Müfredat/D7
D7 — Olasılık, İstatistik ve Sayısal Matematik
7.01 — Ayrık Sayma ve Kombinatorik
- 7.01.01Toplama, çarpma ve güvercin yuvası ilkeleri
Karmaşık sayma küçük seçimlere nasıl ayrılır?
- 7.01.02Permütasyon ve kombinasyon
Sıra önemli olduğunda ve olmadığında ne değişir?
- 7.01.03Binom katsayıları ve binom teoremi
Cebir katsayıları sayma problemleriyle neden aynıdır?
- 7.01.04Dahil etme–hariç tutma
Kesişen kategorilerde çift sayım nasıl düzeltilir?
- 7.01.05Özyinelemeli sayma ve bağıntılar
(n). durum daha küçük durumlardan kurulabilir mi?
7.02 — Graf Teorisi
- 7.02.01Graf ve ağ kavramı
Nesneler ve aralarındaki ilişkiler tek yapı altında nasıl modellenir?
- 7.02.02Yollar, çevrimler ve bağlantılılık
Bir ağın hangi bölümleri birbirine ulaşabilir?
- 7.02.03Ağaçlar ve germe ağaçları
Bağlantıyı çevrimsiz en ekonomik nasıl koruruz?
- 7.02.04Graf problemleri ve temel algoritmik düşünce
Graf üzerinde arama, en kısa yol, eşleme ve renklendirme nasıl düşünülür?
7.03 — Olasılığın Temelleri
- 7.03.01Rastgelelik, deney ve örnek uzay
Belirsiz deney matematiksel nesneye nasıl dönüşür?
- 7.03.02Olasılığın aksiyomları
Olasılık fonksiyonu hangi kurallara uymalıdır?
- 7.03.03Eş olasılıklı durumlar ve kombinatorik olasılık
Simetrik sonlu deney olasılığa nasıl çevrilir?
- 7.03.04Koşullu olasılık
Yeni bilgi olasılığı nasıl değiştirir?
- 7.03.05Toplam olasılık ve Bayes Teoremi
Sonuçtan muhtemel nedenlere nasıl geri gideriz?
- 7.03.06Bağımsızlık
İki olayın birbirini etkilememesi tam olarak ne demektir?
7.04 — Rastgele Değişkenler ve Dağılımlar
- 7.04.01Rastgele değişken nedir?
Rastgele sonuçlar sayılara nasıl dönüştürülür?
- 7.04.02Dağılım fonksiyonu
Bütün olasılık davranışı tek fonksiyonda kodlanabilir mi?
- 7.04.03Ayrık dağılımlar
Hangi deney yapıları Bernoulli/binom/Poisson gibi dağılımlar üretir?
- 7.04.04Sürekli dağılımlar ve yoğunluk
Nokta olasılığı sıfırken aralık olasılığı nasıl pozitiftir?
- 7.04.05Beklenen değer
Rastgele büyüklüğün uzun dönem ortalaması nedir?
- 7.04.06Varyans, momentler ve dağılımın biçimi
Aynı ortalamalı dağılımlar nasıl farklı olabilir?
- 7.04.07Rastgele değişken dönüşümleri
(Y=g(X))'in dağılımı nasıl bulunur?
- 7.04.08Ortak dağılımlar, kovaryans ve korelasyon
Birden fazla rastgele değişken birlikte nasıl davranır?
- 7.04.09Koşullu dağılımlar ve koşullu beklenti
Ek bilgi altında rastgele değişkenin beklentisi nasıl değişir?
7.05 — Limit Teoremleri, Süreçler ve Ölçüsel Olasılık
- 7.05.01Büyük Sayılar Yasası
Örnek ortalaması neden beklenen değere yaklaşır?
- 7.05.02Merkezi Limit Teoremi
Toplamlar neden sık sık normal dağılıma yaklaşır?
- 7.05.03Stokastik süreç ve Markov zincirlerine giriş
Zaman boyunca gelişen rastgele sistem nasıl modellenir?
- 7.05.04Ölçü olarak olasılık
Sonsuz/sürekli olasılık tek aksiyomatik çatıya nasıl girer?
- 7.05.05Olasılıkta yakınsaklık türleri
Rastgele değişkenlerin yaklaşması kaç anlam taşır?
7.06 — Veri, Örnekleme ve İstatistiksel Düşünme
- 7.06.01Veri, anakütle ve örneklem
Sonlu gözlemden büyük bütün hakkında nasıl konuşulur?
- 7.06.02Veriyi özetlemek ve dağılımı görmek
Çok veri birkaç sayı/grafikle nasıl anlaşılır?
- 7.06.03Rastgele örnekleme ve örnekleme yanlılığı
Örneklem anakütleyi gerçekten temsil ediyor mu?
- 7.06.04Deney tasarımı, gözlemsel çalışma ve nedensellik
Birlikte değişim nedensellik midir?
7.07 — İstatistiksel Çıkarım
- 7.07.01Örnekleme dağılımları
Aynı popülasyondan tekrar örnek alsak istatistik nasıl değişir?
- 7.07.02Nokta tahmini: iyi bir tahminci nedir?
Tek sayı tahmini hangi özelliklere sahip olmalıdır?
- 7.07.03Momentler yöntemi ve maksimum olabilirlik
Parametre veriden genel yöntemlerle nasıl tahmin edilir?
- 7.07.04Güven aralıkları
Tahminin belirsizliği nasıl ifade edilir?
- 7.07.05Hipotez testi neden vardır?
Gözlenen fark rastlantıyla makul mü?
- 7.07.06p-değeri, Tip I–II hata ve test gücü
Testin hata riskleri nasıl nicelleştirilir?
- 7.07.07Temel parametrik testler
Ortalama/oran farkı nasıl test edilir?
- 7.07.08Ki-kare ve kategorik veri
Kategorik frekanslar beklenen yapıyla uyuşuyor mu?
- 7.07.09Parametrik olmayan çıkarım
Dağılım varsayımları güvenilir değilse ne yaparız?
- 7.07.10Bayesçi çıkarıma giriş
Parametre belirsizliği olasılık dağılımıyla nasıl güncellenir?
7.08 — Regresyon ve Uygulamalı İstatistik
- 7.08.01Korelasyon ve doğrusal ilişki
İki niceliğin doğrusal birlikte değişimi nasıl ölçülür?
- 7.08.02Basit doğrusal regresyon ve en küçük kareler
Veriye en iyi doğru nasıl oturtulur?
- 7.08.03Regresyonda istatistiksel çıkarım
Gözlenen eğimin belirsizliği nasıl değerlendirilir?
- 7.08.04Çoklu doğrusal regresyon
Bir sonucu birçok değişken aynı anda açıklıyorsa ne olur?
- 7.08.05Varyans analizi ve model değerlendirmesi
Birden fazla grup ortak çerçevede nasıl karşılaştırılır?
7.09 — Nümerik Analizin Temelleri
- 7.09.01Neden sayısal matematik?
Teorik çözüm varken neden yaklaşık hesap gerekir?
- 7.09.02Bilgisayarda reel sayılar ve kayan nokta aritmetiği
Bilgisayar gerçek reel sayıları saklar mı?
- 7.09.03Hata türleri ve hata yayılımı
Küçük hesap hataları nasıl büyür?
- 7.09.04Problemin koşulluluğu
Küçük giriş hatası neden büyük çıkış hatası üretebilir?
- 7.09.05Algoritmik kararlılık ve yakınsama hızı
Yöntem hataları büyütüyor mu ve ne hızla yakınsıyor?
7.10 — Doğrusal Olmayan Denklemler ve Fonksiyon Yaklaştırma
- 7.10.01Aralık daraltma ve ikiye bölme yöntemi
Kökün bulunduğu aralık güvenli nasıl daraltılır?
- 7.10.02Sabit nokta iterasyonu
(f(x)=0) problemi (x=g(x))'e çevrilebilir mi?
- 7.10.03Newton ve sekant yöntemleri
Türev köke daha hızlı yaklaşmayı sağlar mı?
- 7.10.04Doğrusal olmayan denklem sistemleri
Newton fikri çok değişkene nasıl taşınır?
- 7.10.05Polinom interpolasyonu
Sonlu veri noktalarından geçen fonksiyon nasıl kurulur?
- 7.10.06İnterpolasyon hatası ve Runge olgusu
Yüksek derece her zaman daha iyi midir?
- 7.10.07Parçalı polinomlar ve spline
Tek yüksek dereceli polinom yerine yerel polinomlar kullanılabilir mi?
7.11 — Sayısal Lineer Cebir
- 7.11.01Gauss eliminasyonunun hesaplamalı yüzü ve LU ayrışımı
Eliminasyon tekrar kullanım için nasıl ayrıştırılır?
- 7.11.02Pivotlama ve sayısal kararlılık
Matematiksel doğru eliminasyon bilgisayarda neden hata verebilir?
- 7.11.03Lineer sistemlerin koşulluluğu
Küçük veri hatası çözümü ne kadar değiştirir?
- 7.11.04İteratif lineer sistem yöntemleri
Büyük sistemlere adım adım yaklaşılabilir mi?
- 7.11.05Krylov uzayları ve eşlenik gradyan fikri
Büyük seyrek sistem yalnız matris-vektör çarpımlarıyla çözülebilir mi?
- 7.11.06QR ve sayısal en küçük kareler
Least-squares normal denklemsiz daha güvenilir çözülebilir mi?
- 7.11.07Özdeğer ve SVD’nin sayısal hesaplanması
Büyük matrisin özdeğerleri pratikte nasıl hesaplanır?
7.12 — Sayısal Türev ve İntegral
- 7.12.01Sonlu farklarla sayısal türev
Yalnız fonksiyon değerlerinden türev tahmin edilir mi?
- 7.12.02Newton–Cotes ve bileşik integrasyon
Sonlu fonksiyon değerlerinden integral nasıl yaklaşılır?
- 7.12.03Gauss ve adaptif kuadratür
Aynı sayıda örnekle daha yüksek doğruluk mümkün mü?
- 7.12.04Monte Carlo integrasyonu
Yüksek boyutlu integral rastgele örneklemeyle hesaplanabilir mi?
7.13 — Diferansiyel Denklemlerin Sayısal Çözümleri
- 7.13.01Euler yöntemi
Yerel eğimle çözüm eğrisi adım adım oluşturulabilir mi?
- 7.13.02Yerel hata, global hata ve yöntem mertebesi
Adım hataları global çözümde nasıl birikir?
- 7.13.03Runge–Kutta yöntemleri
Bir adımda birkaç eğim daha yüksek doğruluk sağlar mı?
- 7.13.04Çok adımlı yöntemler
Önceki adımlar yeni adımda tekrar kullanılabilir mi?
- 7.13.05Mutlak kararlılık ve kararlılık bölgeleri
Gerçek çözüm sönüyorken sayısal çözüm neden patlar?
- 7.13.06Sert denklemler ve örtük yöntemler
Farklı zaman ölçekleri açık yöntemleri neden zorlar?
- 7.13.07Diferansiyel denklem sistemlerinin sayısal çözümü
Tek denklem yöntemleri vektör sistemine nasıl taşınır?
- 7.13.08Sınır değer problemleri: shooting ve sonlu fark
BVP sayısal olarak iki farklı biçimde nasıl çözülür?
- 7.13.09PDE’lerin sayısal çözümüne giriş
Sonsuz boyutlu PDE sonlu cebirsel sisteme nasıl indirgenir?
7.14 — Optimizasyon ve Sayısal Optimizasyon
- 7.14.01Optimizasyon probleminin genel yapısı
“En iyi” problem ortak matematiksel biçime nasıl dönüşür?
- 7.14.02Konveks kümeler ve konveks fonksiyonlar
Yerel optimum ne zaman globaldir?
- 7.14.03Birinci mertebe optimalite koşulları
Düzgün kısıtsız optimum türevle nasıl tanınır?
- 7.14.04Gradyan inişi ve adım büyüklüğü
Optimuma sürekli azalan yönle yaklaşabilir miyiz?
- 7.14.05Newton ve quasi-Newton optimizasyonu
Eğrilik bilgisi optimuma yaklaşmayı hızlandırır mı?
- 7.14.06Kısıtlı optimizasyon ve KKT koşulları
Eşitlik/eşitsizlik kısıtları birlikte nasıl ele alınır?
- 7.14.07Optimizasyonda dualite
Primal probleme başka bir problemden sınır koyabilir miyiz?
7.15 — Lineer Programlama
- 7.15.01Lineer programlama modeli
Doğrusal amaç/kısıtlı karar problemi nasıl kurulur?
- 7.15.02Uygun bölgenin geometrisi ve köşe noktaları
LP optimumu neden köşelerde bulunur?
- 7.15.03Simplex yöntemi
Bütün köşeleri denemeden optimum köşeye nasıl ilerleriz?
- 7.15.04Lineer programlamada dualite
Kaynak dağıtımının doğal fiyatlandırma problemi nedir?
- 7.15.05Tamamlayıcı gevşeklik
Primal ve dual optimumlar birbirini nasıl sertifikalar?
- 7.15.06Duyarlılık analizi
Model katsayıları değişince optimum ne kadar değişir?
- 7.15.07Tam sayılı ve ayrık optimizasyona giriş
Karar değişkeni kesirli olamıyorsa problem neden zorlaşır?