BİS661 - İSTATİSTİKSEL BENZETİM YÖNTEMLERİ
| Dersin Adı | Kodu | Yarıyılı | Teori (saat/hafta) |
Uygulama (saat/hafta) |
Yerel Kredi | AKTS |
|---|---|---|---|---|---|---|
| İSTATİSTİKSEL BENZETİM YÖNTEMLERİ | BİS661 | 1. Yarıyıl | 3 | 0 | 3 | 7 |
| Önkoşul(lar)-var ise | Yok | |||||
| Dersin Dili | Türkçe | |||||
| Dersin Türü | Seçmeli | |||||
| Dersin verilme şekli | Yüz yüze | |||||
| Dersin öğrenme ve öğretme teknikleri | Anlatım Uygulama-Alıştırma Proje Tasarımı/Yönetimi | |||||
| Dersin sorumlusu(ları) | Dr.Öğr.Üyesi Osman Dağ, Prof. Dr. Pınar Özdemir | |||||
| Dersin amacı | İstatistiksel algoritma ve yöntemlerin performanslarını karşılaştırabilmek amacıyla rastgele veri türetme yöntemlerini ve bu yöntemlere bağlı olarak farklı dağılım türlerinden veri türetmeyi öğretmek, Monte Carlo benzetim yöntemlerini, veri bölme, doğrulama ve çapraz doğrulama, Bootstrap ve Jackknife, optimizasyon gibi yöntemleri algoritma olarak öğreterek öğrenciye algoritmik düşünme becerisi kazandırmak ve bu düşüncenin kodlamasını yaptırarak bütüncül bir kazanım sağlamaktır. | |||||
| Dersin öğrenme çıktıları |
| |||||
| Dersin içeriği | 1. Rasgele sayı türetme 2. Farklı dağılımlardan veri türetme 3. Monte Carlo benzetim yöntemleri 4. Çıkarımsal istatistik için Monte Carlo yöntemleri 5. Veri bölme, doğrulama ve çapraz doğrulama 6. Bootstrap ve Jackknife yöntemleri 7. Parametre kestirimi için optimizasyon yöntemleri 8. Parametre kestirim performans ölçütleri | |||||
| Kaynaklar | 1. Gentle, J. E., (2009) Computational Statistics, Springer. 2. Martinez, W.L. and Martinez, A. R., (2002) Computational Statistics Handbook with MATLAB, Chapman & Hall/CRC, Boca Raton. 3. Robert, C.P., Casella, G. (2010) Introducing Monte Carlo Methods with R, Springer. 4. Ross, S. M., (2002), Simulation, 3rd edition, Academic Press. 5. Givens, G.H., and Hoeting, J.A., (2005) Computational Statistics, Wiley, New York. 6. Rizzo, M.L. (2008) Statistical Computing with R, Boca Raton : Chapman & Hall/CRC. 7. Öztürk, F., Özbek, L. (2004), Matematiksel Modelleme ve Simülasyon, Gazi Kitapevi, Ankara. | |||||
Haftalara Göre İşlenecek Konular
| Haftalar | Konular |
|---|---|
| 1. Hafta | Rasgele sayı türetme yöntemleri, tekdüze dağılımdan rastgele değişken türetme |
| 2. Hafta | Tekdüze olmayan rastgele değişken türetme, ters dönüşüm yöntemi, kabul - ret yöntemi, kompozisyon yöntemi |
| 3. Hafta | Kesikli rastgele değişken türetme, kesikli değişkenler için ters dönüşüm yöntemi, kesikli değişkenler için kabul - ret yöntemi |
| 4. Hafta | Farklı yoğunluk/kütle fonksiyonlarından veri türetme |
| 5. Hafta | Monte Carlo benzetim yöntemleri |
| 6. Hafta | Çıkarımsal istatistik için Monte Carlo yöntemleri, bir testin gücünü ve tip I hatasını kestirme |
| 7. Hafta | Ara Sınav |
| 8. Hafta | Parametre kestirimi için optimizasyon yöntemleri, Newton yöntemi, Secant yöntemi |
| 9. Hafta | Parametre kestirim performans ölçütleri |
| 10. Hafta | Veri bölme, doğrulama ve çapraz doğrulama |
| 11. Hafta | Model performanslarının karşılaştırılması |
| 12. Hafta | Bootstrap ve Jackknife yöntemleri |
| 13. Hafta | Bootstrap ve Jackknife yöntemlerini kullanarak güven aralığı kestirimi |
| 14. Hafta | Proje Sunumu |
| 15. Hafta | Genel Sınava Hazırlık |
| 16. Hafta | Genel sınav |
Değerlendirme Sistemi
| Yarıyıl içi çalışmaları | Sayısı | Katkı Payı % |
|---|---|---|
| Devam (a) | 0 | 0 |
| Laboratuar | 0 | 0 |
| Uygulama | 0 | 0 |
| Alan Çalışması | 0 | 0 |
| Derse Özgü Staj (Varsa) | 0 | 0 |
| Ödevler | 4 | 15 |
| Sunum | 1 | 5 |
| Projeler | 1 | 15 |
| Seminer | 0 | 0 |
| Ara Sınavlar | 1 | 15 |
| Genel sınav | 1 | 50 |
| Toplam | 100 | |
| Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı | 7 | 50 |
| Yarıyıl Sonu Sınavının Başarı Notuna Katkısı | 1 | 50 |
| Toplam | 100 | |
AKTS (Öğrenci İş Yükü) Tablosu
| Etkinlikler | Sayısı | Süresi | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 14 | 3 | 42 |
| Laboratuvar | 0 | ||
| Uygulama | 0 | ||
| Derse özgü staj (varsa) | 0 | ||
| Alan Çalışması | 0 | ||
| Sınıf Dışı Ders Çalışma Süresi (Ön Çalışma, pekiştirme, vb) | 14 | 2 | 28 |
| Sunum / Seminer Hazırlama | 1 | 10 | 10 |
| Proje | 1 | 30 | 30 |
| Ödevler | 4 | 10 | 40 |
| Ara sınavlara hazırlanma süresi | 1 | 25 | 25 |
| Genel sınava hazırlanma süresi | 1 | 35 | 35 |
| Toplam İş Yükü | 36 | 115 | 210 |
Dersin Öğrenme Çıktılarının Program Yeterlilikleri İle İlişkilendirilmesi
| D.9. Program Yeterlilikleri | Katkı Düzeyi* | ||||
|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |
| 1. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; araştırmanın planlaması, yürütülmesi ve sonuçlandırılması aşamalarında sorumluluk alabilmesi için yeterli kuramsal bilgiye sahiptir, literatürü ve güncel çalışmaları yakından izler. | X | ||||
| 2. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; biyoistatistik bilim alanı ve alan dışı konulara eleştirel bir gözle bakar. Gerek ders saatinde gerekse ders saati dışında ders konularına, yapılan sunumlara, seminerlere, katıldığı kongre veya sempozyumlarda karşılaştığı çalışmalara ve bilimsel makalelere ilişkin sorular sorar ve eleştirel bir bakış açısı kazanır. | X | ||||
| 3. Biyoistatistik yüksek lisans diplomasına sahip olan bir uzman; uygun istatistiksel çözümlemelere karar verebilmesi ve sonuçları doğru irdeleyebilmesi için yeterli kuramsal ve uygulamalı istatistik bilgisine sahiptir. | X | ||||
| 4. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; yeterli bilgisayar bilgisine ve istatistiksel yazılımları kullanma becerisine sahiptir. Aday; verilerin analiz öncesinde amaca uygunluğunu denetler, kullanılacak istatistiksel yazılımda veri girişi, düzenlemesi ve veri yönetimi konusunda yaşanacak sorunlara ve amaca uygun, doğru analiz yöntemini belirleme gibi problemlere uygun çözüm önerileri getirir. | X | ||||
| 5. Biyoistatistik yüksek lisans diplomasına sahip olan uzman; çalıştığı alana ilişkin bilgilerini; tartışmalara katılım-katkı, tez danışmanı ile bilgi alış verişi, makale tartışması ve seminer sunumu yolu ile başkalarına uygun şekilde aktarır. | X | ||||
| 6. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; danışmanlık yapacağı çalışmalarda yöntem önerilerinde bulunur, araştırma planlaması yapar, yönlendirici olur, araştırma raporu hazırlar. | X | ||||
| 7. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; bilimsel doğruluk ve istatistiksel etik değerlere uygun hareket eder. Bir araştırmanın sonucuna etki edebilecek, bilerek ya da bilmeyerek yapılmış yanlılık kaynaklarını öngörebilecek istatistiksel bilgi alt yapısına sahiptir. Araştırmaların her aşamasında yapılabilecek bilinçli ya da bilinçsiz yan tutmalara karşı dikkatli ve uyarıcıdır. | X | ||||
| 8. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; bağımsız olarak çalışabilmesi için; bir öğretim üyesi gözetiminde bölüm içerisinde yapılan bir danışmanlık hizmetine katkıda bulunur, danışman öğretim üyesi ile birlikte kongrelere sözlü bildiri ya da poster ile katılır ve bir projede görevlendirilebilir. | X | ||||
| 9. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; multi-disipliner bir çalışma içerisinde yer almaya hazırdır. Mesleki anlamda başkalarıyla ilişkiye geçer; ödev, seminer, proje ve danışmanlık hizmetlerinde bir grup içerisinde çalışır, aynı ekip içerisinde yer alan kişilere iş verebilme yeteneği kazanır. | X | ||||
| 10. Biyoistatistik yüksek lisans diplomasına sahip bir uzman; biyoistatistik alanında sahip olduğu bilgileri farklı disiplinlerden gelen bilgilerle bütünleştirip yeni bilgiler oluşturmak için yorumlar, değişik araştırma yöntemleri kullanarak analiz ve sentez yapar ve çözüm önerileri getirir. | X | ||||
*1 En düşük, 2 Düşük, 3 Orta, 4 Yüksek, 5 Çok yüksek