıca çoklu bağlatı problemi içermeye durumlarda özellikle değişke sayısı yükseldikçe PSO algoritması AIC ve BIC değeri daha düşük ola Poisso regresyo modellerii seçmiştir. Tablo 5. Affair verisi kapsamıda Poisso regresyo modeli içi AIC kriteri souçları Seçim Yötemi AIC AIC-İ AIC-G AIC-A AIC-PSO Tablo 6. Affair verisi kapsamıda Poisso regresyo modeli içi BIC kriteri souçları Seçim Yötemi BIC BIC-İ BIC-G BIC-A BIC-PSO Poisso regresyo modeli gerçek veri souçları Tablo 5 ve 6 da gösterilmektedir. Bu souçlara göre PSO algoritması Affairs veri setide klasik seçim yötemlerie göre daha başarılı souçlar elde etmektedir. PSO algoritmasıı seçtiği Poisso regresyo modelleride AIC ve BIC değerleri klasik yötemleri seçtiği modeller göz öüde buludurulduğuda daha düşük değere sahiptir. Negatif biomial regresyo modeli içi 1. ve 2. simülasyo tasarım souçları ve gerçek veri uygulaması aşağıda verilmiştir. Tablo Simülasyo tasarımıda Negatif biomial regresyo modeli içi AIC kriteri souçları Seçim yötemi Tablo Simülasyo tasarımıda Negatif biomial regresyo modeli içi BIC kriteri souçları Seçim yötemi Tablo 7 ve 8 de egatif biomial regresyo modeli içi elde edile 1. simülasyo tasarımı souçları gösterilmektedir. Bu souçlara göre 1. simülasyo tasarımı kapsamıda PSO algoritması klasik seçim yötemlerie göre AIC ve BIC değeri daha düşük ola modelleri seçmiştir. Çoklu bağlatı içere durumlar içi PSO daha doğru souçlar içere egatif biomial regresyo modellerii elde etmektedir. 80
6 Tablo 9. 2.Simülasyo tasarımıda Negatif biomial regresyo modeli içi AIC kriteri souçları Seçim yötemi %(p/) Tablo Simülasyo tasarımıda Negatif biomial regresyo modeli içi BIC kriteri souçları Seçim yötemi %(p/) Negatif biomial regresyo modeli içi elde edile 2. simülasyo tasarımı souçları Tablo 9 ve 10 da verilmiştir. Çoklu bağlatı problemi içermeye durumlarda özellikle değişke sayısı yükseldikçe PSO algoritmasıı AIC ve BIC değeri daha düşük ola egatif biomial regresyo modellerii seçtiği görülmektedir. Tablo 11. Affair verisi kapsamıda Negatif biomial regresyo modeli içi AIC kriteri souçları Seçim Yötemi AIC AIC-İ AIC-G AIC-A AIC-PSO Tablo 12. Affair verisi kapsamıda Negatif biomial regresyo modeli içi BIC kriteri souçları Seçim Yötemi BIC BIC-İ BIC-G BIC-A BIC-PSO Tablo 11 ve 12 de egatif biomial regresyo modeli gerçek veri souçları gösterilmektedir. Bu souçlara göre PSO algoritması Affairs veri setide klasik seçim yötemlerie göre daha başarılı souçlar elde etmektedir. Sıfır yoğuluklu Poisso regresyo modeli içi 1. ve 2. simülasyo tasarım souçları ve gerçek veri uygulaması aşağıda verilmiştir. Tablo Simülasyo tasarımıda Sıfır yoğuluklu Poisso regresyo modeli içi AIC kriteri souçları Seçim yötemi Tablo Simülasyo tasarımıda Sıfır yoğuluklu Poisso regresyo modeli içi BIC kriteri souçları Seçim yötemi Tablo 13 ve 14 de sıfır yoğuluklu Poisso regresyo modeli içi elde edile 1. simülasyo tasarımı souçları gösterilmektedir. Bu souçlara göre 1. simülasyo tasarımı kapsamıda PSO algoritması klasik seçim yötemlerie göre AIC ve BIC değeri daha düşük ola modelleri seçmiştir. Çoklu bağlatı içere durumlar içi PSO daha doğru souçlar içere sıfır yoğuluklu Poisso regresyo modellerii elde etmektedir. Tablo Simülasyo tasarımıda Sıfır yoğuluklu Poisso regresyo modeli içi AIC kriteri souçları Seçim yötemi %(p/)
7 Tablo Simülasyo tasarımıda sıfır yoğuluklu Poisso regresyo modeli içi BIC kriteri souçları Seçim yötemi %(p/) Tablo 15 ve 16 da sıfır yoğuluklu Poisso regresyo modeli içi elde edile 2. simülasyo tasarımı souçları gösterilmektedir. Çoklu bağlatı problemi içermeye durumlarda PSO algoritmasıı daha iyi souçlar verdiği görülmektedir. Tablo 17. Affair verisi kapsamıda Sıfır yoğuluklu Poisso regresyo modeli içi AIC kriteri souçları Seçim Yötemi AIC AIC-İ AIC-G AIC-A AIC-PSO Tablo 18. Affair verisi kapsamıda Sıfır yoğuluklu Poisso regresyo modeli içi BIC kriteri souçları Seçim Yötemi BIC BIC-İ BIC-G BIC-A BIC-PSO Sıfır yoğuluklu Poisso regresyo modeli gerçek veri Tablo 17 ve 18 de verilmektedir. PSO algoritmasıı seçtiği sıfır yoğuluklu Poisso regresyo modelleride AIC ve BIC değerleri klasik yötemleri seçtiği modeller göz öüde buludurulduğuda daha düşük değere sahiptir. 4. Tartışma ve Souç Bu çalışmada sayım modelleri kapsamıda model seçimleri iceledi. Sayım modelleride model seçimi içi klasik seçim yötemleri ve PSO algoritması kullaıldı. Çalışma soucuda klasik değişke seçim yötemleri ola ileriye doğru, geriye doğru ve adımsal seçim yötemleri ve PSO algoritması ile elde edile souçlar karşılaştırıldı. Karşılaştırma içi değişke seçimi algoritmaları ile elde edile regresyo modellerii bilgi kriteri değerleri (AIC ve BIC) baz alıdı. Bilgi kriteri değerleri doğrultusuda; seçile değişke kümeleri ile oluşturula regresyo modellerii performası değerledirildi. Klasik seçim yötemlerii model seçimide hem 82 simülasyo hem de gerçek veriler içi ayı bilgi kriteri değerlerie sahip ola sayım modellerii seçtiği tespit edildi. Optimizasyo algoritmalarıa dayalı olmaya seçim yötemlerii çalışma matığıa koşut olarak ayı sayım modellerii seçilmesi dikkat çekici bir souçtur. Simülasyo ve gerçek veri setlerie uygulaa aalizler soucuda her ikiside de PSO algoritmasıı klasik yötemlere göre daha düşük bilgi kriteri değerie sahip regresyo modelleri seçtiği görülmüştür. Souç olarak klasik yötemlerle kıyasladığıda PSO algoritmasıı, modeldeki değişke sayısı arttıkça ve bağımsız değişkeler arasıdaki korelasyo değerleri yükseldikçe daha iyi souçlar verdiği farklı model yapıları [28] gibi sayım modelleride de PSO algoritmasıı değişke seçimide alteratif bir yötem olarak kullaılabileceği gösterilmiştir. Teşekkür Bu makale Çakırı Karateki Üiversitesi Bilimsel Araştırma Projeleri birimi tarafıda desteklee Araştırma Projesi (Proje No: FF090316B15) kapsamıda yapıla çalışmalar soucuda oluşturulmuştur. Yazarlar destekleride dolayı Çakırı Karateki Üiversitesi Bilimsel Araştırma Projeleri Birimie teşekkür etmektedir. Kayakça [1] George, E. I The variable selectio problem. Joural of the America Statistical Associatio, 95(2000), [2] Bozdoga, H Itelliget statistical data miig with iformatio complexity ad geetic algorithms. Statistical data miig ad kowledge discovery(2004), [3] Lee, K. Y., & El-Sharkawi, M. A Moder heuristic optimizatio techiques: theory ad applicatios to power systems. Joh Wiley & Sos. [4] Drezer, Z., Marcoulides, G. A., & Salhi, S Tabu search model selectio i multiple regressio aalysis. Commuicatios i Statistics-Simulatio ad Computatio, 28(1999), [5] Örkcü, H. H Subset selectio i multiple liear regressio models: a hybrid of geetic ad simulated aealig algorithms. Applied Mathematics ad Computatio, 23(2013), [6] Pacheco, j., Casado, S., & Nuez, L. A Variable selectio method based o Tabu search for logistic regressio models. Europea Joural of Operatioal Research, 199(2009), [7] Uler, A., & Murat, A A discrete particle swarm optimizatio method for feature
8 selectio i biary classificatio problems. Europea Joural of Operatioal Research, 206(2010), [8] Sakate, D. M., Kashid, D. N., & Shirke, D. T Subset Selectio i Poisso Regressio. Joural of Statistical Theory ad Practice, 5(2011), [9] McLeod, A. I., & Xu, C R-project. org/package= bestglm. (Erişim Tarihi: ) [10] Calcago, V., & Mazacourt, C glmulti: a R package for easy automated model selectio with (geeralized) liear models. Joural of Statistical Software, 34(2010), [11] Tibshirai, R Regressio shrikage ad selectio via the lasso. Joural of the Royal Statistical Society: Series B (Methodological) (1996), [12] Zou, H., & Hastie, T Regularizatio ad variable selectio via the elastic et. Joural of the Royal Statistical Society: Series B (Statistical Methodology), 67(2005), [13] Zou, H The adaptive lasso ad its oracle properties. Joural of the America statistical associatio, 101(2006), [14] Zhao, W., Zhag, R., Lv, Y., & Liu, J Variable selectio for varyig dispersio beta regressio model. Joural of Applied Statistics, 41(2014), [15] Bayer, F. M., & Cribari-Neto, F Bootstrapbased model selectio criteria for beta regressios. TEST(2014), [16] Bozdoga, H Model selectio ad Akaike's iformatio criterio (AIC): The geeral theory ad its aalytical extesios. Psychometrika(1987), [17] Hurvich, C. M., & Tsai, C. L Regressio ad time series model selectio i small samples. Biometrika(1989), [18] Bolle, K. A., Ray, S., Zavisca, J., & Harde, J. J A compariso of Bayes factor approximatio methods icludig two ew methods. Sociological Methods & Research, 41(2012), [19] Bozdoga, H Akaike's iformatio criterio ad recet developmets i iformatio complexity. Joural of mathematical psychology, 44(2000), [20] Bozdoga, H A ew class of iformatio complexity (ICOMP) criteria with a applicatio to customer profilig ad segmetatio. Joural of the School of Busiess Admiistratio(2010), [21] Deiz, E., Akbilgic, O., & Howe, J. A. (2011). Model selectio usig iformatio criteria uder a ew estimatio method: least squares ratio. Joural of Applied Statistics, [22] Pamukçu, E., Bozdoga, H., & Çalık, S A Novel Hybrid Dimesio Reductio Techique for Udersized High Dimesioal Gee Expressio Data Sets Usig Iformatio Complexity Criterio for Cacer Classificatio. Computatioal ad mathematical methods i medicie(2015), Article ID , 14 pages. [23] Camero, A. C., & Trivedi, P. K Regressio Aalysis of Cout Data. Cambridge Uiversity Press. [24] Jasakul, N., & Hide, J. P Score tests for zero-iflated Poisso models. Computatioal, 40(2002), [25] Eberhart, R., & Keedy, J A ew optimizer usig particle swarm theory. I Micro Machie ad Huma Sciece. Proceedigs of the Sixth Iteratioal Symposium o IEEE., [26] Özsağlam, M. Y., & Çukaş, M Optimizasyo Problemlerii Çözümü içi Parçaçık Sürü Optimizasyou Algoritması. Politekik Dergisi(2008), 11. [27] Hilbe, J. M COUNT: Fuctios, Data ad Code for Cout Data. R package versio [28] Koç, H., Düder, E., Gümüşteki, S., Koç, T., & Cegiz, M. A Particle swarm optimizatiobased variable selectio i Poisso regressio aalysis via iformatio complexity-type criteria. Commuicatios i Statistics-Theory ad Methods, (2018) 47(21),
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
DetaylıİKİ ÖLÇÜTLÜ PARALEL MAKİNELİ ÇİZELGELEME PROBLEMİ: MAKSİMUM TAMAMLANMA ZAMANI VE MAKSİMUM ERKEN BİTİRME
V. Ulusal Üretim Araştırmaları Sempozyumu, İstabul Ticaret Üversitesi, 25-27 Kasım 2005 İKİ ÖLÇÜTLÜ PARALEL MAKİNELİ ÇİZELGELEME PROBLEMİ: MAKSİMUM TAMAMLANMA ZAMANI VE MAKSİMUM ERKEN BİTİRME Tamer EREN
Detaylıİstanbul Göztepe Bölgesinin Makine Öğrenmesi Yöntemi ile Rüzgâr Hızının Tahmin Edilmesi
Makie Tekolojileri Elektroik Dergisi Cilt: 8, No: 4, 011 (75-80) Electroic Joural of Machie Techologies Vol: 8, No: 4, 011 (75-80) TEKNOLOJİK ARAŞTIRMALAR www.tekolojikarastirmalar.com e-issn:1304-4141
DetaylıALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI
µ µ içi Güve Aralığı ALTERNATİF İTEMLERİN KARŞILAŞTIRILMAI Bezetimi e öemli faydalarıda birisi, uygulamaya koymada öce alteratifleri karşılaştırmaı mümkü olmasıdır. Alteratifler; Fabrika yerleşim tasarımları
DetaylıALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI
ALTERNATİF SİSTEMLERİN KARŞILAŞTIRILMASI Bezetimi e öemli faydalarıda birisi, uygulamaya koymada öce alteratifleri karşılaştırmaı mümkü olmasıdır. Alteratifler; Fabrika yerleşim tasarımları Alteratif üretim
DetaylıKi- kare Bağımsızlık Testi
PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER Prof. Dr. Ali ŞEN Ki- kare Bağımsızlık Testi Daha öceki bölümlerde ölçümler arasıdaki ilişkileri asıl iceleeceğii gördük. Acak sıklıkla ilgileile veriler ölçüm
DetaylıNOT: BU DERS NOTLARI TEMEL EKONOMETRİ-GUJARATİ KİTABINDAN DERLENMİŞTİR. HAFTA 1 İST 418 EKONOMETRİ
NOT: BU DERS NOTLARI TEMEL EKONOMETRİ-GUJARATİ KİTABINDAN DERLENMİŞTİR. KULLANILAN ŞEKİLLERİN VE NOTLARIN TELİF HAKKI KİTABIN YAZARI VE BASIM EVİNE AİTTİR. HAFTA 1 İST 418 EKONOMETRİ Ekoometri: Sözcük
DetaylıISF404 SERMAYE PİYASALARI VE MENKUL KIYMETYÖNETİMİ
8. HAFTA ISF404 SERMAYE PİYASALARI VE MENKUL KIYMETYÖNETİMİ PORTFÖY YÖNETİMİ II Doç.Dr. Murat YILDIRIM muratyildirim@karabuk.edu.tr Geleeksel Portföy Yaklaşımı, Bu yaklaşıma göre portföy bir bilim değil,
DetaylıYENĐ BĐR ADAPTĐF FĐLTRELEME YÖNTEMĐ: HĐBRĐD GS-NLMS ALGORĐTMASI
Uludağ Üiversitesi ühedislik-imarlık Fakültesi Dergisi, Cilt 3, Sayı, 008 YENĐ BĐR ADAPĐF FĐLRELEE YÖNEĐ: HĐBRĐD GS-NLS ALGORĐASI Sedat ĐRYAKĐ * eti HAUN ** Osma Hilmi KOÇAL ** Özet: Bu makalede, adaptif
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
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
DetaylıDOĞRUSAL PROGRAMLAMA İLE PORTFÖY OPTİMİZASYONU VE İMKB VERİLERİNE UYGULANMASI ÜZERİNE BİR ÇALIŞMA
DOĞRUSAL PROGRAMLAMA İLE PORTFÖY OPTİMİZASYONU VE İMKB VERİLERİNE UYGULANMASI ÜZERİNE BİR ÇALIŞMA Filiz KARDİYEN (*) Özet: Portföy seçim problemi içi klasik bir yaklaşım ola karesel programlama yötemi,
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
DetaylıREGRESYON DENKLEMİNİN HESAPLANMASI Basit Doğrusal Regresyon Basit doğrusal regresyon modeli: .. + n gözlem için matris gösterimi,. olarak verilir.
203-204 Bahar REGRESYON DENKLEMİNİN HESAPLANMASI Basit Doğrusal Regresyo Basit doğrusal regresyo modeli: y i = β 0 + β x i + ε i Modeli matris gösterimi, y i = [ x i ] β 0 β + ε i şeklidedir. x y 2 gözlem
DetaylıPamukkale Üniversitesi Mühendislik Bilimleri Dergisi. Pamukkale University Journal of Engineering Sciences
Pamukkale Üiversitesi Mühedislik Bilimleri Dergisi, Cilt 19, Sayı 2, 2013, Sayfalar 76-80 Pamukkale Üiversitesi Mühedislik Bilimleri Dergisi Pamukkale Uiversity Joural of Egieerig Scieces TEK MAKİNELİ
DetaylıTOPLAM KOLESTEROL, LDL, HDL VE TRİGLİSERİT SEVİYELERİNİN YAŞA GÖRE DEĞİŞİMİNİN DEĞİŞİK REGRESYON MODELLERİYLE İNCELENMESİ
T.C. İNÖNÜ ÜNİVERSİTESİ SAĞLIK BİLİMLERİ ENSTİTÜSÜ TOPLAM KOLESTEROL, LDL, HDL VE TRİGLİSERİT SEVİYELERİNİN YAŞA GÖRE DEĞİŞİMİNİN DEĞİŞİK REGRESYON MODELLERİYLE İNCELENMESİ YÜKSEK LİSANS TEZİ EMRE DİRİCAN
DetaylıTürkiye Net Elektrik Enerjisi Tüketiminin Parçacık Sürü Optimizasyonu Tabanlı Modellenmesi
Türkiye Net Elektrik Eerjisi Tüketimii Parçacık Sürü Optimizasyou Tabalı Modellemesi Eşref Boğar *1, Zeyep Özsüt Boğar 2 1 Pamukkale Üiversitesi Elektroik ve Otomasyo Bölümü, Deizli, Türkiye 2 Pamukkale
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
DetaylıTUTGA ve C Dereceli Nokta Koordinatlarının Gri Sistem ile Tahmin Edilmesi
TMMOB Harita ve Kadastro Mühedisleri Odası, 5. Türkiye Harita Bilimsel ve Tekik Kurultayı, 5 8 Mart 5, Akara. TUTGA ve C Dereceli Nokta Koordiatlarıı Gri istem ile Tahmi Edilmesi Kürşat Kaya *, Levet Taşcı,
DetaylıÖĞRENME ETKİLİ HAZIRLIK VE TAŞIMA ZAMANLI PARALEL MAKİNELİ ÇİZELGELEME PROBLEMİ
Öğreme Etkili Hazırlık ve Taşıma Zamalı Paralel Makieli Çizelgeleme Problemi HAVACILIK VE UZAY TEKNOLOJİLERİ DERGİSİ TEMMUZ 2006 CİLT 2 SAYI 4 (67-72) ÖĞRENME ETKİLİ HAZIRLIK VE TAŞIMA ZAMANLI PARALEL
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
DetaylıAÇIK ĐŞLETME BASAMAKLARI TENÖR KONTROLÜNDE JEOĐSTATĐSTĐKSEL TAHMĐN MODELĐ SEÇĐMĐ
Eskişehir Osmagazi Üiversitesi Müh.Mim.Fak.Dergisi C.XXI, S., 2008 Eg&Arch.Fac. Eskişehir Osmagazi Uiversity, Vol..XXI, No:, 2008 Makalei Geliş Tarihi : 2.02.2007 Makalei Kabul Tarihi : 23.03.2007 AÇIK
DetaylıDiferansiyel Gelişim Algoritmasının Valf Nokta Etkili Konveks Olmayan Ekonomik Güç Dağıtım Problemlerine Uygulanması
6 th Iteratioal Advaced Techologies Symposium (IATS ), 6-8 May 0, Elazığ, Turkey Diferasiyel Gelişim Algoritmasıı Valf Nokta Etkili Koveks Olmaya Ekoomik Güç Dağıtım Problemlerie Uygulaması S. Özyö, C.
Detaylı4/4/2013. Ders 8: Verilerin Düzenlenmesi ve Analizi. Betimsel İstatistik Merkezsel Eğilim Ölçüleri Dağılım Ölçüleri Grafiksel Gösterimler
Ders 8: Verileri Düzelemesi ve Aalizi Betimsel İstatistik Merkezsel Eğilim Ölçüleri Dağılım Ölçüleri Grafiksel Gösterimler Bir kitlei tamamıı, ya da kitlede alıa bir öreklemi özetlemekle (betimlemekle)
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
DetaylıKALİTE VE SÜREÇ İYİLEŞTİRME İÇİN MÜŞTERİ GERİ BİLDİRİMLERİNİN DEĞERLENDİRİLMESİ
Altı Sigma Yalı Koferasları (9- Mayıs 8) KALİTE VE SÜREÇ İYİLEŞTİRME İÇİN MÜŞTERİ GERİ BİLDİRİMLERİNİN DEĞERLENDİRİLMESİ Serka ATAK Evre DİREN Çiğdem CİHANGİR Murat Caer TESTİK ÖZET Ürü ve hizmet kalitesii
DetaylıMACH SAYISININ YAPAY SİNİR AĞLARI İLE HESAPLANMASI
V. ULUSAL HAVACILIK VE UZAY KONFERANSI UHUK-014-065 8-10 Eylül 014, Erciyes Üiversitesi, Kayseri MACH SAYISININ YAPAY SİNİR AĞLARI İLE HESAPLANMASI İlke TÜRKMEN 1 Erciyes Üiversitesi, Kayseri Seda ARIK
DetaylıARAŞTIRMA MAKALESİ /RESEARCH ARTICLE
ANADOLU ÜNİVERSİTESİ BİLİM VE TEKNOLOJİ DERGİSİ ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY Cilt/Vol.:-Sayı/No: : 355-366 (9) ARAŞTIRMA MAKALESİ /RESEARCH ARTICLE TEK DEĞİŞKENLİ KARARLI DAĞILIMLAR,
Detaylıİki Serbestlik Dereceli Mekanizmalarla İşlev Sentezinde Tasarım Noktalarının Eşit ve Çebişev Aralıklandırması ile Seçiminin Karşılaştırılması
Uluslararası Katılımlı 7. Makia Teorisi Sempozyumu, İzmir, -7 Hazira 05 İki Serbestlik Dereceli Mekaizmalarla İşlev Setezide Tasarım oktalarıı Eşit ve Çebişev Aralıkladırması ile Seçimii Karşılaştırılması
DetaylıHarmoni Arama Algoritmasının Çevresel Ekonomik Güç Dağıtım Problemlerine Uygulanması
Çukurova Üiversitesi Mühedislik Mimarlık Fakültesi Dergisi, 26(2), ss. 65-76, Aralık 2011 Çukurova Uiversity Joural of the Faculty of Egieerig ad Architecture, 26(2), pp.65-76, December 2011 Özet Harmoi
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,
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
DetaylıQUANTILE REGRESYON * Quantile Regression
QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine
DetaylıYatırım Analizi ve Portföy Yönetimi 4. Hafta. Dr. Mevlüt CAMGÖZ
Yatırım Aalizi ve Portföy Yöetimi 4. Hafta Dr. Mevlüt CAMGÖZ İçerik Çeşitledirme Riski Kayakları ve Risk Türleri Portföyü Risk ve Getirisi Riskli Varlık Portföyüü Belirlemesi Markowitz Portföy Teorisi
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
DetaylıMekânsal Karar Problemleri İçin Coğrafi Bilgi Sistemleri ve Çok Ölçütlü Karar Analizinin Bütünleştirilmesi: TOPSIS Yöntemi
Mekâsal Karar Problemleri İçi Coğrafi Bilgi Sistemleri ve Çok Ölçütlü Karar Aalizii Bütüleştirilmesi: TOPSIS Yötemi Derya Öztürk Odokuz Mayıs Üiversitesi Harita Mühedisliği Bölümü, 55139 Samsu. dozturk@omu.edu.tr
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıSIRA-BAĞIMLI HAZIRLIK ZAMANLI İKİ ÖLÇÜTLÜ ÇİZELGELEME PROBLEMİ: TOPLAM TAMAMLANMA ZAMANI VE MAKSİMUM ERKEN BİTİRME. Tamer EREN a,*, Ertan GÜNER b ÖZET
Erciyes Üiversitesi Fe Bilimleri Estitüsü Dergisi 23 (1-2) 95-105 (2007) http://fbe.erciyes.edu.tr/ ISSN 1012-2354 SIRA-BAĞIMLI HAZIRLIK ZAMANLI İKİ ÖLÇÜTLÜ ÇİZELGELEME PROBLEMİ: TOPLAM TAMAMLANMA ZAMANI
DetaylıFİBER BRAGG IZGARA TABANLI OPTİK SENSÖRÜN ANALİZİ
FİER RAGG IZGARA TAANLI OPTİK SENSÖRÜN ANALİZİ Lale KARAMAN 1 N. Özlem ÜNVERDİ Elektroik ve Haberleşme Mühedisliği ölümü Elektrik-Elektroik Fakültesi Yıldız Tekik Üiversitesi, 34349, eşiktaş, İstabul 1
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
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.
DetaylıDiferansiyel Gelişim Algoritmasının Termik Birimlerden Oluşan Çevresel Ekonomik Güç Dağıtım Problemlerine Uygulanması
Diferasiyel Gelişim Algoritmasıı Termik Birimlerde Oluşa Çevresel Ekoomik Güç Dağıtım Problemlerie Uygulaması Differetial evolutio algorithm applied to evirometal ecoomic power dispatch problems cosistig
DetaylıObje Tabanlı Sınıflandırma Yöntemi ile Tokat İli Uydu Görüntüleri Üzerinde Yapısal Gelişimin İzlenmesi
Obje Tabalı Sııfladırma Yötemi ile Tokat İli Uydu Görütüleri Üzeride Yapısal Gelişimi İzlemesi İlker GÜNAY 1 Ahmet DELEN 2 Mahmut HEKİM 3 1 Gaziosmapaşa Üiversitesi, Mühedislik ve Doğa Bilimleri Fakültesi,
DetaylıİSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications*
Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications* Işıl FİDANOĞLU İstatistik Anabilim Dalı Fikri
DetaylıMETAL MATRİSLİ DAİRESEL DELİKLİ KOMPOZİT LEVHALARDA ARTIK GERİLMELERİN ANALİZİ
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K Bİ L İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 1999 : 5 : -3 : 141-146
DetaylıTek Bir Sistem için Çıktı Analizi
Tek Bir Sistem içi Çıktı Aalizi Bezetim ile üretile verile icelemesie Çıktı Aalizi deir. Çıktı Aalizi, bir sistemi performasıı tahmi etmek veya iki veya daha fazla alteratif sistem tasarımıı karşılaştırmaktır.
DetaylıDoğrusal Olmayan Kısıtlı Programlama ile Yapay Sinir Ağlarının Eğitilmesi ÖZET
Doğrusal Olmaya Kısıtlı Programlama ile Yapay Siir Ağlarıı Eğitilmesi Sabri ERDEM 1 ve Şe ÇAKIR 2 1 Dokuz Eylül Üiv. İşletme Fak., İg. İşletme Bölümü, İzmir, Türkiye sabri.erdem@deu.edu.tr 2 Dokuz Eylül
DetaylıYatırım Projelerinde Kaynak Dağıtımı Analizi. Analysis of Resource Distribution in Investment Projects
Uşak Üiversitesi Sosyal Bilimler Dergisi (2012) 5/2, 89-101 Yatırım Projeleride Kayak Dağıtımı Aalizi Bahma Alp RENÇBER * Özet Bu çalışmaı amacı, yatırım projeleride kayak dağıtımıı icelemesidir. Yatırım
DetaylıNİĞDE İLİ RÜZGAR ENERJİSİ POTANSİYELİ WIND ENERGY POTENTIAL OF NIGDE PROVINCE
Niğde Üiersitesi Mühedislik Bilimleri Dergisi, Cilt 1, Sayı, (1), 37-47 NİĞDE İLİ RÜZGAR ENERJİSİ POTANSİYELİ Uğur YILDIRIM 1,* Yauz GAZİBEY, Afşi GÜNGÖR 1 1 Makie Mühedisliği Bölümü, Mühedislik Fakültesi,
DetaylıBOX-LJUNG ve NONPARAMETRĐK REGRESYON YÖNTEMLERĐNĐN ETKĐNLĐKLERĐNĐN KARŞILAŞTIRILMASI: ĐMKB-100 ENDEKSĐNE YÖNELĐK BĐR UYGULAMA
Ekoometri ve Đstatistik Sayı:0 00 - ĐSTANBUL ÜNĐVERSĐTESĐ ĐKTĐSAT FAKÜLTESĐ EKONOMETRĐ VE ĐSTATĐSTĐK DERGĐSĐ BOX-LJUNG ve NONPARAMETRĐK REGRESYON YÖNTEMLERĐNĐN ETKĐNLĐKLERĐNĐN KARŞILAŞTIRILMASI: ĐMKB-00
Detaylı6. BÖLÜM VEKTÖR UZAYI VEKTÖR UZAYI VEKTÖR UZAYLARI
6. BÖLÜM VEKTÖR LARI -BOYUTLU (ÖKLİT) I Taım: Eğer pozitif bir tam sayı ise sıralı -sayı, gerçel sayılar kümesideki adet sayıı (a 1, a 2,, a ) bir dizisidir. Tüm sıralı -sayılarıı kümesi -boyutlu uzay
Detaylıİstatistik Nedir? Sistem-Model Kavramı
İstatistik Nedir? İstatistik rasgelelik içere olaylar, süreçler, sistemler hakkıda modeller kurmada, gözlemlere dayaarak bu modelleri geçerliğii sıamada ve bu modellerde souç çıkarmada gerekli bazı bilgi
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
DetaylıThe Determination of Food Preparation and Consumption of the Working and Non-Working Women in Samsun
Research Turkish Joural of Family Medicie & Primary Care www.tjfmpc.com The Determiatio of Food Preparatio ad Cosumptio of the Workig ad No-Workig Wome i Samsu Samsu İlide, ve Kadıları, Evde Besi Hazırlama
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
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.
DetaylıOKUL ÖNCESİ DÖNEM İŞİTME ENGELLİLERDE MÜZİK EĞİTİMİ İLE ÇOCUKLARIN GELİŞİM ÖZELLİKLERİ ÜZERİNE TERAPÖTİK BİR ÇALIŞMA
Joural of Research i Educatio ad Teachig OKUL ÖNCESİ DÖNEM İŞİTME ENGELLİLERDE MÜZİK EĞİTİMİ İLE ÇOCUKLARIN GELİŞİM ÖZELLİKLERİ ÜZERİNE TERAPÖTİK BİR ÇALIŞMA Yard.Doç.Dr. Tüli Malkoç Marmara Üiversitesi
DetaylıANALİTİK HİYERARŞİ YÖNTEMİ İLE İLKOKUL SEÇİMİ
Marmara Üiversitesi İ.İ.B.F. Dergisi YIL 2008, CİLT XXIV, SAYI 1 ANALİTİK HİYERARŞİ YÖNTEMİ İLE İLKOKUL SEÇİMİ Yrd.Doç.Dr. Üal H. ÖZDEN * ÖZET Aalitik hiyerarşi yötemi (AHY) karar almada, bir kişii veya
DetaylıĐST 474 Bayesci Đstatistik
ĐST 474 Bayesci Đstatistik Ders Sorumlusu: Dr. Haydar Demirhan haydarde@hacettepe.edu.tr Đnternet Sitesi: http://yunus.hacettepe.edu.tr/~haydarde Đçerik: Olasılık kuramının temel kavramları Bazı özel olasılık
DetaylıMONTE CARLO BENZETİMİ
MONTE CARLO BENZETİMİ U(0,) rassal değişkeler kullaılarak (zamaı öemli bir rolü olmadığı) stokastik ya da determiistik problemleri çözümüde kullaıla bir tekiktir. Mote Carlo simülasyou, geellikle statik
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
DetaylıLogistic Regression Analysis Based on Jackknife Method: An Application on the Estimation of Coronary Artery Disease
Logistic Regressio Aalysis Based o Jackkife Method: A Applicatio o the Estimatio of Coroary Artery Disease Hayriye Esra Akyuz Faculty of Sciece ad Arts, Bitlis Ere Uiversity, Bitlis, 13000 Turkey E-mail:
DetaylıAN ARTIFICIAL BEE COLONY ALGORITHM (ABC) APROACH TO NONCONVEX ECONOMIC POWER DISPATCH PROBLEMS WITH VALVE POINT EFFECT
Fırat Üiversitesi-Elazığ VALF NOKTA ETKİLİ KONVEKS OLMAYAN EKONOMİK GÜÇ DAĞITIM PROBLEMLERİNE YAPAY ARI KOLONİ ALGORİTMASI (ABC) YAKLAŞIMI AN ARTIFICIAL BEE COLONY ALGORITHM (ABC) APROACH TO NONCONVEX
DetaylıTermik Üretim Birimlerinden Oluşan Çevresel-Ekonomik Güç Dağıtım Probleminin Genetik Algoritma Yöntemiyle Çözümü
ermik Üretim Birimleride Oluşa Çevresel-Ekoomik üç Dağıtım Problemii eetik Algoritma Yötemiyle Çözümü Celal YAŞAR, Serdar ÖZYÖN, Hasa EMURAŞ 3, Mühedislik Fakültesi, Elektrik-Elektroik Müh. Bölümü, Dumlupıar
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
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 3: MERKEZİ EĞİLİM VE DAĞILMA ÖLÇÜLERİ Prof. Dr. İrfa KAYMAZ Taım Araştırma souçlarıı açıklamasıda frekas tablosu ve poligou isteile bilgiyi her zama sağlamayabilir. Verileri
DetaylıBASAMAK ATLAYARAK VEYA FARKLI ZIPLAYARAK İLERLEME DURUMLARININ SAYISI
Projesii Kousu: Bir çekirgei metre, metre veya 3 metre zıplayarak uzuluğu verile bir yolu kaç farklı şekilde gidebileceği ya da bir kişii veya (veya 3) basamak atlayarak basamak sayısı verile bir merdivei
DetaylıİŞLETİM KARAKTERİSTİĞİ EĞRİSİ VE BİR ÇALIŞMA THE OPERATING CHARACTERISTIC CURVE AND A CASE STUDY
Süleyma Demirel Üiversitesi Vizyoer Dergisi Suleyma Demirel Uiversity The Joural of Visioary İŞLETİM KARAKTERİSTİĞİ EĞRİSİ VE BİR ÇALIŞMA ÖZET Yrd. Doç. Dr. Halil ÖZDAMAR 1 İstatistiksel kalite kotrol
DetaylıTEKNOLOJĐK ARAŞTIRMALAR
www.tekolojikarastirmalar.com ISSN:34-44 Makie Tekolojileri Elektroik Dergisi 7 () 35-4 TEKNOLOJĐK ARAŞTIRMALAR Makale Polivili Klorür (Pvc) Malzemeleri Sıcaklığa Bağlı Titreşim Özelliklerii Đcelemesi
DetaylıAŞIRI YAYILIMLI VERİLER İÇİN GENELLEŞTİRİLMİŞ POİSSON KARMA MODELLERİN HAVA KİRLİLİĞİ ÜZERİNE BİR UYGULAMASI. e posta:
IAAOJ, Scientific Science, 2013, 1(2), 3 7 AŞIRI YAYILIMLI VERİLER İÇİN GENELLEŞTİRİLMİŞ POİSSON KARMA MODELLERİN HAVA KİRLİLİĞİ ÜZERİNE BİR UYGULAMASI Haydar KOÇ 1, M. Ali CENGİZ 1, Tuba KOÇ 1, Emre DÜNDER
DetaylıÖğrenci Numarası İmzası: Not Adı ve Soyadı
Öğreci Numarası İmzası: Not Adı ve Soyadı SORU 1. a) Ekoomii taımıı yapıız, amaçlarıı yazıız. Tam istihdam ile ekoomik büyüme arasıdaki ilişkiyi açıklayıız. b) Arz-talep kauu edir? Arz ve talep asıl artar
DetaylıSAYISAL ÇÖZÜMLEME. Sayısal Çözümleme
SAYISAL ÇÖZÜMLEME Saısal Çözümleme SAYISAL ÇÖZÜMLEME 8. Hafta İNTERPOLASYON Saısal Çözümleme 2 İÇİNDEKİLER Ara Değer Hesabı İterpolaso Doğrusal Ara Değer Hesabı MATLAB ta İterpolaso Komutuu Kullaımı Lagrace
DetaylıÖZET Doktora Tezi KISITLI DURUM KALMAN FİLTRESİ VE BAZI UYGULAMALARI Esi KÖKSAL BABACAN Akara Üiversitesi Fe Bilimleri Estitüsü İstatistik Aabilim Dal
ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ KISITLI DURUM KALMAN FİLTRESİ VE BAZI UYGULAMALARI Esi KÖKSAL BABACAN İSTATİSTİK ANABİLİM DALI ANKARA 2009 Her hakkı saklıdır ÖZET Doktora Tezi
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
DetaylıParçacık Sürü Optimizasyon Algoritmasının Termik Birimlerden Oluşan Çevresel Ekonomik Güç Dağıtım Problemlerine Uygulanması
6 th Iteratioal Advaced Techologies Symposium (IATS 11), 16-18 May 2011, Elazığ, Turkey Parçacık Sürü Optimizasyo Algoritmasıı Termik Birimlerde Oluşa Çevresel Ekoomik Güç Dağıtım Problemlerie Uygulaması
DetaylıAYRIK DALGACIK DÖNÜŞÜMÜ İLE GÜRÜLTÜ SÜZME
AYRIK DALGACIK DÖNÜŞÜMÜ İLE GÜRÜLTÜ SÜZME Fahri VATANSEVER 1 Ferudu UYSAL Adullah UZUN 3 1 Sakarya Üiversitesi, Tekik Eğitim Fakültesi, Elektroik-Bilgisayar Eğitimi Bölümü, 54187 Esetepe Kampüsü/SAKARYA
DetaylıWEIBULL DAĞILIM PARAMETRELERİNİ BELİRLEME METODLARININ KARŞILAŞTIRILMASI
VII. Ulusal Temiz Eerji Sempozyumu, UTES 008 7-9 Aralı 008, İstabul WEIBULL DAĞILIM PARAMETRELERİNİ BELİRLEME METODLARININ KARŞILAŞTIRILMASI Seyit Ahmet AKDAĞ, Öder GÜLER İstabul Tei Üiversitesi, Eerji
DetaylıRobot Navigasyonunda Potansiyel Alan Metodlarının Karşılaştırılması ve Đç Ortamlarda Uygulanması
Robot Navigasyouda Potasiyel Ala Metodlarıı Karşılaştırılması ve Đç Ortamlarda Uygulaması Eyüp Çıar 1 Osma Parlaktua Ahmet Yazıcı 3 1, Elektrik-Elektroik Mühedisliği Bölümü, Eskişehir Osmagazi Üiversesi,
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
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
DetaylıAFYONKARAHİSAR İLİ YENİLENEBİLİR ENERJİ POTANSİYELİ. Ziya DEMİRKOL 1 Mehmet ÇUNKAŞ 2
S.Ü. Müh. Bilim ve Tek. Derg., c.2, s.1, 2014 Selcuk Uiv. J. Eg. Sci. Tech., v.2,.1, 2014 ISSN: 2147-9364 (Elektroik) AFYONKARAHİSAR İLİ YENİLENEBİLİR ENERJİ POTANSİYELİ Ziya DEMİRKOL 1 Mehmet ÇUNKAŞ 2
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.
DetaylıKİMYASAL DENGE (GİBBS SERBEST ENERJİSİ MİNİMİZASYONU) MODELLEMESİ
KİMYASAL DENGE (GİBBS SERBEST ENERJİSİ MİNİMİZASYONU) MODELLEMESİ M. Turha ÇOBAN Ege Üiversitesi, Mühedislik Fakultesi, Makie Mühedisliği Bölümü, Borova, İZMİR Turha.coba@ege.edu.tr Özet: Kimyasal degei
DetaylıGENELLEŞTİRİLMİŞ İKİ DEĞİŞKENLİ FİBONACCİ VE LUCAS POLİNOMLARI
T.C. SELÇUK ÜNİVERSİTESİ EĞİTİM BİLİMLERİ ENSTİTÜSÜ İLÖĞRETİM MATEMATİK ÖĞRETMENLİĞİ ANABİLİM DALI GENELLEŞTİRİLMİŞ İKİ DEĞİŞKENLİ FİBONACCİ VE LUCAS POLİNOMLARI Şerife TUNÇEZ YÜKSEK LİSANS TEZİ Daışma
DetaylıVeteriner İlaçları Satış Yetkisinin Veteriner Hekimliği Açısından Değerlendirilmesi: II. İlaç Satış Yetkisinin Vizyon ve Bilanço Üzerine Etkileri [1]
Kafkas Uiv Vet Fak Derg 6 ():, 00 DOI:0./kvfd.00.6 RESEARCH ARTICLE Veterier İlaçları Satış Yetkisii Veterier Hekimliği Açısıda Değerledirilmesi: II. İlaç Satış Yetkisii Vizyo ve Bilaço Üzerie Etkileri
DetaylıARAŞTIRMA MAKALESİ / RESEARCH ARTICLE. Ezgi NEVRUZ ¹, Yasemin GENÇTÜRK ²
ANADOLU ÜNİVERSİTESİ Bilim ve Tekoloi Dergisi A-Uygulamalı Bilimler ve Mühedislik Cilt: 15 Sayı: 1 014 Sayfa: 15-31 ARAŞTIRMA MAKALESİ / RESEARCH ARTICLE Ezgi NEVRUZ ¹ Yasemi GENÇTÜRK ² BAZI HASAR REZERV
DetaylıSHARPE TEK indeks MODELi ile PORTFÖY SEciMi
Yöetim, Yil: 6 Sayi: 21 Hazira 1995, s. 55-60 SHARPE TEK indeks MODELi ile PORTFÖY SEciMi, Dr. Erha Özdemir I.Ü. Tekik Bilimler MY.O. Dr. I.Müfit GIRESUNLU i'ü. Tekik Bilimler M.Y.O. Bu çalismada her bir
DetaylıCebirsel Olarak Çözüme Gitmede Wegsteın Yöntemi
3 Cebirsel Olarak Çözüme Gitmede Wegsteı Yötemi Bu yötem bir izdüşüm tekiğie dayaır ve yalış pozisyo olarak isimledirile matematiksel tekiğe yakıdır. Buradaki düşüce f() çizgisi üzerideki bilie iki oktada
DetaylıMADENCİLİK YATIRIM PROJELERİNİN SOSYAL KARLILIK ANALİZİYLE DEĞERLENDİRİLMESİ
MADENCİLİK, Cilt 42, Sayı 3, Sayfa 25-30, Eylül 2003 Vol. 42, No. 3, pp 25-30, September 2003 MADENCİLİK YATIRIM PROJELERİNİN SOSYAL KARLILIK ANALİZİYLE DEĞERLENDİRİLMESİ Appraisal of Miig Ivestmet Projects
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(;
DetaylıEKONOMETRİK MODEL SEÇİM KRİTERLERİ ÜZERİNE KISA BIR İNCELEME. Meltem Şengün UCAL *
C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 7, Sayı, 006 41 EKONOMETRİK MODEL SEÇİM KRİTERLERİ ÜZERİNE KISA BIR İNCELEME Meltem Şegü UCAL * Özet Hagi değişkeler öemli?, Bir model asıl seçilir? gibi sorular
DetaylıYAPISAL ELEMANLARIN TİTREŞİM FREKANSLARININ ANALİZİ İÇİN ÜÇ BOYUTLU TIMOSHENKO KİRİŞ ELEMANI
2. Türkiye Deprem Mühedisliği ve Sismoloji Koferası YAPISAL ELEMANLARIN TİTREŞİM FREKANSLARININ ANALİZİ İÇİN ÜÇ BOYUTLU TIMOSHENKO KİRİŞ ELEMANI ÖZET: O. Soydaş 1 ve A. Sarıtaş 2 1 Doktora Öğrecisi, İşaat
DetaylıDİKDÖRTGEN SPİRAL ANTENLER ÜZERİNE BİR İNCELEME
DİKDÖRTGEN SPİRAL ANTENLER ÜZERİNE BİR İNCELEME Uğur SAYNAK ve Alp KUŞTEPELİ Elektrik-Elektroik Mühedisliği Bölümü İzmir Yüksek Tekoloji Estitüsü, 35430, Urla, İZMİR e-posta: ugursayak@iyte.edu.tr e-posta:
DetaylıTEKNOLOJĐK ARAŞTIRMALAR
www.tekolojikarastirmalar.com e-issn:134-4141 Makie Tekolojileri Elektroik Dergisi 28 (3) 41-48 TEKNOLOJĐK ARAŞTIRMALAR Makale Düşük Sıcak Kayaklı Isı Pompaları Eerji Maliyet Aalizi Özet Murat KAYA Hitit
DetaylıMAGNİTÜD-SIKLIK İLİŞKİSİ PARAMETRELERİNİN ROBUST TAHMİNİ
. Türkiye Deprem Mühedisliği ve Sismoloji Koferası -4 Ekim 0 ODTÜ ANKARA MAGNİTÜD-SIKLIK İLİŞKİSİ PARAMETRELERİNİN ROBUST TAHMİNİ Ayşe D. AKKAYA ve M. Semih YÜCEMEN Profesör, İstatistik Bölümü, ODTÜ, Akara,
DetaylıDolar Kuru ile Tüketici Fiyat Endeksi Arasındaki İlişkinin Archimedean Kapula ile Modellenmesi
BSAD Bakacılık ve Sigortacılık Araştırmaları Dergisi Cilt, Sayı 7-8, (Kasım 05), ss.53-6 Telif Hakkı Akara Üiversitesi Beypazarı Meslek Yüksekokulu Dolar Kuru ile Tüketici Fiyat Edeksi Arasıdaki İlişkii
DetaylıSÖNÜMLÜ-DEĞİŞTİRİLMİŞ KORTEWEG-deVRIES (KdV) DENKLEMİNİN ANALİTİK VE HESAPLAMALI ÇÖZÜM KARŞILAŞTIRMASI
XIX. ULUSAL MEKANİK KONGRESİ 4-8 Ağustos 5, Karadeiz Tekik Üiversitesi, Trabzo SÖNÜMLÜ-DEĞİŞTİRİLMİŞ KORTEWEG-deVRIES (KdV) DENKLEMİNİN ANALİTİK VE HESAPLAMALI ÇÖZÜM KARŞILAŞTIRMASI Ciha BAYINDIR Işık
DetaylıHALL ETKİLİ AKIM TRANSFORMATÖRÜNÜN SPEKTRAL VE İSTATİSTİKSEL ANALİZİ
ISSN:306-3 e-joural of New World Scieces Academy 2008, Volume: 3, Number: 2 Article Number: A0075 NATURAL AND APPLIED SCIENCES ELECTRIC AND ELECTRONIC ENGINEERING BİR Received: September 2007 Accepted:
DetaylıDÖNEM I BİYOİSTATİSTİK, HALK SAĞLIĞI VE RUH SAĞLIĞI DERS KURULU Ders Kurulu Başkanı : Yrd.Doç.Dr. İsmail YILDIZ
DÖNEM I BİYOİSTATİSTİK, HALK SAĞLIĞI VE RUH SAĞLIĞI DERS KURULU Ders Kurulu Başkaı : Yrd.Doç.Dr. İsmail YILDIZ ARAŞTIRMADA PLANLAMA VE ÇÖZÜMLEME (03-09 Ocak 014 Y.ÇELİK) Araştırma Süreci (The research
DetaylıMERMER BLOK KESİM YÖNTEMLERİNİN BULANIK TOPSIS YÖNTEMİYLE DEĞERLENDİRİLMESİ. Evaluation of Marble Extraction Methods By Using Fuzzy Topsis Method
Madecilik, Cilt 46, Sayı 3, Sayfa 9-, Eylül 007 Vol.46, No.3, pp 9-, September 007 MERMER BLOK KESİM YÖNTEMLERİNİN BULANIK TOPSIS YÖNTEMİYLE DEĞERLENDİRİLMESİ Evaluatio of Marble Extractio Methods By Usig
Detaylı