Professional Documents
Culture Documents
Ders Slaytları Tümü
Ders Slaytları Tümü
Ders Slaytları Tümü
Ders Notları
Basılı notlar ve sunular
2
Ders Öğrenme Kaynakları
Ders Notları
Basılı notlar ve sunular
3
Katılım ve Değerlendirme
Ödev: 10%
Vize: 30%
Final: 60%
4
Dersin Amacı
5
Dersin Öğrenme Kazanımları
İstatistiğin mühendislikteki önemini kavrayabilme
İstatistiksel yöntemleri kullanarak, verilerin temel
istatistiklerini hesaplayabilmek,
Olasılık kavramını anlayabilmek, temel olasılık
problemlerini çözebilmek,
Temel olasılık dağılımlarını tanımlayabilmek ve
uygulayabilmek
Hipotez testleriyle ilgili temel kavramları açıklayabilme
ve uygun istatistiksel testleri uygulayabilme
İki veri dizisi arasında korelasyon analizi yaparak,
aralarındaki ilişkiyi hesaplayabilmek
Ders Bilgi Paketi için Bakınız:
6
http://bilgipaketi.uludag.edu.tr/Ders/Index/715949
Dersin İçeriği
Giriş, İstatistiğin tanımı, Temel kavramlar
Frekans analizi
İstatistiksel ölçümler: Tanımlayıcı ve Açıklayıcı istatistik
Olasılık Teorisinin Esasları
Önemli Olasılık Dağılım Fonksiyonları (Ayrık ve Sürekli değişkenler için)
Örnekleme Dağılımları ve Güven Aralığı
İstatistik Hipotezlerin Kontrolü
Olasılık dağılım testleri
Korelasyon
Regresyon Analizi
7
Giriş
9
Giriş
Ancak, mühendislik problemlerinde sonucu önceden bilmek
her zaman mümkün olmaz. Örneğin,
Bir yağış ölçerde gelecek yıl ne kadar yağış düşeceği,
Özellikleri bilinen bir çelik kirişin yükün hangi değerinde
kırılacağı,
belirsizlik içerir.
İstatistik Tanımı:
İstatistik Tanımı:
Kuyruklu
Yalanlar
Yalanlar İstatistik
Benjamin Disraeli
(1804-1881)
12
Giriş
İstatistik Tanımı:
13
Giriş
• Verilerin toplanması
• organize edilmesi
• özetlenmesi
• sunulması
• tahlil edilmesi ve
• bu verilerden bir sonuca varılabilmesi için kullanılan
bilimsel metotlar topluluğudur.
14
Giriş
İstatistik; bir belirsizlik bilimidir.
16
Giriş
• Şöyle ki istatistiğin verdiği sonuçların değerlendirilmesi
probabilite teorisinin ilkelerine göre yapılır.
17
Giriş
• Sonuç olarak,
18
Giriş
• İstatistikte, küme (yığın) (ana kütle) ve numune
(örnek) (örnek kütle) olmak üzere iki önemli kavram
vardır.
19
Giriş
20
Giriş
Ana Kütle
Evren
Popülasyon
Örnek Kütle
Örneklem
21
Giriş
• İstatistik ikiye ayrılır;
Tanımlayıcı (Descriptive) İstatistik
• Verilerin özetlenmesi ile ilgilidir.
23
Giriş
• İstatistiksel Bilgisayar Paket Programları,
SPSS
MINITAB
SAS
STATISTICA
MATLAB
EXCEL
24
Giriş
• İnşaat Mühendisliğinde İstatistik
Hidrolojik değişkenlerin ifade
edilmesinde
Tarih En Büyük
Debi (m3/s)
13/4/1984 235
11/3/1985 342
9/4/1986 545
18/3/1987 400
4/2/1988 250
5/4/1989 245
22/3/1990 650
28/2/1991 450
3/4/1992 35625
Giriş
• İnşaat Mühendisliğinde İstatistik
Yapı malzemelerinin
özelliklerinin ifade edilmesinde
26
Giriş
• İnşaat Mühendisliğinde İstatistik
Zemin özelliklerinin ifade
edilmesinde
27
Giriş
• İnşaat Mühendisliğinde İstatistik
29
Giriş
• Bu yüzden risk yada tehlike, anılan belirsizliklerin
doğal sonucudur. Tüm insani etkinliklerin,
planlamaların, tasarımların yapısında/bünyesinde
kendiliğinden, kaçınılmaz biçimde var olan potansiyel
bir unsurdur.
30
Temel Kavramlar
Kesikli Değişkenler
Değişkenler
Sürekli Değişkenler
Q (m³/s)
10 60
8
Adet/yıl
6 40
4 20
2
0 0
Adana İstanbul Ankara İzmir 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
35
Temel Kavramlar
1. Sayısal
a. Kesikli
Şu Anda Kaç Adet Dergiye Abonesiniz?(Sayı)
b. Sürekli
Boyunuz Ne Kadar? ___ (Cm)
2. Kategorik
Hisse Senedine yatırım yapar mısınız? __ Evet__ Hayır
36
Yararlanılan Kaynaklar
• Biyoistatistik Ders Notları, Ankara Ü., Sibel A. Kemaloğlu, Esin K Babacan
37
Frekans Analizi
ve
Verilerin Sunumu
2
Frekans Analizi ve Verilerin Sunumu
SERİ TÜRLERİ
Basit Seri
5
Frekans Analizi ve Verilerin Sunumu
Gruplanmış Seri;
Bir seriyi özetlemek ve daha anlaşılır hale getirmek
istediğimizde gruplandırılmış seriyi kullanabiliriz.
6
Frekans Analizi ve Verilerin Sunumu
Gruplanmış Seri;
Basit serilerde değişken kesikli olduğundan verileri bir tablo
şekline getirip frekans dağılımı ve relatif frekans dağılımını
kullanabiliriz.
7
Frekans Analizi ve Verilerin Sunumu
Gruplanmış Seri;
8
Frekans Analizi ve Verilerin Sunumu
9
Frekans Analizi ve Verilerin Sunumu
10
Frekans Analizi ve Verilerin Sunumu
Sınıflanmış Seri;
Verilerin sürekli değişken olduğu durumlarda her bir verinin
belirli kurallara göre oluşturulan bir sınıfa kaydedilerek
sınıflandırıldığı seridir.
11
Frekans Analizi ve Verilerin Sunumu
50 öğrencinin ağırlıkları
12
Frekans Analizi ve Verilerin Sunumu
13
Frekans Analizi ve Verilerin Sunumu
Tarih Yağış (cm)
Hidrolojik değişkenlerle frekans
1990 23
tablosu ve grafiklerinin
1991 21
irdelenmesi 1992 12
1993 23
1994 32
1995 12
En küçük değer = 12
1996 45
En büyük değer = 45
Mevcut 1997 37
veri
1998 23
1999 32
14
Frekans Analizi ve Verilerin Sunumu
Sıralanmış Veri Frekans tablosu
Gruplandırılmış seri
Yağış (cm)
12 Yağış (cm) frekans
12
21
12 2
23 21 1
23
23 3
23
32 32 2
32 37 1
37
45
45 1
15
Frekans Analizi ve Verilerin Sunumu
Sıralanmış Veri
Sınıflandırılmış
Frekans tablosu
Yağış (cm)
12 Sınıf frekans Sınıf frekans
12
10 – 20 2 < 20 2
21
23 20 – 30 4 20 – 30 4
23
30 – 40 3 30 – 40 3
23
32 40 – 50 1 > 40 1
32
Toplam 10 Toplam 10
37
45 16
Frekans Analizi ve Verilerin Sunumu
Sıralanmış Veri Sınıf frekans
10 – 15 2
Yağış (cm)
12 15 – 20 0
12
20 – 25 4
21
Sınıflandırılmış
23 25 – 30 0 Frekans
tablosu
23 30 – 35 2
23
32 35 – 40 1
32 40 - 45 1
37
45 Toplam 10 17
Frekans Analizi ve Verilerin Sunumu
Sıralanmış Veri
Yağış (cm)
Birikimli
12
Sınıf frekans frekans
12
(... den az)
21
23 10 – 20 2 2
2+4
23 20 – 30 4 6
23
32
30 – 40 3 9
6+3
32 40 – 50 1 10
37
Toplam 10
45 19
Frekans Analizi ve Verilerin Sunumu
Sıralanmış Veri
Birikimli
Sınıf frekans frekans
Yağış (cm)
(... den fazla)
12
12
10 – 20 2 10 8+2
21 20 – 30 4 8
23
30 – 40 3 4 4 +4
23
23 40 – 50 1 1
32
Toplam 10
32
37
45 20
Frekans Analizi ve Verilerin Sunumu
Frekans Tablosu
Birikimli % Birikimli
Sınıf frekans % frekans frekans frekans
(... den az) (... den az)
10 – 20 2 20 2 20
20 – 30 4 40 6 60
30 – 40 3 30 9 90
40 – 50 1 10 10 100
Toplam 10
21
Frekans Analizi ve Verilerin Sunumu
Frekans Tablosu
22
Frekans Analizi ve Verilerin Sunumu
Sınıf
Sınıf frekans Orta
Noktaları
10 – 20 2 15
20 – 30 4 25
30 – 40 3 35
40 – 50 1 45
Toplam 10
23
Frekans Analizi ve Verilerin Sunumu
4
Sınıf frekans
3
10 – 20 2 f
2
20 – 30 4
1
30 – 40 3
0
40 – 50 1 10 - 20 20 - 30 30 - 40 40 - 50
Yağış (cm)
Frekans
Toplam 10 poligonu Frekans
histogramı 24
Frekans Analizi ve Verilerin Sunumu
2
25 – 30 0 1.5
1
30 – 35 2 0.5
0
35 – 40 1
10 - 15 15 - 20 20 - 25 25 - 30 30 - 35 35 - 40 40 - 45
40 - 45 1 Yağış (cm)
Toplam 10 25
Frekans Analizi ve Verilerin Sunumu
12
Sınıf Birikimli
Frekans 10
Kümülatif frekans
10 – 20 2 8
6
20 – 30 6
4
30 – 40 9 2
0
40 – 50 10
10 - 20 20 - 30 30 - 40 40 - 50
Yağış (cm)
26
Frekans Analizi
27
Tanımlayıcı
İstatistikler_1
29
Tanımlayıcı İstatistik (Yer Ölçüleri)
30
Tanımlayıcı İstatistik (Yer Ölçüleri)
Aritmetik Ortalama:
Örnek verecek olursak;
Sınav notlarının ortalaması,
Yaz aylarında m2’ye düşen ortalama yağış miktarı
31
Tanımlayıcı İstatistik (Yer Ölçüleri)
32
Tanımlayıcı İstatistik (Yer Ölçüleri)
33
Tanımlayıcı İstatistik (Yer Ölçüleri)
34
Tanımlayıcı İstatistik (Yer Ölçüleri)
Geometrik Ortalama:
o Seriyi oluşturan gözlem değerlerinin çarpımının
gözlem değeri sayısına eşit mertebeden kökü olarak
tanımlanır.
o Seriyi oluşturan gözlem değerleri , G’ de
geometrik ortalamayı gösterirse,
35
Tanımlayıcı İstatistik (Yer Ölçüleri)
Kareli Ortalama:
o Seriyi oluşturan gözlem değerlerinin karelerinin
toplamının gözlem sayısına oranının kare kökü
olarak tanımlanır. Kareli ortalama K ile gösterilir.
37
Tanımlayıcı İstatistik (Yer Ölçüleri)
Medyan:
o Bir veri setini büyükten küçüğe veya küçükten büyüğe
sıraladığımızda tam orta noktadan veri setini iki eşit parçaya
ayıran değere medyan adı verilir.
Serideki eleman sayısı çiftse ortadaki iki değerin ortalaması
Serideki eleman sayısı tekse tam ortadaki değer
38
Tanımlayıcı İstatistik (Yer Ölçüleri)
40
Tanımlayıcı İstatistik (Yer Ölçüleri)
Mod:
o Bir seride en çok tekrarlanan değere mod adı verilir.
41
Tanımlayıcı İstatistik (Yer Ölçüleri)
Sınıflanmış Seriler İçin Mod:
o Sınıflanmış serilerde mod değeri hesaplanırken ilk olarak mod
sınıfı belirlenir.
o Mod sınıfı frekansı en yüksek olan sınıftır.
o Mod sınıfı belirlendikten sonra bu sınıf içerisinde yer alan modun
tam değeri sınıf frekansı ve kendine komşu olan sınıf frekansları
dikkate alınarak hesaplanır.
42
Tanımlayıcı İstatistik (Yer Ölçüleri)
43
Tanımlayıcı İstatistik (Yer Ölçüleri)
Mod, Medyan ve Aritmetik Ortalama karşılaştırma:
44
Tanımlayıcı İstatistik (Yer Ölçüleri)
Kartiller:
o Bir veri setini büyükten küçüğe veya küçükten
46
Tanımlayıcı
İstatistikler_2
2
Tanımlayıcı İstatistik (Değişkenlik Ölçüleri)
3
Tanımlayıcı İstatistik (Değişkenlik Ölçüleri)
4
Tanımlayıcı İstatistik (Değişkenlik Ölçüleri)
O.S . x x / N
O.S. 3 5 6 5 4 5 7 5 / 4 2 1 1 2 / 4 1.5
6
Tanımlayıcı İstatistik (Değişkenlik Ölçüleri)
Varyans (Variance):
o Değişken değerlerinin ortalamadan farklarının
kareleri toplamının veri sayısına oranıdır.
7
Tanımlayıcı İstatistik (Değişkenlik Ölçüleri)
Varyans (Variance):
8
Tanımlayıcı İstatistik (Değişkenlik Ölçüleri)
9
Tanımlayıcı İstatistik (Değişkenlik Ölçüleri)
10
Tanımlayıcı İstatistik (Değişkenlik Ölçüleri)
11
Tanımlayıcı İstatistik (Değişkenlik Ölçüleri)
855.56 855.56
203.06 609.18
68.06 272.25
3.06 15.31 = 51+3*66+4*72+5*82+7*94
189.06 1323.43 = 80,25
=20
161,9
=3075
12,7 12
Tanımlayıcı İstatistik (Değişkenlik Ölçüleri)
14
Tanımlayıcı İstatistik
15
Tanımlayıcı İstatistik (Çarpıklık Ölçüleri)
Çarpıklık katsayısı:
o Popülasyonları birbirinden ayırmak için her zaman
yalnızca yer ve değişkenlik ölçüleri yeterli olmayabilir.
Aşağıda iki farklı popülasyondan alınmış örnekler için
oluşturulan histogramlar verilmiştir.
16
Tanımlayıcı İstatistik (Çarpıklık Ölçüleri)
Çarpıklık katsayısı:
o Şekilden görüleceği üzere A ve B örneklerinin aynı
ortalamaya ve yaklaşık olarak aynı değişkenliğe sahip
olmalarına rağmen bu iki örneğin açıkça aynı
popülasyondan gelmediği söylenir.
o Asimetri (çarpıklık) ifadesi simetrik olmayan anlamını
taşımaktadır.
17
Tanımlayıcı İstatistik (Çarpıklık Ölçüleri)
Çarpıklık katsayısı:
18
Tanımlayıcı İstatistik (Çarpıklık Ölçüleri)
Çarpıklık katsayısı:
Çarpıklık katsayısı:
20
Tanımlayıcı İstatistik (Çarpıklık Ölçüleri)
Çarpıklık katsayısı:
21
Tanımlayıcı İstatistik (Çarpıklık Ölçüleri)
Çarpıklık katsayısı:
22
Tanımlayıcı İstatistik
23
Tanımlayıcı İstatistik (Basıklık Ölçüleri)
24
Tanımlayıcı İstatistik (Basıklık Ölçüleri)
Moment Kavramı:
o Bir rastgele değişkenin dağılım biçimini, yani o
değişkenin olasılık dağılımının yada olasılık
yoğunluğunun çizimindeki biçimi betimlediklerinden
dolayı momentler istatistikte önemlidir.
25
Tanımlayıcı İstatistik (Basıklık Ölçüleri)
Moment Kavramı:
o Aritmetik ortalama μ ( ) etrafındaki birinci momenti
sıfır ve ikinci momenti ise varyansı ( ) verir.
26
Problem Çözümü
28
Olasılık
3
Olasılık Kavramı
Örnekler;
4
Olasılık Kavramı (Tanımlar)
P( X xi ) p i
7
Olasılık Kavramı (Tanımlar)
Bir zar atışı olayında herhangi bir rakamın görülmesi ihtimali 1/6'dır.
P( X 1) p1 P( X 2) P( X 3) P( X 4) P( X 5) P( X 6) 1 / 6
8
Olasılık Kavramı (Tanımlar)
p q 1
p 1 q
q 1 p
DİKKAT!!!!
Tek bir deneyde tek bir sonuç olarak gerçekleşen olaylara Basit
Olaylar denir.
İki veya daha çok olayın birlikte veya birbiri ardına meydana gelmesine
Bileşik Olay denir.
o P(A1 ve A2),
o İki zar atılır ve 4 gelmesi
o Bir zar arka arkaya iki defa atılır .Her iki atışta da 4 gelmesi.
o 52 lik desteden as ve aynı zamanda karo gelmesi. 11
Olasılık Kavramı (Tanımlar)
Bir olayın ortaya çıkması başka bir olayın ortaya çıkmasını etkiliyorsa
bağımlı olay,
o 52 lik bir desteden iadesiz arka arkaya iki kart çekiliyor. Kart
sayısı önce 52 sonra 51,
Bir örnek uzayındaki tüm basit olayların ortaya çıkma olasılığı eşit
ise bu olaylara eşit olasılıklı olaylar denir.
14
Olasılık Kavramı (Tanımlar)
Bir örnek uzayındaki tüm basit olayların ortaya çıkma olasılığı eşit
ise bu olaylara eşit olasılıklı olaylar denir.
o KS LS=Ø
HS S H = {a,e}
S H L
o S ve H ayrık olmayan iki
K olay,
SH o H ve L ayrık iki olaydır.
15
Olasılık Kavramı (Tanımlar)
16
Olasılık Kavramı (Tanımlar)
o Zar atılması olayında (tek sayı) veya (3’ten küçük sayı) gelme
olasılığını nedir?
17
Olasılık Kavramı (Tanımlar)
18
Olasılık Kavramı (Tanımlar)
Bağımlı olayda çarpma kuralı:
o Bağımlı iki olaydan A2 olayı A1 olayından sonra ortaya çıktığında
olayların birlikte gerçekleşme olasılığıdır.
o 8 boş 2 ikramiyeli bilet var. Bir kişi 2 bilet almış her iki biletinde
ikramiye kazanma olasılığı nedir?
1.bilet: P(A1)=2/10, Geriye 8 boş ve 1 ikramiyeli bilet kaldı.
19
Olasılık Kavramı (Tanımlar)
20
Olasılık Kavramı (Tanımlar)
Şartlı Olasılık:
o Bağımlı olaylardan birinin (A1) gerçekleştiği bilindiğine göre,
diğerine (A2) bağlı meydana gelme olasılığıdır.
Şartlı Olasılık:
o Bir öğrencinin iktisat dersinde başarılı olma olasılığı P(A1)=0.25
olsun. Aynı öğrencinin hem iktisat hem Matematikte başarılı olma
olasılığı P(A1 ve A2)=0.15. Öğrencinin İktisatta başarılı olması
şartıyla Matematikte de başarılı olma olasılığı nedir?
22
Olasılık Kavramı (Şartlı Olasılık)
23
Olasılık Kavramı (Permütasyon)
Permütasyon:
o Permütasyon, birbirinden farklı N nesnenin hepsi veya bir kısmı
alınarak yapılacak çeşitli dizilişlerden her biridir.
24
Olasılık Kavramı (Permütasyon)
Permütasyon:
25
Olasılık Kavramı (Permütasyon)
Permütasyon:
o N tane nesneden bazıları aynıysa, aynı olanların kendi aralarında
yer değiştirmesi permütasyonun şeklini değiştirmez. Örneğin N
nesnede a tanesi birbirinin aynı, b tanesi aynı, c tanesi yine aynı ise,
bu N nesneden elde edilecek permütasyon sayısı;
26
Olasılık Kavramı (Kombinasyon)
Kombinasyon:
o Kombinasyon, birbirinden farklı N nesnenin bir kısmını seçerek ve
sıra gözetmeksizin oluşturulan gruplardan her biridir.
o AB, AC, BC
27
Olasılık Kavramı (Kombinasyon)
Kombinasyon:
o Permütasyonda AB ile BA ayrı birer diziliş olarak kabul edilmekte
fakat kombinasyonda harflerin diziliş sırasına önem verilmediği için
AB ile BA bir kombinasyon olarak kabul edilmektedir.
28
Olasılık Kavramı (Kombinasyon)
Kombinasyon:
29
Olasılık Kavramı (Kombinasyon)
Kombinasyon:
30
Olasılık Kavramı (Kombinasyon)
Kombinasyon:
31
Problem Çözümü
33
Rastgele
Değişkenlerin
Olasılık Dağılımları
İki tavla zarı beraber atıldığında üste gelen yüzlerdeki sayıların toplamı
Bir trafik ışığında belirli bir anda durmakta olan araç sayısı X ile
gösterilirse ve yapılan gözlemler sonucu aşağıdaki olasılıkların
belirlenmiş olduğu kabul edilirse, bu değişkene ait olasılık
yoğunluk (histogram) ve eklenik yoğunluk (dağılım) fonksiyonları:
Olasılık yoğunluk
(dağılım)
fonksiyonu (p(x))
5
Kesikli Rastgele Değişkenin Olasılık Dağılımı
Bir trafik ışığında belirli bir anda durmakta olan araç sayısı X ile
gösterilirse ve yapılan gözlemler sonucu aşağıdaki olasılıkların
belirlenmiş olduğu kabul edilirse, bu değişkene ait olasılık kütle
fonksiyonu (histogram) ve eklenik dağılım fonksiyonunu çiziniz.
Birikimli yoğunluk
(dağılım)
fonksiyonu (F(x))
Birikimli yoğunluk
(dağılım)
fonksiyonu (F(x))
-4 -3 -2 -1 0 1 2 3 4
7
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Bernoulli Dağılımı:
o Bir şans değişkeninin bernoulli dağılımı göstermesi için ilgilenilen
süreçte bernoulli deneyinin varsayımlarının sağlanması
gereklidir.
o Bernoulli Deneyinin Varsayımları:
Deneyler aynı koşullarda tekrarlanabilirlik özelliğine sahip
olmalıdır.
Deneylerin yalnız iki mümkün sonucu olması gereklidir.
Başarı olasılığı (p), deneyden deneye değişmemektedir
(Başarısızlık olasılığı q = 1-p ile gösterilir)
Denemeler birbirinden bağımsız olmalıdır. 8
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Bernoulli Dağılımı:
o Bir deneyde başarı ve başarısızlık diye nitelendirilen iki
sonuçla ilgilenildiğinde bu deneye (iki sonuçlu) Bernoulli
deneyi ya da Bernoulli denemesi denir.
9
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Bernoulli Dağılımı:
o Bernoulli dağılışında X şans değişkeni başarı durumu için 1,
başarısızlık durumu için ise 0 değerini alır.
10
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Bernoulli Dağılımı:
11
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
N x Nx N!
P(x) * p *q * p x * q Nx x 0,1, 2,..., N
x x!* (N x)!
12
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Ortalama;
μ E(x) np
σ npq
13
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
50 50!
P(0) 0.05 0 . 0.95 500 0.05 0 . 0.95 50 0.077
0 0! (50 0)!
μ np (50)(.05) 2.5
16
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
17
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
18
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
μ np (8)*(7/8) 7
σ npq (8)*(7/8)*(1 (7 / 8) )
0.936
19
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Poisson Dağılımı:
Binom Dağılımının limit hali olan Poisson Dağılımı, çok nadir
(olasılıkları çok küçük) olan basit olayların (trafik kazası, taşkın,
deprem vb) meydana gelme olasılıklarını hesaplamada başarıyla
uygulanmaktadır. N denemede x defa başarı görülme olasılığı
şöyle hesaplanır: x
P(X x) x 0,1, 2,...
e x!
Ortalama;
μ
σ
2
σ
21
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Poisson Dağılımı:
Örnek: Bir barajın dolu savağı 1000 yıllık taşkın debisine göre
boyutlandırıldığına göre, barajın 100 yıllık ömrü boyunca söz
konusu debinin hiç görülmemesi veya 1 defa görülmesi
olasılıklarını hesaplayınız?
n = 100 p = 1/1000 = 0.001
= n.p = 100 . 0.001 = 0.10
x . e 0.10 0. e 0.10
P(0) 0.905
x! 0!
x . e 0.101. e 0.10
P(1) 0.090
x! 1!
22
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Poisson Dağılımı:
μ (100)*(0.001) 0.1
σ (100)*(0.001) 0.316
23
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Poisson Dağılımı:
Örnek: Bir şehirde bir yıl içinde depremden ortalama ölen kişi
sayısı 4’ dür. Belli bir yıl içinde bu hastalıktan,
olasılıklarını hesaplayınız.
24
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Poisson Dağılımı:
X: bir yılda depremden ölenlerin sayısı
25
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Poisson Dağılımı:
μ4
σ 4 2
26
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Geometrik Dağılım:
27
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
1 p
VAR(X)
2
σ
p2
1 p
σ 2
p 28
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Geometrik Dağılım:
29
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
Geometrik Dağılım:
x 8, P(X 8) ?
1 p 1 0.75
σ
2
2
2
0.44
p (0.75)
30
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
31
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
32
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
33
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
34
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
35
Kesikli Rastgele Değişkenlerin Olasılık Dağılımları
36
Sürekli Rastgele
Değişkenin Olasılık
Dağılımları
38
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
f
1 ( x ) 2 /( 2 2 )
f ( x) e x
2
x
Dağılımın iki parametresi vardır:
(- < < ) (rastgele değişkenin ortalaması)
( > 0) (rastgele değişkenin standart sapması)
N(μ, σ2) şeklinde gösterilir.
39
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
O.Y.F
- x + X
40
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
41
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
42
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
43
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
x f ( x)
1
e ( x ) /( 2 ) x
2 2
45
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
46
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
F(Z=0.23)=0.5910
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
z = 0.23 = 0.23 0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
F(Z=0.65)= 0.7422
F(Z=0.81)= 0.7910 47
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
x
f(z) f(z) z f(z)
b b z1 z2
z=0 z z z
z=0 z=0
48
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
0,2003269
49
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
50
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
Çözüm:
51
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
Çözüm:
52
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
Üniform Dağılım:
o Dağılım fonksiyonu:
1
a xb
ba
f(x) =
0 aksidurum
Üniform Dağılım:
1
f(x) = 6 - 2 = .25 for 2 ≤ x ≤ 6
f(x)
1
.25 ba
2 6 x
54
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
Ortalama;
ba
μ
2
Varyans ve Standart Sapma;
b a
2
b a
2
σ
2
σ
12 12
55
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
Eksponansiyel Dağılım:
Örnekler:
56
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
Eksponansiyel Dağılım:
P(x) * eλ*x
o λ: ortalama iki olay arasında geçen zaman
57
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
μ 1/
Varyans;
2
2 1
σ
58
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
Eksponansiyel Dağılım:
59
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
Eksponansiyel Dağılım:
0 0 3 0 60
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
Eksponansiyel Dağılımı:
μ 1/ 1/ 3 0.333
2
1
0.111
2
σ
3
61
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
62
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
63
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
64
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
65
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
66
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
67
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
68
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
69
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
70
Sürekli Rastgele Değişkenlerin Olasılık Dağılımları
71
Problem Çözümü
73
Örnekleme
Dağılımları
Population
µ
Örnekleme
Örnekleme
Örnekleme
Örnekleme
Orantısız sınıflandırılmış Orantılı sınıflandırılmış
örnek örnek
Sınıflandırılmış örnekleme 6
Örnekleme Dağılımı Kavramı
Örneklemenin Hedefleri
7
Örnekleme Dağılımı Kavramı
Ana kütle
ortalaması (μ=25) 8
Örnekleme Dağılımı Kavramı
9
Örnekleme Dağılımı Kavramı
Bu Teorem:
10
Standart Sapma = 2.02
Ortalamaların ortalaması = 41.0
8
Ortalamaların sayısı = 21
6
Frekans
0
37 38 39 40 41 42 43 44 45 46
Örnek Ortalamaları 11
Örnekleme Dağılımı Kavramı
14
Standart Sapma = 1.80
12 Ortalamaların ortalaması = 41.12
Ortalamaların sayısı = 96
10
8
Frekans
0
37 38 39 40 41 42 43 44 45 46
Örnek ortalamaları 12
Örnekleme Dağılımı Kavramı
30
Standart Sapma = 1.71
Ortalamaların ortalaması = 41.12
Ortalamaların sayısı = 170
20
Frekans
10
0
37 38 39 40 41 42 43 44 45 46
Örneklerin ortalaması
13
Güven Aralığı
Pc : güven düzeyi,
(b1,b2) aralığı: güven aralığı
α=1- Pc : anlamlılık düzeyi
14
Güven Aralığı
15
Ana Kütle Parametrelerinin Tahmini
16
Aritmetik Ortalamanın Güven Aralığının Tahmini
Sx
Sx
N 17
Aritmetik Ortalamanın Güven Aralığının Tahmini
%95
z1 z2
Pc P(b1 b2 ) P x t1 *Sx / N 1 x t 2 *Sx / N 1
19
Aritmetik Ortalamanın Güven Aralığının Tahmini
α/2=%2.5
t1 t2
NS 2 x
2
Pc P b1 b2 P 2
NS 2 x
2
2
/2 1 / 2
21
Varyansın Güven Aralığının Tahmini
α/2=%2.5
Mesela: Pc=0.95 güven düzeyi ve N-1=5 için;
%95
24
İstatistiksel Hipotez
Testleri
Hipotez: bir veya daha fazla ana kütle parametresi hakkında bir
varsayımda bulunmaktır.
Örneğin;
Hipotezin test edilip doğru veya yanlış olduğu, %90, %99 gibi bir
ihtimalle söylenebilir. 3
İstatistiksel Hipotez Testleri
1. Tip hata
Gerçekte doğru olan sıfır hipotezinin red edilmesi
2. Tip hata
Gerçekte yanlış olan sıfır hipotezinin kabul edilmesi
α/2 α/2 α α
H 0 : β = β0 H 0 : β = β0 H 0 : β = β0
H1: β β0 H 1 : β > β0 H 1 : β < β0
İki uçlu test Bir uçlu test (sağ) Bir uçlu test (sol)
5
İstatistiksel Hipotez Testleri
6
İstatistiksel Hipotez Testleri
σ biliniyorsa
Bir ana kütle Ortalaması
z testi
için Hipotez Testi
(H0: = 0 Hipotezinin Testi)
σ bilinmiyorsa
Ortalama için
t testi
Hipotez Testi
İki ana kütle Ortalaması
için Hipotez Testi z testi
(H0: 1 = 2 Hipotezinin Testi)
σ biliniyorsa
z testi σ bilinmiyorsa
t testi
x1 0 x1 0
zh th
0 Sx
N N
8
Aritmetik Ortalama İle İlgili Testler
α/2=(0.10/2)=0.05
12
Aritmetik Ortalama İle İlgili Testler
Ret bölgesi
Kabul
= 0.05
bölgesi
0 z 1.65
z Testi kullanılır
1-(0.05/2)=0.975
15
Aritmetik Ortalama İle İlgili Testler
1-(0.05)=0.95
17
Aritmetik Ortalama İle İlgili Testler
Ret bölgesi
Kabul
= 0.05
bölgesi
0 z 1.65
2 Testi kullanılır
(N 1) *Sx 2 (N 1) * 0 2
Sx 0 ise 2 h ; Sx 0 ise 2 h
0 2
Sx 2
19
Standart Sapma İle İlgili Testler
20
Standart Sapma İle İlgili Testler
Ret bölgesi
Kabul
/2 = 0.025
bölgesi
0 2/2 19.02
22
Standart Sapma İle İlgili Testler
Ret bölgesi
Kabul
= 0.05
bölgesi
0 2 16.92
S12 S2 2
S1 S2 ise Fh 2 ; S2 S1 ise Fh 2
S2 S1
24
Standart Sapma İle İlgili Testler
26
Standart Sapma İle İlgili Testler
Ret bölgesi
Kabul
bölgesi /2 = 0.05
F
0 Fh = 1.47 F/2 2.75
29
Olasılık Dağılım
Testleri
Örneğin;
3
Olasılık Dağılım Testleri
Dağılımlar örnek verisine uydurulduktan sonra, seçilen dağılımların
örnek verisine ne kadar iyi uyum sağladığını belirlemek gereklidir.
Bu, belli olasılık dağılımına uygunluk testleri (goodness-of-fit tests)
kullanılarak veya ampirik (örnek verisine dayanarak) ve teorik
(uydurulmuş) dağılım grafikleri görsel olarak kıyaslanarak
yapılabilir.
Sonuç olarak, veriyi tanımlayan en doğru model seçilecektir.
Gözlemlerin bir dağılıma uygunluğunu test etmek için en çok kullanılan
yöntemler:
Ki-Kare testi
Kolmogorov-Smirnov testi
4
Olasılık Çizgisi Korelasyon testi (PPCC)
Olasılık Dağılım Testleri (2 testi )
Ki- Kare testi, bir örnek verisinin belli bir dağılıma sahip bir ana
kütleden gelip gelmediğini test etmek için kullanılır.
Ki-Kare testi,
küçükse veya eşitse (2h <= 2t ise) uygunluk var, büyükse uygunluk
yok, 2h = 0 ise tam uygunluk var demektir.
Süreç:
Örnek verisini al.
Örnek verisini sınıflara ayır
7
Olasılık Dağılım Testleri (2 testi )
8
Olasılık Dağılım Testleri (2 testi )
10
Olasılık Dağılım Testleri (2 testi )
Gözlenmiş
Frekans Tahmini Test istatistiği;
Sınıf (oi) frekans (ei)
( o e ) 2
30’dan küçük 10 13.68 2 i i
30 - 40 21 24.19
ei
40 - 50 33 37.13
50 - 60 41 37.13
60 - 70 26 24.19 h 2 2t
ise
10
70 - 80 10.27 H0 reddedilir
80 - 90 7 2.84
90’dan büyük 2 0.57
serbestlik derecesi
TOPLAM 150 150.00
m-r-1=8-2-1=5
11
Olasılık Dağılım Testleri (2 testi )
(2.05 )= 11.07
Sonuç: =.05
2 = 12.097 > 2 = 11.07
0 2
Bu yüzden, H0 reddedilir. H0 kabul edilir H0 Reddedilir
2.05 = 11.07 12
Problem Çözümü
14
Regresyon Analizi
Basit doğrusal regresyon fonksiyonu her bir gözlem noktası için bir
tahmin verecektir.
Bağımlı değişken (y, y’)
Gözlem: y
Tahmin:y’
4
Regresyon Analizi
Tahmin hatası: ε
Gözlem: y
Tahmin:y’
5
Regresyon Analizi
ve olduğundan
y’: tahmin edilen değerler (mavi noktalara karşılık kırmızı çizgi üzerinde okunan noktalar) 6
Regresyon Analizi
r=0
y y y
r = -1 r=0
r = +1
x x x
Regresyon Analizi
( x x )( y
i 1
i i y)
rˆ
cov ariance( x, y )
n 1
n n
var x var y
( xi x )
i 1
2
i
( y
i 1
y ) 2
n 1 n 1
8
Regresyon Analizi
9
Regresyon Analizi
Bu farklar hatalar
olarak
adlandırılmaktadır.
10
Regresyon Analizi
11
Regresyon Analizi
İstatistik
Veri Bilgi
Veri Noktaları:
x y
1 6
2 1
3 9
4 5
5 17
6 12 y' = .934 + 2.114x
12
Regresyon Analizi
2
X Y X - Xbar Y - Ybar (X-Xbar)*(Y-Ybar) (X - Xbar)
1 6 -2.500 -2.333 5.833 6.250
2 1 -1.500 -7.333 11.000 2.250
3 9 -0.500 0.667 -0.333 0.250
4 5 0.500 -3.333 -1.667 0.250
5 17 1.500 8.667 13.000 2.250
6 12 2.500 3.667 9.167 6.250
Toplam:
Sum = 21 50 0.000 0.000 37.000 17.500
Xbar = 3.500
Ybar = 8.333
sxy = 7.400 37.00/(6-1)
sx 2 = 3.500 17.5/(6-1)
b1 = 2.114 7.4/3.5
b0 = 0.933 8.33 - 2.114*3.50 13
Regresyon Analizi
Standart Hata:
Standart Hata:
Determinasyon Katsayısı:
15
Regresyon Analizi
Determinasyon Katsayısı:
16
Regresyon Analizi
k
y ' b 0 b1x1 b 2 x 2 .... b k x k b 0 b i x i
i 1
y' b0 b1x1 b2 x2
17
Regresyon Analizi
y' b0 b1x1 b2 x 2
Regresyon denklemi önce bütün değerler için oluşturulur ve toplanırsa,
y '* x1 b0 * x1 b1 * x12 b2 * x 2 * x1
sonra b1'in katsayısı x1 ile oluşturulan bütün denklemler çarpılıp toplanırsa,
y '* x 2 b0 * x 2 b1 * x1 * x 2 b 2 * x 2 2
sonra b2'in katsayısı x2 ile oluşturulan bütün denklemler çarpılıp toplanırsa,
y' N*b 0 b1 * x1 b2 * x 2
y '* x 1 x1 * b0 b1 * x12 b 2 * x 2 * x1
y '* x 2 x 2 * b0 b1 * x1 * x 2 b2 * x 2 2
21
Regresyon Analizi
0.5
S
2 e 2
y y '
2
Çoklu korelasyon katsayısı: R 1 2e Se
2
S N K 1 N K 1
y
y : gerçek değerler
K: değişken sayısı
N: veri sayısıdır
22
Regresyon Analizi
Polinom fonksiyon
y ' b0 b1x b2 x 2 b3 x 3 ... bK x K
y' b0 b1x b2 x 2
y' b0 b1x1 b2 x2
23
Regresyon Analizi
Üstel fonksiyon
y abx
Denklemi doğrusallaştırmak için her iki tarafın logaritması alınırsa;
Y A Bx
Önce A ve B, sonra da ters logaritmayla (a=10A ve b=10B) a ve b katsayıları
bulunur
24
Regresyon Analizi
y ax b
Hiperbolik fonksiyon
Y A bX
önce A ve b bulunur, sonra da ters logaritmayla (a=10A ) bulunur
25
Regresyon Analizi
1
y Geometrik fonksiyon
a bx
1
a bx
y
Y=1/y dönüşümü yapılırsa denklem
doğrusal denkleme dönüşür:
Y a bx
Bu denklemden a ve b katsayıları bulunur
26
Yararlanılan Kaynaklar
• Biyoistatistik Ders Notları, Ankara Ü., Sibel A. Kemaloğlu, Esin K Babacan
27