Olasılık ve İstatistik Hatırlatma
|
|
- Meryem Metin
- 6 yıl önce
- İzleme sayısı:
Transkript
1 Olasılık ve İstatistik Hatırlatma BSM 445 Kuyruk Teorisi Güz 014 Yrd. Doç. Dr. Ferhat Dikbıyık
2 Bir olayın olasılığı bize ne anlatır? Verilen bir olasılığın manası nedir? Örnek: Tavlada düşeş atma olasılığı %,8 dir. Ne demektir 0,08 daha doğrusu 1/36?
3 Örnek Uzay Sample Space Deney: Biri mavi ve biri beyaz iki zar atıyoruz. ve Y sırasıyla mavi ve beyaz zarı attığımızda üste kalan yüzdeki nokta sayısı olsun. Bu durumda P+Y=6=5/36 ne demektir? Bu deneyin, Y çıktılarının örnek uzayı 1, 1, 1 3, 1 4, 1 5, 1 6, 1 1,, 3, 4, 5, 6, 1, 3, 3 3, 3 4, 3 5, 3 6, 3 1, 4, 4 3, 4 4, 4 5, 4 6, 4 1, 5, 5 3, 5 4, 5 5, 5 6, 5 1, 6, 6 3, 6 4, 6 5, 6 6, 6 Matematiksel olasılık teorisinde örnek uzay sample space kavramı vardır. Teorik olarak her bir çıktı eşit olasılığa ağırlığa sahiptir. Bu deney için her çıktı 1/36 olasılığa sahitir. Bu nedenle +Y=6 olan 5 durum olduğundan P+Y=6=5/36 olur. 3
4 Tekrarlanabilir Deney Repeatable Eperiment Maalesef, karmaşık problemler için örnek uzay çıkartıp istenen olayı gerçekleyen her sonucu sayamayız. Bir olayın olasılığını anlamak için deney defteri örneğini kullanacağız. 4
5 Tekrarlanabilir Deney Repeatable Eperiment Deney Defteri Deney no Sonuç Mavi, Beyaz Mavi+Beyaz=6? 1, 6 Hayır 3, 1 Hayır 3 1, 1 Hayır 4 4, Evet 5 1, 1 Hayır 6 3, 4 Hayır 7 5, 1 Evet 8 3, 6 Hayır 9, 5 Hayır Bu deney defterine göre yapılan ilk 9 deneyden ikisi /9 sorduğumuz soruya +Y=6? Evet sonucunu veriyor. Olasılık basitçe şöyle ifade edilebilir: İlgilendiğiniz olayın deney defterinde gerçekleştiği satırların oranı. Fakat eğer bu deneyi çok çok fazla sayıda tekrarlasa idik sonucunda Evet yazan satırların toplam deney sayısını oranı 5/36 olacaktı. Örneğin bu deneyi 70 kere tekrar etseydik eğer, yaklaşık olarak 70*5/36=100 satırda Evet yazacaktı. 5
6 Tanımlar Deney defteri örneğinden yola çıkarak olasılığın bazı genel kavramlarını rahatlıkla tanımlayabiliriz. Olay: Eğer A deneyin muhtemel boolean evet yada hayır çıktılarından biri ise biz A ya olay diyebiliriz. Bir önceki deneyimizde bazı olay örnekleri +Y=6 =1 Y=3 -Y=4 Rastgele Değişken: Bir rastgele değişken bir deneyin sayısal çıktılarından biridir. Örneğimizdeki ve Y gibi. +Y, Y, ya da siny de birer rastgele değişkendir. 6
7 Tanımlar Deney defteri örneğinden yola çıkarak olasılığın bazı genel kavramlarını rahatlıkla tanımlayabiliriz. İlgilendiğimiz bir A olayını deney defterinde yeni bir sütün gibi düşünebiliriz. k. satırda k=1,,3, bu sütün için, A olayının deneyin k. tekrarında oluşup oluşmamasına göre Evet yada Hayır yazacaktır. İlgilendiğimiz bir A olayı için PA bir çok deney sonucunda uzun-koşumlu Evet yazan satırların oranı olacaktır. A ve B iki ayrı olay olsun B bu durumda yeni bir sütun oluyor deney defterinde. Deney defterine bir sütün daha ekleyelim, bu yeni olay da A ve B olsun ve sadece hem A hem de B olayı için Evet yazdığında bu sütunda Evet yazsın. Bu durumda PA ve B bu son sütundaki Evet yazan satırların uzun-koşumlu sonucu olacaktır. 7
8 Tanımlar Deney defteri örneğinden yola çıkarak olasılığın bazı genel kavramlarını rahatlıkla tanımlayabiliriz. Verilen A ve B olayları için, deney defterinde A veya B adında başka bir sütun daha düşünelim. Her satırda bu sütün için A ve B olaylarından en az biri için Evet yazdığında Evet yazacaktır. Bu durumda PA veya B bu son sütundaki Evet yazan satırların uzun-koşumlu sonucu olacaktır. Verilen A ve B olayları için, deney defterinde A B adında başka bir sütun daha düşünelim. Bu sütundaki her bir satırda: Eğer B olayı Hayır ise Uygulanmaz yazacaktır. Eğer bu satırda B olayı için Evet diyorsa, bu durumda bu sütun için A olayının Evet yada Hayır olmasına göre Evet yada Hayır yazacaktır. Bu durumda PA B bu son sütundaki Evet yazan satırların B sütununa evet yazan satırlara uzun-koşumlu oranı olacaktır, yani B olayı olduğunda A nın olma olasılığı. Hafta daha fazla bahsedeceğiz. 8
9 Olasılığın bazı özellikleri Her hangi bir olayın olasılığı 0 ile 1 arasındadır. Bir olayın olmama olasılığı 1 den olma olasılığı çıkarılarak bulunur. Eğer A olayı B olayını kapsıyorsa, A olayının olma olasılığı B olayından daha büyüktür. PA veya B=PA+PB-PA ve B 9
10 Değişik gösterimler PA, P[A] yada P{A} olarak da gösterilebilir. Eğer bir rastgele değişken ise P bir şey ifade etmez, ama P=3 rastgele değişkenin 3 e eşit olma olasılığını anlatır. PA ve B, PA PA veya B, PA B yada PAB olarak da gösterilebilir. B olarak da gösterilebilir. A olayın olmama durumu A, A veya A c olarak gösterilebilir ve PA=1-PA. 10
11 Hatırlatmalar Permütasyon Birbirinden farklı n sayıda element için n! sayıda sıralama yapılabilir. n sayıda elementten n1 tanesi birbirinin aynı, n tanesi birbirinin aynı,, ve nr tanesi birbirinin aynı ise n!/n1! n!... nr! tane farklı sıralama yapılabilir. Kombinasyon n tane elementten seçilecek içerisinde r element içeren grup sayısı n n! r n r! r! 11
12 Koşullu Olasılık Verilen A ve B olayları için, deney defterinde A B adında başka bir sütun daha düşünelim. Bu sütundaki her bir satırda: Eğer B olayı Hayır ise Uygulanmaz yazacaktır. Eğer bu satırda B olayı için Evet diyorsa, bu durumda bu sütun için A olayının Evet yada Hayır olmasına göre Evet yada Hayır yazacaktır. Bu durumda PA B bu son sütundaki Evet yazan satırların B sütununa evet yazan satırlara uzun-koşumlu oranı olacaktır, yani B olayı olduğunda A nın olma olasılığı. 1
13 PAB ve PA B Genelde PAB ve PA B karıştırılır. İki zar atma örneğimizde ilk zarda gelen nokta sayısını ve Y ikinci zarda gelen nokta sayısını ifade ediyordu. A olayı =1 ve B olayı +Y=6 olsun Bu örnek için PAB =1/36 iken PA B=1/5 olacaktır. Yani; Deneyin birçok tekrarından sonra yaklaşık olarak deney defterindeki satırların 1/36 sında A yani =1 ve B yani +Y=6 olayı için Evet yazacaktır. Deneyin birçok tekrarından sonra, eğer sadece B nin Evet yazdığı satırlara bakarsak, bu satırların 1/5 inde A olayı için Evet yazacaktır. PA B, B olayı olduğunda A nın koşullu olasılığıdır. 13
14 Koşullu Olasılık Formülü A ve B nin aynı anda olma olasılı, ama ne zaman? P A B P AB P B B olayı olduğunda!!! 14
15 Formüle başka bir açı P A B P AB P B Yani iki olayın aynı anda olma olasılığı, birinin diğeri verildiğinde koşullu olasılığı ile diğer olayın olma olasılığının çarpımıdır. P AB P B P A B P AB P A P B A 15
16 Baye s Formülü 16 1 B P A B P B P A B P B P A B P B P A B P AB P AB P A P
17 Baye s Formülü 17 A P B A P A P B A P A P B A P B P AB P A B P
18 Ayrık olaylar Disjoint Events Eğer iki olay aynı anda oluşamıyorsa bunlara ayrık olaylar denir. Deney defteri örneğimizde bu durum şöyle ifade edilebilir. Eğer iki olay A olayı ve B olayı için deney defterinin hiçbir satırında aynı anda Evet yazması mümkün değilse bu olaylar ayrık olaylardır. Diğer bir deyişle A ve B olayı için bütün satırlarda hayır yazacaktır PAB=0. Eğer A ve B ayrık olaylarsa PA veya B=PA+PB. Normalde PA veya B=PA+PB PAB. Ayrık olaylar için PAB=0 olduğundan 18
19 Bağımsız olaylar Independent Events İki olay A ve B olayları eğer şu koşulu sağlıyorlarsa bağımsız olaylar olarak adlandırılır; PAB=PAPB. Bağımsız olmayan olaylar bağımlı olaylar olarak adlandırılır. Bu durumda genel kural geçerlidir; PAB=PAPB A. PAB yi hesaplarken, olayların bağımsız olup olmadığını nereden bileceğiz? Eğer PB A=PB ise bu olaylar bağımsızdır. Yani B olayı A nin gerçekleşip gerçekleşmemesinden etkilenmiyorsa bağımsızdır. Örnek: İki zar atma örneğimizde mavi zarda gelen sayının olması = ile beyaz zarda gelen sayının 3 olması Y=3 birbirinden bağımsızdır. Peki = ile +Y=5 olayları bağımsız mıdır? 19
20 Bağımsız olayların özellikleri Eğer A ve B bağımsız olaylar ise o zaman A ve B de bağımsız olaylardır. Üç olay A, B ve C, aşağıdaki koşulları sağlıyorlarsa birbirlerinden bağımsız olaylardır. PABC=PAPBPC PAB=PAPB PAC=PAPC PBC=PBPC 0
21 Rastgele Değişkenler, Beklenti ve Varyans
22 Rastgele Değişkenler Random Variables Bir deney gerçeklendiğinde çoğunlukla deneyin tüm sonuçlarından ziyade deneyin çıktılarının bazı fonksiyonları ile ilgileniriz. Örneğin zar deneyinde iki zar toplamının 7 olup olmadığı ile ilgileniriz ve 7 toplamının nasıl olduğu ile ilgilenmeyiz. İlgilendiğimiz bu numerik sayısal değeri olan fonksiyonlara bağımsız değişken denir. Mavi zar-beyaz zar deneyinde mavi zarın gösterdiği sayı ve beyaz zarın gösterdiği sayı Y ise aşağıdakiler birer rastgele değişken örneğidir. Y +Y siny Y -Y Y Y
23 Kesikli Rastgele Değişkenler Bir rastgele değişkenin alabileceği değerler sınırlı sayıda countable ise, bu değişken kesikli rastgele değişken olarak tanımlanır. Bir kesikli değişkenin muhtemel değerlerden birini alma ihtimalini gösteren fonksiyona olasılık kütle fonksiyonu denir. p a P{ a} 3
24 Olasılık Kütle Fonksiyonu Probability Mass Function Olasılık kütle fonksiyonu pmf sayılabilir miktarda a değeri için pozitiftir. Bir diğer deyişle, eğer 1,, değerleri rastgele değişkenin mevcut değerleri ise, p p i 0 0 i 1,, tumdiger degerler icin rastgele değişkeni i değerlerinden birini alacağından, i1 p i 1 4
25 Olasılık Kütle Fonksiyonu İki zar deneyi İki zar deneyimizde mavi zar üstündeki ve Y de beyaz zar üzerindeki noktaları ifade ediyordu. Yeni bir rastgele değişken tanımlayalım. Z = + Y pzz 1/36 1/18 1/1 1/9 5/36 1/6 5/36 1/9 1/1 1/18 1/ z 5
26 Yığılmalı Kümülatif Dağılım Fonksiyonu Cumulative Distribution Function Bazen bir rastgele değişkenin aldığı bir değeri değil de herhangi bir değerden küçük olma yada bir değer aralığı içince olma ihtimali ile ilgileniriz. Bunun için yığılmalı dağılım fonksiyonunu cdf kullanırız. F a P{ a} F a her a p Yani a değerine kadar olan a dahil in tüm muhtemel değerlerine eşit olma olasılıkları toplamı. 6
27 Yığılmalı Dağılım Fonksiyonu İki Zar Deneyi FZz Örneğin iki zarda gelen sayılar toplamının 8 veya daha düşük olma ihtimali 13/18 dir. 13/18-1/6=10/18 Peki 5 ile 8 arasında olma ihtimali nedir? 1/36 1/1 1/6 5/18 5/1 7/1 13/18 5/6 11/1 35/ /18=5/18 Peki 9 veya daha büyük olma ihtimali nedir? z 7
28 Ortak Dağılımlı Jointly Distributed Rastgele Değişkenler Bir deneyde bazen teker teker rastgele değişkenler yerine birden fazla rastgele değişken arasındaki ilişki ile ilgileniriz. Örneğin bilgisayar ağlarındaki internet trafiği ile ilgili bir deneyde, özel bir gündem sebebi ile artan tweet, FB post sayısı ile demografik istatistikler örneğin bu sosyal ağ trafiğini oluşturan kişilerin yaş ortalaması arasında ilişki ile ilgileniyor olabiliriz. Ortak yığılmalı dağılım fonksiyonu iki rastgele değişken arasındaki ilişkiyi tanımlar: F Y,, y P{, Y y} 8
29 Ortak Dağılımlı Rastgele Değişkenler İki rastgele değişkenin ortak cdf i verildiğinde birine ait cdf en azından teoride elde edilebilir. Aynı şekilde: 9, }, { } {, F Y P P F Y,, y F y F Y Y
30 Ortak Dağılımlı Rastgele Değişkenler İki rastgele değişkenin ortak pmf i şöyle tanımlanır. Aynı şekilde ortak pmf bilindiğinde, rastgele değişkenlerden birinin pmf i bulunabilir. 30 }, {,, j i j i Y y Y P y p j j i Y j j i j j i i i y p y Y P y Y P P p, }, {, } {, i j i Y j Y y p y p,, Aynı şekilde
31 Bağımsız Rastgele Değişkenler Eğer iki rastgele değişken birbirinden bağımsızsa Yani değişkeninin a dan düşük olması ve Y değişkeninin b den düşük olması birbirinden bağımsız olaylardır. Bu durumda; Aynı şekilde pmf için 31 } { } { }, { b P Y a P b Y a P,, b F a F b a F Y Y,, b p a p b a p Y Y
32 Dağılım Fonksiyonun Özellikleri Bu özelliklerde F ve F ifadeleri şu limitleri ifade etmektedir. 1.. Azalmayan bir fonksiyondur Eğer 1 ise F 1 F. 3. Eğer F 0 0 ise her 0 için F lim F F lim F 0 0 F 1 F 5. Sağdan devamlıdır. 6. P{ 1 } F F 1 ve P{ } 1 F 7. P{ } F F F 0 F F P{ 1 } F F 1 3
33 Beklenti Epectation yada Beklenen Değer Epected Value Olasılık teorisinde çok önemli konseptlerinden biri bir rastgele değişkenin beklenen değeridir. Ayrık bir rastgele değişkenin beklenen değeri E[ ] i i P{ } 0 Diğer bir deyişle, in beklenen değeri in alabileceği olası değerlerin ağırlıklı ortalamasıdır her muhtemel değerin ağırlığı o in o değere eşit olma olasılığıdır. i : p p 33
34 Beklenti yada Beklenen Değer Örnek: 1 p 0, p E[ ] Beklenen değer İki muhtemel değerden 1 e daha yakın
35 Bir Rastgele Değişkenin Fonksiyonun Beklentisi Diyelim ki bir rastgele değişkenin pmf ve cdf fonksiyonları verilmiş olsun. Ama bazen bir bu rastgele değişkenin bir fonksiyonu ile ilgileniriz g. g in kendisi de bir rastgele değişken olduğu için, bir pmf ve cdf vardır ve in fonksiyonlarından üretilebilir. Örnek; p Y p 0 0., Y 1 E[ ], P{ Y p E[ Y] p1 0.5, Y 0 1 } P{ Y 0.5, p 0.3. E[ 0 p } Y 0., P{ Y ] nedir? }
36 Bir Rastgele Değişkenin Fonksiyonun Beklentisi Her ne kadar bu yöntem teoride işe yarasa da, bu işin daha kolay bir yolu var. Bir önceki örnek için; E [ g ] g p E[ ] Lineer fonksiyonlar için bu özelliğin doğal bir sonucu; E[ a b] ae[ ] b 36
37 Beklenti = Ortalama = İlk Moment Beklentiye aynı zamanda ortalama mean yada ilk moment n de denir. Bir rastgele değişkenin n. momenti E[ ] şeklinde gösterilir ve ayrık rastgele değişkenler için aşağıdaki şekilde hesaplanır. n n E [ ] p 37
38 Varyans Verilen bir rastgele değişkenin dağılım fonksiyonunu özetleyen ölçütler oldukça fayda sağlamaktadır. Bu anlamda beklenen değer değişkenin ağırlıklı ortalamasını vererek bir fikir verir. Fakat beklenen değer değişkenin varyasyonu, diğer bir deyişle yayılımı hakkında bir bilgi vermez. Şu üç değişkene bir göz atalım; W = 0, 1 olasılıkla Y = -1, ½ olasılıkla ve Y = 1, ½ olasılıkla Z = -100, ½ olasılıkla ve Z = 100, ½ olasılıkla Bu 3 değişken için de beklenti 0 dır. Ama yayılımları farklıdır. 38
39 Varyans Varyans rastgele değişkenin beklenen değerinden E[]= ne kadar uzağa yayılım yaptığını gösterir ve şu şekilde ölçülür; Alternatif bir varyans hesaplama tekniği; 39 ] [ Var E ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ Var E E E E E E E E ] [ ] [ Var E E
40 Kesikli Rastgele Değişkenler ve Özellikleri
41 Kesikli Rastgele Değişken Bir rastgele değişkenin alabileceği değerler sınırlı sayıda countable ise, bu değişken kesikli rastgele değişken olarak tanımlanır. 41 } { } { P F P p
42 Kesikli Rastgele Değişken Dağılımları Bernoulli ve Binomial Rastgele Değişkenler Poisson Rastgele Değikenler 4
43 Bernoulli Rastgele Değişkeni Bir deneyin sonucu «başarılı» yada «başarısız» olarak sınıflandırabildiğini varsayalım. rastgele değişkeni için deney başarılı olduğunda 1 değerini, başarısız olduğunda da 0 değerini alsın. Eğer p deneyin başarılı olma ihtimali ise, Bu şekilde tanımlanmış rastgele değişkene Bernoulli rastgele değişkeni denir 0 p 1. 43
44 Binomial Rastgele Değişkeni Şimdi de, benzer bir şekilde, her birinin başarılı olma ihtimali p olan n adet deney düşünelim. Eğer rastgele değişkeni başarılı deney sayısı ise bu değişkene Binomial rastgele değişken denir ve bu değişkenin parametreleri n, p ile gösterilir. Örneğin Bernoulli rastgele değişkeni, 1, p Binomial rastgele değişkenidir. 44
45 Binomial Rastgele Değişken Olasılık Kütle Fonksiyonu n adet bağımsız deneyden i tanesinin başarılı olma ihtimali? i tanesinin başarılı olma ihtimali? n-i tanesinin başarısız olma ihtimali? Kaç farklı i deney kombinasyonu oluşturabiliriz? 45
46 Binomial Rastgele Değişkenin Beklentisi ve Varyansı E[ ] np Var np1 p 46
47 Binomial Rastgele Değişkenin cdf hesaplama 47
48 Poisson Rastgele Değişken Çok fazla bağımsız değişken için deneyin başarılı olma sayısı yaklaşık olarak Poisson rastgele değişken ile bulunur. Parametresi λ ile ifade edilir. p i e i i! E[ ] Var 48
49 Sürekli Rastgele Değişkenler ve Özellikleri
50 Sürekli Rastgele Değişkenler Bir rastgele değişken, sayısız miktarda muhtemel değerler alabilir. Örneğin bir trenin belirli bir istasyona varış zamanı veya bir transistorun yaşam süresi gibi. Bu tür rastgele değişkenler sürekli rastgele değişken olarak adlandırılır sürekli rastgele değişkeninin bir reel sayılar kümesi B içinde olma olasılığı şöyle ifade edilir. P { B} f d B f olasılık yoğunluk fonksiyonu probability distribution function - pdf olarak adlandırılır. 50
51 Sürekli Rastgele Değişkenlerin Özellikleri rastgele değişkeni, mutlaka -, arasında bir değere eşit olacağından 1 P {, } f d B = [a, b] olarak tanımlarsak, P{ [ a, b]} P{ a b} f d a Eğer a=b olursa P{ [ a, a]} P{ a} f d 0 a a b P{ a} P{ a} F a a f d 51
52 cdf ve pdf Yani sürekli rastgele değişkenin sabit değere eşit olma ihtimali sıfırdır. Bu durumda; P{ a} P{ a} F a a f d Eşitliğin iki tarafının da türevini alırsak; F a a f a fa bize rastgele değişkenin a değerinin etrafında olma ihtimalini verir. 5
53 Beklenti Bir sürekli rastgele değişkenin beklentisi şöyle ifade edilir. E [ ] f d rastgele değişkenin bir fonksiyonun beklentisi ise E [ g ] g f d Eğer bu fonksiyon lineer ise E[ a b] ae[ ] b 53
54 Varyans Varyans sürekli rastgele değişkenlerde de aynıdır. Yani; Var E[ ] ya da alternatif olarak; Var E[ ] E[ ] 54
55 Uniform Tekdüze dağılım Bir rastgele değişkeni [α, β] aralığında uniform bir şekilde dağıtılmış ise, bu rastgele değişkene ait pdf: f 1 0 veya 1/β-α α β 55
56 Uniform Tekdüze dağılım pdf in altında kalan alan 1 olması gerekir. [α, β] aralığında olan bir [a, b] alt aralığı için d d d f a b d d f b a P b a b a 1 } {
57 Uniform Tekdüze dağılım Beklenti 57 ] [ d d f E
58 Uniform Tekdüze dağılım Beklenti 58 ] [ d d f E
59 Uniform Tekdüze dağılım Beklenti 59 ] [ d d f E
60 Uniform Tekdüze dağılım. Moment ve Varyans ] [ 3 3 d d f E ] [ ] [ E E Var
61 Normal Gaussian Dağılım Bir rastgele değişkeni, aşağıdaki pdf e sahipse, bu rastgele değişken için, μ ve σ parametreleri ile normal olarak dağılmıştır deriz ve şu şekilde gösteririz: ~ N, f 1 e / Bu fonksiyon μ nün etrafında simetrik olan ve maksimum değeri = μ olduğunda 1/σ π olarak gerçekleşen çan şeklinde bir eğridir. 61
62 Normal Gaussian Dağılım 6 Image courtesy: wikipedia.org
63 Normal Gaussian Dağılım Normal dağılım 1773 de Fransız matematikçi Abraham DeMoivre tarafından, Binomial rastgele değişkenleri n çok büyük olduğunda yakınsamak için geliştirilmiştir. Bu yakınsama daha sonra Laplace tarafından daha da geliştirilmiş ve Merkezi Limit Teoremi oluşturulmuştur. Pratikte bir çok rastgele olayın, en azından yaklaşık olarak, normal dağılımı izlediği görülmüştür. Bir insanın boyu, bir gaz içerisindeki bir molekülün herhangi bir doğrultudaki hızı, fiziksel bir ölçümde hata sayısı, veri iletiminde sinyal bozulma miktarı, vb. 63
64 Normal Gaussian Dağılım Beklenti 64 1 / 0 / / / / ] [ d f y y e ye e e e f E
65 Normal Gaussian Dağılım Varyans 65 1 / kıısm integral / / / / / 1 1 ] [ dy e dy e ye dy e y e E Var y y y y y
66 Normal Gaussian Dağılım Lineer fonksiyon Y=A+B ise E[Y]=Aμ+B VarY=A σ 66
67 Üssel Eponential Rastgele Değişken Bir rastgele değişken, aşağıdaki pdf e sahipse bu rastgele değişkene üssel rastgele değişken denir. f Bu durumda cdf; e F 1 e 67
68 Üssel Eponential Rastgele Değişken Üssel rastgele değişken pratikte genelde bazı spesifik olaylar oluşana kadar geçen süreyi ifade etmek için kullanılır. Örneğin; şimdiden başlayarak Bir deprem oluşuncaya kadar geçen süre, Yeni bir savaş başlayıncaya kadar geçen süre, Size gelen ilk yanlış aramaya kadar geçen süre, vb. Üssel rastgele değişken hafızasızdır memoryless. 68
69 Üssel Eponential Rastgele Değişken: Beklenti ve Varyans E[ ] 1/ Var 1/ 69
Appendix B: Olasılık ve Dağılım Teorisi
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım
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
DetaylıDers 6: Sürekli Olasılık Dağılımları
Ders 6: Sürekli Olasılık Dağılımları Normal Dağılım Standart Normal Dağılım Binom Dağılımına Normal Yaklaşım Düzgün (uniform) Dağılım Üstel Dağılım Dağılımlar arası ilişkiler Bir rastgele değişkenin, normal
DetaylıRastgele değişken nedir?
Rastgele değişken nedir? Şİmdiye kadar hep, kümelerden ve bu kümelerin alt kümelerinden (yani olaylar)dan bahsettik Bu kümelerin elemanları sayısal olmak zorunda değildi. Örneğin, yazı tura, kız erkek
DetaylıTesadüfi Değişken. w ( )
1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere
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.
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
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.
DetaylıRastgele Değişkenlerin Dağılımları. Mühendislikte İstatistik Yöntemler
Rastgele Değişkenlerin Dağılımları Mühendislikte İstatistik Yöntemler Ayrık Rastgele Değişkenler ve Olasılık Dağılımları Yapılan çalışmalarda elde edilen verilerin dağılışı ve dağılış fonksiyonu her seferinde
DetaylıDers 4: Rastgele Değişkenler ve Dağılımları
Ders 4: Rastgele Değişkenler ve Dağılımları Rastgele değişken kavramı Kesikli ve sürekli rastgele değişkenler İki boyutlu rastgele değişkenler Beklenen değer Varyans Örnek uzaydaki her elemanı bir sayıyla
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
Detaylı3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI
ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6
DetaylıSÜREKLİ OLASILIK DAĞILIŞLARI
SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla
DetaylıIE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R
IE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R Geçen Ders Envanter yonetımı: Gazetecı problemı Rastsal Rakamlar Üret Talebi hesapla Geliri hesapla Toplam maliyeti hesapla Günlük ve aylık
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.
Detaylı3/6/2013. Ders 6: Kesikli Olasılık Dağılımları
Ders 6: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
DetaylıDers 6: Kesikli Olasılık Dağılımları
Ders 6: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
DetaylıDers 5: Kesikli Olasılık Dağılımları
Ders 5: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
DetaylıDers 5: Kesikli Olasılık Dağılımları
Ders 5: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
DetaylıMIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıIE 303T Sistem Benzetimi
IE 303T Sistem Benzetimi 1 L E C T U R E 5 : O L A S I L I K T E K R A R 2 Review of the Last Lecture Random Variables Beklenen Değer ve Varyans Moment Kesikli Dağılımlar Bernoulli Dağılımı Binom Dağılımı
DetaylıEME Sistem Simülasyonu. Giriş. Olasılık Dağılımı. Rassal Degiskenler
EME 3105 1 Giriş Sistem Simülasyonu Önümüzdeki hafta simulasyon girdilerinin modellenmesinde kullanılan kesikli ve sürekli Simulasyonda İstatistiksel Modeller-I Ders 4 dağılımlar hatırlatılacaktır. Rassal
DetaylıOlasılık, bir deneme sonrasında ilgilenilen olayın tüm olaylar içinde ortaya çıkma ya da gözlenme oranı olarak tanımlanabilir.
5.SUNUM Olasılık, bir deneme sonrasında ilgilenilen olayın tüm olaylar içinde ortaya çıkma ya da gözlenme oranı olarak tanımlanabilir. Günlük hayatta sıklıkla kullanılmakta olan olasılık bir olayın ortaya
DetaylıDeney Dizaynı ve Veri Analizi Ders Notları
Deney Dizaynı ve Veri Analizi Ders Notları Binom dağılım fonksiyonu: Süreksiz olaylarda, sonuçların az sayıda seçenekten oluştuğu durumlarda kullanılır. Bir para atıldığında yazı veya tura gelme olasılığı
Detaylırasgele değişkeninin olasılık yoğunluk fonksiyonu,
3.6. Bazı Sürekli Dağılımlar 3.6.1 Normal Dağılım Normal dağılım hem uygulamalı hem de teorik istatistikte kullanılan oldukça önemli bir dağılımdır. Normal dağılımın istatistikte önemli bir yerinin olmasının
DetaylıRastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble.
1 Rastgele Süreçler Olasılık taması Rastgele Deney Çıktı Örnek Uzay, S (s) Zamanın Fonksiy onu (t, s) Olayları Tanımla Rastgele süreç konsepti (Ensemble) deney (t,s 1 ) 1 t Örnek Fonksiyonlar (t,s ) t
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
DetaylıRASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN
RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi
DetaylıBİYOİSTATİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTTİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. slı SUNER KRKÜLH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim D. Web: www.biyoistatistik.med.ege.edu.tr 1 OLSILIK Olasılık; Tablo
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
Detaylı1.58 arasındaki her bir değeri alabileceği için sürekli bir
7.SUNUM Hatırlanacağı gibi, kesikli rassal değişkenler sonlu (örneğin; 0, 1, 2,...,10) veya sayılabilir sonsuzlukta (örneğin; 0, 1, 2,...) değerler alabilmektedir. Fakat birçok uygulamada, rassal değişkenin
DetaylıSÜREKLĠ OLASILIK DAĞILIMLARI
SÜREKLĠ OLASILIK DAĞILIMLARI Sayı ekseni üzerindeki tüm noktalarda değer alabilen değişkenler, sürekli değişkenler olarak tanımlanmaktadır. Bu bölümde, sürekli değişkenlere uygun olasılık dağılımları üzerinde
Detaylıİstatistik, genel olarak, rassal bir olayı (ya da deneyi) matematiksel olarak modellemek ve bu model yardımıyla, anakütlenin bilinmeyen karakteristik
6.SUNUM İstatistik, genel olarak, rassal bir olayı (ya da deneyi) matematiksel olarak modellemek ve bu model yardımıyla, anakütlenin bilinmeyen karakteristik özellikleri (ortalama, varyans v.b. gibi) hakkında
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.
DetaylıOlasılık ve Rastgele Süreçler (EE213) Ders Detayları
Olasılık ve Rastgele Süreçler (EE213) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve Rastgele Süreçler EE213 Güz 3 0 0 3 7 Ön Koşul Ders(ler)i
DetaylıHatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5
Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın
DetaylıİSTATİSTİK DERS NOTLARI
Balıkesir Üniversitesi İnşaat Mühendisliği Bölümü umutokkan@balikesir.edu.tr İSTATİSTİK DERS NOTLARI Yrd. Doç. Dr. Umut OKKAN Hidrolik Anabilim Dalı Balıkesir Üniversitesi Balıkesir Üniversitesi İnşaat
DetaylıProbability Density Function (PDF, Sürekli fonksiyon)
Varyans Bir serideki her elemanın ortalamadan farklarının karelerinin toplamının, serideki eleman sayısına bölümü ile elde edilir. Standart Sapma Varyansın kareköküdür. Eğer birçok veri ortalamaya yakın
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
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
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
Detaylıİstatistik I Ders Notları
İstatistik I Ders Notları Sürekli Rassal Değişkenler Hüseyin Taştan Kasım 2, 26 İçindekiler Sürekli Rassal Değişkenlerin Özellikleri 2 2 Olasılık Yoğunluk Fonksiyonu 2 Birikimli Olasılık Fonksiyonu 6 4
DetaylıÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ
ÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ TEMEL KAVRAMLAR PARAMETRE: Populasyonun sayısal açıklayıcı bir ölçüsüdür ve anakütledeki tüm elemanlar dikkate alınarak hesaplanabilir. Ana kütledeki
DetaylıAnkara Üniversitesi, SBF İstatistik 2 Ders Notları Prof. Dr. Onur Özsoy 1
1 Rastgele bir denemede ortaya çıkması olası sonuçların tamamıdır Örnek: bir zar bir kez yuvarlandığında S= Yukarıdaki sonuçlardan biri elde edilecektir. Sonuçların her biri basit olaydır Örnek: Bir deste
DetaylıNotasyonlar ve Genel Kurallar
Notasyonlar ve Genel Kurallar BSM 445 Kuyruk Teorisi Güz 2014 Yrd. Doç. Dr. Ferhat Dikbıyık Bir kuyruğun temel bileşenleri 1. Varış Prosesi 6. Servis disiplinleri 2. Servis zamanı dağılımı 4. Bekleme yerleri
Detaylıİstatistik 1. Bölüm 5 Olasılık Teorisi ve Kesikli Olasılık Dağılımları. Ankara Üniversitesi SBF, GYY
İstatistik 1 Bölüm 5 Olasılık Teorisi ve Kesikli Olasılık Dağılımları Bu Bölümde İşlenecek Konular Temel Olasılık Teorisi Örnek uzayı ve olaylar, basit olasılık, birleşik olasılık Koşullu Olasılık İstatistiksel
DetaylıRD lerin Fonksiyonları
RD lerin Fonksiyonları Diğer değişkenler gibi rastgele değişkenlerin de fonksiyonları olur Örneğin 0 ile 1 arasında rastgele seçilmiş bir çap uzunluğu ile oluşturulan dairenin alanı bir RD olarak çap uzunluğunun
DetaylıARALIK TAHMİNİ (INTERVAL ESTIMATION):
YTÜ-İktisat İstatistik II Aralık Tahmini I 1 ARALIK TAHMİNİ INTERVAL ESTIMATION): Nokta tahmininde ilgilenilen anakütle parametresine ilişkin örneklem bilgisinden hareketle tek bir sayı üretilir. Bir nokta
DetaylıStokastik Süreçler. Bir stokastik süreç ya da rastgele süreç şöyle tanımlanabilir.
Bir stokastik süreç ya da rastgele süreç şöyle tanımlanabilir. Zamanla değişen bir rastgele değişkendir. Rastgele değişkenin alacağı değer zamanla değişmektedir. Deney çıktılarına atanan rastgele bir zaman
DetaylıKESİKLİ DÜZGÜN DAĞILIM
KESİKLİ DÜZGÜN DAĞILIM Eğer X kesikli rassal değişkeninin alabileceği değerler (,,..., ) eşit olasılığa sahip ise, kesikli düzgün dağılım söz konusudur. p(x) =, X=,,..., şeklinde gösterilir. Bir kutuda
Detaylı2018 YILI BİRİNCİ SEVİYE AKTÜERLİK SINAVLARI İSTATİSTİK VE OLASILIK 29 NİSAN 2018
2018 YILI BİRİNCİ SEVİYE AKTÜERLİK SINAVLARI İSTATİSTİK VE OLASILIK 29 NİSAN 2018 Sigortacılık Eğitim Merkezi (SEGEM) tarafından hazırlanmış olan bu sınav sorularının her hakkı saklıdır. Hangi amaçla olursa
DetaylıMIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
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.
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.
DetaylıFaktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir,
14. Binom ve Poisson olasılık dağılımları Faktöriyeller ve kombinasyonlar Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, n! denir ve n! = 1.2.3...(n-2).(n-l).n biçiminde gösterilir.
DetaylıYapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( )
İKİ DEĞİŞKENLİ OLASILIK Rassal bir deneme yapılmakta ve farklı iki olay ile ilgilenilmektedir. A 1, A 2,,A i olayları bağdaşmaz ve bütünü kapsayıcıdır. B 1, B 2,,B j olayları bağdaşmaz ve bütünü kapsayıcıdır.
DetaylıBekleme Hattı Teorisi
Bekleme Hattı Teorisi Sürekli Parametreli Markov Zincirleri Tanım 1. * +, durum uzayı * +olan sürekli parametreli bir süreç olsun. Aşağıdaki özellik geçerli olduğunda bu sürece sürekli parametreli Markov
DetaylıBAZI ÖNEMLİ SÜREKLİ DEĞİŞKEN DAĞILIMLARI
BAZI ÖNEMLİ SÜREKLİ DEĞİŞKEN DAĞILIMLARI BAZI SÜREKLİ OLASILIK DAĞILIMLARI 1. SÜREKLİ DÜZGÜN (UNIFORM) DAĞILIM 2. NORMAL DAĞILIM 3. BİNOM DAĞILIMINA NORMAL YAKLAŞIM 4. POISSON DAĞILIMINA NORMAL YAKLAŞIM
DetaylıKesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları
Kesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları 1 Şans Değişkeni: Bir dağılışı olan ve bu dağılışın yapısına uygun frekansta oluşum gösteren değişkendir.
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
DetaylıKesikli ġans DeğiĢkenleri Ġçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları
Kesikli ġans DeğiĢkenleri Ġçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları Kesikli ġans DeğiĢkenlerinin Olasılık Fonksiyonları X, şans değişkeni ve, 2,.., n ise bu tesadüfi değişkenin
DetaylıBİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Uygulamalı bilim
DetaylıMIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
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
Detaylı13. Olasılık Dağılımlar
13. Olasılık Dağılımlar Mühendislik alanında karşılaşılan fiziksel yada fiziksel olmayan rasgele değişken büyüklüklerin olasılık dağılımları için model alınabilecek çok sayıda sürekli ve kesikli fonksiyon
DetaylıMIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıİÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37
İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar
DetaylıÖrnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? n(s) = 3 6 = 1 2
Bir Olayın Olasılığı P(A) = n(a) n(s) = A nın eleman sayısı S nin eleman sayısı Örnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? Çözüm: S
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 5: Rastgele Değişkenlerin Dağılımları II Prof. Dr. İrfan KAYMAZ Sık Kullanılan Dağılımlar Frekans tablolarına dayalı histogram ve frekans poligonları, verilerin dağılımı hakkında
DetaylıSİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN
SİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN SİMÜLASYON ÇEŞİTLERİ Günümüz simülasyonları gerçek sistem davranışlarını, zamanın bir fonksiyonu olduğu düşüncesine dayanan Monte Carlo yöntemine dayanır. 1.
DetaylıDers 9: Kitle Ortalaması ve Varyansı için Tahmin
Ders 9: Kitle Ortalaması ve Varyansı için Tahmin Kitle ve Örneklem Örneklem Dağılımı Nokta Tahmini Tahmin Edicilerin Özellikleri Kitle ortalaması için Aralık Tahmini Kitle Standart Sapması için Aralık
Detaylı2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım
2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı
DetaylıWEIBULL DAĞILIMI WEIBULL DAĞILIMI ANADOLU ÜNİVERSİTESİ
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ SÜREKLİ DAĞILIMLAR-2 DOÇ. DR. NİHAL ERGİNEL 2015 WEIBULL DAĞILIMI Weibull dağılımı, pek çok farklı sistemlerin bozulana kadar geçen süreleri ile ilgilenir. Dağılımın
DetaylıProf.Dr.A.KARACABEY Doç.Dr.F.GÖKGÖZ RANDOM DEĞİŞKEN
SÜREKSİZ (DISCRETE) OLASILIK DAĞILIMLARI 1 RANDOM DEĞİŞKEN Nümerik olarak ifade edilebilen bir deneyin sonuçlarına rassal (random) değişken denir. Temelde iki çeşit random değişken vardır. ##süreksiz(discrete)
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.
DetaylıMatris Cebiriyle Çoklu Regresyon Modeli
Matris Cebiriyle Çoklu Regresyon Modeli Hüseyin Taştan Mart 00 Klasik Regresyon Modeli k açıklayıcı değişkenden oluşan regresyon modelini her gözlem i için aşağıdaki gibi yazabiliriz: y i β + β x i + β
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.
DetaylıRASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007
RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 007 1 Tekdüze Dağılım Bir X rasgele değişkenin, a ve b arasında tekdüze dağılımlı olabilmesi için olasılık yoğunluk
DetaylıMIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıMatematik Ders Notları. Doç. Dr. Murat Donduran
Matematik Ders Notları Doç. Dr. Murat Donduran Mart 18, 28 2 İçindekiler 1 Tanımlı Integral Uygulamaları 5 1.1 Olasılık.............................. 5 3 4 İÇINDEKILER Bölüm 1 Tanımlı Integral Uygulamaları
DetaylıUygulama 3 Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Uygulama 3 Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr Olasılık Hatırlatma Olasılık teorisi,
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.
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.
DetaylıAppendix C: İstatistiksel Çıkarsama
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama
DetaylıAST416 Astronomide Sayısal Çözümleme - II. 2. Temel İstatistik Kavramlar ve Dağılımlar
AST416 Astronomide Sayısal Çözümleme - II 2. Temel İstatistik Kavramlar ve Dağılımlar Bu derste neler öğreneceksiniz? Sıklık Dağılımı ve Olasılık Dağılımı Olasılık ve Kümüatif Dağılım Fonksiyonları Dağılım
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 C: İstatistiksel Çıkarsama Doç.
DetaylıİÇİNDEKİLER ÖN SÖZ...
İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN
DetaylıRastgelelik, Rastgele Sinyaller ve Sistemler Rastgelelik Nedir?
Rastgelelik, Rastgele Sinyaller ve Sistemler Rastgelelik Nedir? Rastgelelik en basit anlamda kesin olarak bilinememektir. Rastgele olmayan deterministiktir (belirli). Bazı rastgele olgu örnekleri şöyle
DetaylıTablo (2): Atıştırma Sayısı ve Günlük Sınav Sayısı Atıştırma Sınav Sayısı (X) 0 0.07 0.09 0.06 0.01
Ortak Varyans ve İstatistiksel Bağımsızlık Bir rassal değişken çifti istatistiksel olarak bağımsız ise aralarındaki ortak varyansın değeri 0 dır. Ancak ortak varyans değerinin 0 olması, iki rassal değişkenin
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
DetaylıMAT223 AYRIK MATEMATİK
MAT223 AYRIK MATEMATİK Kombinatoryal Olasılık 5. Bölüm Emrah Akyar Anadolu Üniversitesi Fen Fakültesi Matematik Bölümü, ESKİŞEHİR 2014 2015 Öğretim Yılı Olaylar ve Olasılıklar Kombinatoryal Olasılık Olaylar
Detaylı0.04.03 Standart Hata İstatistikte hesaplanan her istatistik değerin mutlaka hatası da hesaplanmalıdır. Çünkü hesaplanan istatistikler, tahmini bir değer olduğu için mutlaka hataları da vardır. Standart
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.
Detaylıkümeleri sırasıyla n 1, n 2,..., n k eleman içeriyorsa, önce A 1 nin bir elemanını seçmenin n 1
3. Olasılık Hesapları ve Olasılık Dağılımları 3.3. Sayma Teknikleri Olasılık hesapları ve istatistikte birçok problem, verilen küme elemanlarının sayılmasını veya sıralanmasını gerektirir. Eğer bir olayın
DetaylıKESİKLİ ŞANS DEĞİŞKENLERİNİN OLASILIK DAĞILIMLARI. Bernoulli Dağılımı Binom Dağılımı Poisson Dağılımı
KESİKLİ ŞANS DEĞİŞKENLERİNİN OLASILIK DAĞILIMLARI Bernoulli Dağılımı Binom Dağılımı Poisson Dağılımı 1 Bernoulli Dağılımı Bir şans değişkeninin bernoulli dağılımı göstermesi için ilgilenilen süreçte bernoulli
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
DetaylıKümülatif Dağılım Fonksiyonları. F X (x) = P (X x) = P X (x) = P (X x) = p X (x ) f X (x) = df X(x) dx
Kümülatif Dağılım Fonksiyonları Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. F X (x) = P (X x) = x f X (x ) dx Sürekli
Detaylı