Matris Cebiriyle Çoklu Regresyon Modeli

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Matris Cebiriyle Çoklu Regresyon Modeli"

Transkript

1 Matris Cebiriyle Çoklu Regresyon Modeli Hüseyin Taştan Mart 00 Klasik Regresyon Modeli k açıklayıcı değişkenden oluşan regresyon modelini her gözlem i için aşağıdaki gibi yazabiliriz: y i β + β x i + β 3 x i3 + + β k x ik + u i, i,, n Burada y i bağımlı değişkenin inci gözleme ilişkin değerini, x ij, j,, k, jnci açıklayıcı değişkenin inci gözlem değerini, u i ise rassal hata terimini ifade etmektedir k bilinmeyenli n denklemden oluşan bu sistemi aşağıdaki gibi yazabiliriz: y y y n x x k x x k x n x nk β β β k + Modeli matris cebirini kullanarak ifade etmek için aşağıdaki büyüklükleri tanımlayalım: y x x k β u y y, X x x k, β β, u u y n x n x nk β k u n Doç Dr, Yıldız Teknik Üniversitesi, İktisat Bölümü u u u n

2 Böylece modeli aşağıdaki gibi ifade edebiliriz: y }{{} n X }{{} n k β }{{} k + u }{{} n Modelin başka bir ifade yolu açıklayıcı değişkenlerin i gözlemine ilişkin değerlerinin k vektör içinde toplanmasına dayanmaktadır: Bu notasyonla regresyon modeli x i [ x i x i3 x ik y i x i β + u i, i,, n şeklinde ifade edilebilir Klasik Regresyon Modelinin varsayımları şunlardır: Model parametrelerde doğrusaldır: y Xβ + u rank(x) k, (tam çoklu doğrusallık yoktur, yani X açıklayıcı değişken matrisinin sütunları birbirinden bağımsızdır) 3 E [u X 0 n, (sıfır koşullu ortalama) 4 V [u X E ( uu ) σ I n, (değişen varyans ve otokorelasyon yoktur) 5 u X N (0, σ I n ), (hata terimi çoklu normal dağılıma uyar) OLS Tahmin Edicisi Örneklem Regresyon Fonksiyonu (SRF): y X ˆβ + û Burada ˆβ k boyutlu OLS tahmin edicisini, û ise n boyutlu kalıntı (residual) vektörünü ifade etmektedir OLS yöntemi ˆβ vektörünü kalıntı kareleri toplamını (SSR) en küçük yapacak şekilde seçer: ˆβ arg min SSR(b) b

3 Optimizasyon problemi SSR yi en küçük yapan b vektörünün bulunmasına dayanmaktadır Yukarıda farklı şekillerde ifade ettiğimiz modellerde kalıntı kareleri toplamı n SSR( ˆβ) û i û û ya da SSR( ˆβ) i n û i i n i ( y i x i ) ˆβ şeklinde yazılabilir İlk notasyona göre optimizasyon problemi min SSR( ˆβ) û û ˆβ ya da ikinci notasyona göre min SSR( ˆβ) ˆβ n i ( y i x i ) ˆβ olur İlk notasyondan hareketle birinci mertebe koşullarını elde etmek için kalıntı kareleri toplamını açalım: SSR( ˆβ) û û (y X ˆβ) (y X ˆβ) y y ˆβ X y + ˆβ X X ˆβ SSR nin ˆβ ya göre birinci türevini bulmak için yukarıdaki ifadedeki ikinci terimin doğrusal kombinasyon, üçüncü terimin ise bir karesel kalıp olduğunu göz önüne almamız gerekir Genel olarak, z k vektör, A k n matris ve B k k bir matris olmak üzere: ve Örneğin z [ z (z A) z (z Bz) z z ve [ 0 A 0 A, Bz [, B 3

4 olsun Buradan z A [ [ 0 z z 0 [ z z + z z z ve z ye göre türevlerini alırsak (z A) z [ 0 ve (z A) [ z 0 olur türevleri vektör içinde toplarsak: (z A) z [ (z A) z (z A) z [ 0 0 A olur Şimdi z Bz teriminin z vektörünün elemanlarına göre türevini alalım z Bz [ [ [ z z z z + z z + z z Buradan türevler (z Bz) z [ (z Bz) z (z Bz) z [ 4z + z z + 4z [ [ z z Bz olur Kalıntı kareleri toplamına geri dönersek: SSR( ˆβ) y y ˆβ X y + ˆβ X X ˆβ 4

5 Burada ˆβ z, X y A ve X X B gibi düşünürsek OLS probleminin birinci mertebe koşulları SSR( ˆβ) ˆβ X y + X X ˆβ 0 k olarak yazılabilir Buradan normal denklemler X X ˆβ X y bulunur İkinci klasik model varsayımı gereği rank(x) rank(x X) k olduğundan X X matrisinin tersi bulunabilir Normal denklemlerin her iki tarafını (X X) ile çarparsak OLS tahmin edici vektörünü buluruz: ˆβ (X X) X y İkinci notasyonda optimizasyon problemini min SSR( ˆβ) ˆβ n i ( y i x i ) ˆβ olarak yazmıştık Buradan birinci mertebe koşulları SSR( ˆβ) ˆβ n x i (y i x i i ) ˆβ 0 k olur Buradan normal denklemler ( n x i x i i ) ˆβ n x i y i i olarak bulunur Öyleyse OLS tahmin edici vektörünü ifade etmenin iki yolu vardır: ( n ) n ˆβ x i x i x i y i i i (X X) X y 5

6 k k boyutlu x i x i matrisinin herhangi bir i gözlemi için elemanları aşağıdaki gibidir: x i x i3 x ik x i x x i [ x i x i x i x i3 x i x ik i xi x ik x i3 x i3 x i x i3 x i3 x ik x ik x ik x ik x i x ik x i3 x ik Elimizde yukarıdaki gibi tanımlanmış n elemanlı bir matris dizisi bulunmaktadır Bu matrislerin toplamını alırsak n xi xi3 xik n xi x i xi x i3 xi x ik x i x i xi3 xi3 x i x i3 nxi3 x ik X X i xik xik x i xik x i3 x ik olduğu görülür Bu matris kare, simetrik ve pozitif tanımlıdır Benzer şekilde n n x i x i y i y i yazılabilir i i x ik yi xi y i xik y i X y Örnek Sadece sabit terimin olduğu basit durumu düşünelim: y i β + u i, i,, n Bu durumda X matrisi birlerden oluşan n vektör olur Bu vektörü ı ile gösterelim: ı [ X 6

7 β in OLS tahmin edicisi: olarak yazılabilir ve ˆβ (X X) X y (ı ı) ı y ı ı [ n ı y [ olduğundan OLS tahmin edicisi olur β n y y y n n y i ȳ i Örnek İki kategorili bir kukla değişken ve bir sabit terimin yer aldığı aşağıdaki gibi bir modeli düşünelim: y i δ 0 + δ D i + u i, n i i,, n Basitlik amacıyla bağımlı değişkenin aşağıdaki gibi 5 gözlemden oluştuğunu ve kukla değişkenin aşağıdaki gibi tanımlandığını düşünelim: { y 3, 4, D yi 3 ise; i D 0, değilse Bu durumda X matrisi X y i

8 olur ˆβ [ ˆδ0 ˆδ olmak üzere OLS tahmin edicisini bulalım [ [ X X (X X) OLS tahmin vektörü [ / / / 5/6 ˆβ [ / / / 5/6 olarak bulunur Tahmin edilen regresyon, X y [ 5 6 ŷ i 45 5D i [ [ yi 5 yi D i 6 [ 45 5 olur Açıktır ki bu basit örnekte sabit terim baz grubun (y nin 3 ten büyük olması) ortalamasıdır ((4 + 5)/ 45) Diğer grubun ortalaması ise dir D kukla değişkeninin katsayı tahmini iki grup arasındaki ortalama farkını ( 5) vermektedir Örneğimizde modelce tahmin edilen bağımlı değişken değerlerini ve kalıntı vektörünü aşağıdaki gibi bulabiliriz: ŷ X ˆβ û y ŷ [ Kukla değişkenlerle model kurmanın bir yolu da sabit terimin dışlanıp her grup için kuklaların modele eklenmesidir Bu durumu matris cebiriyle ifade etmek için aşağıdaki modeli düşünelim:, y i γ 0 D i + δ 0 D i + u i, i,, n 8

9 Bu durumda X açıklayıcı değişken matrisi ve çapraz çarpım matrisi aşağıdaki gibi olur: [ X , 0 [ X X (X X) [ /3 0 0 /, X y Buradan OLS tahmin vektörü [ [ ˆγ0 /3 0 ˆβ ˆδ 0 0 / [ 6 9 [ yi D i yi D i [ 45 [ 6 9 olarak bulunur Tahmin edilen regresyon fonksiyonu aşağıdaki gibidir: ŷ i D i + 45D i Eğer bu modele bir de sabit terim ekleseydik gölge değişken tuzağına düşerdik Bu durumda model ve ilgili veri matrisi aşağıdaki gibi olurdu: y i β 0 + γ 0 D i + δ 0 D i + u i, i,, n 0 0 X Açıkça görüldüğü gibi X matrisinin ikinci ve üçüncü sütunlarının toplamı birinci sütuna eşittir Klasik varsayımlardan rank koşulu sağlanmamaktadır: rank(x) < 3 Bunu görmenin başka bir yolu çapraz çarpım matrisini hesaplamaktır: X X , X X 0 Bu matrisin ikinci ve üçüncü sütunlarının toplamı birinci sütuna, ikinci ve üçüncü satırlarının toplamı ise birinci satıra eşittir Model bu haliyle tahmin edilemez, çünkü bu matris tekildir, determinantı sıfırdır OLS tahmin edicisi tanımlı değildir Bu sütunlardan biri gereksizdir, modelden çıkarılması gerekir 9

10 Örnek 3 Tek açıklayıcı değişkenli ve sabit terimli basit regresyon modeli: y i β + β x i + u i, i,, n Bu modelde çapraz çarpım matrisi ve tersi aşağıdaki gibi olur: x x [ X, X X n xi xi x, i x n (X X) n x i ( x i ) [ x i x i x i n OLS tahmin edicisi: [ ˆβ ˆβ (X ˆβ X) X y [ x n i x i x i ( x i ) x i n x i yi x i yi x i n x i ( x i ) n y i x i x i yi n x i ( x i ) [, X yi y yi x i [ yi yi x i ya da ˆβ x i yi x i yi x i n x i ( x i ) ˆβ n y i x i x i yi n x i ( x i ) Eğim parametresinin pay ve paydası daha basit bir şekilde ifade edilebilir Hatırlarsak (yi ȳ)(x i x) (y i ȳ)x i y i x i ȳ x i y i x i n yi xi, 0

11 (xi x) x i x x i + n x Buradan (yi ȳ)(x i x) (xi x) x i n x n x i ( x i ) n yi x i n yi xi n x i ( x i ) n n y i x i x i yi n x i ( x i ) ˆβ yazılabilir 3 OLS tahmin edicisinin sapmasızlığı İlk üç klasik varsayım altında OLS tahmin edicisi ˆβ sapmasızdır Bunu ispatlamak oldukça kolaydır OLS tahmin edicisinin formülünde bağımlı değişken yerine popülasyon regresyon fonksiyonunu koyup X e koşullu olarak beklenen değerini almamız yeterli olacaktır: ˆβ (X X) X y (X X) X (Xβ + u) (X X) X Xβ + (X X) X u β + (X X) X u [ E ˆβ X β + E [ (X X) X u X β + X X) X E [u X }{{} 0 β OLS tahmin edicisi bilinmeyen doğru değer çevresinde rassal hatta teriminin doğrusal bir kombinasyonu olarak belirlenmektedir Ortalamada tahmin edici rassal vektörü doğru parametre vektörüne eşit olacaktır

12 4 OLS tahmin edicisinin varyans-kovaryans matrisi Dördüncü klasik varsayım hata teriminin kovaryans matrisine ilişkindi: V(u X) E(uu X) σ I n Bu varsayım hata terimlerinin birbirleriyle ilişkisiz ve eşvaryanslı olduğunu söylemektedir Bu kovaryans matrisinin yapısına daha yakından bakalım (tüm beklentiler X e koşullu alınmıştır): u E(uu u [ ) E u u u n u n u u u u u n u u u u u n E u n u u n u u n E(u ) E(u u ) E(u u n ) E(u u ) E(u ) E(u u n ) E(u n u ) E(u n u ) E(u n) σ σ σ 0 0 σ σ I n

13 Bu varsayım altında OLS tahmin edicisi ˆβ nın varyans-kovaryans matrisini türetelim: [ ( V( ˆβ) ) ( ) E ˆβ E( ˆβ) ˆβ E( ˆβ) [ ( ) ( ) E ˆβ β ˆβ β [ ((X E X) X u ) ( (X X) X u ) E [ (X X) X uu X(X X) (X X) X E(uu ) X(X X) }{{} σ I n σ (X X) X I n X(X }{{} X) X X σ (X X) X X(X X) }{{} I k σ (X X) Bu formülde hata varyansı σ bilinmediğinden verilerden hareketle tahmin edilmesi gerekir σ nin sapmasız bir tahmin edicisi aşağıdaki gibi bulunabilir: s n k SSR n k û û n k (y X ˆβ) (y X ˆβ) E(s ) σ olduğu gösterilebilir Öyleyse OLS tahmin edicilerinin varyanskovaryans matrisi tahmin edicisi V( ˆβ) s (X X) şeklinde yazılabilir Bu matris k k boyutlu, simetrik, kare ve pozitif tanımlıdır Köşegen elemanları OLS tahmin edicilerinin varyanslarını, köşegen dışı elemanlar ise kovaryansları ifade etmektedir 3

14 GAUSS-MARKOV THEOREMİ: İlk dört klasik model varsayımları altında OLS tahmin edicileri tüm doğrusal ve sapmasız tahmin ediciler kümesi içinde en küçük varyanslı olanlarıdır (Best Linear Unbiased Estimator - BLUE) Gauss-Markov teoreminin sağlanabilmesi için ilk dört varsayımın geçerli olması şarttır Örneğin, değişen varyans problemi varsa (yani dördüncü varsayım sağlanmıyorsa) yukarıda türettiğimiz varyans-kovaryans matrisi geçerli olmaz ve OLS tahmin edicileri artık BLUE değildir Bu teoremin sağlanması için hata teriminin normal dağılıma uyması şartı (beşinci klasik varsayım) aranmaz Hata teriminin normal dağılıma uyduğu varsayımı OLS tahmin edicilerinin örnekleme dağılımlarının türetilebilmesi ve sonlu örneklemlerde t ve F testlerinin yapılabilmesi için gereklidir Örnek 4 Şimdi basit regresyon modeli çerçevesinde bir nümerik örnek çözelim Veri setimiz aşağıdaki gibidir: y , X

15 OLS tahmin edicisini bulmak için önce gerekli büyüklükleri hesaplayalım: [ [ [ X X, (X X), X y ˆβ [ ˆβ ˆβ [ ˆβ (X ˆβ X) X y [ [ [ Tahmin edilen regresyon fonksiyonu aşağıdaki gibi olur: ŷ x SSR û û 073, s SSR 07 8 Varyans-kovaryans matrisi: V( ˆβ) s (X X) 07 Bu sonuçlara göre: [ [ V( ˆβ ) 077, V( ˆβ ) 00076, Cov( ˆβ, ˆβ ) Standart hatalar: t-oranları: se( ˆβ ) se( ˆβ ) t ˆβ ˆβ se( ˆβ ) t ˆβ ˆβ se( ˆβ )

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1 3. TAHMİN 3.1. En Küçük Kareler (EKK) Yöntemi 1 En Küçük Kareler (EKK) yöntemi, regresyon çözümlemesinde en yaygın olarak kullanılan, daha sonra ele alınacak bazı varsayımlar altında çok aranan istatistiki

Detaylı

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler 1 SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri

Detaylı

SIRADAN EN KÜÇÜK KARELER (OLS)

SIRADAN EN KÜÇÜK KARELER (OLS) SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge

Detaylı

7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar

7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar 7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar Y = X β + ε Lineer Modeli pekçok özel hallere sahiptir. Bunlar, ε nun dağılımına, Cov( ε ) kovaryans

Detaylı

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım 2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı

Detaylı

BASİT REGRESYON MODELİ

BASİT REGRESYON MODELİ BASİT REGRESYON MODELİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri I: Basit Regresyon

Detaylı

18.034 İleri Diferansiyel Denklemler

18.034 İleri Diferansiyel Denklemler MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret

Detaylı

Appendix B: Olasılık ve Dağılım Teorisi

Appendix B: Olasılık ve Dağılım Teorisi Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi

Detaylı

3. Ders Parametre Tahmini Lineer Tahmin Edilebilme Yeniden Parametrelendirme Lineer Parametrik Kısıtlamalar

3. Ders Parametre Tahmini Lineer Tahmin Edilebilme Yeniden Parametrelendirme Lineer Parametrik Kısıtlamalar 3. Ders Parametre Tahmini Lineer Tahmin Edilebilme eniden Parametrelendirme Lineer Parametrik Kısıtlamalar Bir Deney Tasarımı Modeli, X matrisi (veya bir kısmı) özel yapılandırılmış, = X β + biçiminde

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama Doç.

Detaylı

VEKTÖR UZAYLARI 1.GİRİŞ

VEKTÖR UZAYLARI 1.GİRİŞ 1.GİRİŞ Bu bölüm lineer cebirin temelindeki cebirsel yapıya, sonlu boyutlu vektör uzayına giriş yapmaktadır. Bir vektör uzayının tanımı, elemanları skalar olarak adlandırılan herhangi bir cisim içerir.

Detaylı

DOĞRUSAL ZAMAN SERİSİ MODELLERİ. Durağan ARIMA Modelleri: Otoregresiv Modeller AR(p) Süreci

DOĞRUSAL ZAMAN SERİSİ MODELLERİ. Durağan ARIMA Modelleri: Otoregresiv Modeller AR(p) Süreci DOĞRUSAL ZAMAN SERİSİ MODELLERİ Durağan ARIMA Modelleri: Otoregresiv Modeller AR(p) Süreci Tek Değişkenli Zaman Serisi Modelleri Ekonomik verilerin analizi ile ekonomik değişkenlerin gelecekte alabilecekleri

Detaylı

İÇİNDEKİLER 1. GİRİŞ...

İÇİNDEKİLER 1. GİRİŞ... İÇİNDEKİLER 1. GİRİŞ... 1 1.1. Regresyon Analizi... 1 1.2. Uygulama Alanları ve Veri Setleri... 2 1.3. Regresyon Analizinde Adımlar... 3 1.3.1. Problemin İfadesi... 3 1.3.2. Konu ile İlgili Potansiyel

Detaylı

altında ilerde ele alınacaktır.

altında ilerde ele alınacaktır. YTÜ-İktisat İstatistik II Nokta Tahmin Yöntemleri 1 NOKTA TAHMİN YÖNTEMLERİ Şimdiye kadar verilmiş tahmin edicilerin sonlu örneklem ve asimptotik özelliklerini inceledik. Acaba bilinmeyen anakütle parametrelerini

Detaylı

1: DENEYLERİN TASARIMI VE ANALİZİ...

1: DENEYLERİN TASARIMI VE ANALİZİ... İÇİNDEKİLER Bölüm 1: DENEYLERİN TASARIMI VE ANALİZİ... 1 1.1. Deneyin Stratejisi... 1 1.2. Deneysel Tasarımın Bazı Tipik Örnekleri... 11 1.3. Temel Kurallar... 16 1.4. Deneyleri Tasarlama Prensipleri...

Detaylı

Zaman Serisi Verileriyle Regresyon Analizi

Zaman Serisi Verileriyle Regresyon Analizi Zaman Serisi Verileriyle Regresyon Analizi Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi Iktisat Bölümü Textbook: Introductory Econometrics (4th ed.) J. Wooldridge 13 Mart 2013 Ekonometri II: Zaman Serisi

Detaylı

Basit Regresyon Modeli BASİT REGRESYON MODELİ. Basit Regresyon Modeli. Basit Regresyon Modeli: y = β 0 + β 1 x + u

Basit Regresyon Modeli BASİT REGRESYON MODELİ. Basit Regresyon Modeli. Basit Regresyon Modeli: y = β 0 + β 1 x + u 1 2 Basit Regresyon Modeli BASİT REGRESYON MODELİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim

Detaylı

Özdeğer ve Özvektörler

Özdeğer ve Özvektörler Özdeğer ve Özvektörler Yazar Öğr.Grv.Dr.Nevin ORHUN ÜNİTE 9 Amaçlar Bu üniteyi çalıştıktan sonra; bir lineer dönüşümün ve bir matrisin özdeğer ve özvektör kavramlarını anlayacak, bir dönüşüm matrisinin

Detaylı

ÖRNEKLER-VEKTÖR UZAYLARI 1. Çözüm: w=k 1 u+k 2 v olmalıdır.

ÖRNEKLER-VEKTÖR UZAYLARI 1. Çözüm: w=k 1 u+k 2 v olmalıdır. ÖRNEKLER-VEKTÖR UZAYLARI. vektör uzayında yer alan w=(9 7) vektörünün, u=( -), v=(6 ) vektörlerinin doğrusal bir kombinasyonu olduğunu ve z=( - 8) vektörünün ise bu vektörlerin doğrusal bir kombinasyonu

Detaylı

Örnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız.

Örnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. Örnek Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. i. ii. X 1 2 3 4 1 2 3 4 Y 2 3 4 5 4 3 2 1 Örnek Aşağıdaki veri

Detaylı

14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi

14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi ÇOK DEĞİŞKENLİ REGRESYON ANALİZİ: ÇIKARSAMA Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri

Detaylı

7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım;

7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım; İÇ ÇARPIM UZAYLARI 7. BÖLÜM İÇ ÇARPIM UZAYLARI Genel: Vektörler bölümünde vektörel iç çarpım;.= 1 1 + + Açıklanmış ve bu konu uzunluk ve uzaklık kavramlarını açıklamak için kullanılmıştır. Bu bölümde öklit

Detaylı

Normallik Varsayımı ve Ençok Olabilirlik Yöntemi

Normallik Varsayımı ve Ençok Olabilirlik Yöntemi Normallik Varsayımı ve Ençok Olabilirlik Yöntemi EO Açıklayıcı Örnekler Ekonometri 1 Konu 14 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike

Detaylı

27 Mart Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi

27 Mart Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi ZAMAN SERİLERİ VERİLERİYLE REGRESYON ANALİZİNDE EK KONULAR Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge

Detaylı

9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir?

9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir? 9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir? Ardışık bağımlılık sorunu, hata terimleri arasında ilişki olmadığı (E(u i,u j ) = 0, i j) varsayımının geçerli olmamasıdır.

Detaylı

SEK Tahmincilerinin Türetilmesi. SEK Tahmincilerinin Türetilmesi. Ekonometri 1 Konu 8 Sürüm 2,0 (Ekim 2011)

SEK Tahmincilerinin Türetilmesi. SEK Tahmincilerinin Türetilmesi. Ekonometri 1 Konu 8 Sürüm 2,0 (Ekim 2011) İki Değişkenli Bağlanım Modeli SEK Tahmincilerinin Türetilmesi Ekonometri 1 Konu 8 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0

Detaylı

ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK

ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK BAĞINTI ve DEĞİŞEN VARYANS Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge

Detaylı

Zaman Serileri Verileriyle Regresyon Analizinde Ardışık ZAMAN SERİSİ REGRESYONLARINDA

Zaman Serileri Verileriyle Regresyon Analizinde Ardışık ZAMAN SERİSİ REGRESYONLARINDA 1 ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK BAĞINTI ve DEĞİŞEN VARYANS Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge

Detaylı

Nazım K. Ekinci Matematiksel İktisat Notları ax 1 + bx 2 = α cx 1 + dx 2 =

Nazım K. Ekinci Matematiksel İktisat Notları ax 1 + bx 2 = α cx 1 + dx 2 = Naım K. Ekinci Matematiksel İktisat Notları 0.6. DOĞRUSL DENKLEM SİSTEMLERİ ax + bx = α cx + dx = gibi bir doğrusal denklem sistemini, x ve y bilinmeyenler olmak üere, çömeyi hepimi biliyoru. ma probleme

Detaylı

ÇOKLU REGRESYON ANALİZİNDE VARSAYIMLARDAN SAPMALARIN İNCELENMESİ

ÇOKLU REGRESYON ANALİZİNDE VARSAYIMLARDAN SAPMALARIN İNCELENMESİ ÇOKLU REGRESYON ANALİZİNDE VARSAYIMLARDAN SAPMALARIN İNCELENMESİ 1. ÇOKLU REGRESYON ANALİZİ VE VARSAYIMALARDAN SAPMALAR 1.1. Çoklu Regresyon modeli Varsayımları 1.2. Tahmincilerin anlamlılığının sınanması

Detaylı

İleri Diferansiyel Denklemler

İleri Diferansiyel Denklemler MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret

Detaylı

4. TAHMİN SONUÇLARININ DEĞERLENDİRİLMESİ Katsayıların Yorumu

4. TAHMİN SONUÇLARININ DEĞERLENDİRİLMESİ Katsayıların Yorumu 4. TAHMİN SONUÇLARININ DEĞERLENDİRİLMESİ 4.1. Katsayıların Yorumu Y i = β 0 + β 1 X 1i + β X i + + β k X ki + u i gibi çok açıklayıcı değişkene sahip bir modelde, anakütle regresyon fonksiyonu, E(Y i X

Detaylı

Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ

Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM X 1,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun.

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel

Detaylı

8. HAFTA BLM323 SAYISAL ANALİZ. Okt. Yasin ORTAKCI.

8. HAFTA BLM323 SAYISAL ANALİZ. Okt. Yasin ORTAKCI. 8. HAFTA BLM323 SAYISAL ANALİZ Okt. Yasin ORTAKCI yasinortakci@karabuk.edu.tr Karabük Üniversitesi Uzaktan Eğitim Uygulama ve Araştırma Merkezi 2 MATRİSLER Matris veya dizey, dikdörtgen bir sayılar tablosu

Detaylı

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6

Detaylı

Lineer Denklem Sistemleri Kısa Bilgiler ve Alıştırmalar

Lineer Denklem Sistemleri Kısa Bilgiler ve Alıştırmalar Lineer Denklem Sistemleri Kısa Bilgiler ve Alıştırmalar Bir Matrisin Rankı A m n matrisinin determinantı sıfırdan farklı olan alt kare matrislerinin boyutlarının en büyüğüne A matrisinin rankı denir. rank(a)

Detaylı

13. Karakteristik kökler ve özvektörler

13. Karakteristik kökler ve özvektörler 13. Karakteristik kökler ve özvektörler 13.1 Karakteristik kökler 1.Tanım: A nxn tipinde matris olmak üzere parametrisinin n.dereceden bir polinomu olan şeklinde gösterilen polinomuna A matrisin karakteristik

Detaylı

Ders 9: Bézout teoremi

Ders 9: Bézout teoremi Ders 9: Bézout teoremi Konikler doğrularla en fazla iki noktada kesişir. Şimdi iki koniğin kaç noktada kesiştiğini saptayalım. Bunu, çok kolay gözlemlerle başlayıp temel ve ünlü Bézout teoremini kanıtlayarak

Detaylı

MATRİS İŞLEMLER LEMLERİ

MATRİS İŞLEMLER LEMLERİ MTRİS İŞLEMLER LEMLERİ Temel matris işlemlerinin doğrudan matematik açılımını 2 yapmadan önce, bir eşanlı denklem sisteminin matris işlemleri kullanılarak nasıl daha kolay ve sistematik bir çözüm verdiğini,

Detaylı

8.Konu Vektör uzayları, Alt Uzaylar

8.Konu Vektör uzayları, Alt Uzaylar 8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

Projenin Adı: Matrisler ile Diskriminant Analizi Yaparak Sayı Tanımlama. Giriş ve Projenin Amacı:

Projenin Adı: Matrisler ile Diskriminant Analizi Yaparak Sayı Tanımlama. Giriş ve Projenin Amacı: Projenin Adı: Matrisler ile Diskriminant Analizi Yaparak Sayı Tanımlama Giriş ve Projenin Amacı: Bu projenin amacı; matrisler ile diskriminant analizi yaparak, bir düzlem üzerine el ile yazılan bir sayının

Detaylı

KONULAR. 14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi

KONULAR. 14 Ekim 2012. Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi ÇOKLU REGRESYON ANALİZİNDE EK KONULAR Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri

Detaylı

YÖNEYLEM ARAŞTIRMASI - III

YÖNEYLEM ARAŞTIRMASI - III YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik (Eşitlik Kısıtlı Türevli Yöntem) Bu metodu incelemek için Amaç fonksiyonu Min.z= f(x) Kısıtı g(x)=0 olan problemde

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 6- İSTATİSTİK VE REGRESYON ANALİZİ Doç. Dr. Ali Rıza YILDIZ 1 İSTATİSTİK VE REGRESYON ANALİZİ Bütün noktalardan geçen bir denklem bulmak yerine noktaları temsil eden, yani

Detaylı

EŞİTLİK KISITLI TÜREVLİ YÖNTEMLER

EŞİTLİK KISITLI TÜREVLİ YÖNTEMLER EŞİTLİK KISITLI TÜREVLİ YÖNTEMLER LAGRANGE YÖNTEMİ Bu metodu incelemek için Amaç fonksiyonu Min.z= f(x) Kısıtı g(x)=0 olan problemde değişkenler ve kısıtlar genel olarak şeklinde gösterilir. fonksiyonlarının

Detaylı

ortalama ve ˆ ˆ, j 0,1,..., k

ortalama ve ˆ ˆ, j 0,1,..., k ÇOKLU REGRESYONDA GÜVEN ARALIKLARI Regresyon Katsayılarının Güven Aralıkları y ( i,,..., n) gözlemlerinin, xi ortalama ve i k ve normal dağıldığı varsayılsın. Herhangi bir ortalamalı ve C varyanslı normal

Detaylı

HESSİEN MATRİS QUADRATİK FORM MUTLAK ve BÖLGESEL MAKS-MİN NOKTALAR

HESSİEN MATRİS QUADRATİK FORM MUTLAK ve BÖLGESEL MAKS-MİN NOKTALAR HESSİEN MATRİS QUADRATİK FORM MUTLAK ve BÖLGESEL MAKS-MİN NOKTALAR Kısıtlı ve kısıtsız fonksiyonlar için maksimum veya minimum (ekstremum) noktalarının belirlenmesinde diferansiyel hesabı kullanarak çeşitli

Detaylı

İÇİNDEKİLER. Bölüm 1 MATEMATİKSEL İKTİSADA GİRİŞ 11 1.1.İktisat Hakkında 12 1.2.İktisatta Grafik ve Matematik Kullanımı 13

İÇİNDEKİLER. Bölüm 1 MATEMATİKSEL İKTİSADA GİRİŞ 11 1.1.İktisat Hakkında 12 1.2.İktisatta Grafik ve Matematik Kullanımı 13 İÇİNDEKİLER ÖNSÖZ III Bölüm 1 MATEMATİKSEL İKTİSADA GİRİŞ 11 1.1.İktisat Hakkında 12 1.2.İktisatta Grafik ve Matematik Kullanımı 13 Bölüm 2 STATİK DENGE ANALİZİ 19 2.1 İktisatta Denge Kavramı 20 2.1.1.

Detaylı

x 1,x 2,,x n ler bilinmeyenler olmak üzere, doğrusal denklemlerin oluşturduğu;

x 1,x 2,,x n ler bilinmeyenler olmak üzere, doğrusal denklemlerin oluşturduğu; 4. BÖLÜM DOĞRUSAL DENKLEM SİSTEMLERİ Doğrusal Denklem Sistemi x,x,,x n ler bilinmeyenler olmak üzere, doğrusal denklemlerin oluşturduğu; a x + a x + L + a x = b n n a x + a x + L + a x = b n n a x + a

Detaylı

Şimdi de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor. teoreminini iki kere kullanarak

Şimdi de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor. teoreminini iki kere kullanarak 10.Konu İç çarpım uzayları ve özellikleri 10.1. ve üzerinde uzunluk de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor teoreminden dir. 1.Ö.: [ ] ise ( ) ( ) ve ( ) noktaları gözönüne alalım.

Detaylı

m=n şeklindeki matrislere kare matris adı verilir. şeklindeki matrislere ise sütun matrisi denir. şeklindeki A matrisi bir kare matristir.

m=n şeklindeki matrislere kare matris adı verilir. şeklindeki matrislere ise sütun matrisi denir. şeklindeki A matrisi bir kare matristir. Matrisler Satır ve sütunlar halinde düzenlenmiş tabloya matris denir. m satırı, n ise sütunu gösterir. a!! a!" a!! a!" a!! a!! a!! a!! a!" m=n şeklindeki matrislere kare matris adı verilir. [2 3 1] şeklinde,

Detaylı

18.701 Cebir 1. MIT Açık Ders Malzemeleri http://ocw.mit.edu

18.701 Cebir 1. MIT Açık Ders Malzemeleri http://ocw.mit.edu MIT Açık Ders Malzemeleri http://ocw.mit.edu 18.701 Cebir 1 2007 Güz Bu malzemeden alıntı yapmak veya Kullanım Şartları hakkında bilgi almak için http://ocw.mit.edu/terms ve http://tuba.acikders.org.tr

Detaylı

Veriye Dayalı Karar Verme (Bölüm 2) Can Akkan

Veriye Dayalı Karar Verme (Bölüm 2) Can Akkan Veriye Dayalı Karar Verme (Bölüm 2) Can Akkan 1 Ders Planı 1. Karar Problemleri i. Karar problemlerinin bileşenleri ii. Değerler, amaçlar, bağlam iii. Etki diagramları 2. Model Girdilerinde Belirsizlik

Detaylı

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37 İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar

Detaylı

7. Ders. Mahir Bilen Can. Mayıs 17, 2016

7. Ders. Mahir Bilen Can. Mayıs 17, 2016 7. Ders Mahir Bilen Can Mayıs 17, 2016 Bu derste bütün Lie cebirlerinin cebirsel olarak kapalı ve karakteristiği sıfır olan k cismi üzerine tanımlı olduğunu varsayıyoruz. 1 Tekrar Gözden Geçirme: Basitlik,

Detaylı

DOĞRUSAL OLMAYAN PROGRAMLAMA -I-

DOĞRUSAL OLMAYAN PROGRAMLAMA -I- DOĞRUSAL OLMAYAN PROGRAMLAMA -I- Dışbükeylik / İçbükeylik Hazırlayan Doç. Dr. Nil ARAS Anadolu Üniversitesi, Endüstri Mühendisliği Bölümü İST38 Yöneylem Araştırması Dersi 0-0 Öğretim Yılı Doğrusal olmayan

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

MATLAB DA SAYISAL ANALİZ DOÇ. DR. ERSAN KABALCI

MATLAB DA SAYISAL ANALİZ DOÇ. DR. ERSAN KABALCI MATLAB DA SAYISAL ANALİZ DOÇ. DR. ERSAN KABALCI Konu Başlıkları Lineer Denklem Sistemlerinin Çözümü İntegral ve Türev İntegral (Alan) Türev (Sayısal Fark ) Diferansiyel Denklem çözümleri Denetim Sistemlerinin

Detaylı

Çoklu Bağlanım Çıkarsama Sorunu

Çoklu Bağlanım Çıkarsama Sorunu Çoklu Bağlanım Çıkarsama Sorunu Diğer Sınama ve Konular Ekonometri 1 Konu 27 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0 Unported

Detaylı

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI SORU- 1 : ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI X ve Y birbirinden bağımsız iki rasgele değişken olmak üzere, sırasıyla aşağıdaki moment çıkaran fonksiyonlarına sahiptir: 2 2 M () t = e,

Detaylı

MATEMATiKSEL iktisat

MATEMATiKSEL iktisat DİKKAT!... BU ÖZET 8 ÜNİTEDİR BU- RADA İLK ÜNİTE GÖSTERİLMEKTEDİR. MATEMATiKSEL iktisat KISA ÖZET KOLAY AOF Kolayaöf.com 0362 233 8723 Sayfa 2 içindekiler 1.ünite-Türev ve Kuralları..3 2.üniteTek Değişkenli

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 5- SONLU FARKLAR VE İNTERPOLASYON TEKNİKLERİ Doç. Dr. Ali Rıza YILDIZ MAK 210 - Sayısal Analiz 1 İNTERPOLASYON Tablo halinde verilen hassas sayısal değerler veya ayrık noktalardan

Detaylı

Regresyon Analizinde Nitel Bilgi. Nitel Değişkenler: Ders Planı. Nitel Bilgi

Regresyon Analizinde Nitel Bilgi. Nitel Değişkenler: Ders Planı. Nitel Bilgi 1 ÇOKLU REGRESYON ANALİZİNDE NİTEL DEĞİŞKENLER Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 2 Regresyon

Detaylı

NORMAL DAĞILIM. 2., anakütle sayısı ile Poisson dağılımına uyan rassal bir değişkense ve 'a gidiyorsa,

NORMAL DAĞILIM. 2., anakütle sayısı ile Poisson dağılımına uyan rassal bir değişkense ve 'a gidiyorsa, NORMAL DAĞILIM TEORİK 1., ortalaması, standart sapması olan bir normal dağılıma uyan rassal bir değişkense, bir sabitken nin beklem üreten fonksiyonunu bulun. 2., anakütle sayısı ile Poisson dağılımına

Detaylı

Ch. 3: Çok Değişkenli Regresyon Analizi: Tahmin

Ch. 3: Çok Değişkenli Regresyon Analizi: Tahmin Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 3: Çok Değişkenli Regresyon

Detaylı

MAK1010 MAKİNE MÜHENDİSLİĞİ BİLGİSAYAR UYGULAMALARI

MAK1010 MAKİNE MÜHENDİSLİĞİ BİLGİSAYAR UYGULAMALARI .. MAK MAKİNE MÜHENDİSLİĞİ BİLGİSAYAR UYGULAMALARI Polinom MATLAB p=[8 ] d=[ - ] h=[ -] c=[ - ] POLİNOMUN DEĞERİ >> polyval(p, >> fx=[ -..9 -. -.9.88]; >> polyval(fx,9) ans =. >> x=-.:.:.; >> y=polyval(fx,;

Detaylı

Ch. 2: Basit Regresyon Modeli

Ch. 2: Basit Regresyon Modeli Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 2: Basit Regresyon Modeli

Detaylı

H 0 : θ = θ 0 Bu sıfır hipotezi şunu ifade eder: Anakütle parametresi θ belirli bir θ 0

H 0 : θ = θ 0 Bu sıfır hipotezi şunu ifade eder: Anakütle parametresi θ belirli bir θ 0 YTÜ-İktisat İstatistik II Hipotez Testi 1 HİPOTEZ TESTİ: AMAÇ: Örneklem bilgisinden hareketle anakütleye ilişkin olarak kurulan bir hipotezin (önsavın) geçerliliğinin test edilmesi Genel notasyon: anakütleye

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 2: Basit Regresyon Modeli Doç. Dr.

Detaylı

RİSK ANALİZİ VE AKTÜERYAL MODELLEME

RİSK ANALİZİ VE AKTÜERYAL MODELLEME SORU 1: Bir hasar sıklığı dağılımının rassal değişken olan ortalaması (0,8) aralığında tekdüze dağılmaktadır. Hasar sıklığı dağılımının Poisson karma dağılıma uyduğu bilindiğine göre 1 ya da daha fazla

Detaylı

Eşanlı Denklem Modelleri

Eşanlı Denklem Modelleri Eşanlı Denklem Modelleri Eşanlı Denklem Yöntemleri Ekonometri 2 Konu 23 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0 Unported (CC

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 2: Basit Regresyon Modeli Doç. Dr.

Detaylı

İç-Çarpım Uzayları ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv. Dr. Nevin ORHUN

İç-Çarpım Uzayları ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv. Dr. Nevin ORHUN İç-Çarpım Uzayları Yazar Öğr. Grv. Dr. Nevin ORHUN ÜNİTE Amaçlar Bu üniteyi çalıştıktan sonra; R n, P n (R), M nxn vektör uzaylarında iç çarpım kavramını tanıyacak ve özelliklerini görmüş olacaksınız.

Detaylı

İKİNCİ DERECEDEN DENKLEMLER

İKİNCİ DERECEDEN DENKLEMLER İKİNCİ DERECEDEN DENKLEMLER İkinci Dereceden Denklemler a, b ve c reel sayı, a ¹ 0 olmak üzere ax + bx + c = 0 şeklinde yazılan denklemlere ikinci dereceden bir bilinmeyenli denklem denir. Aşağıdaki denklemlerden

Detaylı

LİNEER CEBİR. Ders Sorumlusu: Doç.Dr.Kemal HACIEFENDİOĞLU. Ders Notu: Prof. Dr. Şaban EREN

LİNEER CEBİR. Ders Sorumlusu: Doç.Dr.Kemal HACIEFENDİOĞLU. Ders Notu: Prof. Dr. Şaban EREN LİNEER CEBİR Ders Sorumlusu: Doç.Dr.Kemal HACIEFENDİOĞLU Ders Notu: Prof. Dr. Şaban EREN 1.BOLUM DOGRUSAL CEBIR VE DIFERANSIYEL DENKLEMLER LİNEER EŞİTLİKLER 1.1. LİNEER EŞİTLİKLERİN TANIMI x 1, x 2,...,

Detaylı

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi

Detaylı

ÜNİTE. MATEMATİK-1 Doç.Dr.Erdal KARADUMAN İÇİNDEKİLER HEDEFLER ÖZDEŞLİKLER, DENKLEMLER VE EŞİTSİZLİKLER

ÜNİTE. MATEMATİK-1 Doç.Dr.Erdal KARADUMAN İÇİNDEKİLER HEDEFLER ÖZDEŞLİKLER, DENKLEMLER VE EŞİTSİZLİKLER HEDEFLER İÇİNDEKİLER ÖZDEŞLİKLER, DENKLEMLER VE EŞİTSİZLİKLER Özdeşlikler Birinci Dereceden Bir Bilinmeyenli Denklemler İkinci Dereceden Bir Bilinmeyenli Denklemler Yüksek Dereceden Denklemler Eşitsizlikler

Detaylı

İÇİNDEKİLER ÖNSÖZ Bölüm 1 SAYILAR 11 Bölüm 2 KÜMELER 31 Bölüm 3 FONKSİYONLAR

İÇİNDEKİLER ÖNSÖZ Bölüm 1 SAYILAR 11 Bölüm 2 KÜMELER 31 Bölüm 3 FONKSİYONLAR İÇİNDEKİLER ÖNSÖZ III Bölüm 1 SAYILAR 11 1.1. Sayı Kümeleri 12 1.1.1.Doğal Sayılar Kümesi 12 1.1.2.Tam Sayılar Kümesi 13 1.1.3.Rasyonel Sayılar Kümesi 14 1.1.4. İrrasyonel Sayılar Kümesi 16 1.1.5. Gerçel

Detaylı

A İSTATİSTİK. 1. nc r, n tane nesneden her defasında r tanesinin alındığı (sıralama önemsiz) kombinasyonların sayısını göstermektedir.

A İSTATİSTİK. 1. nc r, n tane nesneden her defasında r tanesinin alındığı (sıralama önemsiz) kombinasyonların sayısını göstermektedir. . nc r, n tane nesneden her defasında r tanesinin alındığı (sıralama önemsiz) kombinasyonların sayısını göstermektedir. Buna göre, n C r + n C r toplamı aşağıdakilerden hangisine eşittir? A) n + C r B)

Detaylı

Merkezi Limit Teoremi

Merkezi Limit Teoremi Örnekleme Dağılımı Merkezi Limit Teoremi Şimdiye kadar normal dağılıma uygun olan veriler ile ilgili örnekler incelendi. Çarpıklık gösteren veriler söz konusu olduğunda ne yapılması gerekir? Hala normal

Detaylı

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ DAĞILIM FONKSİYONLARI KONVOLÜSYONLARININ MONTE CARLO TAHMİNİ VE BAZI UYGULAMALARI

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ DAĞILIM FONKSİYONLARI KONVOLÜSYONLARININ MONTE CARLO TAHMİNİ VE BAZI UYGULAMALARI ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ DAĞILIM FONKSİYONLARI KONVOLÜSYONLARININ MONTE CARLO TAHMİNİ VE BAZI UYGULAMALARI Ömer ALTINDAĞ İSTATİSTİK ANABİLİM DALI ANKARA 212 Her hakkı

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Ch. 3: Çok Değişkenli Regresyon Analizi: Tahmin Doç. Dr. Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi, İktisat Bölümü, Yıldız Kampüsü H Blok, Oda no. 124, Beşiktaş, İstanbul. Email: tastan@yildiz.edu.tr

Detaylı

BÖLÜM 24 PAULI SPİN MATRİSLERİ

BÖLÜM 24 PAULI SPİN MATRİSLERİ BÖLÜM 24 PAULI SPİN MATRİSLERİ Elektron spini için dalga fonksiyonlarını tanımlamak biraz kullanışsız görünüyor. Çünkü elektron, 3B uzayda dönmek yerine sadece kendi berlirlediği bir rotada dönüyor. Elektron

Detaylı

Zaman Serileri Verileriyle Regresyon Analizinde Ek Konular. Durağan (Stationary) ve Durağan Olmayan (Nonstationary) Zaman Serileri

Zaman Serileri Verileriyle Regresyon Analizinde Ek Konular. Durağan (Stationary) ve Durağan Olmayan (Nonstationary) Zaman Serileri 1 ZAMAN SERİLERİ VERİLERİYLE REGRESYON ANALİZİNDE EK KONULAR Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge

Detaylı

TOBB Ekonomi ve Teknoloji Üniversitesi İKT351 Ekonometri I, Ara Sınavı

TOBB Ekonomi ve Teknoloji Üniversitesi İKT351 Ekonometri I, Ara Sınavı TOBB Ekonomi ve Teknoloji Üniversitesi Öğr.Gör.: Yrd. Doç. Dr. A. Talha YALTA Ad, Soyad: Açıklamalar: Bu sınav toplam 100 puan değerinde 4 sorudan oluşmaktadır. Sınav süresi 90 dakikadır ve tüm soruların

Detaylı

13.Konu Reel sayılar

13.Konu Reel sayılar 13.Konu Reel sayılar 1. Temel dizi 2. Temel dizilerde toplama ve çarpma 3. Reel sayılar kümesi 4. Reel sayılar kümesinde toplama ve çarpma 5. Reel sayılar kümesinde sıralama 6. Reel sayılar kümesinin tamlık

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 8- SAYISAL İNTEGRASYON 1 GİRİŞ Mühendislikte sık karşılaşılan matematiksel işlemlerden biri integral işlemidir. Bilindiği gibi integral bir büyüklüğün toplam değerinin bulunması

Detaylı

SEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)

SEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011) SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler

Detaylı

ÜSTEL DÜZLEŞTİRME YÖNTEMİ

ÜSTEL DÜZLEŞTİRME YÖNTEMİ ÜSEL DÜLEŞİRME YÖNEMİ ÜSEL DÜLEŞİRME YÖNEMİ Bu bölüme kadar anlatılan yöntemler zaman içinde değişmeyen parametre varsayımına uygun serilerin tahminlerinde kullanılmaktaydı. Bu tür seriler deterministik

Detaylı

Çıkarsama, Tahmin, Hipotez Testi

Çıkarsama, Tahmin, Hipotez Testi İSTATİSTİK II: Çıkarsama, Tahmin, Hipotez Testi Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü 23 Eylül 2012 Ekonometri: İstatistiksel Çıkarsama - H. Taştan 1 İstatistik Biliminin Uğraşı

Detaylı

Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ

Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ I Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ II Yayın No : 2845 Teknik Dizisi : 158 1. Baskı Şubat 2013 İSTANBUL ISBN 978-605 - 377 868-4 Copyright Bu kitabın bu basısı için Türkiye deki yayın hakları BETA

Detaylı

Dizey Cebirinin Gözden Geçirilmesi

Dizey Cebirinin Gözden Geçirilmesi Bölüm 1 Dizey Cebirinin Gözden Geçirilmesi 1.1 Dizeylere İlişkin Temel Kavramlar 1.1.1 Tanımlar Dizey cebiri kullanmaksızın k değişkenli bir bağlanım modeliyle uğraşmak son derece karmaşık bir iştir. Burada,

Detaylı

YÖNEYLEM ARAŞTIRMASI - III

YÖNEYLEM ARAŞTIRMASI - III YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Hessien Matris-Quadratik Form Mutlak ve Bölgesel Maksimum-Minimum Noktalar Giriş Kısıtlı ve kısıtsız fonksiyonlar için

Detaylı

Lineer Bağımlılık ve Lineer Bağımsızlık

Lineer Bağımlılık ve Lineer Bağımsızlık Lineer Bağımlılık ve Lineer Bağımsızlık Yazar Öğr.Grv.Dr.Nevin ORHUN ÜNİTE 5 Amaçlar Bu üniteyi çalıştıktan sonra; Vektör uzayı ve alt uzay yapısını daha iyi tanıyacak, Bir vektör uzayındaki vektörlerin

Detaylı

SORU 1: En az iki elemana sahip bir X kümesi ile bunun P (X) kuvvet. kümesi veriliyor. P (X) üzerinde 0 ; A = 1 ; A

SORU 1: En az iki elemana sahip bir X kümesi ile bunun P (X) kuvvet. kümesi veriliyor. P (X) üzerinde 0 ; A = 1 ; A 2.2 Ölçüler SORU 1: En az iki elemana sahip bir X kümesi ile bunun P (X kuvvet kümesi veriliyor. P (X üzerinde 0 ; A (A : 1 ; A şeklinde tanımlanan dönüşümü ölçü müdür? ÇÖZÜM 1: (i Tanımdan ( 0. (ii A

Detaylı

TANIMLAYICI İSTATİSTİKLER

TANIMLAYICI İSTATİSTİKLER TANIMLAYICI İSTATİSTİKLER Tanımlayıcı İstatistikler ve Grafikle Gösterim Grafik ve bir ölçüde tablolar değişkenlerin görsel bir özetini verirler. İdeal olarak burada değişkenlerin merkezi (ortalama) değerlerinin

Detaylı