Finansal Ekonometri. Ders 2 Olasılık Teorisi ve Rasgele Değişkenler
|
|
- Aysel Derviş
- 6 yıl önce
- İzleme sayısı:
Transkript
1 Finansal Ekonometri Ders 2 Olasılık Teorisi ve Rasgele Değişkenler
2 Tek Değişkenli Rasgele Değişkenler Tanım (rasgele değişken): Bir rasgele değişken, X, SX örneklem uzayından değerler alan ve bu örneklem uzayından alacağı değerleri alma olasılığı, olasılık dağılım fonksiyonu tarafından belirlenen değişkenlerdir.
3 ÖRNEK X = gelecek ay Akbank hissesinin fiyatı S X = R: 0 < X M X = 1 aylık yatırımımız sonucu elde ettiğimiz basit getiri S X = R: 1 X < M X=1 eğer hisse fiyatı artarsa, X=0 eğer hisse fiyatı düşerse S X = 0, 1
4 KESİKLİ RASGELE DEĞİŞKENLER Tanım : Bir kesikli rasgele değişken, sadece x 1, x 2, x 3,, x n gibi n tane sonlu tamsayı değeri alabilen rasgele değişkenlerdir. Tanım : Bir kesikli rasgele değişkenin, olasılık fonksiyonu, p(x) ile gösterilir ve p x = P X = x olarak tanımlanır. Olasılık fonksiyonu aşağıdaki özellikleri sağlar: 1. p(x) 0 her x S X ; p x = 0 her x S X 2. p(x) x S X = 1 3. p x 10 her x S X
5 ÖRNEK Yıllık Getirilerin Kesikli Dağılımı Ekonominin Durumları S X : Örneklem Uzayı p x = P X = x Küçülme Durgunluk Normal Hafif yükseliş Önemli aranda yükselme
6 ÖRNEK Bernoulli Dağılımı Birbiri ile kesişimi olmayan(ayrık) iki olay düşünelim: «Başarmak» ve «Başaramamak» diyelim. X=1 Başarmak, X=0 ise Başaramamak olsun. Başarma olasılığı, π ise başaramama olasılığı 1- π dir. Bu olasılıklar, P X = 1 = π ve P X = 0 =1- π olarak gösterilir. Bu olasılıkların matematiksel modeli yani olasılık fonksiyonu ise p x = P X = x = π x (1 π) 1 x, x = 0, 1, olarak ifade edilir.
7 SÜREKLİ RASGELE DEĞİŞKENLER Tanım : Bir sürekli rasgele değişken, değerlerini reel(gerçel) sayılar kümesinden alan rasgele değişkenlerdir. Tanım : Bir sürekli rasgele değişkenin, olasılık yoğunluk fonksiyonu(pdf), f x ile gösterilir ve X rasgele değişkeninin herhangi bir A aralığında değer alması olasılığı, P X A = f x dx, A olarak hesaplanır. Olasılık yoğunluk fonksiyonu aşağıdaki özellikleri sağlar: 1. f x 0 2. f x dx = 1 3. f x < 1
8 Sürekli Rasgele Değişkenlerin Olasılık Yoğunluk Fonksiyonları
9 ÖRNEK Düzgün Dağılım X~U a, b olsun. Burada, "U a, b ", [a,b] aralığında düzgün dağılımı simgelemektedir. «~» ise dağılıyor demektir. 1 a x b f x = b a 0 diğer durumlarda Özelliklerini kontrol edelim: 1. Eğer b>a ise f x 0 sağlanır. 2.
10 KÜMÜLATİF DAĞILIM FONKSİYONU(CDF) Tanım : Herhangi bir rasgele değişkenin kümülatif dağılım fonksiyonu, F(x) ile gösterilir ve F x = P X x olarak tanımlanır. Sadece Dağılım Fonksiyonu da denir. Özellikleri, 1. Eğer x 1 < x 2 ise F x 1 F x 2 (azalmayan fonksiyon) 2. F = 0 ve F = 1 dir F x = P X > x 4. P x 1 < X x 2 = F x 2 F x 1 5. Eğer X bir sürekli rasgele değişken ise d F x = f(x) dx
11 ÖRNEK Kesikli Rasgele Değişkenler için CDF
12 Sürekli Rasgele Değişkenler için CDF Örneği Standart Normal Dağılım
13 Dağılımların Kantilleri (Quantile of the Distributions) Tanım: X bir sürekli rasgele değişken olsun. X in dağılım fonksiyonu F X x = P X x olsun. α [0, 1] için F X in α 100 üncü kantili q α, F X q α = P X q α = α denkleminin çözümüdür. Eğer F X in tersi alınabiliyor ise q α = F 1 X α olarak yazılabilir.
14 ÖRNEK Standart Normal Dağılım için α=0.05 yani % 5. kantili q 0.05 = 1.645
15 Olasılık Dağılımlarının Şekilsel Karakter Özellikleri Beklenen ya da ortalama değer- Dağılımın merkezini gösterir. Varyans ya da Standart Sapma- Ortalamadan yayılımı gösterir. Çarpıklık- Ortalama çevresinde simetriyi gösterir. Basıklık- Kuyruk kalınlığını gösterir.
16 Beklenen Değer Kesikli Rasgele Değişken Sürekli Rasgele Değişken k. derece Moment ve k. Derece Merkezi Momentler, sırasıyla,
17 ÖRNEK Kesikli Rasgele Değişken Ekonominin Durumları S X : Örneklem Uzayı p x = P X = x Küçülme Durgunluk Normal Hafif yükseliş Önemli aranda yükselme Tabloda olasılık dağılımı verilen yıllık getirilerin beklenen değerini bulunuz:
18 ÖRNEK Sürekli Rasgele Değişken
19 Varyans ve Standart Sapma Not: Varyansın birimi X in biriminin karesidir. Standart Sapmanın birimi ise X ile aynıdır. Bu nedenle standart sapmayı yorumlamak daha rahattır.
20 ÖRNEK Kesikli Rasgele Değişken Yukarıda verilen tablo için varyans ve standart sapmayı bulunuz:
21 ÖRNEK Sürekli Rasgele Değişken X~U 1,2 olsun. σ 2 2 X = (x 3 2 )2 dx = x = 0.375
22 Çarpıklık
23 Eğer X rasgele değişkeninin dağılımı simetrik ise çarpıklık 0 dır. Çarpıklık, 0 dan büyük ise dağılım sağa doğru uzun kuyruğa sahiptir ve Medyan, ortalama değerden küçüktür. Çarpıklık, 0 dan küçük ise dağılım sola doğru uzun kuyruğa sahiptir ve Medyan, ortalama değerden büyüktür.
24 Çarpıklık
25 ÖRNEK Kesikli Rasgele Değişken Verilen örnek için çarpıklık değerini bulunuz. Çarpıklık
26 Basıklık
27 Basıklık
28 ÖRNEK Kesikli Rasgele Değişken Verilen örnek için çarpıklık değerini bulunuz. Basıklık
29 ÖRNEKLEM MOMENTLERI r t, r t+1,, r T T boyutlu bir rasgele örneklem olsun. Örneklem Momentleri:
30 R Code library(quantmod) garan <- new.env() getsymbols('ist:garan',src='google',env = garan,return.class = 'zoo',from = " ") #İndirilen Fiyat Serisini P1 olarak kaydedelim. P1=get("IST:GARAN", envir = garan)[,4] #Getiri Serisini Hesaplayalım R1=diff(log(P1)) #Fiyat Serisi Grafiği names=c("garanti") mypath = file.path("c:","users","aysegul","desktop","figur",paste("fiyat_ GARANTİ ",".jpg", sep = "")) jpeg(file=mypath) mytitle = "Garanti Hisse Senedi Fiyat Serisi" plot(p1, main = mytitle, xlab=" Zaman") dev.off() #Getiri Serisi Grafiği names=c("garanti") mypath = file.path("c:","users","aysegul","desktop","figur",paste("getiri_ GARANTİ ",".jpg", sep = "")) jpeg(file=mypath) mytitle = "Garanti Hisse Senedi Getiri Serisi" plot(r1, main = mytitle, xlab=" Zaman") dev.off()
31 ÖRNEK Garanti Hisse Senedi
32 R Code (Devam) #Histogram mypath = file.path("c:","users","aysegul","desktop","figur",paste("hist_ GARANTİ ",".jpg", sep = "")) jpeg(file=mypath) hist(r1, breaks=25, col="slateblue") dev.off() #İstatistikler library(fbasics) Dsct=basicStats(R1) table.stats(r1)
33 Garanti Hisse Senedi Günlük Getiri Dağılımı x nobs 1946 NAs Minimum Maximum Quartile Quartile Mean Median Sum SE Mean LCL Mean UCL Mean Variance Stdev Skewness Kurtosis
34 FİNANSTA KULLANILAN OLASILIK 1. NORMAL DAĞILIM DAĞILIMLARI Özellikleri: E[X]=μ Var(X) = σ 2 Çarpıklık= 0 Basıklık = 3 Eğer k tek sayı ise E[X k ]=0
35 R Code # Normal dağılımdan veri üretme: rnorm(n, mean, sd) #Kümülatif Normal Dağılım Fonksiyonu: pnorm(q, mean, sd) #Normal Dağılım Kantilleri: qnorm(p, mean, sd) #Normal Dağılım Olasılık Yoğunluk Fonksiyonu: dnorm(y, mean, sd) mean=0 sd=1 n=10000 Veri=rnorm(n, mean, sd) plot(veri, main = "Normal Rasgele Değişkenler") chart.histogram(veri, methods="add.normal", main = " Normal Dağılım Histogram") #Kümülatif Dağılım Fonksiyonu x=seq(-3, 3, by = 0.01) y1=pnorm(x, mean, sd) plot(x,y1, main = "Normal Dağılım CDF") #Ters CDF- KAntil Fonksiyonu alpha=seq(0, 1, by = 0.01) kantil=qnorm(alpha, mean, sd) plot(alpha,kantil, main = "Normal Dağılım Kantil Fonksiyonu") #Normal pdf x=seq(-3, 3, by = 0.01) y2=dnorm(x, mean, sd) plot(x,y2, main = "Normal Dağılım PDF")
36 STANDART NORMAL DAĞILIM
37 ARTIK BASIKLIK Herhangi bir dağılımın basıklık değeri ile Normal dağılımın basıklık değeri olan 3 ün farkına ARTIK BASIKLIK denir. Artık Basıklık= Basıklık X 3 Artık Basıklık>0 ise dağılım Normal Dağılıma göre daha kalın kuyrukludur. Artık Basıklık<0 ise dağılım Normal Dağılıma göre daha ince kuyrukludur. Ek Bilgi: Normal dağılım sürekli getiriler için daha uygun bir dağılımdır. Bunun bir sebebi sürekli getirilerin logaritmadan kaynaklı negatif değerler alabilmesidir.
38 2. STUDENT- t DAĞILIMI Student- t dağılımı şekilsel olarak Normal dağılıma benzer fakat daha kalın kuyrukludur. Eğer X rasgele değişkeni ν serbestlik dereceli Student-t dağılımını izliyor ise, X~t ν X in olasılık yoğunluk fonksiyonu: olarak tanımlanır. Burada, Gamma fonksiyonudur.
39 Özellikleri: Not: Eğer ν, Student-t dağılımı Normal dağılıma yaklaşır. Eğer ν < 4 ise Basıklık olur.
40 # Student-t dağılımdan veri üretme: rt(n, df) #Kümülatif Student-t Dağılım Fonksiyonu: pt(q, df) # Student-t Dağılım Kantilleri: qt(p, df) # Student-t Dağılım Olasılık Yoğunluk Fonksiyonu: dt(y, df) R Code nu=5 #Student-t dağılımdan tane rasgele değişken üretelim n=10000 Veri=rt(n, nu) plot(veri, main = " Student-t Rasgele Değişkenler") chart.histogram(veri, methods="add.normal", main = " Student-t Histogram") # Student-t Kümülatif Dağılım Fonksiyonu x=seq(-3, 3, by = 0.01) y1=pt(x, nu) plot(x,y1, main = " Student-t Dağılım CDF") #Ters CDF- Kantil Fonksiyonu alpha=seq(0, 1, by = 0.01) kantil=qt(alpha, nu) plot(alpha,kantil, main = " Student-t Dağılım Kantil Fonksiyonu") # Student-t pdf x=seq(-3, 3, by = 0.01) y2=dt(x, nu) plot(x,y2, main = " Student-t Dağılım PDF")
41 STUDENT- t DAĞILIMI: df=5
42 Farklı Serbestlik Dereceleri İçin Student-t PDF
43 Farklı Serbestlik Dereceleri İçin Student-t PDF
44 3. LOG-NORMAL DAĞILIM Özellikleri: Kurt Y = exp 4 σ X exp 3 σ X exp 2 σ X 2-6 Not: Sürekli getiriler normal dağılım izliyor ise basit getiriler log-normal dağılıma sahiptir.
45 R Code # Log-Normal dağılımdan veri üretme: rlnorm(n, mean, sd) #Kümülatif Log-Normal Dağılım Fonksiyonu: plnorm(q, mean, sd) #Log-Normal Dağılım Kantilleri: qlnorm(p, mean, sd) #Log-Normal Dağılım Olasılık Yoğunluk Fonksiyonu: dlnorm(y, mean, sd) #Log--Normal dağılımdan tane rasgele değişken üretelim n=10000 Veri=rlnorm(n, mean, sd) plot(veri, main = " Log-Normal Rasgele Değişkenler") chart.histogram(veri, methods="add.normal", main = " Log-Normal Histogram") # Log-Normal Kümülatif Dağılım Fonksiyonu x=seq(-3, 3, by = 0.01) y1=plnorm (x, mean, sd) plot(x,y1, main = " Log-Normal Dağılım CDF") #Ters CDF- Kantil Fonksiyonu alpha=seq(0, 1, by = 0.01) kantil=qlnorm (alpha, mean, sd) plot(alpha,kantil, main = " Log-Normal Dağılım Kantil Fonksiyonu") # Log-Normal pdf x=seq(-3, 3, by = 0.01) y2=dlnorm (x, mean, sd) plot(x,y2, main = " Log-Normal Dağılım PDF")
46 LOG-NORMAL DAĞILIM (Ort=0, StSapma=1)
47 Normal Dağılım ve Log-Normal Dağılım
48 4. ÇARPIK-NORMAL DAĞILIM Azzalini and Capitanio (2002) tarafından tanımlanmıştır. Pdf si Olarak tanımlanır. Burada ξ, < ξ <, konum parametresi, ω > 0 ölçek parametresi, α, < α <, şekil( çarpıklı) parametresidir.
49 Özellikleri: α = 0, Z~N(ξ, ω 2 ) dir. α > 0, sağa çarpık α < 0, sola çarpık
50 R Code (Package sn ) library(sn) # Çarpık-Normal dağılımdan veri üretme: rsn(n=10000, xi=a, omega=b, alpha=c ) #Kümülatif Çarpık-Normal Dağılım Fonksiyonu: psn(x, xi=a, omega=b, alpha=c ) #Çarpık-Normal Dağılım Kantilleri: qsn(p, xi=a, omega=b, alpha=c ) #Çarpık-Normal Dağılım Olasılık Yoğunluk Fonksiyonu: dsn(x, xi=a, omega=b, alpha=c ) #Çarpık Normal dağılımdan tane rasgele değişken üretelim n=10000 Veri=rsn(n=10000, xi=0, omega=1, alpha=5) plot(veri, main = " Çarpık-Normal Rasgele Değişkenler") chart.histogram(veri, methods="add.normal", main = " Çarpık-Normal Histogram") # Çarpık-Normal Kümülatif Dağılım Fonksiyonu x=seq(-3, 3, by = 0.01) y1=psn(x, xi=0, omega=1, alpha=5) plot(x,y1, main = " Çarpık-Normal Dağılım CDF") #Ters CDF- Kantil Fonksiyonu alpha=seq(0, 1, by = 0.01) kantil=qsn(alpha, xi=0, omega=1, alpha=5) plot(alpha,kantil, main = " Çarpık-Normal Dağılım Kantil Fonksiyonu") # Çarpık-Normal pdf x=seq(-3, 3, by = 0.01) y2=dsn (x, xi=0, omega=1, alpha=5) plot(x,y2, main = " Çarpık-Normal Dağılım PDF")
51 ÇARPIK-NORMAL DAĞILIM (ξ = 0, ω = 1, α = 5)
52 5. ÇARPIK-t DAĞILIM Azzalini and Capitanio (2002) tarafından tanımlanmıştır. Pdf si Olarak tanımlanır. Burada ξ, < ξ <, konum parametresi, ω > 0 ölçek parametresi, α, < α <, şekil( çarpıklı) parametresi ve ν > 0 serbestlik derecesidir.
53 R Code (Package sn ) library(sn) # Çarpık-t dağılımdan veri üretme: rst(n=10000, xi=a, omega=b, alpha=c,nu=df) #Kümülatif Çarpık-t Dağılım Fonksiyonu: pst(x, xi=a, omega=b, alpha=c, nu=df) #Çarpık-t Dağılım Kantilleri: qst(p, xi=a, omega=b, alpha=c nu=df) #Çarpık-t Dağılım Olasılık Yoğunluk Fonksiyonu: dst(x, xi=a, omega=b, alpha=c nu=df) #Çarpık t dağılımdan tane rasgele değişken üretelim n=10000 Veri=rst(n=10000, xi=0, omega=1, alpha=5,nu=5) plot(veri, main = " Çarpık-t Rasgele Değişkenler") chart.histogram(veri, methods="add.normal", main = " Çarpık-t Histogram") # Çarpık-t Kümülatif Dağılım Fonksiyonu x=seq(-3, 3, by = 0.01) y1=pst(x, xi=0, omega=1, alpha=5,nu=5) plot(x,y1, main = " Çarpık-t Dağılım CDF") #Ters CDF- Kantil Fonksiyonu alpha=seq(0, 1, by = 0.01) kantil=qst(alpha, xi=0, omega=1, alpha=5,nu=5) plot(alpha,kantil, main = " Çarpık-t Dağılım Kantil Fonksiyonu") # Çarpık-t pdf x=seq(-3, 3, by = 0.01) y2=dst(x, xi=0, omega=1, alpha=5,nu=5) plot(x,y2, main = " Çarpık-t Dağılım PDF")
54 ÇARPIK-t DAĞILIM (ξ = 0, ω = 1, α = 5, ν = 5)
55 Çarpık-t Dağılım Farklı Şekil Parameterelerine Göre
56 6.Genelleştirilmiş Hiperbolik Dağımlar Not: R package «ghyp»
57 A. Hiperbolik Dağılım
58 B. Normal Inverse Gauss Dağılımı
59 C. Varyans-Gamma Dağılımı
60 D. Çarpık Hiperbolik t-dağılımı
61 7.Karma Dağılımlar
62 Karma dağılımlarda, X rasgele değişkeninin olasılık yoğunluk fonksiyonu, şeklinde g farklı olasılık yoğunluk fonksiyonunun,, oranlarında birleşiminden oluşur.
MIT 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.
Detaylı1.58 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
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
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
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
DetaylıTek Değişkenli Sürekli Dağılımlar-III
Tek Değişkenli Sürekli Dağılımlar-III 1 Ki-Kare Dağılımı X Gammapα,βq olmak üzere olasılık yoğunluk fonksiyonu fpxq xα 1 e x{b β α, x>0, şeklinde tanımlanır. Burda α p 2 ve β 2 için olasılık yoğunluk fonkstionu
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
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
DetaylıAppendix B: Olasılık ve Dağılım Teorisi
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım
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
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
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
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
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
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
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
DetaylıSürekli Rastsal Değişkenler
Sürekli Rastsal Değişkenler Normal Dağılım: Giriş Normal Dağılım: Tamamen ortalaması ve standart sapması ile tanımlanan bir rastsal değişken, X, için oluşturulan sürekli olasılık dağılımına normal dağılım
DetaylıMühendislikte İstatistik Yöntemler
.0.0 Mühendislikte İstatistik Yöntemler İstatistik Parametreler Tarih Qma.3.98 4..98 0.3.983 45 7..984 37.3.985 48 0.4.986 67.4.987 5 0.3.988 45.5.989 34.3.990 59.4.99 3 4 34 5 37 6 45 7 45 8 48 9 5 0
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
DetaylıDAĞILMA YADA DEĞİ KENLİK ÖLÇÜLERİ (MEASURE OF DISPERSION) Prof.Dr.A.KARACABEY Doç.Dr.F.GÖKGÖZ
DAĞILMA YADA DEĞİ KENLİK ÖLÇÜLERİ (MEASURE OF DISPERSION) 1 AMAÇ... Mevcut veri seti için bulunan merkezi eğilim ölçüsünün yorumlamak Birden fazla veri seti için dağılımlar arası kıyaslama yapabilmek amaçlarıyla
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.
DetaylıBÖLÜM 9 NORMAL DAĞILIM
1 BÖLÜM 9 NORMAL DAĞILIM Normal dağılım; 'normal dağılım eğrisi (normaly distribution curve)' ile kavramlaştırılan hipotetik bir evren dağılımıdır. 'Gauss dağılımı' ya da 'Gauss eğrisi' olarak da bilinen
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
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
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.
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,
DetaylıTemel İstatistik. Y.Doç.Dr. İbrahim Turan Mart Tanımlayıcı İstatistik. Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri
Temel İstatistik Tanımlayıcı İstatistik Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri Y.Doç.Dr. İbrahim Turan Mart 2011 DAĞILIM / YAYGINLIK ÖLÇÜLERİ Verilerin değişkenlik durumu ve dağılışın şeklini
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
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
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
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
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
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
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
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
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
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
Detaylıaltında ilerde ele alınacaktır.
YTÜ-İktisat İstatistik II Nokta Tahmin Yöntemleri 1 NOKTA TAHMİN YÖNTEMLERİ Şimdiye kadar verilmiş tahmin edicilerin sonlu örneklem ve asimptotik özelliklerini inceledik. Acaba bilinmeyen anakütle parametrelerini
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
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
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
DetaylıTanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN
Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,
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
DetaylıSÜREKLİ DÜZGÜN DAĞILIM
SÜREKLİ DÜZGÜN DAĞILIM X rassal değişkenin olasılık yoğunluk fonksiyonu; şeklinde ise x e düzgün dağılmış rassal değişken, f(x) e sürekli düzgün dağılım denir. a 0 olduğuna göre, f(x) >0 olur.
DetaylıGÜVEN ARALIKLARI ve İSTATİSTİKSEL ANLAMLILIK. Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı
GÜVEN ARALIKLARI ve İSTATİSTİKSEL ANLAMLILIK Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Kestirim Pratikte kitle parametrelerinin doğrudan hesaplamak olanaklı değildir. Bunun yerine
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
DetaylıRassal Değişken. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Rassal Değişken Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK tover@sakarya.edu.tr S örnek uzayı içindeki her bir basit olayı yalnız bir gerçel (reel) değere dönüştüren fonksiyona rassal değişken adı verilir. O halde
Detaylı1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN. Ders No:5 Rassal Değişken Üretimi
1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN Ders No:5 RASSAL DEĞIŞKEN ÜRETIMI Bu bölümde oldukça yaygın bir biçimde kullanılan sürekli ve kesikli dağılımlardan örneklem alma prosedürleri
DetaylıTEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ
TEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ 1 İstatistik İstatistik, belirsizliğin veya eksik bilginin söz konusu olduğu durumlarda çıkarımlar yapmak ve karar vermek için sayısal verilerin
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
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
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
DetaylıİSTATİSTİK I KAVRAMLARININ
YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme İSTATİSTİK I KAVRAMLARININ GÖZDEN GEÇİRİLMESİ Hüseyin Taştan Yıldız Teknik Üniversitesi, İktisat Bölümü, email: tastan@yildiz.edu.tr YTÜ-İktisat İstatistik
Detaylı2018 İKİNCİ SEVİYE AKTÜERLİK SINAVLARI RİSK ANALİZİ VE AKTÜERYAL MODELLEME 12 MAYIS 2018
2018 İKİNCİ SEVİYE AKTÜERLİK SINAVLARI RİSK ANALİZİ VE AKTÜERYAL MODELLEME 12 MAYIS 2018 Sigortacılık Eğitim Merkezi (SEGEM) tarafından hazırlanmış olan bu sınav sorularının her hakkı saklıdır. Hangi amaçla
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.
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
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
DetaylıÜç Boyutlu Serpilme (Saçılım) Grafikleri
Üç Boyutlu Serpilme (Saçılım) Grafikleri 3D Scatterplot of boy vs kol vs bacak 90 boy 0 70 0 90 70 00 0 bacak 0 0 90 kol 3D Scatterplot of kol vs omuz vs kalca 90 kol 0 70 00 kalca 0 0 0 0 00 omuz Merkez
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
Detaylı3.Ders Rasgele Değişkenler
3.Ders Rasgele Değişkenler Tanım:,U, P bir olasılık uzayı ve X : R X olmak üzere, a R için, : X a U oluyorsa X fonksiyonuna bir rasgele değişken denir. a R için X, a : X a U özelliğine sahip bir X rasgele
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık - I Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kes1rim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmak7r. ü Bu anlamda, anakütleden çekilen
DetaylıAKT 418 Aktüeryal Sistem Benzetimi
AKT 418 Aktüeryal Sistem Benzetimi Ders 1 Sistem, model, Monte Carlo simülasyonu Dr. Murat BÜYÜKYAZICI muratby@hacettepe.edu.tr Hacettepe Üniversitesi Aktüerya Bilimleri Bölümü Anlamlı bir söz! Sadece
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
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.
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
DetaylıEME 3117 SİSTEM SİMÜLASYONU. Rassal Sayı ve Rassal Değer. Üretimi. Rassal Sayı Üretimi
..4 EME 7 Rassal Sayı ve Rassal Değer Üretimi SİSTEM SİMÜLASYONU Rassal Sayı ve Rassal Değer Üretimi Ders Girdi Analizi bölümünde gözlemlerden elde edilen verilere en uygun dağılımı uydurmuştuk. Bu günkü
DetaylıCopyright 2004 Pearson Education, Inc. Slide 1
Slide 1 Bölüm 2 Verileri Betimleme, Keşfetme, ve Karşılaştırma 2-1 Genel Bakış 2-2 Sıklık Dağılımları 2-3 Verilerin Görselleştirilmesi 2-4 Merkezi Eğilim Ölçüleri 2-5 Değişimin Ölçülmesi 2-6 Nispi Sabitlerin
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.
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
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 8: Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır. Bu anlamda, anakütleden çekilen
DetaylıSPSS UYGULAMALARI-II Dr. Seher Yalçın 1
SPSS UYGULAMALARI-II 27.12.2016 Dr. Seher Yalçın 1 Normal Dağılım Varsayımının İncelenmesi Çarpıklık ve Basıklık Katsayısının İncelenmesi Analyze Descriptive Statistics Descriptives tıklanır. Açılan pencerede,
DetaylıEME 3117 SISTEM SIMÜLASYONU. Üçgensel Dağılım. Sürekli Düzgün Dağılım. Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar
0..07 EME 37 SISTEM SIMÜLASYONU Simulasyonda İstatistiksel Modeller-II Ders 5 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar Sürekli Düzgün (Uniform) Dağılım Normal Dağılım Üstel (Exponential)
DetaylıOlasılık ve Dağılım Teorisi Kavramlarının Gözden Geçirilmesi
İSTATİSTİK I: Olasılık ve Dağılım Teorisi Kavramlarının Gözden Geçirilmesi Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü 22 Eylül 2012 Ekonometri: Olasılık ve Dağılım - H. Taştan 1 İstatistik
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.
DetaylıALKÜ EKONOMİ ve FİNANS BÖLÜMÜ ISL 207 İSTATİSTİK I ALIŞTIRMALAR
ALKÜ EKONOMİ ve FİNANS BÖLÜMÜ ISL 207 İSTATİSTİK I ALIŞTIRMALAR 1- İlaçla tedavi edilen 7 hastanın ortalama iyileşme süresi 22.6 gün ve standart sapması.360 gündür. Ameliyatla tedavi edilen 9 hasta için
DetaylıİSTATİSTİK MHN3120 Malzeme Mühendisliği
İSTATİSTİK MHN3120 Malzeme Mühendisliği CBÜ - Malzeme Mühendisliği Bölümü Ofis: Mühendislik Fakültesi A Blok Ofis no:311 Tel: 0 236 2012404 E-posta :emre.yalamac@cbu.edu.tr YARDIMCI KAYNAKLAR Mühendiler
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
DetaylıRİSK ANALİZİ VE AKTÜERYAL MODELLEME
SORU 1: Bir hasar sıklığı dağılımının rassal değişken olan ortalaması (0,8) aralığında tekdüze dağılmaktadır. Hasar sıklığı dağılımının Poisson karma dağılıma uyduğu bilindiğine göre 1 ya da daha fazla
DetaylıMühendislikte İstatistiksel Yöntemler
Mühendislikte İstatistiksel Yöntemler BÖLÜM 7 TAHMİNLER Yrd. Doç. Dr. Fatih TOSUNOĞLU 1 Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır.
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
DetaylıOlasılık ve İstatistik Hatırlatma
Olasılık ve İstatistik Hatırlatma BSM 445 Kuyruk Teorisi Güz 014 Yrd. Doç. Dr. Ferhat Dikbıyık Bir olayın olasılığı bize ne anlatır? Verilen bir olasılığın manası nedir? Örnek: Tavlada düşeş atma olasılığı
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
DetaylıTest İstatistikleri AHMET SALİH ŞİMŞEK
Test İstatistikleri AHMET SALİH ŞİMŞEK İçindekiler Test İstatistikleri Merkezi Eğilim Tepe Değer (Mod) Ortanca (Medyan) Aritmetik Ortalama Merkezi Dağılım Dizi Genişliği (Ranj) Standart Sapma Varyans Çarpıklık
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
DetaylıEME 3117 SİSTEM SIMÜLASYONU. Girdi Analizi. Özet İstatistikler ve Histogram (Minitab)(1) Örnek: Eczane İçin Servis Süreleri
EME 3117 1 2 Girdi Analizi SİSTEM SIMÜLASYONU Modellenecek sistemi (prosesi) dokümante et. Veri toplamak için bir plan geliştir. Veri topla. Verilerin grafiksel ve istatistiksel analizini yap. Girdi Analizi-I
DetaylıCh. 5: SEKK (OLS) nin Asimptotik Özellikleri
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik
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.
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. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri
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. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri
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.
DetaylıBiyoistatistiğin Tanımı Biyoistatistikte Kullanılan Terimler Değişken Tipleri Parametre ve İstatistik Tanımlayıcı İstatistikler
Biyoistatistiğin Tanımı Biyoistatistikte Kullanılan Terimler Değişken Tipleri Parametre ve İstatistik Tanımlayıcı İstatistikler Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik
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
DetaylıK-S Testi hipotezde ileri sürülen dağılımla örnek yığılmalı dağılım fonksiyonunun karşılaştırılması ile yapılır.
İstatistiksel güven aralıkları uygulamalarında normallik (normal dağılıma uygunluk) oldukça önemlidir. Kullanılan parametrik istatistiksel tekniklerin geçerli olabilmesi için populasyon şans değişkeninin
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.
DetaylıBÖLÜM 1 GİRİŞ: İSTATİSTİĞİN MÜHENDİSLİKTEKİ ÖNEMİ
BÖLÜM..AMAÇ GİRİŞ: İSTATİSTİĞİ MÜHEDİSLİKTEKİ ÖEMİ Doğa bilimlerinde karşılaştığımız problemlerin birçoğunda olaydaki değişkenlerin değerleri bilindiğinde probleme kesin ve tek bir çözüm bulunabilir. Örneğin
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
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
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
Detaylı