BAYES ÖĞRENMESİ BİLECİK ÜNİVERSİTESİ. Araş. Gör. Nesibe YALÇIN. Yapay Zeka-Bayes Öğrenme
|
|
- Eser Çakır
- 8 yıl önce
- İzleme sayısı:
Transkript
1 BAYES ÖĞRENMESİ Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ Yapay Zeka-Bayes Öğrenme 1
2 İÇERİK Bayes Teoremi Bayes Sınıflandırma Örnek Kullanım Alanları Avantajları Dezavantajları Yapay Zeka-Bayes Öğrenme
3 BAYES TEOREMİ Bir olayın meydana gelmesinde birden fazla etkenin olması koşulunda, olayın hangi etkenin etkinliği ile ortaya çıktığını gösteren teoremdir. h h olayının önsel (marjinal olasılığı D D eğitim verisinin önsel olasılığı D h h olayı verildiğinde D nin koşullu olasılığı h D D eğitim verisi verildiğinde h nin koşullu olasılığı Yapay Zeka-Bayes Öğrenme 3
4 Alternatif iki hipotezi olan bir tıbbi teşhis problemini ele alalım. (1 Hasta, kanser ( Hasta, kanser değil Veriler, (pozitif ve ϴ (negatif olmak üzere iki sonucu olan laboratuar testlerinden oluşmaktadır. Tüm popülasyonun.008 lik kısmının bu hastalığa sahip olduğuna dair önsel bilgimiz var. Ayrıca laboratuar testi bu hastalığa dair eksik sonuçlar da verebilmektedir.test, hastalığın gerçekte var olduğu durumların %98 inde doğru pozitif sonuç, olmadığı durumların %97 sinde doğru negatif sonuç vermektedir. Diğer durumlarda ise test, hastalığın varlığına dair tam zıttı sonuçlar vermektedir: cancer0.008 cancer0.99 cancer 0.98 cancer0.03 ϴ cancer0.0 ϴ cancer0.97 Laboratuar testi pozitif olan bir hastanın olduğunu varsayarsak, bu hastayı kanser var şeklinde mi, yok şeklinde mi teşhis etmeliyiz? cancer cancer0.98* cancer cancer 0.03* cancer < cancer cancer Yapay Zeka-Bayes Öğrenme
5 BAYES SINIFLANDIRMA İstatistiksel bir sınıflandırıcıdır. İstatistikteki bayes teoremine dayanır. Örneklerin hangi sınıfa hangi olasılıkla ait olduklarını öngörür. Basit bir yöntemdir. Öğrenme zamanı yoktur, yani sınıflandırmadan önce bir başlangıç zamanı gerekmez. Her sınıflandırma için tüm veri kümesini işler. Yapay Zeka-Bayes Öğrenme 5
6 TENİS OYNAMA ÖRNEĞİ Gün Hava Durumu Sıcaklık Derecesi Nem Oranı Rüzgar Oynama Durumu D1 Güneşli Sıcak Yüksek Zayıf Hayır D Güneşli Sıcak Yüksek Şiddetli Hayır D3 Bulutlu Sıcak Yüksek Zayıf Evet D Yağmurlu Ilık Yüksek Zayıf Evet D5 Yağmurlu Serin Normal Zayıf Evet D6 Yağmurlu Serin Normal Şiddetli Hayır D7 Bulutlu Serin Normal Şiddetli Evet D8 Güneşli Ilık Yüksek Zayıf Hayır D9 Güneşli Serin Normal Zayıf Evet D10 Yağmurlu Ilık Normal Zayıf Evet D11 Güneşli Ilık Normal Şiddetli Evet D1 Bulutlu Ilık Yüksek Şiddetli Evet D13 Bulutlu Sıcak Normal Zayıf Evet D1 Yağmurlu Ilık Yüksek Şiddetli Hayır Yapay Zeka-Bayes Öğrenme 6
7 Hava durumu güneşli evet /5 güneşli hayır 3/5 bulutlu evet / bulutlu hayır 0 yağmurlu evet 3/5 yağmurlu hayır /5 Sıcaklık sıcak evet / sıcak hayır / ılık evet /6 ılık hayır /6 serin evet 3/ serin hayır 1/ Nem oranı yüksek evet 3/7 yüksek hayır /7 normal evet 6/7 normal hayır 1/7 Rüzgar şiddetli evet 3/6 zayıf hayır 3/6 zayıf evet 6/8 şiddetli hayır /8 evet 9/1 hayır 5/1 Yapay Zeka-Bayes Öğrenme 7
8 Yeni X Örneğinin Sınıflandırılması Yeni örnek X <yağmurlu, sıcak, yüksek, zayıf> evet X? yağmurlu evet sıcak evet yüksek evet zayıf evet evet 3/5 / 3/7 6/8 9/ hayır X? yağmurlu hayır sıcak hayır yüksek hayır zayıf hayır hayır /5 / /7 /8 5/ evet X>hayır X olduğundan örnek X in sınıfı evet olarak öngörülür. Yapay Zeka-Bayes Öğrenme 8
9 Dergi Harcaması Kol Saati Harcaması ÖRNEK Verilen tabloya göre Dergi HarcamasıEvet, Saat HarcamasıEvet Hayat SigortasıHayır, Kredi Kartı SigortasıHayır Cinsiyet? Hayat Sigortası Kredi Kartı Sigortası Cinsiyet Evet Hayır Hayır Hayır E Evet Evet Evet Hayır K Hayır Hayır Hayır Hayır E Evet Evet Evet Hayır E Evet Hayır Evet Hayır K Hayır Hayır Hayır Hayır K Evet Hayır Evet Evet E Hayır Evet Hayır Hayır E Evet Hayır Hayır Hayır E Evet Evet Evet Hayır K
10 ÖRNEK Dergi Harcaması Kol Saati H. Hayat Sigor. Kredi Kartı Sigortası Cinsiyet E K E K E K E K Evet Hayır Evet /6 3/ /6 / /6 3/ /6 1/ Hayır /6 1/ /6 / /6 1/ /6 3/ S1:CinsiyetERKEK, S:CinsiyetKADIN şeklinde sınıf olsun. X1,X,X3,X örnekler olsun. Buna göre X CinsiyetERKEK koşullu olasılığını hesaplamak gerekmektedir. Yapay Zeka-Bayes Öğrenme 10
11 1.ADIM: S1:CinsiyetERKEK için X CinsiyetERKEK cinsiyet E 3 5 BayesTeoremine göre: P ( h D D h h D Yapay Zeka-Bayes Öğrenme 11
12 .ADIM: S:CinsiyetKADIN için X CinsiyetKADIN Bayes Teoremine göre: cinsiyet K 5 SONUÇ:Bayes sınıflandırıcı bize, örneğin büyük olasılıkla erkek bir kredi kartı müşterisi olduğunu söylemektedir. Yapay Zeka-Bayes Öğrenme 1
13 SIFIR DEĞER SORUNU Dergi HarcamasıEvet, Saat HarcamasıEvet Hayat SigortasıHayır, Kredi Kartı SigortasıHayır Cinsiyet? [] Burada, Kredi Kartı SigortasıHayır olan kadınların sayısını 0 kabul edelim: x x x 1 3 S S S P ( x S DergiH. KolSaatiH. HayatSigor. Evet Cinsiyet P ( KrediKartSigor. 3 X Cinsiyet K Bu problemi aşmak için: n + ( k( p d + k Evet Cinsiyet Hayir Cinsiyet 1 K 3/ K Hayir Cinsiyet 0 0 / K 1/ K 0 / 0 k: 0 ile 1 arasında bir sayıdır, p ise hedef nitelik için mümkün değerlerin toplamının 1 kesirli kısmıdır. Yani p1/ olmaktadır. Yapay Zeka-Bayes Öğrenme 13
14 EKSİK VERİ Dergi HarcamasıEvet, Saat HarcamasıBilinmiyor Hayat SigortasıHayır, Kredi Kartı SigortasıHayır Cinsiyet? [] 8 X Cinsiyet E X Cinsiyet K 6 Cinsiyet E X Cinsiyet K X Burada, Saat Harcaması özelliğinin olasılık değeri 1 kabul edilerek ihmal edilmiştir. Her iki şartlı olasılık aynı derecede aynı derecede etkilendiğinden sonuç için problem olmaz. Yapay Zeka-Bayes Öğrenme 1
15 SAYISAL VERİLER Dergi Harcaması Kol Saati Harcaması Hayat Sigortası Kredi Kartı Sigortası Yaş Cinsiyet Evet Hayır Hayır Hayır 5 E Evet Evet Evet Hayır 0 K Hayır Hayır Hayır Hayır E Evet Evet Evet Evet 30 E Evet Hayır Evet Hayır 38 K Hayır Hayır Hayır Hayır 55 K Evet Hayır Evet Evet 35 E Hayır Evet Hayır Hayır 7 E Evet Hayır Hayır Hayır 3 E Evet Evet Evet Hayır 1 K Dergi HarcamasıEvet, Saat HarcamasıEvet Hayat SigortasıHayır, Kredi Kartı SigortasıHayır, Yaş5 Cinsiyet? [] Yapay Zeka-Bayes Öğrenme 15
16 Yaş verisinin normal dağıldığı varsayılarak, standart olasılık yoğunluk fonksiyonu kullanılır: 5 ( ( 5 ( ( Kadin Cinsiyet Yas P K Cinsiyet X P Erkek Cinsiyet Yas P E Cinsiyet X P SAYISAL VERİLER sapma std ortalama e x f x. :, : 1/( ( /( ( σ µ π σ σ µ /( 5 ( , 7.77, /( 5 ( , 7.69, ] /[( (5 ] /[( (5 e Kadin Cinsiyet Yas P x e Erkek Cinsiyet Yas P x π µ σ π µ σ 16 Yapay Zeka-Bayes Öğrenme
17 SAYISAL VERİLER X X Cinsiyet Cinsiyet E K Cinsiyet Erkek X.003 / X.0018 / X 5 Cinsiyet Kadin X.00 / X.0016 / X 5 SONUÇ: Bayes sınıflandırıcı bize, örneğin büyük olasılıkla 5 yaşında erkek bir kredi kartı müşterisi olduğunu söylemektedir. Yapay Zeka-Bayes Öğrenme 17
18 KULLANIM ALANLARI Metin sınıflandırma Konuşmacı tanıma sistemleri Şifre kontrolü uygulamaları Orta veya geniş eğitim kümesinin mevcut olması durumunda Örnekleri tanımlayan nitelikler, sınıflandırmadan bağımsız olarak verildiğinde Yapay Zeka-Bayes Öğrenme 18
19 Avantaj ve Dezavantajları Avantajları: - Kolay uygulanabilirlik - Üstün performans - Çoğu durumda iyi sonuçlar Dezavantajları - Varsayım: sınıf bilgisi verildiğinde nitelikler bağımsız - Gerçek hayatta değişkenler birbirine bağımlı - Değişkenler arası ilişki modellenemiyor. - Test verisinin uzun işlem zamanıdır. Çözüm: Bayes ağları Yapay Zeka-Bayes Öğrenme 19
20 Kaynaklar Wikipedia and Vikipedi Tom M. Mitchell. Machine Learning. McGraw Hill Roiger R. J., Geatz M. W., Data Mining: A Tutorial Based Primer, Addison Wesley 003 Yapay Zeka-Bayes Öğrenme 0
Concept Learning. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ. Yapay Zeka - Kavram Öğrenme
Concept Learning Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ 1 İÇERİK Öğrenme Metotları Kavram Öğrenme Nedir? Terminoloji Find-S Algoritması Candidate-Elimination Algoritması List-Then Elimination Algoritması
DetaylıDENİZ HARP OKULU TEMEL BİLİMLER BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
DENİZ HARP OKULU TEMEL BİLİMLER BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS OLASILIK VE İSTATİSTİK FEB-222 2/ 2.YY 3+0+0 3 3 Dersin Dili Dersin Seviyesi
DetaylıKaraciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması
Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş
Detaylı2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK
Soru 1 X rassal değişkeninin olasılık yoğunluk fonksiyonu x x, x> f ( x) = 0, dy. 1 werilmiş ve Y = rassal değişkeni tanımlamış ise, Y değişkenin 0< 1 X 1 y için olasılık yoğunluk fonksiyonu aşağıdaki
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.
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
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel
DetaylıMEH535 Örüntü Tanıma. Karar Teorisi
MEH535 Örüntü Tanıma 2. Karar Teorisi Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Karar Teorisi
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıMakine Öğrenmesi (COMPE 565) Ders Detayları
Makine Öğrenmesi (COMPE 565) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Makine Öğrenmesi COMPE 565 Her İkisi 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin Dili
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.
DetaylıDers 1: Markov Zincirleri YÖNEYLEM ARAŞTIRMASI III. Markov Süreçleri Ders 4. Stokastik Süreç Nedir? Stokastik Süreç Nedir?
Ders : Markov Zincirleri YÖNEYLEM ARAŞTIRMASI III Markov Süreçleri Ders 4 Yrd. Doç. Dr. Beyazıt Ocaktan E-mail: bocaktan@gmail.com Ders İçerik: nedir? Markov Zinciri nedir? Markov Özelliği Zaman Homojenliği
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 5072
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Veri Madenciliği ve Bilgi Keşfi Dersin Orjinal Adı: Data Mining and Knowledge Discovery Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora)
DetaylıÖrneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı
Örneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı Ortalama veya korelasyon gibi istatistiklerin dağılımıdır Çıkarımsal istatistikte örneklem dağılımı temel fikirlerden biridir. Çıkarımsal istatistik
DetaylıSIRADAN EN KÜÇÜK KARELER (OLS)
SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge
DetaylıŞimdi de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor. teoreminini iki kere kullanarak
10.Konu İç çarpım uzayları ve özellikleri 10.1. ve üzerinde uzunluk de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor teoreminden dir. 1.Ö.: [ ] ise ( ) ( ) ve ( ) noktaları gözönüne alalım.
DetaylıMerkezi Limit Teoremi
Örnekleme Dağılımı Merkezi Limit Teoremi Şimdiye kadar normal dağılıma uygun olan veriler ile ilgili örnekler incelendi. Çarpıklık gösteren veriler söz konusu olduğunda ne yapılması gerekir? Hala normal
DetaylıKi- Kare Testi ANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL İYİ UYUM TESTİ Rassal değişkenin olasılık yoğunluk fonksiyonunun ve parametresinin bilinmediği, ancak belirli
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.
Detaylı14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi
ÇOK DEĞİŞKENLİ REGRESYON ANALİZİ: ÇIKARSAMA Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıKANITA DAYALI LABORATUVAR TIBBI İLE İLİŞKİLİ HESAPLAMALAR. Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005
KANITA DAYALI LABORATUVAR TIBBI İLE İLİŞKİLİ HESAPLAMALAR Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005 1 Kanıta dayalı tıp Kanıta dayalı tıp, hekimlerin günlük kararlarını, mevcut en iyi kanıtın ışığında,
Detaylıİleri Veri Madenciliği (COMPE 506) Ders Detayları
İleri Veri Madenciliği (COMPE 506) Ders Detayları Ders Adı İleri Veri Madenciliği Ders Kodu COMPE 506 Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Güz 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 6003
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Makina Öğrenmesi ve Akıl Yürütme Dersin Orjinal Adı: Machine Learning and Reasoning Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora)
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
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
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.
DetaylıAYRIK YAPILAR ARŞ. GÖR. SONGÜL KARAKUŞ- FIRAT ÜNİVERSİTESİ TEKNOLOJİ FAKÜLTESİ YAZILIM MÜHENDİSLİĞİ BÖLÜMÜ, ELAZIĞ
AYRIK YAPILAR P r o f. D r. Ö m e r A k ı n v e Y r d. D o ç. D r. M u r a t Ö z b a y o ğ l u n u n Ç e v i r i E d i t ö r l ü ğ ü n ü ü s t l e n d i ğ i «A y r ı k M a t e m a t i k v e U y g u l a
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
DetaylıYAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve
DetaylıMeslek lisesi ve devlet lisesine giden N tane öğrenci olduğu ve bunların yıllık okul harcamalarına ait verilerin olduğu varsayılsın.
KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller) Kukla değişkenlerin
DetaylıOLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler
1 SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge
DetaylıISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI
SORU- 1 : ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI X ve Y birbirinden bağımsız iki rasgele değişken olmak üzere, sırasıyla aşağıdaki moment çıkaran fonksiyonlarına sahiptir: 2 2 M () t = e,
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: END 2303
Dersi Veren Birim: Endüstri Mühendisliği Dersin Türkçe Adı: İSTATİSTİK I Dersin Orjinal Adı: İSTATİSTİK I Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisans Dersin Kodu: END 0 Dersin Öğretim
DetaylıTıbbi Cihazların Sınıflandırılması ve Yönetmelikler
Tıbbi Cihazların Sınıflandırılması ve Yönetmelikler Basıldığı Tarih: 30.10.2009 12:37:00 STANDART 1/13 Basıldığı Tarih: 30.10.2009 12:37:00 STANDART 2/13 Basıldığı Tarih: 30.10.2009 12:37:00 STANDART 3/13
DetaylıTÜRKİYE DENGELEME GÜÇ PİYASASI TALİMAT MİKTARLARI ÜZERİNE İSTATİSTİKSEL BİR ÇALIŞMA 1. Gökhan Ceyhan Yazılım ARGE Uzmanı, EPİAŞ
TÜRKİYE DENGELEME GÜÇ PİYASASI TALİMAT MİKTARLARI ÜZERİNE İSTATİSTİKSEL BİR ÇALIŞMA 1 Gökhan Ceyhan Yazılım ARGE Uzmanı, EPİAŞ ÖZET Bu makalede, Türkiye Dengeleme Güç Piyasası (DGP) kapsamında 2015 Ocak
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Rastgele Değişkenlerin Dağılımları I Prof. Dr. İrfan KAYMAZ Ders konusu Bu derste; Rastgele değişkenlerin tanımı ve sınıflandırılması Olasılık kütle fonksiyonu Olasılık yoğunluk
DetaylıOlasılık Teorisi ve İstatistik (MATH392) Ders Detayları
Olasılık Teorisi ve İstatistik (MATH392) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Olasılık Teorisi ve İstatistik MATH392 Güz 4 0 0 4 7 Ön Koşul Ders(ler)i
DetaylıOlasılık ve İstatistiğe Giriş-I (STAT 201) Ders Detayları
Olasılık ve İstatistiğe Giriş-I (STAT 201) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve İstatistiğe Giriş-I STAT 201 Her İkisi 3 0 0 3 5 Ön
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
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.
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
DetaylıOlgu-kontrol araştırmalarının analizi ve değerlendirilmesi. Raika Durusoy
Olgu-kontrol araştırmalarının analizi ve değerlendirilmesi Raika Durusoy 1 Olgu-kontrol araştırmaları Belli bir hastalığı olan ( olgu ) ve olmayan ( kontrol ) bireyler belirlenir Her iki grubun bir etkene
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
DetaylıSık kullanılan istatistiksel yöntemler ve yorumlama. Doç. Dr. Seval KUL Gaziantep Üniversitesi Tıp Fakültesi
Sık kullanılan istatistiksel yöntemler ve yorumlama Doç. Dr. Seval KUL Gaziantep Üniversitesi Tıp Fakültesi Biyoistatistik AD Bşk. 1 Hakkımda 2 Hedef: Katılımcılar modülün sonunda temel istatistiksel yöntemler
DetaylıEkim Ayının Ödüllü Soru ve Cevapları
Ekim Ayının Ödüllü Soru ve Cevapları Soru 1 : RFID (Radio Frequency Identification, Radyo Frekans Kimlik Belirleme) etiketleri, ucuzlukları, boyutlarının küçüklüğü, ve sınırlı da olsa bazı kriptografik
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
DetaylıOlasılık bir olayın meydana gelme şansının sayısal ifadesidir. Örnekler:
OLASILIK Populasyon hakkında bilgi sahibi olmak amacı ile alınan örneklerden elde edilen bilgiler, bire bir doğru olmayıp hepsi mutlaka bir hata payı taşımaktadır. Bu hata payının ortaya çıkmasının sebebi
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
DetaylıİÇİNDEKİLER. Önsöz...2. Önermeler ve İspat Yöntemleri...3. Küme Teorisi Bağıntı Fonksiyon İşlem...48
İÇİNDEKİLER Önsöz...2 Önermeler ve İspat Yöntemleri...3 Küme Teorisi...16 Bağıntı...26 Fonksiyon...38 İşlem...48 Sayılabilir - Sonlu ve Sonsuz Kümeler...56 Genel Tarama Sınavı...58 Önermeler ve İspat Yöntemleri
DetaylıDr. Mehmet AKSARAYLI OLASILIK. Ders 3 / 1
Dr. Mehmet AKSARAYLI OLASILIK Ders 3 / 1 1 0 Kesin İmkansız OLASILIK; Bir olayın gerçekleşme şansının sayısal değeridir. N adet denemede s adet başarı söz konusu ise, da başarının nisbi frekansı lim (s/n)
Detaylı3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1
3. TAHMİN 3.1. En Küçük Kareler (EKK) Yöntemi 1 En Küçük Kareler (EKK) yöntemi, regresyon çözümlemesinde en yaygın olarak kullanılan, daha sonra ele alınacak bazı varsayımlar altında çok aranan istatistiki
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
Detaylı15.433 YATIRIM. Ders 3: Portföy Teorisi. Bölüm 1: Problemi Oluşturmak
15.433 YATIRIM Ders 3: Portföy Teorisi Bölüm 1: Problemi Oluşturmak Bahar 2003 Biraz Tarih Mart 1952 de, Şikago Üniversitesi nde yüksek lisans öğrencisi olan 25 yaşındaki Harry Markowitz, Journal of Finance
DetaylıBÖLÜM 14 BİLGİSAYAR UYGULAMALARI - 3 (ORTALAMALARIN KARŞILAŞTIRILMASI)
1 BÖLÜM 14 BİLGİSAYAR UYGULAMALARI - 3 (ORTALAMALARIN KARŞILAŞTIRILMASI) Hipotez testi konusunda görüldüğü üzere temel betimleme, sayma ve sınıflama işlemlerine dayalı yöntemlerin ötesinde normal dağılım
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Örnekleme Planlar ve Dağılımları Prof. Dr. İrfan KAYMAZ Tanım İncelenen olayın ait olduğu anakütlenin bütünüyle dikkate alınması zaman, para, ekipman ve bunun gibi nedenlerden dolayı
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye
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
DetaylıGENETİK ALGORİTMALAR. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
GENETİK ALGORİTMALAR Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ GENETİK ALGORİTMALAR Genetik algoritmalar, Darwin in doğal seçim ve evrim teorisi ilkelerine dayanan bir arama ve optimizasyon yöntemidir.
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
DetaylıBİLİŞİM TEKNOLOJİLERİ İÇİN İŞLETME İSTATİSTİĞİ
SAKARYA ÜNİVERSİTESİ BİLİŞİM TEKNOLOJİLERİ İÇİN İŞLETME İSTATİSTİĞİ Hafta 13 Yrd. Doç. Dr. Halil İbrahim CEBECİ Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir. "Uzaktan
DetaylıOlasılık ve İstatistik (IE 220) Ders Detayları
Olasılık ve İstatistik (IE 220) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve İstatistik IE 220 Her İkisi 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin
DetaylıİSTATİSTİK VE OLASILIK SORULARI
İSTATİSTİK VE OLASILIK SORULARI SORU 1 Meryem, 7 arkadaşı ile bir voleybol maçına katılmayı planlamaktadır. Davet ettiği arkadaşlarından herhangi bir tanesinin EVET deme olasılığı 0,8 ise, en az 3 arkadaşının
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
DetaylıŞartlı Olasılık. Pr[A A ] Pr A A Pr[A ] Bir olayın (A 1 ) olma olsılığı, başka bir olayın (A 2 ) gerçekleştiğinin bilinmesine bağlıysa;
Şartlı Olasılık Bir olayın (A ) olma olsılığı, başka bir olayın (A 2 ) gerçekleştiğinin bilinmesine bağlıysa; Pr[A A 2 Pr A A Pr A A = Pr[A A 2 2 2 Pr[A Pr[A 2 2 A A 2 S Pr[A A 2 A 2 verildiğinde (gerçekleştiğinde)
DetaylıGİRİŞ. Bilimsel Araştırma: Bilimsel bilgi elde etme süreci olarak tanımlanabilir.
VERİ ANALİZİ GİRİŞ Bilimsel Araştırma: Bilimsel bilgi elde etme süreci olarak tanımlanabilir. Bilimsel Bilgi: Kaynağı ve elde edilme süreçleri belli olan bilgidir. Sosyal İlişkiler Görgül Bulgular İşlevsel
DetaylıYrd. Doç. Dr. Mehmet Güçlü
Dersin Adı DERS ÖĞRETİM PLANI Ekonometri I Dersin Kodu ECO 301 Dersin Türü (Zorunlu, Seçmeli) Dersin Seviyesi (Ön Lisans, Lisans, Yüksek Lisans, Doktora) Dersin AKTS Kredisi 6 Haftalık Ders Saati 4 Haftalık
DetaylıCh. 12: Zaman Serisi Regresyonlarında Ardışık Bağıntı (Serial Correlation) ve Değişen Varyans
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri II Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 12: Zaman Serisi Regresyonlarında
DetaylıBİYOİSTATİSTİK Tablo Hazırlama Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Tablo Hazırlama Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr Bir çalışmada elde edilen
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL İYİ UYUM TESTİ Rassal değişkenin olasılık yoğunluk fonksiyonunun ve parametresinin bilinmediği, ancak belirli
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
DetaylıOlasılığa Giriş Koşullu Olasılık Bayes Kuralı
Olasılığa Giriş Koşullu Olasılık Bayes Kuralı Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Olasılığa Giriş Bundan önceki bölümlerde veri setini özetleyen,
DetaylıVeri ve Metin Madenciliği
Veri ve Metin Madenciliği Zehra Taşkın Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Fikirler? Veri Madenciliği Data Information Knowledge Veri madenciliği; Büyük yoğunluklu
DetaylıVeri ve Metin Madenciliği. Zehra
Veri ve Metin Madenciliği Zehra Taşkın @zehrataskin Büyük Veri https://www.youtube.com/watch?v=tzxmjbl-i4y Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Veri Madenciliği
Detaylı10. DİREKT ÇARPIMLAR
10. DİREKT ÇARPIMLAR Teorem 10.1. H 1,H 2,, H n bir G grubunun alt gruplarının bir ailesi ve H = H 1 H 2 H n olsun. Aşağıdaki ifadeler denktir. a ) dönüşümü altında dır. b) ve olmak üzere her yi tek türlü
DetaylıİSTATİSTİK II. Hipotez Testleri 1
İSTATİSTİK II Hipotez Testleri 1 1 Hipotez Testleri 1 1. Hipotez Testlerinin Esasları 2. Ortalama ile ilgili bir iddianın testi: Büyük örnekler 3. Ortalama ile ilgili bir iddianın testi: Küçük örnekler
DetaylıPARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER 8
PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER 8 Prof. Dr. Ali ŞEN İki Populasyonun Karşılaştırılması: Eşleştirilmiş Örnekler için Wilcoxon İşaretli Mertebe Testi -BÜYÜK ÖRNEK Bağımsız populasyonlara uygulanan
DetaylıMaltepe Üniversitesi [Fen Edebiyat Fakültesi] MAT 159 Matematikte Temel Kavramlar ve Sorunlar 2013-2014 Güz Yarıyılı Final Soruları
Öğrenci Numarası: Adı Soyadı: Bölümü: 1) Hangi Amerikan başkanı Pisagor teoreminin değişik bir ispatını vermiştir? A) George Washington B) Theodore Roosevelt, Jr C) John Fitzgerald Kennedy D) James Abram
DetaylıBİYOİSTATİSTİK TABLO VE FRAFİK YAPIMI
BİYOİSTATİSTİK TABLO VE FRAFİK YAPIMI B Doç. Dr. Mahmut AKBOLAT *Tablo, araştırma sonucunda elde edilen bilgilerin sayısal olarak *anlaşılabilir bir nitelikte sunulmasını sağlayan bir araçtır. *Tabloda
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıBMÜ-421 Benzetim ve Modelleme Kesikli Olay Benzetimi. İlhan AYDIN
BMÜ-421 Benzetim ve Modelleme Kesikli Olay Benzetimi İlhan AYDIN KESİKLİ-OLAY BENZETİMİ Kesikli olay benzetimi, durum değişkenlerinin zaman içinde belirli noktalarda değiştiği sistemlerin modellenmesi
DetaylıEEM211 ELEKTRİK DEVRELERİ-I
EEM211 ELEKTRİK DEVRELERİ-I Prof. Dr. Selçuk YILDIRIM Siirt Üniversitesi Elektrik-Elektronik Mühendisliği Kaynak (Ders Kitabı): Fundamentals of Electric Circuits Charles K. Alexander Matthew N.O. Sadiku
DetaylıBİYOİSTATİSTİK. Uygulama 6. Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Uygulama 6 Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr Soru 1 İlaç malzemelerinin kalitesini
DetaylıŞartlı Olasılık. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Şartlı Olasılık Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK tover@sakarya.edu.tr Şartlı Olasılık ir olayın olasılığından söz edebilmek için bir alt kümeyle temsil edilen bu olayın içinde bulunduğu örnek uzayının
DetaylıSÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım
SÜREKLİ ŞANS DEĞİŞKENLERİ Üstel Dağılım Normal Dağılım 1 Üstel Dağılım Meydana gelen iki olay arasındaki geçen süre veya bir başka ifadeyle ilgilenilen olayın ilk defa ortaya çıkması için geçen sürenin
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.
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
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
Detaylıİstatistik ve Olasılığa giriş -I (STAT 201T) Ders Detayları
İstatistik ve Olasılığa giriş -I (STAT 201T) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS İstatistik ve Olasılığa giriş -I STAT 201T Her İkisi 3 0 0 3
DetaylıOlasılık teorisi, matematiğin belirsizlik taşıyan olaylarla ilgilenen bir dalıdır. Bu bilim dalı rasgele değişkenleri inceler.
Bölüm 2 OLASILIK TEORİSİ Olasılık teorisi, matematiğin belirsizlik taşıyan olaylarla ilgilenen bir dalıdır. Bu bilim dalı rasgele değişkenleri inceler. Rasgele değişken, gelecekteki bir gözlemde alacağı
DetaylıRİSK ANALİZİ VE AKTÜERYAL MODELLEME MAYIS 2015
RİSK ANALİZİ VE AKTÜERYAL MODELLEME MAYIS 2015 SORU 2: Motosiklet sigortası pazarlamak isteyen bir şirket, motosiklet kaza istatistiklerine bakarak, poliçe başına yılda ortalama 0,095 kaza olacağını tahmin
DetaylıMann-Whitney U ve Wilcoxon T Testleri
Mann-Whitney U ve Wilcoxon T Testleri Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Konu Başlıkları Parametrik olmayan yöntem Mann-Whitney U testinin
DetaylıBÖLÜM 12 STUDENT T DAĞILIMI
1 BÖLÜM 12 STUDENT T DAĞILIMI 'Student t dağılımı' ya da kısaca 't dağılımı'; normal dağılım ve Z dağılımının da içerisinde bulunduğu 'sürekli olasılık dağılımları' ailesinde yer alan dağılımlardan bir
DetaylıAlıştırmalar 1. 1) Aşağıdaki diferansiyel denklemlerin mertebesini ve derecesini bulunuz. Bağımlı ve bağımsız değişkenleri belirtiniz.
Alıştırmalar 1 1) Aşağıdaki diferansiyel denklemlerin mertebesini ve derecesini bulunuz. Bağımlı ve bağımsız değişkenleri belirtiniz. Denklem Mertebe Derece a) 2 1 ( ) 4 6 c) 2 1 d) 2 2 e) 3 1 f) 2 4 g)
DetaylıFSML / 2009 10 I.Dönem s.gky
FSML / 2009 10 I.Dönem s.gky Bir amaca ulaşmak için izlenen düzenli yola yöntem denir. Bilim olaylar ve olgular ile ilgili genel geçerliliği olan nesnel bilgiler elde etmek ister. Bilimin ortaya koyduğu
DetaylıGAZİ ÜNİVERSİTESİ, İ.İ.B.F, İSTATİSTİK VE OLASILIĞA GİRİŞ I, UYGULAMA SORULARI. Prof. Dr. Nezir KÖSE
GAZİ ÜNİVERSİTESİ, İ.İ.B.F, İSTATİSTİK VE OLASILIĞA GİRİŞ I, UYGULAMA SORULARI Prof. Dr. Nezir KÖSE 30.12.2013 S-1) Ankara ilinde satın alınan televizyonların %40 ı A-firması tarafından üretilmektedir.
Detaylı