KISITLI OPTİMİZASYON YAKLAŞTIRMA PROBLEMLERİ
|
|
- Su Muhiddin
- 5 yıl önce
- İzleme sayısı:
Transkript
1 KISILI OPİMİZASYON YAKLAŞIMA POLEMLEİ amamıyla doğrsal lşk gösteren kısıtlı optmzasyon problemler çn en güçlü araç doğrsal programlama teknğdr. Çoğ drmda doğrsal olmayan lşkler blndran çeştl optmzasyon problemler de vardır. problemlern doğrsal br model olarak ele alınıp doğrsal programlama le çözülmes de yeterl görüleblr. Ama öyle optmzasyon problemler vardır k lşkler yüksek derecede doğrsal olmayan yapıdadır. problemler yapısı bozlmaksızın doğrsal olarak ele alınamazlar. Ancak böyle problemlerdek doğrsal olmayan lşkler doğrsallaştırılarak doğrsal programlama le çözülürse elde edlen çözüm optmma yakın olr. KAELİ POGAMLAMA Karel programlama model aşağıdak gb tanımlanır: Ma ( Mn) f ( ) c D brada n (,,..., ) C c c c n (,,..., ) P b b b m (,,..., ) A P, a A a n m a a mn d D d n n d d nn olarak tanımlanır. D, D matrs smetrk olan karel br formdr. D matrs, problem mnmm se poztf tanımlı, maksmm oldğnda se negatf tanımlı varsayılır. Ykarıdak problemn çözümü Khn-cker gerek şartları yglanarak elde edlr. f ( ) konveks (konkav) ve çözüm zayı da konveks oldğndan b şartlar mtlak optmm çn yeterl olr. Karel programlama problem maksmm drm çn ele alınacaktır. Problem yenden
2 Ma f ( ) c D A P, şeklnde yazablrz. (,,..., ) ve (,,..., n ) sırayla A P ve kısıtlarına karşı m gelen Lagrange çarpanları olsn. probleme Khn-cker gerek şartlarını yglamak çn Lagrange fonksyon, P A L(,, ) f ( ) (, ) I olarak olştrlr. fonksyon çn Khn-cker gerek şartları f ( ) (, ) G ( ) n b a s,,,..., m,,,..., n A P,, olr. radan da kısm türevler alınırsa, f ( ) C X D A G ( ) I olacaktır. S P AX aylak değşkenn alalım. Ykarıdak K- şartları aşağıdak bçmde yenden yazılablr. f ( ) (, ) G ( ) den C X D A yazılır. radan,
3 X D A C AX S P S, ve çn,, X, S D smetrk br matrs oldğndan DX A C AX+ S=P D elde edlr. yüzden ykarıdak gerek şartları, X D A I C A I P S S, ve çn,, X, S bçmnde brleştreblrz. D olr, ve lk denklem kümesnn transpoz alınırsa S şartları dışında dğer denklem kümeler doğrsaldır. O halde ykarıdak problemn çözümü b lave şartları sağlayan doğrsal denklemler kümesnn çözümüne eşdeğer olr. f ( ) kesn konkav ( D negatf tanımlı) ve çözüm zayı konveks oldğndan (kısıtlar doğrsal) ykarıdak bütün şartları sağlayan mümkün br çözüm drekt olarak optmm çözümü verr. aynı zamanda b çözümün tek oldğ gösterleblr. Ykarıdak denklem sstemnn çözümü, katsayılarda brm matrs blnrsa normal smpleks yöntem le yada brm matrs blnmyorsa (genellkle blnmaz) k aşamalı smpleks yöntemnn brnc aşaması yardımı le elde edlr. radak tek sorn her zaman/her terasyonda S şartının sağlanmasıdır. şartlara optmzasyonda complementary slackness(aylaklığın tamamlayanı) adı verlmektedr. poztf düzeyde temel çözümde yer alıyorsa S poztf düzeyde temel çözümde olamaz demektr. na kısıtlı temel kralı adı verlr. rnc aşama yapay değşkenler sıfır olncaya kadar yürütülür. Dolayısıyla bnn soncnda ve temel çözümde yapay değşken olmadığında K- şartlarını sağlayan mümkün br çözüme laşılır.
4 ÖNEK : Ma z , veya, problem verlyor. Karel programlama le çözünüz. D ; C 4 6 ; 4 X 4 C 4 4 P 4 S A ; P 4 rm matrsn olşması çn I nc ve II nc satırlara yapay değşkenler eklenr (, ) S ykarıdak kısıtlayıcıları sağlayan çözüm ; k safhalı smpleks yöntemnn brnc aşaması kllanılarak aşağıdak amaç fonksyonn en ylenmes le blnr. Ma f ( ) ablo : aşlangıç ablos C X b - - S C z S S 4
5 rada her ardıştırmada/tabloda ykarıdak şartlar da her tabloda sağlanmalıdır. Optmalte krterne bakılırsa (brden fazla değşken temel çözüme grmeye aday-deenere drm)temel çözüme grer ve le yer değştrr ve yen tablo aşağıdak gb olr. rada yapay br değşken oldğ çn bndan sonrak tablolarda şlem dışı da bırakılablr. öyle değşkenler çözümden çıktıktan sonra br daha çözüme grmezler ablo : ve n yer değştrmes C X S - S 4 / 4 -/ -/ 4 C z -/ - tablo soncnda temel çözüme grer ve S temel çözümden ayrılacak değşken olarak belrlenr yen tablo ve yen elemanları aşağıdak gb olr. ablo : ve S n yer değştrmes C X S C z S radan da optmalte şartlarından değşkennn temel çözüme greceğ temel çözümden se değşkennn ayrılacağı görülmektedr. 5
6 Ykarıda da söylendğ gb yapay br değşken oldğ çn bndan sonrak tablolarda şlem dışı bırakılablr. öyle değşkenler çözümden çıktıktan sonra br daha çözüme grmezler. Zra bndan sonra bnlar üzernde yapılan hesaplamaların problemn çözümüne etks olmaz. ablo 4: Optmal ablo C X S C z - - S Örnek : Karel programlama teknğn kllanarak verlen br mnmm problemn çözmeye çalışalım( D matrs poztf tanımlı olsn): Mn f ( ) c D A P, Mnmm problemlernde bütün kısıtlar büyük eşt şeklnde düzenlendkten sonra, denklem sstemler aşağıdak gb olştrlr. X D A I C, A I P S Hatırlatma: problemn maksmm olması drmnda yan, Ma f ( ) c D A P, oldğnda eştlklern 6
7 X D A I C A I P S Mn z şeklnde oldğna dkkat ednz. 6, problem verlmş olsn, karel programlama le b problem çözünüz. Mn z - 6, X D A C D ve AX S P S, ve çn,, X, S D oldğndan lk denklem kümesnn transpoz alınırsa DX A C AX S P le brlkte ele alınır. problemde D ; D ; C ; A ; P 6 7
8 olarak blnr. rada D matrs poztf tanımlıdır. X D A I C A I P S oldğ da hatırlanırsa; K- şartları 6 S S S olarak yazılablr, yada S S 6 S,, S, Yada ykarıdak sağ tarafı negatf olan eştlkler poztf yapılırsa 8
9 6 S S elde edlr. Ykarıdak şartları sağlayan çözüm k safhalı smpleks yöntemnn brnc safhası le blnr. rm matrsn olmadığı drmda brm matrs olştrmak çn yapay değşkenler kllanılır. yapay değşkenlere amaç fonksyon ters yönde etkleyen brm katkılar(yan artıran katkı)verlr, brada (+) değerler verlr. Yen model aşağıdak gb olacaktır. Ykarıdak eştlklerde sağ-taraf sabtler negatf olanlar poztf yapılır: Mn z = + 4 s s 6 4 4,, S, den dolayı kanonk br sstemdr. sstem brm matrs blndrmaktadır. ykarıdak amaç fonksyona göre çözümü yapılablr. 9
10 ablo : aşlangıç tablos C C X S 4 X s S temel çözüme grecek, çözümden ayrılacaktır. Yen tablo ve elemanları aşağıdak gb olacaktır: ablo : C C X S 4 - X s S 4 / / 5/ 9/ / -/ / 7/ / / -/ -/ / / -/ -/ -7/ -/ / 9/ - - -/ -/ / / Ykarıdak tablodan temel çözüme grecek, 4 elemanları aşağıdak gb olacaktır: ablo : C - - çözümden ayrılacaktır. Yen tablo ve C X S X 4 s S 6/7 8/7 4/7 9/7 -/7 /7 -/7 /7 5/7 /7 /7 -/7 /7 /7 /7 -/7-9/7-6/7 -/7 9/7 - -5/7 -/7 -/7 /7 /7 -/7 /7 -/7 8/7 /7 -/7 9/7 5/7 -/7
11 Ykarıdak tablodan çözüme alınırsa çözümden çıkacaktır. drmda complementary slacknes(a)kralı bozlacağından, yan s şartının da sağlanması gerektğnden marnal katkısı negatf olan s temel çözüme grecek, S çözümden ayrılacaktır( S ve aynı anda temel çözümde yer alıp poztf değer alamazlar, br yada her ks her zaman sıfır olmak zorndadır). Yen tablo ve elemanları aşağıdak gb olacaktır: ablo 4: C C X s X 4 S s / 4/ 4/ 5/ - / / / -/ 5/ / / -/ / -/ -/ / -/ / 7/ / 8/7 / -5/ 4 / / Ykarıdak tablodan smpleks yöntemnn optmalte şartları göz önüne alınırsa temel çözüme grer ve çözümden çıkacaktır. Ayrıca complementary slackness şartının da sağlandığına dkkat ednz. drmda yen tablo ve yen elemanları aşağıdak gb olacaktır: ablo 5: C C X s X 4 S s /5 6/5 6/5 9/5 - /5 /5 /5 -/5 /5 -/5 -/5 /5 -/5 -/5 -/5 /5 -/5 /5 /5 -/5 -/5 -/5 -/5 /5 tablonn son çözüm tablosndak temel dışı değşkenlern marnal katkıları poztf oldğndan (optmal ) en y çözüm blnmştr. 9/5, 6/5 ve /5 -/5 /5 /5 /5 değerler en y çözüm olarak blnr.
12 ÖNEK Mn z 5 5, problem verlyor. Karel programlama le çözünüz. D ; 4 D 6 ; C 5 ; A ; P S 5 S 5 rm matrsn olşması çn son kısıta yapay değşken eklenr. 5 S 5 mn Z 5 S 5,,, S,
13 C X X S C Z ,, S Optmalte krterne bakılırsa n çözüme alınıp ün çözümden çıkması gerekr. n çözüme alındığında şartı sağlanmayacağı çn, görel katkılardan knc en y katkıya sahp olan değşken temel çözüme alınır. Fakat değşken temel çözüme alındığında ün çözümden çıkması gerekr ve b drmda şartı sağlanmaz. Çözüme değşken alınır ve değşken çözümden çıkar. C X X S C Z 5 --,, S değşkennn temel çözüme greceğ ve temel çözümden se değşkenn ayrılacağı görülmektedr. X X S C Z C,, S
14 değşkennn temel çözüme greceğ ve temel çözümden se değşkenn ayrılacağı görülmektedr. C X X S C Z --,, S Yapay değşken optmm çözümde yer almadığından ve,, S şartları da 85 5 sağlandığından çözüm tamamlanmıştır. Çözüm ve olarak elde edlr. 6 8 ÖNEK Mn z 4 5 4, problem verlyor. Karel programlama le çözünüz. D ; 4 D 4 4 ; C 5 ; A ; P S Sağ taraf sabt negatf olamayacağı çn knc kısıt yenden düzenlenr ve brm matrsn olşması çn yapay değşkenler eklenr. 4
15 Ma Z S 4,,, S, C X X S C Z ,, S değşkennn temel çözüme greceğ ve temel çözümden se değşkenn ayrılacağı görülmektedr. C X X S C Z ,, S değşkennn temel çözüme greceğ ve temel çözümden se değşkenn ayrılacağı görülmektedr. C X S X C Z -- 5
16 Yapay değşken optmm çözümde yer almadığından ve,, S şartları da 4 sağlandığından çözüm tamamlanmıştır. Çözüm ve olarak elde edlr. KAELİ POGAMLAMA VE POFOLİO(YAIIMLA) SEÇİMİ (EN İYİ YAIIMI YAPMA ÇAASI) Portfolo/Portföy: sahp olnan varlıkların yatırım sonc olştrdğ toplam değer olarak tanımlanır. Portfolo : kş yada krlşlar tarafından ele alınan yatırımlar kolleksyon Servet olan br kşnn farklı yatırımlara yatırableceğ sabt br mktarda parası olsn. Genelde böyle br kş yatırımlarının rskn (portföy getrsnn yada kazancının varyansı le ölçülen )en küçük yapacak şeklde yatırımlardan(portfolo) elde edlecek beklenen getry maksmm yapmak ster. Ancak büyük br beklenen karı verecek hsse senetlernn kazancı da genellkle değşken olr. Değşkenlğ azaltmak çn, beklenen kazancı kabl edleblr br (mnmm) düzeyde ttarak, en az b kazancı veren mnmm varyanslı br portföy seçm problemnn araştırılması daha ygn olacağı lteratürden blnyor. Örneğn br yatırımcı,beklenen kazancı % olacak şeklde mnmm varyanslı br portfolo araştırablr. Mnmm kabl edleblr beklenen kazancı değştrerek, karşılaştırma mkanı da blableceğ farklı pek çok arz edleblr portfolo/yatırımlar sepet elde edeblr. fkrler portfolo seçm problemnn, karel programlama problemne ndrgeneceğn göstermektedr. öyle br yaklaşım çn aşağıdak bazı kralları da hatırlatalım: X, X,..., X n asgele değşkenler olsn İstatstk Derslernden aşağıdak özellkler hatırlamaya çalışalım: E( X + X X n ) = E( X )+E( X )+... +E( X n ) Var( X + X X n ) = Var( X )+Var( X ) Var( X ) + cov( X, X ) n E( kx ) ke( X ) 6
17 Var kx ( ) k Var( X ) Cov( ax, bx ) abcov( X, X ) Örnek r yatırımcının üç ayrı hsse sened çn düşündüğü kadar parası blnmaktadır. S ; -nc hsse senedne yatırılan nın yıllık karını göstersn. radan S =. se yılın başlangıcında -nc hsse senedne yatırılan, yılın sonnda. değernde olr. üç hsse sened le lgl Pazar araştırmasından aşağıdak blgler elde edlmştr. E( S )=.4, E( S )=., E( S )=. VarS., VarS.8, VarS.8 Cov( S, S ).5, Cov( S, S ). ve Cov( S, S ). Yıllık beklenen getr yada kazanç en az % olması çn mnmm varyanslı portfolo y karel programlama le blnz. problem formüle ednz ve en y çözümünü blnz. Çözüm: ;,, olmak üzere -nc hsse senedne yatıralan para olsn portfolonın yıllık karı ( X S X S ) X S / ve portfolonın yıllık beklenen karı se ( XE( S) X E( S) X E( S) ) / olr. portfolonın yıllık beklenen karının en az % olması çn; Aşağıdak kısıtlayıcının modele konlması gerekr () ayrıca,, kısıtlayıcılarının da formlasyona eklenmes gerekr. rada amacımız portfolonın yılık beklenen karının varyansını mnmm yapmaktır. nn çn de portfolonn varyansı le lgl formülü yazalım: 7
18 Var( X S X S X S ) Var( X S ) Var( X S ) Var( X S ) + Cov( X S, X S ) Cov( X S, X S ) Cov( X S, X S ) Var( S) Var( S) Var S ( ) + Cov( S, S ) Cov( S, S ) Cov( S, S ) olarak alınır. Ykarıda verlenler b fonksyonda yerlerne yazılırsa amaç fonksyon, olarak elde edlr. drmda amaç fonksyon (karel br fonksyon )ve kısıtlayıcılar aşağıdak gb olr. Mn z ,, problemn çözümünde knc kısıtlayıcı eştlk bçmnde verldğ çn küçük eşt ve büyük eşt olarak alınarak çözülmeldr. Yan b kısıtlayıcı yerne veya - her k kısıtlayıcı da modele alınmalıdır. problem ykarıdak yöntemler kllanılarak çözülürse aşağıdak çözüm elde edlr. Aynı çözüme WINQS paket programını kllanarak da erşmek mümkündür. Çözüm değerler aşağıdak gb blnr. * * * * z 758, 8.95, 476.9, 4.86 ve dğer değşkenler se 76.86, 8.95,. olarak blnr. 8
19 Alıştırmalar:. r şrket sınırlı mktarda k ayrı ham maddey kllanarak A ve ürünlern mal etmektedr. Haftalık brnc ve knc mevct ham madde mktarı sırayla ve dür. r brm A üretmek çn brm brnc hammadde brm knc ham madde, r brm üretmek çn.5 brm brnc hammadde.5 brm knc ham madde kllanılarak yapılıyor. rnc ve knc ham madenn brm malyetler sırayla.8 ve. dr. rada kllanılan brnc hammadde brm sayısı, se knc hammadde brm sayısıdır. A ve ürünlernn brm satış fyatları se., dr. rada A A A ve sırayla A ve ürünlernden satılan brm sayısıdır. Şrketn ürettğ ürünlern tamamını sattığını varsayarak haftalık karı maksmm yapan problemn çözümünü blnz.. Çözüm: ; brnc hammadde mktarı ve ; knc hammadde mktarı oldğndan.5 A.5 A A, yazılır ve amaç fonksyon se ( kar = satış gelr- malyet oldğ hatırlanırsa), ma z = (. ) ( )- (-.8 )- (-. ) A A A = (. ) ( )-(.5 ).8(.5 ) A A A A A (.5 ).(.5 ) A A olr. 9
20 . r kş parasını aşağıdak blglern at oldğ üç ayrı hsse senedne yatırmak stemektedr. hsse senetlernn geçmş 6 yıllık getrler aşağıdak gb olsn. yatırımcı mnmm rskl ve getrs de en az % olan br portfolo arz etmek sterse parasını nasıl kllanmalı. Modeln krnz. yıllara göre senetlern getrs( %) Portfolo Ortalama getr ad senetler,4 6,6 5,7 5,46,6 -,4,67 ortak fonlar 9,64 7,6 7,68 8,6 8,55 8,6 8,4667 şrket fonları,8 8,6 8,46 9,8 9,6 9, 9,8 Çözüm : ; paranın ad senedlere yatırılan oranı ; paranın ortak fonlara yatırılan oranı ; paranın şrket hsselerne yatırılan oranı ,, ykarıdak blglern varyans kovaryans matrs n n, v n n v v olmak üzere v v v v v v
21 elde edlr. Varyans kovaryans matrs smetrk ve poztf tanımlı br matrstr. getr varyansı = v n n = = oldğ hatırlanırsa, b drmda problemn model aşağıdak gb olr : Mn z (.6) (.8) (.48) ,, optmzasyon problem karel programlama le çözülürse;.47, ve.5 * * * toplam getrnn varyansı se 5895 olarak blnr.. Üç ayrı hsse senedne aşağıdak gb br yatırımı düşünelm. S ; -nc hsse senedne yatırılan nın br yıllık yatırıldıktan sonra, br yıl sonrak değern gösteren rasgele değşken olsn. Yıllık getr le brlkte yıl son değer olsn. üç hsse sened le lgl Pazar araştırmasından aşağıdak blgler elde edlmştr. E( S )=.5, E( S )=., E( S )=.9 VarS.9, VarS.4, VarS. Cov( S, S ).6, Cov( S, S ).4 ve Cov( S, S ).5 yatırım çn düşündüğümüz kadar para blnmaktadır ve gelecek yıl en az % 5 beklenen getr stedğmz varsayalım. eklenen getry en az % 5 yapan mnmm varyanslı portfoloy karel programlama le blnz. problem formüle ednz ve en y çözümünü blnz. Çözüm: ;,, olmak üzere -nc hsse senedne yatıralan para olsn portfolonın yıllık karı ( X S X S X S ) ve
22 portfolonın yıllık beklenen karı se ( XE( S) X E( S) X E( S) ) olr. portfolonın yıllık beklenen karının en az % 5 olması çn; drmda aşağıdak kısıtlayıcının modele konlması gerekr ( ) ayrıca,, kısıtlayıcılarının da formlasyona eklenmes gerekr. rada amacımız portfolonın yılık beklenen karının varyansını mnmm yapmaktır. nn çn de portfolonn varyansı le lgl formülü yazalım: Var( X S X S X S ) Var( X S ) Var( X S ) Var( X S ) = Cov( X S, X S ) Cov( X S, X S ) Cov( X S, X S ) Var( S) Var( S) Var S ( ) + Cov( S, S ) Cov( S, S ) Cov( S, S ) olarak alınır. Ykarıda verlenler b fonksyonda yerlerne yazılırsa amaç fonksyon, olarak elde edlr. drmda amaç fonksyon (karel br fonksyon )ve kısıtlayıcılar aşağıdak gb olr.
23 Mn z ,, Çözümü okycya bırakılmıştır. WINQS paket programını kllanarak da çözmek mümkündür.
kadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.
KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X
DetaylıÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU
6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız
DetaylıBÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler
BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda
Detaylıuzayında vektörler olarak iç çarpımlarına eşittir. Bu iç çarpım simetrik ve hem w I T s formuna karşılık gelir. Buna p u v u v v v
1. Temel Form: Brnc temel form geometrk olarak yüzeyn çnde blndğ zayına gtmeden yüzey üzernde ölçme yamamızı sağlar. (Eğrlern znlğ, teğet ektörlern açıları, bölgelern alanları gb) S üzerndek ç çarım, br
Detaylıbir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre
Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeler http://ocm.mt.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında blg almak çn http://ocm.mt.edu/terms veya http://tuba.açık ders.org.tr adresn zyaret ednz. 18.102
Detaylı1. KEYNESÇİ PARA TALEBİ TEORİSİ
DERS NOTU 07 KEYNESÇİ PARA TALEBİ TEORİSİ, LM EĞRİSİ VE PARA TALEBİ FAİZ ESNEKLİĞİ Bugünk dersn çerğ: 1. KEYNESÇİ PARA TALEBİ TEORİSİ... 1 1.1 İŞLEMLER (MUAMELELER) TALEBİ... 2 1.2 ÖNLEM (İHTİYAT) TALEBİ...
DetaylıPARÇALI DOĞRUSAL REGRESYON
HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal
Detaylıdir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır.
BÖLÜM 3 OLASILIK HESABI 3.. Br Olayın Olasılığı Tanım 3... Br olayın brbrnden ayrık ve ortaya çıkma şansı eşt n mümkün sonucundan m tanes br A olayına uygun se, A olayının P(A) le gösterlen olasılığı P(A)
DetaylıHAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :
HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını
DetaylıSürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Sürekl Olasılık Dağılım Brkml- KümülatFonksyonu Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr Sürekl olasılık onksyonları X değşken - ;+ aralığında tanımlanmış br sürekl rassal değşken olsun. Aşağıdak
DetaylıDoğrusal Korelasyon ve Regresyon
Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon 1 Korelasyon Analz İk değşken arasında lşk olup olmadığını belrlemek çn yapılan analze korelasyon analz denr. Korelasyon; doğrusal yada doğrusal olmayan dye kye ayrılır. Korelasyon
DetaylıPORTFÖY OPTİMİZASYONU. Doç.Dr.Aydın ULUCAN
PORTFÖY OPTİMİZASYOU Doç.Dr.Aydın ULUCA KARAR VERME Karar verme, ş dünyasının çalışmasını sağlayan temel unsurlardandır. Tüm yönetcler, bulundukları faalyet alanı ve kademelernden bağımsız olarak stratejk
DetaylıDOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre
1 DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cnemre 2 BİRİNCİ BÖLÜM HEDEF PROGRAMLAMA 1.1 Grş Karar problemler amaç sayısına göre tek amaçlı ve çok amaçlı
DetaylıFİNANSAL MODELLEME. Doç.Dr.Aydın ULUCAN Hacettepe Üniversitesi
FİNANSAL MODELLEME Doç.Dr.Aydın ULUCAN Hacettepe Ünverstes KARAR VERME Karar verme, ş dünyasının çalışmasını sağlayan temel unsurlardandır. Tüm yönetcler, bulundukları faalyet alanı ve kademelernden bağımsız
DetaylıSistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir :
5 9. BÖLÜM YÜK AKIŞI (GÜÇ AKIŞI) 9.. Grş İletm sstemlernn analzlernde, bara sayısı arttıkça artan karmaşıklıkları yenmek çn sstemn matematksel modellenmesnde kolaylık getrc bazı yöntemler gelştrlmştr.
DetaylıYÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA
YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,
DetaylıELEMANLARI DENK KÜMELER OLAN VE HER FARKLI İKİ ELEMANININ SİMETRİK FARKINI İÇEREN KÜMELERİN ELEMAN SAYILARININ EN BÜYÜK DEĞERİ
ÖZEL EGE LİSESİ ELEMANLARI DENK KÜMELER OLAN VE HER FARKLI İKİ ELEMANININ SİMETRİK FARKINI İÇEREN KÜMELERİN ELEMAN SAYILARININ EN BÜYÜK DEĞERİ HAZIRLAYAN ÖĞRENCİ: ATAHAN ÖZDEMİR DANIŞMAN ÖĞRETMEN: DEFNE
DetaylıTRANSPORT PROBLEMI için GELIsTIRILMIs VAM YÖNTEMI
Yönetm, Yl 9, Say 28, Ekm - 1997,5.20-25 TRANSPORT PROBLEMI ÇIN GELIsTIRILMIs VAM YÖNTEMI Dr. Erhan ÖZDEMIR I.Ü. Teknk Blmler M.Y.O. L.GIRIs V AM transport problemlerne en düsük malyetl baslangç çözüm
DetaylıX, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının
1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell
DetaylıDeney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı
SRY ÜNİVERSİESİ Djtal ontrol Laboratuvar Deney Föyü Deney No: 2 Sıvı Sevye ontrol Deney 2.. Deneyn macı Bu deneyn amacı, doğrusal olmayan sıvı sevye sstemnn belrlenen br çalışma noktası cvarında doğrusallaştırılmış
DetaylıBasel II Geçiş Süreci Sıkça Sorulan Sorular
Basel II Geçş Sürec Sıkça Sorulan Sorular Soru No: 71 Cevaplanma Tarh: 06.03.2012 İlgl Hüküm: --- Konu: Gayrmenkul İpoteğyle Temnatlandırılmış Alacaklar İçn KR510AS Formunun Doldurulmasına İlşkn Örnek
DetaylıPROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt 3, Sayı:2, 2001 PROJE SEÇİMİ VE KAYAK PLALAMASI İÇİ BİR ALGORİTMA lgün MORALI 1 C. Cengz ÇELİKOĞLU 2 ÖZ Kaynak tahss problemler koşullara bağlı olarak
DetaylıALTERNATİF AKIM DEVRE YÖNTEM VE TEOREMLER İLE ÇÖZÜMÜ
BÖLÜM 6 ALTERNATİF AKIM DEVRE ÖNTEM VE TEOREMLER İLE ÇÖZÜMÜ 6. ÇEVRE AKIMLAR ÖNTEMİ 6. SÜPERPOZİSON TEOREMİ 6. DÜĞÜM GERİLİMLER ÖNTEMİ 6.4 THEVENİN TEOREMİ 6.5 NORTON TEOREMİ Tpak GİRİŞ Alternatf akımın
DetaylıDOĞRUSAL OLMAYAN PROGRAMLAMA -III- Çok değişkenli doğrusal olmayan karar modelinin çözümü
DOĞRUSAL OLMAYAN PROGRAMLAMA -III- Çok değşkenl doğrusal olmayan karar modelnn çözümü Hazırlayan Doç. Dr. Nl ARAS Anadolu Ünverstes, Endüstr Mühendslğ Bölümü İST8 Yöneylem Araştırması Ders - Öğretm Yılı
DetaylıA İSTATİSTİK. 4. X kesikli rasgele (random) değişkenin moment çıkaran. C) 4 9 Buna göre, X in beklenen değeri kaçtır?
. Br torbada 6 syah, 4 beyaz top vardır. Bu torbadan yerne koyarak top seçlyor. A İSTATİSTİK KPSS/-AB-PÖ/006. Normal dağılıma sahp br rasgele (random) değşkenn varyansı 00 dür. Seçlen topların ksnn de
DetaylıUYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.
UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres
DetaylıSEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)
SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler
DetaylıPARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ
PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ 1 Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı, F Dağılışı, gb br dağılışa uygun olduğu durumlarda
DetaylıStandart Model (SM) Lagrange Yoğunluğu. u, d, c, s, t, b. e,, Şimdilik nötrinoları kütlesiz Kabul edeceğiz. Kuark çiftlerini gösterelim.
SM de yer alacak fermyonlar Standart Model (SM) agrange Yoğunluğu u s t d c b u, d, c, s, t, b e e e,, Şmdlk nötrnoları kütlesz Kabul edeceğz. Kuark çftlern gösterelm. u, c ve t y u (=1,,) olarak gösterelm.
Detaylı5.3. Tekne Yüzeylerinin Matematiksel Temsili
5.3. Tekne Yüzeylernn atematksel Temsl atematksel yüzey temslnde lk öneml çalışmalar Coons (53) tarafından gerçekleştrlmştr. Ferguson yüzeylernn gelştrlmş hal olan Coons yüzeylernde tüm sınır eğrler çn
DetaylıDoğru Önermeler, Yanlış Önermeler 1 Ali Nesin
Doğru Önermeler, Yanlış Önermeler Al Nesn Bu yazıda 6 mantık sorusu sorup yanıtlayacağız. Brnc Blmece. Yargıç karar recek. Mahkeme tutanaklarından şu blgler çıkıyor: Eğer A suçsuzsa, hem B hem C suçlu.
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Quadratic Programming Bir karesel programlama modeli aşağıdaki gibi tanımlanır. Amaç fonksiyonu: Maks.(veya Min.) z
Detaylı2. LİNEER PROGRAMLAMA
İÇİNDEKİLER ÖZE... ABSRAC... EŞEKKÜR..... ŞEKİLLER DİZİNİ..... v. GİRİŞ.... Motvasyon...... emel anım ve Kavramlar...... Konvekslk ve lneer eştszlkler....3. Ekstrem Noktalar..... 0.4. Lneer Eştszlkler...
DetaylıSıklık Tabloları ve Tek Değişkenli Grafikler
Sıklık Tabloları ve Tek Değşkenl Grafkler Sıklık Tablosu Ver dzsnde yer alan değerlern tekrarlama sayılarını çeren tabloya sıklık tablosu denr. Sıklık Tabloları tek değşken çn marjnal tablo olarak adlandırılır.
DetaylıAdi Diferansiyel Denklemler NÜMERİK ANALİZ. Adi Diferansiyel Denklemler. Adi Diferansiyel Denklemler
6.4.7 NÜMERİK ANALİZ Yrd. Doç. Dr. Hatce ÇITAKOĞLU 6 Müendslk sstemlernn analznde ve ugulamalı dsplnlerde türev çeren dferansel denklemlern analtk çözümü büük öneme saptr. Sınır değer ve/vea başlangıç
DetaylıVEKTÖRLER VE VEKTÖREL IŞLEMLER
VEKTÖRLER VE VEKTÖREL IŞLEMLER 1 2.1 Tanımlar Skaler büyüklük: Sadece şddet bulunan büyüklükler (örn: uzunluk, zaman, kütle, hacm, enerj, yoğunluk) Br harf le sembolze edleblr. (örn: kütle: m) Şddet :
DetaylıMakine Öğrenmesi 10. hafta
Makne Öğrenmes 0. hafta Lagrange Optmzasonu Destek Vektör Maknes (SVM) Karesel (Quadratc) Programlama Optmzason Blmsel term olarak dlmze geçmş olsa da bazen en leme termle karşılık bulur. Matematktek en
DetaylıFarklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2 Eşit Varyans
Farklı Varyans Var(u X ) = Var(u ) = E(u ) = s Eşt Varyans Y X 1 Farklı Varyans Hata Var(u X ) = Var(u ) = E(u ) = s Farklı Varyans Zaman EKKY nn varsayımlarından br anakütle regresyon fonksyonu u lern
DetaylıŞekil 3.9 Hopfield ağının yapısı (Ağırlık sayıları siyah nöron sayıları kırmızı ile gösterilmiştir)
Ger dönüşümlü Recrrent ağlar Ger dönüşümlü ağların temel özellğ; ağın grşne yglanan verler, şlendkten sonra blnan çıktıları tekrar ağa yönlendrmes yan ger beslemel olmasıdır. Ger dönüşümlü ağlar, tam ger
DetaylıANE - AEGON EMEKLİLİK VE HAYAT A.Ş.DENGELİ EYF
AEGON EMEKLİLİK VE HAYAT A.Ş. DENGELİ EMEKLİLİK YATIRIM FONU FON KURULU ÜÇÜNCÜ 3 AYLIK FAALİYET RAPORU Bu rapor AEGON Emekllk ve Hayat A.Ş Dengel Emekllk Yatırım Fonu nun 01.07.2011 30.09.2011 dönemne
DetaylıCebir Notları. Karmaşık Sayılar Testi z = 1 2i karmaşık sayısının çarpmaya göre tersinin eşleniğinin sanal kısmı kaçtır?
Cebr Ntları Karmaşık Sayılar Test. + se Re() + Im()?. ( x y) + + ( x+ y ) se x + y tplamı kaçtır?. x + y ( x ) ve se y kaçtır?. ve se y x kaçtır?. sayısı kaça eşttr?. sayısı kaça eşttr? 7. x+ + ( y ) y
DetaylıSayfa 1. GİRİŞ TEMEL KAVRAMLAR... 2
. ĠÇĠNDEKĠLER Sayfa. GİRİŞ.... TEMEL KAVRAMLAR.... Olasılık.... Rasgele Değşken..... Keskl Rasgele Değşken... 3.. Sürekl Rasgele Değşken... 4.3 Olasılık Fonksyonu... 4.3. Keskl Rasgele Değşkenn Olasılık
DetaylıYER ÖLÇÜLERİ. Yer ölçüleri, verilerin merkezini veya yığılma noktasını belirleyen istatistiklerdir.
YER ÖLÇÜLERİ Yer ölçüler, verler merkez veya yığılma oktasıı belrleye statstklerdr. Grafkler bze verler yığılma oktaları hakkıda ö blg vermede yardımcı olurlar. Acak bu değerler gerçek değerler değldr,
DetaylıAkköse, Ateş, Adanur. Matris Yöntemleri ile dış etkilerden meydana gelen uç kuvvetlerinin ve uç yerdeğiştirmelerinin belirlenmesinde;
MATRİS ÖNTEMER 1. GİRİŞ Matrs öntemler; gerçek sürekl apının erne, matrs bçmnde ade edleblen blnen atalet (elemslk) ve elastklk öellklerne sahp sonl büüklüktek apısal elemanlardan olşan matematksel br
DetaylıJFM316 Elektrik Yöntemler ( Doğru Akım Özdirenç Yöntemi)
JFM316 Elektrk Yöntemler ( Doğru Akım Özdrenç Yöntem) yeryüzünde oluşturacağı gerlm değerler hesaplanablr. Daha sonra aşağıdak formül kullanılarak görünür özdrenç hesaplanır. a K I K 2 1 1 1 1 AM BM AN
DetaylıSAYISAL ÇÖZÜMLEME. Sayısal Çözümleme
SAYISAL ÇÖZÜMLEME Syısl Çözümleme SAYISAL ÇÖZÜMLEME 7. Hft LİNEER DENKLEM SİSTEMLERİ (Devm) Syısl Çözümleme İÇİNDEKİLER Doğrusl Denklem Sstemlernn Çözümü İtertf Yöntemler Jcob Yöntem Guss-Sedel Yöntem
Detaylı11. z = 1 2i karmaşık sayısının çarpmaya göre tersinin eşleniğinin sanal kısmı kaçtır? 14. eşitliğini sağlayan z karmaşık sayısı kaçtır? 15.
GD. + se Re() + Im()? www.gkhandemr.rg, 007 Cebr Ntları Gökhan DEMĐR, gdemr@yah.cm.tr Karmaşık sayılar 9. + + sayısı kaça eşttr? 7 890. ( x y) + + ( x + y) se x + y tplamı kaçtır?. x + y ( x) ve se y kaçtır?.
DetaylıMerkezi Eğilim (Yer) Ölçüleri
Merkez Eğlm (Yer) Ölçüler Ver setn tanımlamak üzere kullanılan ve genellkle tüm elemanları dkkate alarak ver setn özetlemek çn kullanılan ölçülerdr. Ver setndek tüm elemanları temsl edeblecek merkez noktasına
Detaylıdeğerine bu matrisin bir girdisi(elemanı,bileşeni) denir. Bir sütundan (satırdan) oluşan bir matrise bir sütun (satır) matrisi denir.
Bölüm 2 Matrsler aım 2.1 F br csm, m, brer doğal sayı olsu. a F ( 1,.., m; j 1,..., ) olmak üzere, a11... a1 fadese m satır sütuda oluşa (veya m tpde) br F matrs der. am 1... a m Böyle br matrs daha sade
DetaylıKİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür.
Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk
DetaylıBÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER
BÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER Blmn amaçlarından br yaşanılan doğa olaylarını tanımlamak ve olayları önceden tahmnlemektr. Bu amacı başarmanın yollarından br olaylar üzernde etkl olduğu
DetaylıTEMEL DEVRE KAVRAMLARI VE KANUNLARI
TDK Temel Devre Kavramları ve Kanunları /0 TEMEL DEVRE KAVRAMLARI VE KANUNLARI GĐRĐŞ: Devre analz gerçek hayatta var olan fzksel elemanların matematksel olarak modellenerek gerçekte olması gereken sonuçların
DetaylıKİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ
Kİ-KAR TSTLRİ A) Kİ-KAR DAĞILIMI V ÖZLLİKLRİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk gösterp
DetaylıElektrik Akımı. Test 1 in Çözümleri. voltmetresi K-M arasına bağlı olduğu için bu noktalar arasındaki potansiyel farkını ölçer. V 1. = i R KM 1.
5 Elektrk kımı 1 Test 1 n Çözümler 1. 4 Ω Ω voltmetre oltmetrenn ç drenc sonsuz büyük kabul edlr. Bu nedenle voltmetrenn bulunduğu koldan akım geçmez. an voltmetrenn olduğu koldak drenç dkkate alınmaz.
DetaylıBölüm 3. Tanımlayıcı İstatistikler
Bölüm 3 Tanımlayıcı İstatstkler Tanımlayıcı İstatstkler Br ver setn tanımak veya brden fazla ver setn karşılaştırmak çn kullanılan ve ayrıca örnek verlernden hareket le frekans dağılışlarını sayısal olarak
DetaylıFarklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = σ i2. Eşit Varyans. Hata. Zaman
Farklı Varyans Var(u X ) = Var(u ) = E(u ) = σ Eşt Varyans Y X Farklı Varyans Hata Var(u X ) = Var(u ) = E(u ) = σ Farklı Varyans Zaman Farklı Varyans le Karşılaşılan Durumlar Kest Verlernde. Kar dağıtım
DetaylıSorunun varlığı durumunda hata terimi varyans-kovaryans matrisi Var, Cov(u) = E(uu') = σ 2 I n şeklinde yazılamıyor fakat
8. DEĞİŞEN VARYANS SORUNU (HETEROSCEDASTICITY) 8.. Değşen Varyans Sorunu Nedr? Matrslerle yan Y = β u Y = β β β 3 3 β k k u, = n genel doğrusal modeln ele alalım. Hata term çn yapılan varsayımlardan brs
DetaylıKİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri
Kİ KAR ANALİZİ 1 Doç. Dr. Mehmet AKSARAYLI www.mehmetaksarayl K-Kare Analzler OLAY 1: Genelde br statstk sınıfında, öğrenclern %60 ının devamlı, %30 unun bazen, %10 unun se çok az derse geldkler düşünülmektedr.
DetaylıHİSSE SENETLERİNİN BEKLENEN GETİRİ VE RİSKLERİNİN TAHMİNİNDE ALTERNATİF MODELLER
İstanbul Ünverstes İktsat Fakültes Malye Araştırma Merkez Konferansları 47. Ser / Yıl 005 Prof. Dr. Türkan Öncel e Armağan HİSSE SENETLERİNİN BEKLENEN GETİRİ VE RİSKLERİNİN TAHMİNİNDE ALTERNATİF MODELLER
DetaylıOLİGOPOLİ. Oligopolic piyasa yapısını incelemek için ortaya atılmış belli başlı modeller şunlardır.
OLİGOOLİ Olgopolc pyasa yapısını ncelemek çn ortaya atılmış bell başlı modeller şunlardır.. Drsekl Talep Eğrs Model Swezzy Model: Olgopolstc pyasalardak fyat katılığını açıklamak çn gelştrlmştr. Olgopolcü
Detaylı( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3
Yıldız Teknk Ünverstes Elektrk Mühendslğ Bölümü Deneyn Amacı İşlemsel kuvvetlendrcnn çalışma prensbnn anlaşılması le çeştl OP AMP devrelernn uygulanması ve ncelenmes. Özet ve Motvasyon.. Operasyonel Amplfkatör
DetaylıSabit Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2
X Sabt Varyans Y Var(u X ) = Var(u ) = E(u ) = s Eşt Varyans EKKY nn varsayımlarından br anakütle regresyon fonksyonu u lern eşt varyanslı olmasıdır Her hata term varyansı bağımsız değşkenlern verlen değerlerne
DetaylıTÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ
TÜRİYE DEİ 38 kv LU 4 BARALI GÜÇ SİSTEMİDE EOOMİ YÜLEME AALİZİ Mehmet URBA Ümmühan BAŞARA 2,2 Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlık Fakültes Anadolu Ünverstes İk Eylül ampüsü, 2647, ESİŞEHİR
DetaylıENERJİ. Isı Enerjisi. Genel Enerji Denklemi. Yrd. Doç. Dr. Atilla EVCİN Afyon Kocatepe Üniversitesi 2007
Yrd. Doç. Dr. Atlla EVİN Afyon Kocatepe Ünverstes 007 ENERJİ Maddenn fzksel ve kmyasal hal değşm m le brlkte dama enerj değşm m de söz s z konusudur. Enerj değşmler mler lke olarak Termodnamğn Brnc Yasasına
DetaylıMuhasebe ve Finansman Dergisi
Muhasebe ve Fnansman Dergs Ocak/2012 Farklı Muhasebe Düzenlemelerne Göre Hazırlanan Mal Tablolardan Elde Edlen Fnansal Oranlar İle Şrketlern Hsse Sened Getrler Ve Pyasa Değerler Arasındak İlşk Ahmet BÜYÜKŞALVARCI
Detaylı2.7 Bezier eğrileri, B-spline eğrileri
.7 Bezer eğrler, B-splne eğrler Bezer eğrler ve B-splne eğrler blgsaar grafklernde ve Blgsaar Destekl Tasarım (CAD) ugulamalarında çok kullanılmaktadır.. B-splne eğrler sadece br grup ver noktası çn tanımlanan
DetaylıELM201 ELEKTRONİK-I DERSİ LABORATUAR FÖYÜ
T SAKAYA ÜNİESİTESİ TEKNOLOJİ FAKÜLTESİ ELEKTİK-ELEKTONİK MÜHENDİSLİĞİ ELM201 ELEKTONİK- DESİ LAOATUA FÖYÜ DENEYİ YAPTAN: DENEYİN AD: DENEY NO: DENEYİ YAPANN AD ve SOYAD: SNF: OKUL NO: DENEY GUP NO: DENEY
DetaylıBölüm 3. Tanımlayıcı İstatistikler
Bölüm 3 Tanımlayıcı İstatstkler Tanımlayıcı İstatstkler Br ver setn tanımak veya brden fazla ver setn karşılaştırmak çn kullanılan ve örnek verlernden hareket le frekans dağılışlarını sayısal olarak özetleyen
DetaylıSAYISAL ANALİZ. Doç.Dr. Cüneyt BAYILMIŞ. Sayısal Analiz. Doç.Dr. Cüneyt BAYILMIŞ
SAYISAL ANALİZ Doç.Dr. Cüneyt BAYILMIŞ Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz SAYISAL ANALİZ SAYISAL TÜREV Numercal Derentaton Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz İÇİNDEKİLER Sayısal Türev Ger Farklar
Detaylı= P 1.Q 1 + P 2.Q P n.q n (Ürün Değeri Yaklaşımı)
A.1. Mll Gelr Hesaplamaları ve Bazı Temel Kavramlar 1 Gayr Saf Yurtç Hâsıla (GSYİH GDP): Br ekonomde belrl br dönemde yerleşklern o ülkede ekonomk faalyetler sonucunda elde ettkler gelrlern toplamıdır.
DetaylıRasgele Değişken Üretme Teknikleri
Rasgele Değşken Üretme Teknkler Amaç Smülasyon modelnn grdlern oluşturacak örneklern üretlmes Yaygın olarak kullanılan ayrık veya sürekl dağılımların örneklenmes sürecn anlamak Yaygın olarak kullanılan
DetaylıSEK Yönteminin Güvenilirliği Sayısal Bir Örnek. Ekonometri 1 Konu 11 Sürüm 2,0 (Ekim 2011)
İk Değşkenl Bağlanım Model SEK Yöntemnn Güvenlrlğ Ekonometr 1 Konu 11 Sürüm,0 (Ekm 011) UADMK Açık Lsans Blgs İşbu belge, Creatve Commons Attrbuton-Non-Commercal ShareAlke 3.0 Unported (CC BY-NC-SA 3.0)
DetaylıDENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI
A. DNYİN AMACI : Bast ser ve bast paralel drenç devrelern analz edp kavramak. Voltaj ve akım bölücü kurallarını kavramak. Krchoff kanunlarını deneysel olarak uygulamak. B. KULLANILACAK AAÇ V MALZML : 1.
DetaylıZKÜ Mühendislik Fakültesi - Makine Mühendisliği Bölümü ISI VE TERMODİNAMİK LABORATUVARI Sudan Suya Türbülanslı Akış Isı Değiştirgeci Deney Föyü
ZKÜ Müendslk Fakültes - Makne Müendslğ Bölümü Sudan Suya Türbülanslı Akış Isı Değştrge Deney Föyü Şekl. Sudan suya türbülanslı akış ısı değştrge (H950 Deneyn adı : Boru çnde sudan suya türbülanslı akışta
DetaylıİSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ KAFES SİSTEMLERİN OPTİMUM TASARIMI. YÜKSEK LİSANS TEZİ Mak. Müh.
İSTANBUL TEKNİK ÜNİVERSİTESİ EN BİLİMLERİ ENSTİTÜSÜ KAES SİSTEMLERİN OPTİMUM TASARIMI YÜKSEK LİSANS TEZİ Mak. Müh. Cem Celal TUTUM Anablm Dalı : MAKİNA MÜHENDİSLİĞİ Programı : KATI CİSİMLERİN MEKANİĞİ
DetaylıOLASILIĞA GİRİŞ. Biyoistatistik (Ders 7: Olasılık) OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI
OLASILIĞA GİRİŞ Yrd. Doç. Dr. Ünal ERKORKMAZ Sakarya Ünverstes Tıp Fakültes Byostatstk Anablm Dalı uerkorkmaz@sakarya.edu.tr OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI Br olayındoğal koşullar altında toplumda
DetaylıAkademik Sosyal Araştırmalar Dergisi, Yıl: 6, Sayı: 66, Mart 2018, s
Akademk Sosyal Araştırmalar Dergs, Yıl: 6, Sayı: 66, Mart 2018, s. 36-57 Yayın Gelş Tarh / Artcle Arrval Date Yayınlanma Tarh / The Publcaton Date 06.01.2018 15.03.2018 Yrd. Doç. Dr. İbrahm SABUCU Yalova
DetaylıKIRMIZI, TAVUK VE BEYAZ ET TALEBİNİN TAM TALEP SİSTEMİ YAKLAŞIMIYLA ANALİZİ
Süleyman Demrel Ünverstes Sosyal Blmler Ensttüsü Dergs Yıl: 2007/2, Sayı: 6 Journal of Suleyman Demrel Unversty Insttue of Socal Scences Year: 2007/2, Number: 6 KIRMIZI, TAVUK VE BEYAZ ET TALEBİNİN TAM
DetaylıKENTSEL ALANDA ET TALEP ANALİZİ: BATI AKDENİZ BÖLGESİ ÖRNEĞİ. Dr. Ali Rıza AKTAŞ 1 Dr. Selim Adem HATIRLI 2
Journal of Yasar Unversty 2010 3294-3319 KENTSEL ALANDA ET TALEP ANALİZİ: BATI AKDENİZ BÖLGESİ ÖRNEĞİ Dr. Al Rıza AKTAŞ 1 Dr. Selm Adem HATIRLI 2 ÖZET Bu çalışmada, Batı Akdenz Bölges kent merkezlernde
DetaylıBEKLENEN DEĞER VE VARYANS
BEKLEE DEĞER VE VARYAS.1. İadel ve adesz öreklemede tüm mümkü örekler.. Beklee değer.3. Varyas.4. İk değşke ortak dağılımı.5. İstatstksel bağımsızlık.6. Tesadüf değşkeler doğrusal kombasyolarıı beklee
DetaylıENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI
V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN
DetaylıYAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS
YAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS NURAY TUNCER PROF. DR. DURDU KARASOY Tez Danışmanı Hacettepe Ünverstes Lsansüstü Eğtm-Öğretm Yönetmelğnn İstatstk Anablm Dalı İçn Öngördüğü
DetaylıOptimal Güç Akışı Probleminin Çözümü İçin GA, MA ve YAK Algoritmalarının Karşılaştırılması
6 th Internatonal Advanced echnologes Symposm (IAS 11), 16-18 May 2011, Elazığ, rkey Comparson of GA, MA and ABC Algorthm for Solton of Optmal ower Flow Abstract In ths stdy, tree dfferent herstc methods
DetaylıTAŞIMACILIK SEKTÖRÜNÜN İŞLEYİŞ SÜRECİ, BULANIK DAĞITIM PROBLEMİNİN TAMSAYILI DOĞRUSAL PROGRAMLAMA MODEL DENEMESİ
ZKÜ Sosyal Blmler Dergs, Clt 3, Sayı 6, 2007, ss. 109 125. TAŞIMACILIK SEKTÖRÜNÜN İŞLEYİŞ SÜRECİ, BULANIK DAĞITIM PROBLEMİNİN TAMSAYILI DOĞRUSAL PROGRAMLAMA MODEL DENEMESİ Yrd.Doç.Dr. Ahmet ERGÜLEN Nğde
DetaylıDip - Zirve Relatif Performans Piyasa Çarpanları Değerlemeler TTKOM IPEKE SAHOL BIMAS TTRAK DOHOL. Düşüşü Sürenler ASELS
BİST 30 Son Fyat Bu Hafta Geçen Hafta AKBNK 8,92-10,35% -2,93% ARCLK 13,55-4,24% 4,04% ASELS 10,30-7,52% -4,24% ASYAB 2,01-5,19% -0,93% BIMAS 87,75-3,31% -1,39% DOHOL 1,07-4,46% -2,61% EKGYO 3,09-4,92%
Detaylı6. KOROZYON HIZININ ÖLÇÜLMESİ
6. KOOZYON HIZININ ÖLÇÜLMESİ Metallern ozyona eğlm elektromotor kuvvet sersndek yerlerne göre belldr. Negatf elektrot otansyelne sah elementler reaktftrler. Yan hdrojen yonu le eşleştrldklernde kolay yonze
DetaylıİÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ
Türkye İnşaat Mühendslğ, XVII. Teknk Kongre, İstanbul, 2004 İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Nur MERZİ 1, Metn NOHUTCU, Evren YILDIZ 1 Orta Doğu Teknk Ünverstes, İnşaat Mühendslğ Bölümü, 06531 Ankara
DetaylıÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ Gülesen ÜSTÜNDAĞ BAZI PARAMETRİK OLMAYAN İSTATİSTİKSEL YÖNTEMLERİN İNCELENMESİ İSTATİSTİK ANABİLİM DALI ADANA, 005 ÇUKUROVA ÜNİVERSİTESİ
DetaylıGRUPLARDA VE YARIGRUPLARDA ETKİNLİK(EFFICIENCY) The Efficiency Of Groups And Semigroups *
GRUPLARDA VE YARIGRUPLARDA ETKİNLİK(EFFICIENCY The Effcency Of Groups And Semgroups * Özer CAN Matematk Ana Blm Dalı Blal VATANSEVER Matematk Ana Blm Dalı ÖZET Bu çalışmada öncelkle gruplarda, yarıgruplarda,
DetaylıDeprem Tepkisinin Sayısal Metotlar ile Değerlendirilmesi (Newmark-Beta Metodu) Deprem Mühendisliğine Giriş Dersi Doç. Dr.
Deprem Tepksnn Sayısal Metotlar le Değerlendrlmes (Newmark-Beta Metodu) Sunum Anahat Grş Sayısal Metotlar Motvasyon Tahrk Fonksyonunun Parçalı Lneer Interpolasyonu (Pecewse Lnear Interpolaton of Exctaton
DetaylıAsimetri ve Basıklık Ölçüleri Ortalamalara dayanan (Pearson) Kartillere dayanan (Bowley) Momentlere dayanan asimetri ve basıklık ölçüleri
Asmetr ve Basıklık Ölçüler Ortalamalara dayanan (Pearson) Kartllere dayanan (Bowley) omentlere dayanan asmetr ve basıklık ölçüler Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr III. Asmetr ve Basıklık
DetaylıKARMAŞIK SAYILAR. Derse giriş için tıklayın...
KARMAŞIK SAYILAR Derse grş çn tıklayın A Tanım B nn Kuvvetler C İk Karmaşık Sayının Eştlğ D Br Karmaşık Sayının Eşlenğ E Karmaşık Sayılarda Dört İşlem Toplama - Çıkarma Çarpma Bölme F Karmaşık Dülem ve
DetaylıBULANIK HEDEF PROGRAMLAMA VE BİR TEKSTİL FİRMASINDA UYGULAMA ÖRNEĞİ
Eskşehr Osmangaz Ünverstes Sosyal Blmler Dergs Clt: 6 Sayı: 2 Aralık 2005 BULANIK HEDEF PROGRAMLAMA VE BİR TEKSTİL FİRMASINDA UYGULAMA ÖRNEĞİ İrfan ERTUĞRUL Pamukkale Ünverstes İİBF, Denzl ÖZET Günümüzde
DetaylıT.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ QUANTILE REGRESYON ve BİR UYGULAMA İlkay ALTINDAĞ YÜKSEK LİSANS TEZİ İSTATİSTİK ANABİLİM DALI Ağustos-1 KONYA Her Hakkı Saklıdır ÖZET YÜKSEK LİSANS TEZİ
DetaylıCalculating the Index of Refraction of Air
Ankara Unversty Faculty o Engneerng Optcs Lab IV Sprng 2009 Calculatng the Index o Reracton o Ar Lab Group: 1 Teoman Soygül Snan Tarakçı Seval Cbcel Muhammed Karakaya March 3, 2009 Havanın Kırılma Đndsnn
DetaylıElektrik Akımı Test Çözümleri. Test 1'in Çözümleri 3. 4 Ω. 1. Kolay çözüm için şekli yeniden çizip harflendirelim.
Elektrk kımı Test Çözümler Test 'n Çözümler. 4 Ω voltmetre. olay çözüm çn şekl yenden çzp harflendrelm. 0 Ω Ω Ω 5 Ω Ω oltmetrenn ç drenc sonsuz büyük kabul edlr. u nedenle voltmetrenn bulunduğu koldan
DetaylıÇOK AMAÇLI DOĞRUSAL PROGRAMLAMADAN SİSTEM TASARIMINA: DE NOVO. Özet
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Yayın Gelş Tarh: 0.0.00 Clt:, Sayı: 4, Yıl: 00, Sayfa: -74 Yayına Kabul Tarh: 7.0.0 ISSN: 0-84 ÇOK AMAÇLI DOĞRUSAL PROGRAMLAMADAN SİSTEM TASARIMINA: DE
DetaylıSüleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Y.2008, C.13, S.1 s.111-131.
Süleyman Demrel Ünverstes İktsad ve İdar Blmler Fakültes Y.008, C.3, S. s.-3. BİREYSEL EMEKLİLİK FONLARINDA FON YAPILARININ KARMA DENEMELER YÖNTEMİ İLE İNCELENMESİ EXAMINING THE STRUCTURE OF FUNDS BY MIXTURE
Detaylı