ç- çe Tasarmlar Birdal eno lu ükrü Acta³ eno lu & Acta³ statistiksel Deney Tasarm Giri³ ki A³amal ç- çe Üç A³amal ç- çe l A³amal ç- çe
|
|
- Osman Türel
- 6 yıl önce
- İzleme sayısı:
Transkript
1 lar Birdal eno lu ükrü
2 çindekiler
3 A³amal tasarmlar (hierarchical designs) olarak da bilinen iç-içe tasarmlarda (nested designs), ³u ana kadar gördü ümüz tasarmlardan farkl olarak iki veya ikiden fazla "faktör" vardr.
4 Etkisi ara³trlmak istenen A ve B gibi iki tane faktörümüz oldu unu varsayalm. A faktörünün a, B faktörünün b düzeyi olsun. B faktörünün b düzeyi, A faktörünün a düzeyinin her birinin içinde yuvalanm³sa, bu tip tasarmlara iki a³amal iç-içe tasarm (two-stage nested design) denir. Bu durum, B faktörü, A faktörünün içinde yuvalanm³tr ³eklinde ifade edilir ve B(A) sembolü ile gösterilir.
5 Srasyla a, b ve c düzeye sahip olan A, B ve C gibi üç faktörümüz oldu unda, C faktörünün c düzeyi, B faktörünün b düzeyinin her birinin içinde, B faktörünün b düzeyi de A faktörünün a düzeyinin her birinin içinde yuvalanm³ ise bu tip tasarmlara da üç a³amal iç-içe tasarm (three-stage nested design) denir. Bu durum, C faktörü, B faktörünün içinde ve B faktörü de, A faktörünün içinde yuvalanm³tr ³eklinde ifade edilir ve srasyla C(B) ve B(A) sembolleriyle ifade edilir. Açktr ki, birbirlerinin içinde yuvalanm³ l tane faktörümüz varsa, bu tasarmlara da l a³amal iç-içe tasarm (l-stage nested design) denir.
6 2-a³amal iç-içe tasarmlarda, ara³trmadaki önemine göre d³taki faktör ana faktör (major factor), içteki faktör ise ikincil faktör (minor factor) olarak isimlendirilir, bkz. Berger & Maurer (2002). 3-a³amal ve l-a³amal iç-içe tasarmlarda da benzer tanmlamalar yaplabilir. Yuvalanm³ faktörün düzey says, d³taki faktörün her bir düzeyinde ayn ise ve her bir faktör kombinasyonundaki tekrar says n ise, iç-içe tasarmlara, dengeli iç-içe tasarmlar (balanced nested designs) ad verilir.
7 Burada dikkat edilmesi gereken husus, yuvalanm³ faktörün düzeyleri sadece yuvaland düzeye aittir. Bir ba³ka deyi³le, içteki faktörün düzeyleri d³taki faktörün her bir düzeyinde benzerdir ama ayn/özde³ de ildir, Montgomery (2001). Dolaysyla, faktörler arasnda etkile³im yoktur.
8 Örnek : Örnek A³a da detaylar verilen ders anlatma tekniklerinin T1 : Ders materyalini tepegöz kullanarak anlatmak, T2 : Ders materyalini tahtaya yazarak anlatmak, T3 : Ders materyalinin fotokopisini her dersin ba³nda ö rencilere da tmak ve dersi fotokopiler üzerinden anlatmak T4 : Ders materyalini, her dersten bir hafta önce internete koymak ve dersi soru, cevap a rlkl bir tart³ma ortam yaratarak anlatmak. ve bu teknikleri kullanarak ders anlatan ö retim görevlilerinin dönem sonu snf ba³ar ortalamasna olan etkileri ara³trlmak isteniyor. Bu amaçla, Ankara Üniversitesinde, birinci snf ö rencilerine açlan ve krk ³ubeden olu³an ngilizce dersi her bir tekni i iki ayr ö retim görevlisi kullanacak ³ekilde sekize bölünüyor. Her bir ö retim görevlisi be³er tane ³ubeye ders anlatyor.
9 : Örnek Bu örnekte, toplam 8 tane ö retim görevlisi vardr ve her bir ö retim görevlisi sadece ilgili teknik konusunda tecrübelidir. Dolaysyla, ö retim görevlisi faktörü sabit etkilidir. Benzer ³ekilde, tekniklerin de sabit etkili oldu u açktr. Bu durumda kullanlabilecek en uygun tasarm, iç-içe tasarmdr. Çünkü burada "Ders anlatma teknikleri" ve "Ö retim Görevlileri" olmak üzere iki ayr faktör vardr. "Ö retim Görevlileri" faktörünün iki düzeyi vardr ve bu düzeyler sadece ö retim görevlilerinin kullandklar ders anlatma tekni inin ilgili düzeyine aittir. Örne in, T1 tekni ini kullanan ö retim görevlileri sadece T1 tekni inde mevcuttur, T2, T3 ve T4 tekniklerini kullanan ö retim görevlileri farkl ki³ilerdir.
10 Matematiksel Model A ve B gibi iki faktörün oldu u, iki a³amal iç-içe tasarm için matematiksel model, y ijk = µ + τ i + γ j(i) + ε ijk, (1) i = 1, 2, a; j = 1, 2,, b; k = 1, 2,, n ³eklinde ifade edilir. Burada, y ijk, A faktörünün i inci düzeyinde yuvalanm³ B faktörünün j inci düzeyindeki k nc gözlem de erini, µ, genel ortalamay, τ i, A faktörünün i inci düzeyinin etkisini, γ j(i), A faktörünün i inci düzeyinde yuvalanm³ B faktörünün j inci düzeyinin etkisini ve ε ijk, rasgele hata terimlerini gösterir.
11 Matematiksel Model (1) modeli sabit etkili bir modeldir. Bir ba³ka deyi³le a b τ i = 0, γ j(i) = 0 (2) oldu u varsaylr. i=1 j=1
12 Veri Yaps (1) modelinde a = 3 ve b = 2 iken veri yaps a³a daki gibidir: A Faktörü A1 A2 A3 B Faktörü B1 B2 B1 B2 B1 B2 y 111 y 121 y 211 y 221 y 311 y 321 y 112 y 122 y 212 y 222 y 312 y y 11n y 12n y 21n y 22n y 31n y 32n... Burada, A1, A2 ve A3, A faktörünün; B1 ve B2 de B faktörünün düzeylerini göstermektedir.
13 Parametre Tahmini (1) modelinde parametrelerin LS tahmin edicileri, µ = ȳ (3) τ i = ȳ i ȳ (4) γ j(i) = ȳ ij ȳ i (5) olarak bulunur.
14 Burada, ȳ i = ȳ ij = Parametre Tahmini b n y ijk j=1 k=1 bn n k=1 n y ijk, i = 1, 2,, a;, j = 1, 2,, b ve N = abn olmak üzere, tüm gözlemlerin ortalamas, a b n y ijk i=1 j=1 k=1 ȳ = N dir. (6) (7)
15 Parametre Tahmini Hatann varyans σ 2 nin (yan düzeltmesi yaplm³) LS tahmin edicisi, a b n (y ijk µ τ i γ j(i) ) 2 σ 2 = = i=1 j=1 k=1 ab(n 1) a b n (y ijk ȳ ij ) 2 i=1 j=1 k=1 N ab (8) (9) dir.
16 Hipotez Testi (1) modelinde, A ve B faktörlerinin düzeyleri arasnda anlaml bir farkllk olup olmad snanr. Her bir durum için hipotezler, srasyla ve dir. H 01 : τ 1 = τ 2 = = τ a = 0 (10) H 02 : γ 1(1) = γ 1(2) = = γ b(a) = 0 (11)
17 Hipotez Testi: Genel Toplamnn Parçalan³ (1) modelinde genel kareler toplam a b n SS Toplam = (y ijk ȳ ) 2 (12) olarak tanmlanr ve i=1 j=1 k=1 ³eklinde bile³enlerine ayrlr. SS Toplam = SS A + SS B(A) + SS Hata (13)
18 Hipotez Testi: Genel Toplamnn Parçalan³ Burada, SS A = SS B(A) = SS Hata = a b n a (ȳ i ȳ ) 2 = bn (ȳ i ȳ ) 2 i=1 j=1 k=1 a b i=1 j=1 k=1 a b n (ȳ ij ȳ i ) 2 = n n (y ijk ȳ ij ) 2 i=1 a i=1 j=1 b (ȳ ij ȳ i ) 2 (14) i=1 j=1 k=1 dir.
19 Hipotez Testi: Test statistikleri (1) modelinde, (10) hipotezini snamak için F A = ve (11) hipotezini snamak için F B(A) = SS A /(a 1) SS Hata /(N ab) SS B(A) /a(b 1) SS Hata /(N ab) = MS A MS Hata (15) = MS B(A) MS Hata (16) test istatistikleri kullanlr.
20 Hipotez Testi: Test statistikleri Teorem (1) modelinde, H 0 hipotezi altnda, (i) F A test istatisti i, a 1 ve N ab serbestlik dereceli merkezi F da lmna sahiptir. (ii) F B(A) test istatisti i, a(b 1) ve N ab serbestlik dereceli merkezi F da lmna sahiptir.
21 Hipotez Testi: KARAR F A test istatisti inin de eri, α anlam düzeyinde, a 1 ve N ab serbestlik dereceli F tablo de erinden daha büyükse sfr hipotezi reddedilir. Bir ba³ka deyi³le, F A > F α;a 1;N ab ise "A faktörünün düzeyleri arasnda anlaml bir farkllk vardr " denir. F B(A) test istatisti inin de eri α anlam düzeyinde, a(b 1) ve N ab serbestlik dereceli F tablo de erinden daha büyükse sfr hipotezi reddedilir. Bir ba³ka deyi³le, F B(A) > F α;a(b 1);N ab ise "B faktörünün düzeyleri arasnda anlaml bir farkllk vardr " denir.
22 ANOVA TAblosu Yukarda elde edilen bilgiler ³ nda, iki a³amal iç-içe tasarm için ANOVA tablosu, a³a da gösterildi i gibi olu³turulur. Kaynak df SS MS F A a 1 SS A MS A F A B(A) a(b 1) SS B(A) MS B(A) F B(A) Hata N ab SS Hata MS Hata Genel N 1 SS Toplam
23 Matematiksel Model A, B ve C gibi üç faktörün oldu u, üç a³amal iç-içe tasarm için matematiksel model, y ijkl = µ + τ i + γ j(i) + δ k(ij) + ε ijkl, (17) i = 1, 2, a; j = 1, 2,, b; k = 1, 2,, c; l = 1, 2,, n ³eklinde ifade edilir. Burada δ k(ij) parametresi, A faktörünün i inci, B faktörünün j inci düzeyinde yuvalanm³ C faktörünün k nc düzeyinin etkisini gösteren model parametresidir. Di er parametrelerin yorumu, 7.2 bölümünde oldu u gibidir.
24 Matematiksel Model (17) modeli sabit etkili bir modeldir. Bir ba³ka deyi³le a b c τ i = 0, γ j(i) = 0, δ k(ij) = 0 (18) oldu u varsaylr. i=1 j=1 k=1
25 Parametre Tahmini (17) modelinde, parametrelerin LS tahmin edicileri, µ = ȳ (19) τ i = ȳ i ȳ (20) γ j(i) = ȳ ij ȳ i (21) δ k(ij) = ȳ ijk ȳ ij (22) (23) olarak bulunur.
26 Burada, y ijkl j=1 k=1 l=1 ȳ i = bcn c n y ijkl k=1 l=1 ȳ ij = cn n y ijkl l=1 ȳ ijk = n Parametre Tahmini b c n, i = 1, 2,, a;, j = 1, 2,, b;, k = 1, 2,, c ve N = abcn olmak üzere, tüm gözlemlerin ortalamas, (24) a b c n y ijkl ȳ = i=1 j=1 k=1 l=1 N (25) dir.
27 Parametre Tahmini Hatann varyans σ 2 nin (yan düzeltmesi yaplm³) LS tahmin edicisi, a b c n (y ijkl µ τ i γ j(i) δ k(ij) ) 2 σ 2 = = i=1 j=1 k=1 l=1 N abc a b c n (y ijkl ȳ ijk ) 2 i=1 j=1 k=1 l=1 N abc (26) (27) dir.
28 Hipotez Testi (17) modelinde, A, B ve C faktörlerinin düzeyleri arasnda anlaml bir farkllk olup olmad snanr. Her bir durum için hipotezler, srasyla H 01 : τ 1 = τ 2 = = τ a = 0 (28) H 02 : γ 1(1) = γ 1(2) = = γ b(a) = 0 (29) ve dr. H 03 : δ 1(1) = δ 1(2) = = δ c(b) = 0 (30)
29 Hipotez Testi: Genel Toplamnn Parçalan³ (17) modelinde genel kareler toplam a b c n SS Toplam = (y ijkl ȳ ) 2 (31) olarak tanmlanr ve i=1 j=1 k=1 l=1 SS Toplam = SS A + SS B(A) + SS C(B) + SS Hata (32) ³ekline bile³enlerine ayrlr.
30 Hipotez Testi: Genel Toplamnn Parçalan³ Burada, SS A = SS B(A) = SS C(B) = SS Hata = a b c n a (ȳ i ȳ ) 2 = bcn (ȳ i ȳ ) 2, i=1 j=1 k=1 l=1 a b c i=1 j=1 k=1 l=1 a b c i=1 j=1 k=1 l=1 a b c n (ȳ ij ȳ i ) 2 = cn n (ȳ ijk ȳ ij ) 2 = n n i=1 j=1 k=1 l=1 (y ijkl ȳ ijk ) 2 i=1 a i=1 j=1 a b (ȳ ij ȳ i ) 2, b c (ȳ ijk ȳ ij ) 2, i=1 j=1 k=1 (33) dir.
31 Hipotez Testi: Test statistikleri (17) modelinde, (28) hipotezini snamak için (29) hipotezini snamak için SS A /(a 1) F A = SS Hata /(N abc) SS B(A) /a(b 1) F B(A) = SS Hata /(N abc) = MS A MS Hata, (34) = MS B(A) MS Hata (35) ve (30) hipotezini snamak için SS C(B) /ab(c 1) F C(B) = SS Hata /(N abc) = MS C(B) MS Hata (36) test istatistikleri kullanlr.
32 Hipotez Testi: Test statistikleri Teorem (17) modelinde, H 0 hipotezi altnda, (i) F A test istatisti i, a 1 ve N abc serbestlik dereceli merkezi F da lmna sahiptir. (ii) F B(A) test istatisti i, a(b 1) ve N abc serbestlik dereceli merkezi F da lmna sahiptir. (iii) F C(B) test istatisti i, ab(c 1) ve N abc serbestlik dereceli merkezi F da lmna sahiptir.
33 Hipotez Testi: KARAR F A test istatisti inin de eri, α anlam düzeyinde, a 1 ve N abc serbestlik dereceli F tablo de erinden daha büyükse sfr hipotezi reddedilir. Bir ba³ka deyi³le, F A > F α;a 1;N abc ise "A faktörünün düzeyleri arasnda anlaml bir farkllk vardr" denir. F B(A) test istatisti inin de eri, α anlam düzeyinde, a(b 1) ve N abc serbestlik dereceli F tablo de erinden daha büyükse sfr hipotezi reddedilir. Bir ba³ka deyi³le, F B(A) > F α;a(b 1);N abc ise "B faktörünün düzeyleri arasnda anlaml bir farkllk vardr" denir. F C(B) test istatisti inin de eri, α anlam düzeyinde, ab(c 1) ve N abc serbestlik dereceli F tablo de erinden daha büyükse sfr hipotezi reddedilir. Bir ba³ka deyi³le, F C(B) > F α;ab(c 1);N abc ise "C faktörünün düzeyleri arasnda anlaml bir farkllk vardr" denir.
34 ANOVA TAblosu Yukarda elde edilen bilgiler ³ nda, üç a³amal iç-içe tasarm için ANOVA tablosu, a³a da gösterildi i gibi olu³turulur. Kaynak df SS MS F A a 1 SS A MS A F A B(A) a(b 1) SS B(A) MS B(A) F B(A) C(B) ab(c 1) SS C(B) MS C(B) F C(B) Hata N abc SS Hata MS Hata Genel N 1 SS Toplam
35 Matematiksel Model l a³amal iç-içe tasarm için matematiksel model, y ij klp = µ + τ i + γ j(i) + + δ l(ij k) + ε ij klp, (37) i = 1, 2,, a; j = 1, 2, b;... ; k = 1, 2,, t; l = 1, 2,, u, p = 1, 2,, n ³eklinde ifade edilir. Buradaki δ l(ij k) terimi, A faktörünün i inci, B faktörünün j inci,..., düzeyinde yuvalanm³ U faktörünün l inci düzeyini gösteren model parametresidir.
36 Parametre Tahmini ki a³amal ve üç a³amal iç-içe tasarmlarda oldu u gibi l a³amal tasarmda da model parametreleri LS yöntemi kullanlarak bulunur. Model parametrelerinin LS tahmin edicileri µ = ȳ (38) τ i = ȳ i ȳ (39) γ j(i) = ȳ ij ȳ i (40). =.. (41) δ l(ij k) = ȳ ij kl ȳ ij k (42) olur.
37 Parametre Tahmini Hatann varyans σ 2 nin (yan düzeltmesi yaplm³) LS tahmin edicisi a b u n (y ijk l ȳ ij kl ) 2 σ 2 = dir. i=1 j=1 l=1 p=1 N ab tu (43)
38 Hipotez Testi l a³amal iç-içe tasarmda, modeldeki faktörlerin düzeyleri arasnda anlaml bir farkllk olup olmad snanr. Genel kareler toplamnn bile³enlerine ayrlmasyla bu hipotezleri snamak için gereken test istatistikleri elde edilir. Genel kareler toplam, SS Toplam = SS A + SS B(A) + + SS U(T ) + SS Hata (44) ³eklinde bile³enlerine ayrlr.
39 Burada, Hipotez Testi SS A = b un SS B(A) = c un... SS U(T ) = n SS Hata = a i=1 j=1 a i=1 j=1 a (ȳ i ȳ ) 2 (45) i=1 a i=1 j=1 b b b (ȳ ij ȳ i ) 2 (46) u (ȳ ij kl ȳ ij k ) (47) l=1 t u k=1 l=1 p=1 n (y ijk lp ȳ ij kl ) 2 (48) dir.
40 Hipotez Testi toplamlarnn ilgili serbestlik derecesine bölünmesiyle, (37) modelindeki her bir faktör ve hata için kareler ortalamalar MS A = SS A a 1, MS B(A) = SS B(A) a(b 1),.. MS U(T ) = SS U(T ) ab t(u 1), MS Hata = SS Hata N ab tu (49) elde edilir.
41 Hipotez Testi (37) modelinde yer alan faktörlerin anlamll n snamak için F A = MS A MS Hata (50) F B(A) = MS B(A) MS Hata (51).. F U(T ) = MS U(T ) MS Hata (52) test istatistikleri kullanlr. E er hesaplanan F de erleri, ilgili serbestlik dereceleri ile F tablo de erinden daha büyükse sfr hipotezleri reddedilir.
42 (17) modelinde, A, B(A) ve C(B) faktörleri ve hata için beklenen kareler ortalamalar, bcn a i=1 τ 2 i E(MSE A ) = σ 2 + a 1 a b cn γj(i) 2 E(MSE B(A) ) = σ 2 + E(MSE C(B) ) = σ 2 + n i=1 j=1 a(b 1) a b c i=1 j=1 k=1 ab(c 1) δ 2 k(ij) (53) (54) (55) E(MSE Hata ) = σ 2 (56) olarak elde edilir.
43 (53)-(55) denklemlerinden görüldü ü gibi, sfr hipotezinin do ru olmas halinde MSE A, MSE B(A) ve MSE C(B) ifadeleri σ 2 nin yansz bir tahmin edicisidir. MSE Hata, her zaman oldu u gibi, H 0 do ru olsun ya da olmasn, σ 2 nin yansz bir tahmin edicisidir.
Bir-Yönlü ANOVA (Tamamen Rasgele Tasarm)
Bir-Yönlü ANOVA (Tamamen Rasgele Tasarm) Birdal eno lu ükrü Acta³ çindekiler 1 Giri³ Giri³ 2 3 4 LS Tahmin Edicilerinin Özellikleri 5 Genel Kareler Toplamnn Parçalan³ ndirgenmi³ Model-Tam Model Yakla³m
Detaylıkili ve Çoklu Kar³la³trmalar
kili ve Çoklu Kar³la³trmalar Birdal eno lu ükrü Acta³ çindekiler 1 Giri³ 2 3 4 5 6 7 Bu bölümde, (2.1) modelinde, H 0 : µ 1 = µ 2 = = µ a = µ (1) ³eklinde ifade edilen sfr hipotezinin reddedilmesi durumunda,
DetaylıFaktöriyel Tasarımlar
İstatistiksel Deney Tasarımı Birdal Şenoğlu & Şükrü Acıtaş 1 / 99 Kesirli 2 / 99 Fisher (1935) ve Yates (1937) tarafından önerilen Faktöriyel deneyler (factorial experiments) veya bir çok kaynakta belirtildiği
Detaylı6.5 Basit Doğrusal Regresyonda Hipotez Testleri. 6.5.1 İçin Hipotez Testi: 1. Hipotez kurulur. 2. Test istatistiği hesaplanır.
6.5 Basit Doğrusal Regresyonda Hipotez Testleri 6.5.1 İçin Hipotez Testi: 1. Hipotez kurulur. 2. Test istatistiği hesaplanır. olduğu biliniyor buna göre; hipotezinin doğruluğu altında test istatistiği
DetaylıA = i IA i = i I A = A = i IA i = {x α((α I) (x A α ))} (7.7) A = (α,β I) (α β) A α A β = (7.8) A A
Bölüm 7 KÜME A LELER 7.1 DAMGALANMI KÜMELER E er inceledi imiz kümelerin says, alfabenin harerinden daha çok de ilse, onlara,b,...,w gibi harerle temsil edebiliriz. E er elimizde albenin harerinden daha
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
DetaylıARA SINAV II. (1) (x k ) k N, R n içinde yaknsak ve limiti x olan bir dizi olsun. {x} = oldu unu gösteriniz.
MC 411/ANAL Z IV ARA SINAV II ÇÖZÜMLER 1 x k k N, R n içinde yaknsak iti x olan bir dizi olsun. {x} = {x m m k} k=1 Çözüm. Her k N için A k := {x m m k} olsun. x k k N dizisinin iti x oldu undan, A k =
Detaylı18.702 Cebir II 2008 Bahar
MIT Açk Ders Malzemeleri http://ocw.mit.edu 18.702 Cebir II 2008 Bahar Bu materyallerden alnt yapmak veya Kullanm artlar hakknda bilgi almak için http://ocw.mit.edu/terms ve http://tuba.acikders.org.tr
DetaylıB A. A = B [(A B) (B A)] (2)
Bölüm 5 KÜMELER CEB R Do a olaylarnn ya da sosyal olaylarn açklanmas için, bazan, matematiksel modelleme yaplr. Bunu yapmak demek, incelenecek olaya etki eden etmenleri içine alan matematiksel formülleri
DetaylıKRUSKAL WALLIS VARYANS ANALİZİ. Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı
KRUSKAL WALLIS VARYANS ANALİZİ Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı ükruskal Wallis varyans analizi, tek yönlü varyans analizinin parametrik olmayan karşılığıdır. üveriler ölçümle
DetaylıBİR SAYININ ÖZÜ VE DÖRT İŞLEM
ÖZEL EGE LİSESİ BİR SAYININ ÖZÜ VE DÖRT İŞLEM HAZIRLAYAN ÖĞRENCİ: Sıla Avar DANIŞMAN ÖĞRETMEN: Gizem Günel İZMİR 2012 İÇİNDEKİLER 1. PROJENİN AMACI.. 3 2. GİRİŞ... 3 3. YÖNTEM. 3 4. ÖN BİLGİLER... 3 5.
DetaylıÖrneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir.
ÇIKARSAMALI İSTATİSTİKLER Çıkarsamalı istatistikler, örneklemden elde edilen değerler üzerinde kitleyi tanımlamak için uygulanan istatistiksel yöntemlerdir. Çıkarsamalı istatistikler; Tahmin Hipotez Testleri
DetaylıMC 311/ANAL Z III ARA SINAV I ÇÖZÜMLER
MC 311/ANAL Z III ARA SINAV I ÇÖZÜMLER (1) A³a daki her bir önermenin do ru mu yanl³ m oldu unu belirleyiniz. Do ruysa, gerekçe gösteriniz; yanl³sa, bir kar³-örnek veriniz. (a) (a n ) n N dizisi yaknsak
DetaylıEkonometri I VARSAYIMLARI
Ekonometri I ÇOK DEĞİŞKENLİ REGRESYON MODELİNİN VARSAYIMLARI Hüseyin Taştan Temmuz 23, 2006 İçindekiler 1 Varsayım MLR.1: Parametrelerde Doğrusallık 1 2 Varsayım MLR.2: Rassal Örnekleme 1 3 Varsayım MLR.3:
DetaylıBÖLÜM 7 BİLGİSAYAR UYGULAMALARI - 1
1 BÖLÜM 7 BİLGİSAYAR UYGULAMALARI - 1 Belli bir özelliğe yönelik yapılandırılmış gözlemlerle elde edilen ölçme sonuçları üzerinde bir çok istatistiksel işlem yapılabilmektedir. Bu işlemlerin bir kısmı
Detaylı(i) (0,2], (ii) (0,1], (iii) [1,2), (iv) (1,2]
Bölüm 5 KOM ULUKLAR 5.1 KOM ULUKLAR Tanm 5.1.1. (X, T ) bir topolojik uzay ve A ile N kümeleri X uzaynn iki alt-kümesi olsun. E er A T N olacak ³ekilde her hangi bir T T varsa, N kümesine A nn bir kom³ulu
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
Detaylı7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar
7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar Y = X β + ε Lineer Modeli pekçok özel hallere sahiptir. Bunlar, ε nun dağılımına, Cov( ε ) kovaryans
Detaylıx = [x] = [x] β = {y (x,y) β} (8.5) X = {x x X}. x,y X [(x = y) (x y = )]. b(b [x]) b [y] [x] [y] (8.8)
Bölüm 8 DENKL K BA INTILARI 8.1 DENKL K BA INTISI 8.1.1 E³itlik Kavramnn Genelle³mesi Matematikte ve ba³ka bilim dallarnda, birbirlerine e³it olmayan, ama e³itli e benzer niteliklere sahip nesnelerle sk
Detaylındrgemel Dzler Ders Notlar
ndrgemel Dzler Ders Notlar c wwww.sbelian.wordpress.com Bu ders notunda diziler konusunun bir alt konusu olan First Order Recursions ve Second Order Recursions konular anlatlm³ ve bu konularla alakal örnekler
DetaylıÇarpm ve Bölüm Uzaylar
1 Ksm I Çarpm ve Bölüm Uzaylar ÇARPIM UZAYLARI 1 ÇARPIM TOPOLOJ S 2 KARMA P R O B E M L E R 1. A ile B, srasyla, (X, T )X ile (Y, S ) topolojik uzaylarnn birer alt-kümesi olsunlar. (a) (A B) = A B (b)
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.
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
DetaylıHipotez Testleri. Mühendislikte İstatistik Yöntemler
Hipotez Testleri Mühendislikte İstatistik Yöntemler Hipotez Testleri Parametrik Testler ( z ve t testleri) Parametrik Olmayan Testler (χ 2 Testi) Hipotez Testleri Ana Kütle β( µ, σ ) Örnek Kütle b ( µ
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
DetaylıXIV. Ulusal Antalya Matematk Olmpyat Brnc A³ama Snav Sorular -2009
XIV. Ulusal ntalya Matematk Olmpyat rnc ³ama Snav Sorular -009 c www.sbelian.wordpress.com sbelianwordpress@gmail.com Soru 1. dar açl üçgeninde m() = 45 'dir. 'dan 'ye indirilmi³ dikmenin aya E ve 'den
DetaylıANADOLU ÜNİVERSİTESİ REGRESYON KATSAYILARININ GÜVEN ARALIĞI = + REGRESYON KATSAYILARININ GÜVEN ARALIĞI
ANADOLU ÜNİVERSİTESİ Deney Tasarımı ve Regresyon Analizi Regresyonda Güven Aralıkları ve Hipotez Testleri Doç. Dr. Nihal ERGİNEL-2015 REGRESYON KATSAYILARININ GÜVEN ARALIĞI + in güven aralığı : i-) n 30
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
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
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
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. 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
DetaylıBÖLÜM 1. Matematiksel ndüksiyon Prensibi
BÖLÜM 1 Matematiksel ndüksiyon Prensibi Matematiksel indüksiyon prensibini kullanarak a³a daki e³it(siz)liklerin her n N için gerçeklendi ini ispatlaynz. 1. 1 2 + 2 2 + 3 2 + + n 2 = n(n+1)(2n+1) 6 2.
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
Detaylıİstatistiksel Yorumlama
İstatistiksel Yorumlama Amaç, popülasyon hakkında yorumlamalar yapmaktadır. Populasyon Parametre Karar Vermek Örnek İstatistik Tahmin 1 Tahmin Olaylar hakkında tahminlerde bulunmak ve karar vermek zorundayız
DetaylıSoru Toplam Puanlama Alnan Puan
..04 No: Ad-Soyad: mza: Soru.. 3. 4. 5. 6. 7. 8. Toplam Puanlama 0 0 0 5 0 0 0 0 00 Alnan Puan 04043006. CEB RSEL TOPOLOJ ARASINAVI CEVAP ANAHTARI ( K NC Ö RET M) Not: Süre 90 Dakika. stedi iniz 7 soruyu
DetaylıBÖLÜM 1. stanbul Kültür Üniversitesi. Fonksiyonlar - Özellikleri ve Limit Kavram. ³eklinde tanmlanan fonksiyona Dirichlet fonksiyonu ad verilir.
BÖLÜM 1 0, Q 1. f() = 1, R/Q, Fonksiyonlar - Özellikleri ve Limit Kavram ³eklinde tanmlanan fonksiyona Dirichlet fonksiyonu ad verilir. Buna göre a³a da verilen tanm bölgeleri altnda görüntü cümlelerini
Detaylı8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek,
İSTATİSTİK 8.Hafta Değişkenlik Ölçüleri Hedefler Bu üniteyi çalıştıktan sonra; Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek, Serilerin birbirlerine değişkenliklerini yorumlayabileceksiniz. 2
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
Detaylıf( F) f(f) K = K F f 1 f( F) f 1 (K) = F F f 1 (S ) = [f 1 (S)] f(x) S V
Bölüm 6 SÜREKL FONKS YONLAR 6.1 YEREL SÜREKL L K Tanm 6.1.1. (X, T ) ve (Y, S) topolojik uzaylar ile f : X Y fonksiyonu verilsin. E er f(x 0 ) ö esinin her V kom³ulu una kar³lk f(u) V olacak ³ekilde x
Detaylı1: DENEYLERİN TASARIMI VE ANALİZİ...
İÇİNDEKİLER Bölüm 1: DENEYLERİN TASARIMI VE ANALİZİ... 1 1.1. Deneyin Stratejisi... 1 1.2. Deneysel Tasarımın Bazı Tipik Örnekleri... 11 1.3. Temel Kurallar... 16 1.4. Deneyleri Tasarlama Prensipleri...
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
Detaylı0 = ρ(x,x) ρ(x,y)+ρ(y,x) = 2ρ(x,y) 0, x = y δ(x,y) = κ(z 1,z 2 ) = z 1 z 2, (z 1,z 2 C) (17.27)
230 BÖLÜM 17. METR K UZAYLAR 17.2 METR K METR K UZAY KAVRAMI Normlanm³ bir uzay, her³eyden önce bir vektör uzaydr, yani (X, ) normlanm³ bir uzay ise, X kümesi üzerinde bir vektör uzay yaps vardr. Oysa,
Detaylı1. YAPISAL KIRILMA TESTLERİ
1. YAPISAL KIRILMA TESTLERİ Yapısal kırılmanın araştırılması için CUSUM, CUSUMSquare ve CHOW testleri bize gerekli bilgileri sağlayabilmektedir. 1.1. CUSUM Testi (Cumulative Sum of the recursive residuals
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
DetaylıDOĞAL SAYILAR. 728 514 039, 30 960 425, 4 518 825 bölük bölük bölük bölük bölük bölük bölük bölük bölük
MATEMATİ O ON NU UA AN NL L A A T T I I ML ML I I F F A AS S İ İ Ü ÜL LS S E E T T İ İ TEMALARI NA GÖREAYRI LMI Ş FASİ ÜL. SI NI F DOĞAL SAYILAR Günlük hayatta pek çok durumda sayıları kullanırız: Saymak,
DetaylıKATEGORİSEL VERİ ANALİZİ (χ 2 testi)
KATEGORİSEL VERİ ANALİZİ (χ 2 testi) 1 Giriş.. Değişkenleri nitel ve nicel değişkenler olarak iki kısımda inceleyebiliriz. Şimdiye kadar hep nicel değişkenler için hesaplamalar ve testler yaptık. Fakat
DetaylıDeneysel Verilerin Değerlendirilmesi
Deneysel Verilerin Değerlendirilmesi Ölçme-Birimler-Anlamlı Rakamlar Ölçme: Bir nesnenin bazı özelliklerini (kütle, uzunluk vs..) standart olarak belirlenmiş birimlere göre belirlenmesi işlemidir (ölçüm,
DetaylıPOL NOMLAR. Polinomlar
POL NOMLAR ÜN TE 1. ÜN TE 1. ÜN TE 1. ÜN TE 1. ÜN T POL NOMLAR Polinomlar 1. Kazan m: Gerçek kat say l ve tek de i kenli polinom kavram n örneklerle aç klar, polinomun derecesini, ba kat say s n, sabit
DetaylıALPHA ALTIN RAPORU ÖZET 26 Ocak 2016
ALPHA ALTIN RAPORU ÖZET 26 Ocak 2016 19 Ocak 2016 tarihli Alpha Altın raporumuzda paylaştığımız görüşümüz; Kısa dönemde 144 günlük ortalama $1110.82 trend değişimi için referans takip seviyesi olabilir.
DetaylıBİYOİSTATİSTİK PARAMETRİK TESTLER
BİYOİSTATİSTİK PARAMETRİK TESTLER Doç. Dr. Mahmut AKBOLAT *Bir testin kullanılabilmesi için belirli şartların sağlanması gerekir. *Bir testin, uygulanabilmesi için gerekli şartlar; ne kadar çok veya güçlü
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
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
DetaylıDoç. Dr. Mehmet Durdu KARSLI Sakarya Üniversitesi E itim fakültesi Doç. Dr. I k ifa ÜSTÜNER Akdeniz Üniversitesi E itim Fakültesi
ÜN VERS TEYE G R SINAV S STEM NDEK SON DE KL E L K N Ö RENC LER N ALGILARI Doç. Dr. Mehmet Durdu KARSLI Sakarya Üniversitesi E itim fakültesi Doç. Dr. I k ifa ÜSTÜNER Akdeniz Üniversitesi E itim Fakültesi
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
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
DetaylıBKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 )
4. SUNUM 1 Gözlem ya da deneme sonucu elde edilmiş sonuçların, rastlantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HİPOTEZ TESTLERİ denir. Sonuçların rastlantıya bağlı
DetaylıALPHA ALTIN RAPORU ÖZET 10 Kasım 2015
ALPHA ALTIN RAPORU ÖZET 10 Kasım 2015 3 Kasım 2015 tarihli Alpha Altın raporumuzda paylaştığımız görüşümüz; RSI indikatörü genel olarak dip/tepe fiyatlamalarında başarılı sonuçlar vermektedir. Günlük bazda
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
DetaylıÖrnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız.
Örnek Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. i. ii. X 1 2 3 4 1 2 3 4 Y 2 3 4 5 4 3 2 1 Örnek Aşağıdaki veri
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
DetaylıBİYOİSTATİSTİK İstatistiksel Tahminleme ve Hipotez Testi-III Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK İstatistiksel Tahminleme ve Hipotez Testi-III Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr
DetaylıANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ PARAMETRİK OLMAYAN TESTLER Prof. Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 MÜHENDİSLİK İSTATİSTİĞİ PARAMETRİK OLMAYAN TESTLER Prof. Dr. Nihal ERGİNEL PARAMETRİK OLMAYAN TESTLER Daha önce incelediğimiz testler, normal dağılmış ana kütleden örneklerin
DetaylıRİSK ANALİZİ VE. İşletme Doktorası
RİSK ANALİZİ VE MODELLEME İşletme Doktorası Programı Bölüm - 1 Portföy Teorisi Bağlamında Risk Yönetimi ile İlgili Temel Kavramlar 1 F23 F1 Risk Kavramı ve Riskin Ölçülmesi Risk istenmeyen bir olayın olma
DetaylıÜNİTE 5 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI
ÜNİTE 5 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI 1 Rassal Değişken Bir deney ya da gözlemin şansa bağlı sonucu bir değişkenin aldığı değer olarak düşünülürse, olasılık ve istatistikte böyle bir
DetaylıParametrik Olmayan İstatistik
Parametrik Olmayan İstatistik 2 Anakütlenin Karşılaştırılması İki Anakütlenin Karşılaştırılması Bağımsız Örnekler Eşleştirilmiş Örnekler Wilcoxon Mertebe Toplam Testi İşaret Testi Wilcoxon İşaretli Mertebe
Detaylıf 1 (H ) T f 1 (H ) = T
Bölüm 15 TIKIZLIK 15.1 TIKIZ UZAYLAR 15.1.1 Problemler 1. Her sonlu topolojik uzay tkzdr. 2. Ayrk bir topolojik uzayn tkz olmas için gerekli ve yeterli ko³ul sonlu olmasdr. 3. Ayn bir küme üzerinde S T
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
Detaylıİki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t Test) Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı
İki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t Test) Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı İki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t test) Ölçümle
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 10: Prof. Dr. İrfan KAYMAZ Tanım Varyans analizi niçin yapılır? İkiden fazla veri grubunun ortalamalarının karşılaştırılması t veya Z testi ile yapılabilir. Ancak karşılaştırılacak
DetaylıÜN TE II L M T. Limit Sa dan ve Soldan Limit Özel Fonksiyonlarda Limit Limit Teoremleri Belirsizlik Durumlar Örnekler
ÜN TE II L M T Limit Sa dan ve Soldan Limit Özel Fonksiyonlarda Limit Limit Teoremleri Belirsizlik Durumlar Örnekler MATEMAT K 5 BU BÖLÜM NELER AMAÇLIYOR? Bu bölümü çal flt n zda (bitirdi inizde), *Bir
DetaylıHİPOTEZ TESTLERİ HİPOTEZ NEDİR?
HİPOTEZ TESTLERİ HİPOTEZ NEDİR? Örnekleme ile test edilmeye çalışılan bir popülasyonun ilgili parametresi hakkında ortaya sunulan iddiadır. Örneğin; A dersi için vize ortalaması 50 nin altındadır Firestone
Detaylı9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir?
9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir? Ardışık bağımlılık sorunu, hata terimleri arasında ilişki olmadığı (E(u i,u j ) = 0, i j) varsayımının geçerli olmamasıdır.
DetaylıÖğr. Elemanı: Dr. Mustafa Cumhur AKBULUT
Ünite 10: Regresyon Analizi Öğr. Elemanı: Dr. Mustafa Cumhur AKBULUT 10.Ünite Regresyon Analizi 2 Ünitede Ele Alınan Konular 10. Regresyon Analizi 10.1. Basit Doğrusal regresyon 10.2. Regresyon denklemi
DetaylıNÜMER IK ANAL IZ. Nuri ÖZALP L INEER S ISTEMLER IN ÇÖZÜMÜ. Bilimsel Hesaplama Matemati¼gi, Gazi Kitabevi 2012
NÜMER IK ANAL IZ Bilimsel Hesaplama Matemati¼gi, Gazi Kitabevi 0 Nuri ÖZALP L INEER S ISTEMLER IN ÇÖZÜMÜ Nuri ÖZALP (Ankara Üni.) NÜMER IK ANAL IZ BÖLÜM 6 7! L INEER S ISTEMLER IN ÇÖZÜMÜ / 9 . LU ve Cholesky
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.
DetaylıTG 12 ÖABT İLKÖĞRETİM MATEMATİK
KAMU PERSONEL SEÇME SINAVI ÖĞRETMENLİK ALAN BİLGİSİ TESTİ İLKÖĞRETİM MATEMATİK ÖĞRETMENLİĞİ TG ÖABT İLKÖĞRETİM MATEMATİK Bu testlerin her hakkı saklıdır. Hangi amaçla olursa olsun, testlerin tamamının
DetaylıOlasılık ve İstatistik Dersinin Öğretiminde Deney ve Simülasyon
Olasılık ve İstatistik Dersinin Öğretiminde Deney ve Simülasyon Levent ÖZBEK Fikri ÖZTÜRK Ankara Üniversitesi Fen Fakültesi İstatistik Bölümü Sistem Modelleme ve Simülasyon Laboratuvarı 61 Tandoğan/Ankara
DetaylıHerhangi bir oranın belli bir değere eşit olmadığını test etmek için kullanılır.
Hipotez testleri-oran testi Oran Testi Herhangi bir oranın belli bir değere eşit olmadığını test etmek için kullanılır Örnek: Yüz defa atılan bir para 34 defa yazı gelmiştir Paranın yazı gelme olasılığının
Detaylıİkiden Çok Grup Karşılaştırmaları
İkiden Çok Grup Karşılaştırmaları Bir onkoloji kliniğinde göğüs kanseri tanısı almış kadınlar arasından histolojik evrelerine göre 17 şer kadın seçilerek sağkalım süreleri (ay) alınmıştır. HİSTLOJİK EVRE
DetaylıSOYUT MATEMAT K DERS NOTLARI. Yrd. Doç. Dr. Hüseyin B LG Ç
SOYUT MATEMAT K DERS NOTLARI Yrd. Doç. Dr. Hüseyin B LG Ç Kahramanmara³ Sütçü mam Üniversitesi FenEdebiyat Fakültesi Matematik Bölümü Eylül 2010 çindekiler 1 Önermeler ve spat Yöntemleri 1 2 Kümeler 13
DetaylıOlasılık ve Normal Dağılım
Olasılık ve Normal Dağılım P = 0 İmkansız P =.5 Yarı yarıya P = 1 Kesin Yazı-Tura 1.5 2 1.5 2.5.5.25 Para atışı 10 kere tekrarlandığında Yazı Sayısı f % 0 3 30 1 6 60 2 1 10 Toplam 10 100 Atış 1000 kere
DetaylıYAZILI SINAV SORU ÖRNEKLERİ MATEMATİK
YAZILI SINAV SORU ÖRNEKLERİ MATEMATİK SORU 1: Aşağıdaki grafik, bir okuldaki spor yarışmasına katılan öğrencilerin yaşa göre dağılışını göstermektedir. Öğrenci sayısı 5 3 9 10 1 14 Yaş 1.1: Yukarıdaki
DetaylıĐŞLE 544 ĐSTATĐSTĐK ARA SINAV 11 Mayıs 2006
ĐŞLE 5 ĐSTATĐSTĐK ARA SINAV Mayıs 00 Adı Soyadı: No: [0 puan] -Bir Üniversitede okutulan derslerin öğrenciler tarafından değerlendirilmesi amacı ile hazırlanan bir anket formundaki sorulardan biri: Aldığınız
DetaylıÖLÇÜM VARYASYONUNU BEL RLEMEK Ç N B R ÇALI MA
ÖLÇÜM VARYASYNUNU BL RLMK Ç N B R ÇALI MA Bahar SNNAR LU Marmara Üniversitesi Özlem YURTSVR Marmara Üniversitesi ÖZT lerin istenilen kalite özelliklerine uygunlu unu kontrol etmek için üretim hatlar ndan
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
DetaylıDers 2: Aktüerya. Ankara Üniversitesi. İST424 Aktüeryal Risk Analizi Ders Notları. Doç.Dr. Fatih Tank. Sigortacılığın.
yal ya yal Ders 2: ya Ankara Üniversitesi Giriş yal ya yal ya Tanım (5.1.1 Risk) Hasar oluşumundaki belirsizliğe risk denir. Objektif Risk Risk Subjektif Risk Tanım (5.1.2 Objektif Risk) Gerçekleşen hasarın
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.
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık -II Prof. Dr. İrfan KAYMAZ İki Ortalama Farkının Güven Aralığı Anakütle Varyansı Biliniyorsa İki ortalama arasındaki farkın dağılımına ilişkin Z değişkeni: Güven aralığı ifadesinde
DetaylıDİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ "A" OLARAK CEVAP KÂĞIDINA İŞARETLEMEYİ UNUTMAYINIZ. SAYISAL BÖLÜM SAYISAL-2 TESTİ
ALES İlkbahar 007 SAY DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ "A" OLARAK CEVAP KÂĞIDINA İŞARETLEMEYİ UNUTMAYINIZ. SAYISAL BÖLÜM SAYISAL- TESTİ Sınavın bu testinden alacağınız standart puan, Sayısal Ağırlıklı
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
DetaylıZ Diyagram Di er Grafik Türleri SORULAR...42
Ç N D E K L E R BÖLÜM I 1. STAT ST K KAVRAMI 1-20 1.1. STAT ST K KEL MES N N ANLAMI...3 1.2. STAT ST K KEL MES N N KÖKÜ...5 1.3. STAT ST N TANIMI...5 1.4. STAT ST N KONUSU...5 1.5. BÜYÜK SAYILAR KANUNU...6
DetaylıHİPOTEZ TESTLERİ. Yrd. Doç. Dr. Emre ATILGAN
HİPOTEZ TESTLERİ Yrd. Doç. Dr. Emre ATILGAN Hipotez Nedir? HİPOTEZ: parametre hakkındaki bir inanıştır. Parametre hakkındaki inanışı test etmek için hipotez testi yapılır. Hipotez testleri sayesinde örneklemden
DetaylıEME Sistem Simülasyonu. Girdi Analizi Prosedürü. Olasılık Çizgesi. Dağılıma Uyumun Kontrol Edilmesi. Dağılıma İyi Uyum Testleri Ders 10
EME 35 Girdi Analizi Prosedürü Sistem Simülasyonu Modellenecek sistemi (prosesi) dokümante et Veri toplamak için bir plan geliştir Veri topla Verilerin grafiksel ve istatistiksel analizini yap Dağılıma
Detaylı1) Öğrenci kendi başına proje yapma becerisini kazanır. 1,3,4 1,2
DERS BİLGİLERİ Ders Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS Bitirme Projesi BIL401 7 0+4 2 5 Ön Koşul Dersleri Yok Dersin Dili Dersin Seviyesi Dersin Türü Türkçe Lisans Seçmeli / Yüz Yüze Dersin
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.
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
Detaylıortalama ve ˆ ˆ, j 0,1,..., k
ÇOKLU REGRESYONDA GÜVEN ARALIKLARI Regresyon Katsayılarının Güven Aralıkları y ( i,,..., n) gözlemlerinin, xi ortalama ve i k ve normal dağıldığı varsayılsın. Herhangi bir ortalamalı ve C varyanslı normal
Detaylıİstatistiksel Tahmin ÜNİTE. Amaçlar. İçindekiler. Yazar Doç.Dr. Ahmet ÖZMEN
İstatistiksel Tahmin Yazar Doç.Dr. Ahmet ÖZMEN ÜNİTE 7 Amaçlar Bu üniteyi çalıştıktan sonra; evren parametreleri hakkında yorum yapmayla ilgili iki yöntemden birisi olan evren parametrelerinin tahmin edilmesine
Detaylı