Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
İSTATİSTİKSEL BENZETİM TEKNİKLERİ	Üçüncü Düzey	BİS 619	Seçmeli	1	7.00	7.00	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	"SBE517: R Yazılımına Giriş" dersini almış olmak ve başarıyla tamamlamak.
Eğitimin Dili	Türkçe
Koordinatör	DOÇ. DR. GÖZDE ERTÜRK ZARARSIZ
Dersi Veren Öğretim Eleman(lar)ı	DR. ÖĞR. ÜYESİ DİNÇER GÖKSÜLÜK
Yardımcı Öğretim Eleman(lar)ı
Dersin Veriliş Şekli	Sınıf ortamında yüzyüze anlatım ve tartışma
Dersin Amacı	İstatistiksel dağılımlardan (kesikli/sürekli) veri üretmek, istatistiksel yöntemlerin performanslarını farklı senaryolar altında üretilen veriler üzerinden ölçmek, benzetim tabanlı olarak yöntemleri karşılaştırmak, Bootstrap ve Jacknife yeniden örnekleme yöntemlerini uygulamak, öğrencilerin algoritmik düşünme becerilerini arttırmak.
Dersin Tanımı

Dersin İçeriği

1	R yazılımında temel işlemler - Giriş
2	Tekdüze olmayan rastgele değişken türetme, Rastgele veri üretme sürecinin tekrar edilebilir olarak kurgulanması
3	İstatistiksel dağılımlardan veri türetme – Kesikli Olasılık Dağılımları
4	İstatistiksel dağılımlardan veri türetme – Sürekli Olasılık Dağılımları
5	Monte-Carlo benzetim yöntemleri
6	Çıkarımsal istatistik için Monte Carlo yöntemleri, bir testin gücünü ve tip I hatasını kestirme
7	ARA SINAV I
8	Bootstrap ve Jackknife yöntemleri
9	Bootstrap ve Jackknife yöntemlerini kullanarak güven aralığı kestirimi
10	Parametre kestirimleri için performans ölçütleri
11	Model tabanlı (Regresyon, ANOVA, vb.) veri üretimi - I
12	Model tabanlı (Regresyon, ANOVA, vb.) veri üretimi - II, Model tabanlı benzetim tekniklerinde performans değerlendirme
13	ARA SINAV II
14	Yüksek Performanslı Kodlama Teknikleri (Parallel Kodlama)
15	FİNAL SINAVI
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	İstatistiksel kuram ve yaklaşımları algoritmik olarak kavrayabilme ve uygulayabilme.
2	Model tabanlı olarak verileri üretip sonuçları değerlendirebilmek, kuramsal ve hesaplamalı bulguları birlikte değerlendirebilmek.
3	Benzetim tekniklerini sağlık alanındaki problemlerde etkin olarak kullanabilmek.
4	Yüksek kapasiteli hesaplama algoritmaları yazabilmek (paralel kodlama).
5
6
7
8
9
10

*Dersin Program Yeterliliklerine Katkı Seviyesi

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Yıldızların sayısı 1’den (en az) 5’e (en fazla) kadar katkı seviyesini ifade eder

Planlanan Öğretim Faaliyetleri, Öğretme Metodları ve AKTS İş Yükü

	Sayısı	Süresi (saat)	Sayı*Süre (saat)
Yüz yüze eğitim	14	3	42
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)	14	4	56
Ödevler	4	10	40
Sunum / Seminer hazırlama	0	0	0
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	2	10	20
Ara sınavlar	2	2	4
Proje (Yarıyıl ödevi)	0	0	0
Laboratuvar	0	0	0
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	1	15	15
Yarıyıl sonu sınavı	1	3	3
Araştırma	0	0	0
Toplam iş yükü			180
AKTS			7.00

Değerlendirme yöntemleri ve kriterler

Yarıyıl içi değerlendirme	Sayısı	Katkı Yüzdesi
Ara sınav	2	35
Kısa sınav	0	0
Ödev	4	15
Yarıyıl içi toplam		50
Yarıyıl içi değerlendirmelerin başarıya katkı oranı		50
Yarıyıl sonu sınavının başarıya katkı oranı		50
Genel toplam		100

Önerilen Veya Zorunlu Okuma Materyalleri

Ders kitabı	Eğitmen Notları
Yardımcı Kaynaklar	[1] Gentle, J. E., (2009) Computational Statistics, Springer. [2] Robert, C.P., Casella, G. (2010) Introducing Monte Carlo Methods with R, Springer. [3] Ross, S. M., (2002), Simulation, 3rd edition, Academic Press. [4] Givens, G.H., and Hoeting, J.A., (2005) Computational Statistics, Wiley, New York. [5] Rizzo, M.L. (2008) Statistical Computing with R, Boca Raton : Chapman & Hall/CRC.

Ders İle İlgili Dosyalar