Tabakalı rastgele örneklemede örneklem büyüklüklerinin genetik algoritma ile belirlenmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik A.B.D., Türkiye
Tezin Onay Tarihi: 2014
Tezin Dili: Türkçe
Öğrenci: DERYA TURFAN
Asıl Danışman (Eş Danışmanlı Tezler İçin): MURTAZA ÖZGÜR YENİAY
Özet:Araştırmacıların optimizasyon problemlerinin çözümüyle ilgili çalışmaları oldukça eskiye dayanmaktadır. Özellikle son yıllarda, optimizasyon sahasında çalışan bazı bilim adamları esnek ve performansı yüksek yöntemler geliştirmek için doğada var olan sistemlere yönelmişlerdir. Çünkü, doğada var olan karmaşık optimizasyon problemleri yine doğada işlemekte olan sistemlerle mükemmel bir şekilde çözülmektedir. Doğada kusursuz işleyen sistemlerden ilham alan yöntemler "Sezgisel Yöntemler" olarak bilinirler. Son yıllarda sezgisel yöntemler büyük boyutlu gerçek hayat optimizasyon problemlerinin çözümlenmesinde başarıyla kullanılmaktadır. Meta sezgisel yöntemlerin en bilinenlerinden biri "Genetik Algoritmalar" yöntemidir. Bu algoritmalar biyolojik organizmaların genetik sürecine ve popülasyonların doğadaki evrimleşme ilkelerine dayanır. Yapılan tez çalışmasında, sezgisel ve sezgisel algoritmaların bir sınıfı olan meta sezgisel algoritmaların mantığı anlatılmış ve genetik algoritma yöntemi ayrıntılı olarak incelenmiştir. Günümüzde birçok alanda ihtiyaç duyulan örnekleme konusuna kısaca değinilmiş ve örnekleme yöntemlerinden biri olan tabakalı rastgele örnekleme yöntemi tanıtılmıştır. Tabakalı rastgele örneklemede amaç, tahmin varyansını minimum yapmak ve basit rastgele örneklemeye kıyasla istatistiksel doğruluğu arttırmaktır. Dolayısıyla, tabaka sınırlarının belirlenmesi ve örneklem büyüklüklerinin tabakalara dağıtılması problemlerinin çözümü oldukça önemlidir. Bu problemlerin çözümü için bir genetik algoritma yaklaşımı geliştirilmiştir. İkisi gerçek, yedi tanesi simülasyon sonucu farklı dağılımlardan elde edilen veri setleri, hem geliştirilen genetik algoritma ile hem de literatürde yer alan eşit, orantılı ve Neyman yöntemleriyle çözümlenmiş ve elde edilen sonuçlar karşılaştırılmıştır. Sonuç olarak, geliştirilen genetik algoritmanın tahmin varyansını küçültmede daha iyi performansa sahip olduğu görülmüştür.