GAZİ ÜNİVERSİTESİ BİLGİ PAKETİ - 2019 AKADEMİK YILI

DERS TANIMI
MONTE CARLO BENZETİMİ/6321303
Dersin Adı: MONTE CARLO BENZETİMİ
Dersin Kredisi: 3 Ders AKTS : 7.5
Dersin Yarıyılı: 1 Ders Türü : Seçmeli
DERS BİLGİLERİ
 -- DERSİN DİLİ
  Türkçe
 -- ÖĞRETİM ELEMAN(LAR)I
  Prof.Dr.Mustafa Y. Ata
 -- ÖĞRETİM ELEMANI WEB SİTESİ/SİTELERİ
  http://websitem.gazi.edu.tr/site/myata; http://istatistikseliletisim.net
 -- ÖĞRETİM ELEMANI E-POSTASI/E-POSTALARI
  myata@gazi.edu.tr
 -- ÖĞRENME ÇIKTILARI
• Markov Zincirli Monte Carlo(MZMC) dahil bir dizi benzetim yöntemleri üzerine bilgi sahibi olmak; Monte Carlo yöntemlerini, yararlarını bilmek.
• Verilen bir olasılık dağılımına göre bir MZMC algoritması geliştirebilme ve uygulayabilme.
• Bir MZMC algoritmasını, C ya da R gibi programlama dili ortamında, iyi tanımlanmış bilimsel bir uygulama problemine uygulayabilme.
• Monte Carlo yöntemleri bilimsel uygulamalarda kullanabilme.
• Stokastik bir benzetim algoritmasını, etkinlik ve çıkarım sonuçlarının geçerliliği açılarından değerlendirebilme.
 -- DERSİN VERİLİŞ BİÇİMİ
  Bu ders sadece yüz yüze eğitim şeklinde yürütülmektedir.
 -- DERSİN ÖNKOŞULLARI
  • Bilimsel bir programlama dilinde işlek iyi bir bilgi. • İstatistiksel programlama dili R’de temel bir bilgi. • Olasılık ve İstatistik konusunda sağlam bir temel.
 -- ÖNERİLEN DERSLER
  5331301 Simülasyon Teknikleri.
 --DERS İÇERİĞİ
1. Hafta  Giriş: Sanal ve Gerçek Dünya.
2. Hafta  Bilimsel Model Kurma: Dizgeler,bir dizgenin girdi ve çıktısı olan rassal değişgenler, ölçümötelere karşı istatistikler.
3. Hafta  Monte Carlo Tahmin: Ölçümötelerin Büyük Sayılar Yasası yoluyla doğrudan tahmini.
4. Hafta  Sanal Gözlem Üretmenin Genel Yöntemleri: Ters dönüşüm tekniği, kabul-red tekniği.
5. Hafta  Sözde Rassal Sayıların Üretilmesi.
6. Hafta  Kimi Özel Olasılık Dağılımlarından Rasgele Örnekleme.
7. Hafta  Ara Sınav.
8. Hafta  Sanal Deney Tasarımında Kimi Etkinlik Sağlayıcı Yöntemler: Karşıt değişgenler, denetim değişgenleri, koşullama, önem örneklemesi.
9. Hafta  Bayesgil Çıkarımın Temelleri: İstatistiksel çıkarımda frekansçı yaklaşıma karşı Bayesgil yaklaşım, önsel ve ardıl dağılımlar.
10. Hafta  Markov Zinciri Kuramının Temelleri:Markov zincirlerinin yakınsaklığı, ayrıntılı denge, erey teoremleri, ergodik Markov süreçleri.
11. Hafta  Herhangi Çok-boyutlu Bir Dağılımdan Rasgele Örnekleme: Metropolis-Hastings algoritması ve Gibbs örneklemcisi.
12. Hafta  Ardışık Monte Carlo Yöntemler: Ardışık önem örneklemesi, ardışık yükleme, özcül teknikler.
13. Hafta  Uygulamayla İlgili Konular: Isınma, yakınsama tanılama, Monte Carlo hata.
14. Hafta  Daha İleri Algoritmalar: Yardımcı değişgen yöntemleri, benzetilmiş kalaylama, benzetilmiş tavlama, geriye sıçramalı MZMC, EM algoritması.
15. Hafta  Monte Carlo Uygulamaları.
16. Hafta  Dönem Sonu Sınav.
 -- ZORUNLU YA DA ÖNERİLEN KAYNAKLAR
  • W.R. Gilks, S.,Richardson, and D.J. Spiegelhalter (eds.) Markov chain Monte Carlo in practice, London : Chapman & Hall, 1996 • Christian P. Robert and George Casella Introducing Monte Carlo Methods with R, New York: Springer, 2010. • Sheldon M. Ross, Simulation, 5th ed., San Diego, CA:Academic Press, 2013.
 -- ÖĞRETİM YÖNTEM VE TEKNİKLERİ
  Anlatım, Soru-Yanıt, Gösterme, Uygulama - Alıştırma
 -- STAJ / UYGULAMA
  -
 -- DEĞERLENDİRME YÖNTEMİ VE GEÇME KRİTERLERİ
 
Sayısı
Toplam Katkısı(%)
 Ara Sınav
1
20
 Ödev
8
10
 Uygulama
0
0
 Projeler
1
10
 Pratik
0
0
 Quiz
0
0
 Yıliçinin Başarıya Oranı (%)  
40
 Finalin Başarıya Oranı (%)  
60
 -- İŞ YÜKÜ
 Etkinlik  Toplam hafta sayısı  Süre (Haftalık Saat)  Dönem boyu toplam iş yükü
 Haftalık teorik ders saati
14
3
42
 Haftalık uygulamalı ders saati
0
0
0
 Okuma Faaliyetleri
14
4
56
 İnternette tarama, kütüphane çalışması
14
1
14
 Materyal tasarlama, uygulama
8
3
24
 Rapor hazırlama
8
3
24
 Sunu hazırlama
2
3
6
 Sunum
2
1
2
 Ara sınav ve ara sınava hazırlık
1
10
10
 Final sınavı ve final sınavına hazırlık
1
10
10
 Diğer
0
 TOPLAM İŞ YÜKÜ: 
188
 TOPLAM İŞ YÜKÜ / 25 : 
7.52
 DERSİN AKTS KREDİSİ: 
7.5
 -- PROGRAM ÖĞRENME ÇIKTILARI KATKI DÜZEYLERİ
NO
 PROGRAM ÖĞRENME ÇIKTILARI
1
2
3
4
5
1
1. Lisans yeterliliklerine dayalı olarak, aynı veya farklı bir alanda bilgilerini uzmanlık düzeyinde geliştirir ve derinleştirir.X
2
2. İstatistik alanında edindiği uzmanlık düzeyindeki kuramsal ve uygulamalı bilgilerini kullanır.X
3
3. Alanında edindiği uzmanlık düzeyindeki bilgi ve becerilerini eleştirel bir yaklaşımla değerlendirir ve öğrenmesini yönlendirir.X
4
4. İstatistik alanında edindiği yüksek lisans düzeyindeki kuramsal ve uygulamalı bilgileri güncel problemlere uygular ve aktarır.X
5
5. Bilimsel bir araştırma probleminin tanımlanmasından, raporlanmasına kadar ki tüm süreci gerçekleştirerek, sözlü, yazılı ve görsel olarak aktarır.X
6
6. İstatistik alanının gerektirdiği düzeyde bilgisayar yazılımı ve bilişim teknolojilerini ileri düzeyde kullanır.X
7
7. Disiplinler arası çalışmalarda istatistik bilimini kullanabilme becerisine sahiptir.X
8
8. İstatistik literatürünü takip edebilecek bir yabancı dile sahiptir.X
9
9. İstatistik alanının gerektirdiği düzeyde bilgisayar yazılımlarını ve bilişim teknolojilerini, problemlerini çözecek şekilde araştırmalarında etkin olarak kullanır.X
10
10. İstatistik alanında edindiği bilgileri mesleki anlamda uygularken, toplumsal, bilimsel ve etik değerlere sahiptir.X