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

Ebat: px
Şu sayfadan göstermeyi başlat:

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

Transkript

1 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 matrisine, X in yapısına ve rankına bağlıdır. rank( X ) = p olduğunda modele tam sütun ranklı, veya kısaca n p tam ranklı model denir. Genel Lineer Modellerde E( ε n 1) = 0, Cov( ε ) σ I V olmak üzere Cov( ε ) n 1 = σ V biçimindedir. Hipotez testi modellerinde ε σ = veya bilinen pozitif tanımlı bir matris veya εn 1 N(0, σ V ) dır. ( Y, Xn p β, σ V ) β = ( ) 1 n 1 N(0, I) Genel Lineer Modelinde rank(x n p ) = p olsun. ˆ ' 1 ' 1 X V X X V Y tahmin edicisi β nın En Küçük Kovaryans Matrisli Lineer Yansız Tahmin Edicisidir (BLUE). ( Y, N ( X, )) n p β σ V Genel Lineer Hipotez Testi Modelinde, Y = X β + ε, ε N ( 0, σ V ) olmak üzere, V bilinen pozitif tanımlı bir matris ve rank(x n p ) = p olsun. ˆ β = ( ) X V X X V Y ( ) ˆ σ = = n p n p Z I AA Z Y V V X X V X X V Y tahmin edicileri sırasıyla β ve σ için düzgün minimum varyans yansız (UMVU) tahmin edicilerdir. Bunlara Aitken tahmin edicileri denir. Ayrıca, 1 1 β N β σ X V X ve ˆ (, ( ) ) ( n p) ˆ σ χ σ ( n p)

2 dağılımlıdır (4.Ders). Yine 4.Ders te belirtildiği gibi Y = X β + ε, ε N ( 0, Σ ), Σ pozitif tanımlı matris, rank(x n p ) = p modelinde β parametre vektörünün en çok olabilirlik tahmin edicisini bulmaya kalkıştığımızda, ɶ β = ( Σ ) Σ X X X Y biçiminde bir ifade ortaya çıkmaktadır. Σ bilinmediğinden β ɶ bir tahmin edici olarak kullanılamaz. Diğer taraftan β nın en küçük kareler tahmin edicisi, ˆ β = ( X X ) 1 X Y dır. Bu tahmin ediciye β nın alışılmış en küçük kareler (ordinary least squares, OLS) tahmni edicisi denir. Doğal olarak ˆβ ɶ β olduğunda OLS tahmin edicisi UMVU tahmin edicisi olmayacaktır. Acaba hangi şartlarda OLS tahmin edicisi UMVU tahmin edicisi olmaktadır? Teorem Y = X β + ε, ε N ( 0, Σ ) modelinde en küçük kareler tahmni 1 edicisi ( X X ) X Y nin β için UMVU tahmin edicisi olması için gerek ve yeter şart, Σ X = XF olacak şekilde singüler olmayan bir F: p p matrisinin var olmasıdır. Đspat ΣX = XF olacak şekilde singüler olmayan F: p p matrisi var olsun. O zaman, ( X X ) X = ( X X ) F ( F ) X = ( F ) ( X X ) ( F ) X = 1 1 ( X Σ X ) X Σ 1 olduğundan,

3 ( X X ) X Y = ( X Σ X ) X Σ Y yani, alışılmış en küçük kareler tahmin edicisi ile Aitken tahmin edicisi aynıdır. Tersine, olması için, ( X X ) X = ( X Σ X ) X Σ ( X X ) X Σ = ( X Σ X ) X 1 1 X Σ = ( X X )( X Σ X ) X ΣX = X X Σ 1 1 ( X ) X X = XF Σ 1 1, p p olmalıdır, burada F = ( X X ) X X matristir. tipinde singüler olamayan bir Sonuç Y = X β + ε ε N, ( 0, Σ ), X = 1, X,, X p 1 ρ ρ ρ 1 ρ 1 n n σ (1 ρ) I σ ρj σ Σ = + =, < ρ < 1 n 1 ρ ρ 1 modelinde, biçiminde ise en küçük kareler tahmin edicisi UMVU tahmni edicisidir. Singüler Modeller V bilinen bir matris olmak üzere ( Y, Xn p β, σ V ) ( X ) n p β σ modelinde rank ( Vn n ) n ( Y, N, V ) yada < olduğunda modele singüler varyans-kovaryans matrisli model veya kısaca singüler model denir.

4 Singüler Modellerle nerelerde karşılaşırız? *Örneğin 4.Derste ele aldığımız kısıtlı modelde: M = ( Y, Xβ, σ I) p 1 lineer modelinde katsayı vektörü β R p 1 { β Hβ h HH h h} R Θ 0 = : = ( = ) altuzayına kısıtlansın. Lineer parametrik kısıtlama denen böyle bir kısıtlama ile birlikte, Y= Xβ+ ε, E( ε) = 0, Cov( ε) = σ I, Hβ= h ( HH h= h) durumundaki modele, kısıtlı model denir. Bu model veya M kısıtlı : Y X ε σ I 0 = β+ v, v=, E( v) = 0, Cov( v) = h H Y X I 0 M kısıtlı =,, h H β σ 0 0 olarak ifade edilebilir. Bu modelde, I 0 V=, rank( Vm m) < m 0 0 olmak üzere, bu bir singüler modeldir. * Y gözlem vektöründeki bazı gözlemlerin varyansları çok küçük, hatta sıfır olabilir. O zaman I Y, Xβ, σ karşımıza çıkacaktır. gibi bir singüler model * Y gözlem vektöründe bazı gözlemlerin bir lineer bileşiminin belli bir değer alması zorunluluğu olabilir. O zaman Y nin kovaryans matrisi, yani modeldeki V matrisi singüler olacaktır. Örneğin Y deki değerler birkaç tane (çok sayıda) orandan birinin gözlenmesi olarak ortaya çıkıyor olabilir.

5 * Y deki gözlem değerlei doğrudan ölçülmüş olmayabilir. Başka, ölçümlerden türemiş olabilirler. Y nin kovaryans matrisi singüler olabilir. *( Y, X1β1 X β, σ I) + modelinde sadece β 1 ile ilgilendiğimizde, sonuç çıkarımı bir singüler model olan (( I PX ) Y, ( I PX ) X1β1, σ ( I PX )) modelinde yapabiliriz. * Lineer model kullanarak sonuç çıkarımda bulunacağımız kitle sonlu sayıda elemana sahip olduğunda singular model ile karşılaşılmaktadır (ilerideki örneklerde???). Singüler Modelin Tutarlı Olup Olmaması Teorem: U rasgele vektörünün beklenen değeri E( U ) ve kovaryans matrisi Cov( U ) olmak üzere, P U Cov( U ) [ Cov( U )] = 1 dır. Đspat: olsun. ( ) Z= ( I P[ Cov( U )])( U E( U )) { ( ) } ( [ Cov( U )]) ( ) ( ) ( [ Cov U ])( ) E Z = E I P U E( U ) = I P E U Cov( U ) = 0 Cov( Z) = Cov( ( I P[ Cov( U )])( U E( U ))) + = ( I P[ Cov( U )])( Cov( U )) Cov( U E( U ))( I P[ Cov( U )])' = ( I P[ Cov( U )]) Cov( U )( I P[ Cov( U )])' = 0 0 olmak üzere, ( ) E Z = E( Z ' Z) = E( tr( ZZ ')) = tre( ZZ ') ( ( ) E( Z) E( Z ')) = tr Cov Z + = 0

6 dır. Buradan, ( ) = 0 ( = ) = ( ) ( ) E Z P Z 0 1 P Z = 0 = 1 P Z= 0 = 1 olmak üzere, ( I P[ Cov U ])( U E U) dır. modelinde, ( ) ( ) = 0 U E ( U ) = P U E ( U ) [ Cov( U )]( ) [ ] U E( U ) Cov( U ) V bilinen bir matris olmak üzere ( Y, Xn p β, σ V ) olmak üzere, Y = Xβ + ε, E( ε ) = 0, Cov( ε ) = σ V [ V ] P( ε ) = 1 singüler P ( Y [ X V ] ) = 1 olmalıdır. Y gözlem vektörü [ X V ] matrisinin sütun vektörlerinin gerdiği [ X V ] =C ([ X V ]) uzayında bulunmalıdır. Bu durumda gözlemler ile model tutarlıdır. Singüler Modellerde, modelin tutarlılığı aşağıdaki ifadelerden ortaya çıkarılabilir. ( [ X V ] ) = 1 P Y P ( ( I P [ V ] ) Y ( I P [ V ] ) X ) = 1 P ( ( I P[ X] ) Y ( I P[ X] ) V ) = 1 V matrisi singüler olmadığında yukarıdaki ifadeler kendiliğinden sağlanmaktadır. V matrisi singüler olmadığında bu ifadelerden her hangi birinin sağlanması durumunda model tutarlıdır.

7 Örnek: Y ε11 ε11 Y ε 1 ε 1 α1 Y ε ε α, ε, Y = ε = 31 ε 31 α 3 Y ε 3 ε 3 Y ε ε I3 3 0 E( ε) = 0, Cov( ε) = σ 0 δi3 3 modelinde, olsun. I3 3 0 V= 0 δi3 3 Y11.1 Y 1. Y 13.3 Y= Y = Y 4.1 Y [ X ] = V [1 I 1 V ] olmak üzere, gözlemler >> X=[ones(6,1) kron(eye(,),ones(3,1))] X = >> syms delta >> V=[ eye(3,3) zeros(3,3);zeros(3,3) delta*eye(3,3)] V = [ 1, 0, 0, 0, 0, 0] [ 0, 1, 0, 0, 0, 0] [ 0, 0, 1, 0, 0, 0] [ 0, 0, 0, delta, 0, 0] [ 0, 0, 0, 0, delta, 0] [ 0, 0, 0, 0, 0, delta] >> delta=0.01; >> V=[ eye(3,3) zeros(3,3);zeros(3,3) 0.01*eye(3,3)] V =

8 >> Y Y = >> [X V]*pinv([X V])*Y ans = >> delta=0; >> V=[ eye(3,3) zeros(3,3);zeros(3,3) 0*eye(3,3)] V = >> [X V]*pinv([X V])*Y ans = % delta=0 olsduğunda Y [ X V ] dır. Model tutarlı değildir. Singüler Modellerde Tahmin Edilebilme

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

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

6. Ders. Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM)

6. Ders. Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM) 6. Ders Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM) Y = X β + ε Lineer Modeli pek çok özel hallere sahiptir. Bunlar, ε nun dağılımına (bağımlı değişkenin dağılımına), Cov( ε ) kovaryans

Detaylı

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

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

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

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

Hipotez Testleri. Mühendislikte İstatistik Yöntemler

Hipotez Testleri. Mühendislikte İstatistik Yöntemler Hipotez Testleri Mühendislikte İstatistik Yöntemler Hipotez Testleri Parametrik Testler ( z ve t testleri) Parametrik Olmayan Testler (χ 2 Testi) Hipotez Testleri Ana Kütle β( µ, σ ) Örnek Kütle b ( µ

Detaylı

Rastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble.

Rastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble. 1 Rastgele Süreçler Olasılık taması Rastgele Deney Çıktı Örnek Uzay, S (s) Zamanın Fonksiy onu (t, s) Olayları Tanımla Rastgele süreç konsepti (Ensemble) deney (t,s 1 ) 1 t Örnek Fonksiyonlar (t,s ) t

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

. [ ] vektörünü S deki vektörlerin bir lineer

. [ ] vektörünü S deki vektörlerin bir lineer 11.Gram-Schmidt metodu 11.1. Ortonormal baz 11.1.Teorem: { }, V Öklid uzayı için bir ortonormal baz olsun. Bu durumda olmak üzere. 1.Ö.: { }, de bir ortonormal baz olsun. Burada. vektörünü S deki vektörlerin

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

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

MIXED REGRESYON TAHMİN EDİCİLERİNİN KARŞILAŞTIRILMASI. The Comparisions of Mixed Regression Estimators *

MIXED REGRESYON TAHMİN EDİCİLERİNİN KARŞILAŞTIRILMASI. The Comparisions of Mixed Regression Estimators * MIXED EGESYON TAHMİN EDİCİLEİNİN KAŞILAŞTIILMASI The Comparisions o Mixed egression Estimators * Sevgi AKGÜNEŞ KESTİ Ç.Ü.Fen Bilimleri Enstitüsü Matemati Anabilim Dalı Selahattin KAÇIANLA Ç.Ü.Fen Edebiyat

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

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

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

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5 Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın

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

9.Konu Lineer bağımsızlık, taban, boyut Germe. 9.1.Tanım: V vektör uzayının her bir elemanı

9.Konu Lineer bağımsızlık, taban, boyut Germe. 9.1.Tanım: V vektör uzayının her bir elemanı 9.Konu Lineer bağımsızlık, taban, boyut 9.1. Germe 9.1.Tanım: V vektör uzayının her bir elemanı vektörlerin lineer birleşimi olarak ifade ediliyorsa vektörleri V yi geriyor ya da V yi gerer denir. Üstelik,

Detaylı

4. Ders Fisher informasyonu s f rdan büyük ve sonlu, yani 0 < I() < 1; R f(x; )dx (kesikli da¼g l mlarda R yerine P.

4. Ders Fisher informasyonu s f rdan büyük ve sonlu, yani 0 < I() < 1; R f(x; )dx (kesikli da¼g l mlarda R yerine P. 4. Ders tkilik Küçük varyasl olmak, tahmi edicileri vazgeçilmez bir özelli¼gidir. Bir tahmi edicii, yal veya yas z, küçük varyasl olmas isteir. Parametrei kedisi () veya bir foksiyou (g()) ile ilgili tahmi

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

Elementer matrisler, ters matrisi bulmak, denk matrisler

Elementer matrisler, ters matrisi bulmak, denk matrisler 4.Konu Elementer matrisler, ters matrisi bulmak, denk matrisler 1. Elementer matrisler 2. Ters matrisi bulmak 3. Denk matrisler 1.Elementer matrisler 1.Tanım: tipinde Tip I., Tip II. veya Tip III. te olan

Detaylı

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER Prof. Dr. Ali ŞEN 1 Tek Örneklem İşaret Testi İşaret Testi parametrik olmayan prosedürler içinde en eski olanıdır. Analiz yapılırken serideki verileri artı ve

Detaylı

Matrisler ve matris işlemleri

Matrisler ve matris işlemleri 2.Konu Matrisler ve matris işlemleri Kaynaklar: 1.Uygulamalı lineer cebir. 7.baskıdan çeviri.bernhard Kollman, David R.Hill/çev.Ed. Ömer Akın, Palma Yayıncılık, 2002 2.Lineer Cebir. Feyzi Başar.Surat Universite

Detaylı

Rekombinasyon ve Bağlantı Analizi (Recombination and Linkage Analysis)

Rekombinasyon ve Bağlantı Analizi (Recombination and Linkage Analysis) Rekombinasyon ve Bağlantı Analizi (Recombination and Linkage Analysis) Mayoz bölünme sırasında aynı kromozom (bir kromatid) üzerindeki genler gametlere beraberce, başka bir ifade ile bağlı (zincirlenmiş)

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

İçindekiler. I Varyans Analizi (ANOVA) 1. Önsöz. Simgeler ve Kısaltmalar Dizini

İçindekiler. I Varyans Analizi (ANOVA) 1. Önsöz. Simgeler ve Kısaltmalar Dizini İçindekiler Önsöz Simgeler ve Kısaltmalar Dizini v xv I Varyans Analizi (ANOVA) 1 1 Varyans Analizine Giriş 3 1.1 TemelKavramlar... 3 1.2 Deney Tasarımının Temel İlkeleri... 5 1.2.1 Bloklama... 5 1.2.2

Detaylı

İki Değişkenli Bağlanım Çıkarsama Sorunu

İki Değişkenli Bağlanım Çıkarsama Sorunu İki Değişkenli Bağlanım Çıkarsama Sorunu Aralık Tahmini Ekonometri 1 Konu 15 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0 Unported

Detaylı

2. BASİT DOĞRUSAL REGRESYON 12

2. BASİT DOĞRUSAL REGRESYON 12 1. GİRİŞ 1 1.1 Regresyon ve Model Kurma / 1 1.2 Veri Toplama / 5 1.3 Regresyonun Kullanım Alanları / 9 1.4 Bilgisayarın Rolü / 10 2. BASİT DOĞRUSAL REGRESYON 12 2.1 Basit Doğrusal Regresyon Modeli / 12

Detaylı

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER 8

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER 8 PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER 8 Prof. Dr. Ali ŞEN İki Populasyonun Karşılaştırılması: Eşleştirilmiş Örnekler için Wilcoxon İşaretli Mertebe Testi -BÜYÜK ÖRNEK Bağımsız populasyonlara uygulanan

Detaylı

ANADOLU ÜNİVERSİTESİ AÇIKÖĞRETİM FAKÜLTESİ İLKÖĞRETİM ÖĞRETMENLİĞİ LİSANS TAMAMLAMA PROGRAMI. Lineer. Cebir. Ünite 6. 7. 8. 9. 10

ANADOLU ÜNİVERSİTESİ AÇIKÖĞRETİM FAKÜLTESİ İLKÖĞRETİM ÖĞRETMENLİĞİ LİSANS TAMAMLAMA PROGRAMI. Lineer. Cebir. Ünite 6. 7. 8. 9. 10 ANADOLU ÜNİVERSİTESİ AÇIKÖĞRETİM FAKÜLTESİ İLKÖĞRETİM ÖĞRETMENLİĞİ LİSANS TAMAMLAMA PROGRAMI Lineer Cebir Ünite 6. 7. 8. 9. 10 T.C. ANADOLU ÜNİVERSİTESİ YAYINLARI NO: 1074 AÇIKÖĞRETİM FAKÜLTESİ YAYINLARI

Detaylı

Hipotez Testlerine Giriş. Hipotez Testlerine Giriş

Hipotez Testlerine Giriş. Hipotez Testlerine Giriş Hipotez Testlerine Giriş Hipotez Testlerine Giriş Hipotez Testlerine Giriş Gözlem ya da deneme sonucu elde edilmiş sonuçların, raslantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel

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

z z Genel yükleme durumunda, bir Q noktasını üç boyutlu olarak temsil eden kübik gerilme elemanı üzerinde 6 bileşeni

z z Genel yükleme durumunda, bir Q noktasını üç boyutlu olarak temsil eden kübik gerilme elemanı üzerinde 6 bileşeni GERİLME VE ŞEKİL DEĞİŞTİRME DÖNÜŞÜM BAĞINTILARI Q z Genel ükleme durumunda, bir Q noktasını üç boutlu olarak temsil eden kübik gerilme elemanı üzerinde 6 bileşeni gösterilebilir: σ, σ, σ z, τ, τ z, τ z.

Detaylı

PERGEL YAYINLARI LYS 1 DENEME-6 KONU ANALİZİ SORU NO LYS 1 MATEMATİK TESTİ KAZANIM NO KAZANIMLAR

PERGEL YAYINLARI LYS 1 DENEME-6 KONU ANALİZİ SORU NO LYS 1 MATEMATİK TESTİ KAZANIM NO KAZANIMLAR 2013-2014 PERGEL YAYINLARI LYS 1 DENEME-6 KONU ANALİZİ SORU NO LYS 1 MATEMATİK TESTİ A B KAZANIM NO KAZANIMLAR 1 1 / 31 12 32173 Üslü İfadeler 2 13 42016 Rasyonel ifade kavramını örneklerle açıklar ve

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

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

Lineer Dönüşümler ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv.Dr. Nevin ORHUN

Lineer Dönüşümler ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv.Dr. Nevin ORHUN Lineer Dönüşümler Yazar Öğr. Grv.Dr. Nevin ORHUN ÜNİTE 7 Amaçlar Bu üniteyi çalıştıktan sonra; Vektör uzayları arasında tanımlanan belli fonksiyonları tanıyacak, özelliklerini öğrenecek, Bir dönüşümün,

Detaylı

Üç Boyutlu Serpilme (Saçılım) Grafikleri

Üç Boyutlu Serpilme (Saçılım) Grafikleri Üç Boyutlu Serpilme (Saçılım) Grafikleri 3D Scatterplot of boy vs kol vs bacak 90 boy 0 70 0 90 70 00 0 bacak 0 0 90 kol 3D Scatterplot of kol vs omuz vs kalca 90 kol 0 70 00 kalca 0 0 0 0 00 omuz Merkez

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

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

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

12. Ders. Mahir Bilen Can. Mayıs 24, Son dersten hatırlayacağınız üzere simetrikleştirme operasyonundan elde ettiğimiz fonksiyon.

12. Ders. Mahir Bilen Can. Mayıs 24, Son dersten hatırlayacağınız üzere simetrikleştirme operasyonundan elde ettiğimiz fonksiyon. 12. Ders Mahir Bilen Can Mayıs 24, 2016 1 Yerel Kaldırma Özellikleri Son dersten hatırlayacağınız üzere simetrikleştirme operasyonundan elde ettiğimiz fonksiyon ι : Sym(g) n 0 U n /U n+1 bize bir derecelendirilmiş

Detaylı

Olasılık ve İstatistiğe Giriş-II (STAT 202) Ders Detayları

Olasılık ve İstatistiğe Giriş-II (STAT 202) Ders Detayları Olasılık ve İstatistiğe Giriş-II (STAT 202) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve İstatistiğe Giriş-II STAT 202 Bahar 3 0 0 3 5 Ön Koşul

Detaylı

Grassmann Uzaylarının Geometrisi

Grassmann Uzaylarının Geometrisi Grassmann Uzaylarının Geometrisi İzzet Coşkun University of Illinois at Chicago 5 Ağustos, 2010 V nin n-boyutlu bir vektörler uzayı olduğunu varsayalım. V nin n-boyutlu bir vektörler uzayı olduğunu varsayalım.

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

Motivasyon Matrislerde Satır İşlemleri Eşelon Matris ve Uygulaması Satırca İndirgenmiş Eşelon Matris ve Uygulaması Matris Tersi ve Uygulaması Gauss

Motivasyon Matrislerde Satır İşlemleri Eşelon Matris ve Uygulaması Satırca İndirgenmiş Eşelon Matris ve Uygulaması Matris Tersi ve Uygulaması Gauss Motivasyon Matrislerde Satır İşlemleri Eşelon Matris ve Uygulaması Satırca İndirgenmiş Eşelon Matris ve Uygulaması Matris Tersi ve Uygulaması Gauss Jordan Yöntemi ve Uygulaması Performans Ölçümü 2 Bu çalışmada,

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

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

) -3n(k+1) (1) ile verilir.

) -3n(k+1) (1) ile verilir. FİEDMAN İKİ YÖNLÜ VAYANS ANALİZİ Tekrarlı ölçümlerde tek yönlü varyans analizinin varsayımları yerine gelmediğinde kullanılabilecek olan değiģik parametrik olmayan testler vardır. Freidman iki yönlü varyans

Detaylı

1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz...

1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz... 1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz... CABİR VURAL BAHAR 2006 Açıklamalar

Detaylı

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare http://ocw.mit.edu. 14.30 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

Akdeniz Üniversitesi

Akdeniz Üniversitesi F. Ders Tanıtım Formu Dersin Adı Öğretim Dili Akdeniz Üniversitesi İSTATİSTİKSEL ANALİZ I Türkçe Dersin Verildiği Düzey Ön Lisans ( ) Lisans (*) Yüksek Lisans( ) Doktora ( ) Eğitim Öğretim Sistemi Örgün

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

Herhangi bir oranın belli bir değere eşit olmadığını test etmek için kullanılır.

Herhangi bir oranın belli bir değere eşit olmadığını test etmek için kullanılır. Hipotez testleri-oran testi Oran Testi Herhangi bir oranın belli bir değere eşit olmadığını test etmek için kullanılır Örnek: Yüz defa atılan bir para 34 defa yazı gelmiştir Paranın yazı gelme olasılığının

Detaylı

İstatistiksel Yorumlama

İstatistiksel Yorumlama İstatistiksel Yorumlama Amaç, popülasyon hakkında yorumlamalar yapmaktadır. Populasyon Parametre Karar Vermek Örnek İstatistik Tahmin 1 Tahmin Olaylar hakkında tahminlerde bulunmak ve karar vermek zorundayız

Detaylı

ÖLÇME VE DEĞERLENDİRME. Antrenörlük Eğitimi 4. Sınıf. Ölçme ve Değerlendirme - Yrd. Doç. Dr. Yetkin Utku KAMUK

ÖLÇME VE DEĞERLENDİRME. Antrenörlük Eğitimi 4. Sınıf. Ölçme ve Değerlendirme - Yrd. Doç. Dr. Yetkin Utku KAMUK ÖLÇME VE DEĞERLENDİRME Antrenörlük Eğitimi 4. Sınıf ÖLÇME VE DEĞERLENDİRME Merkezi Eğilim Ölçütleri Mod En çok görülen puandır ve hesaplanma yöntemi yoktur. İnceleme yolu ile bulunur. Terminal istatistiktir.

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

Math 103 Lineer Cebir Dersi Ara Sınavı

Math 103 Lineer Cebir Dersi Ara Sınavı Haliç Üniversitesi, Uygulamalı Matematik Bölümü Math 3 Lineer Cebir Dersi Ara Sınavı 9 Kasım 27 Hazırlayan: Yamaç Pehlivan Başlama saati: 3: Bitiş Saati: 4:5 Toplam Süre: Dakika Lütfen adınızı ve soyadınızı

Detaylı

İSTATİSTİK BÖLÜMÜ DERS İÇERİKLERİ (2009 2010)

İSTATİSTİK BÖLÜMÜ DERS İÇERİKLERİ (2009 2010) İSTATİSTİK BÖLÜMÜ DERS İÇERİKLERİ (2009 2010) BİRİNCİ YIL Güz Dönemi (1. Yarıyıl) STAT 101 Temel İstatistik I (3 2 4) İstatistik bilimi. Verilerin görsel sunumu. Frekans tablosu oluşturma. Gövde yaprak

Detaylı

GPS ağlarının dengelenmesinden önce ağın iç güvenirliğini artırmak ve hataları elimine etmek için aşağıda sıralanan analizler yapılır.

GPS ağlarının dengelenmesinden önce ağın iç güvenirliğini artırmak ve hataları elimine etmek için aşağıda sıralanan analizler yapılır. 13. GPS AĞLARININ DENGELENMESİ 13.1 GPS ÖLÇMELERİ GPS ( Global Positioning System ) alıcıları kullanılarak yer istasyonu ile uydu arasındaki uzunluklar ölçülür ve noktaların konumları belirlenir. GPS ile

Detaylı

İstatistiksel Kavramların Gözden Geçirilmesi

İstatistiksel Kavramların Gözden Geçirilmesi İstatistiksel Kavramların Gözden Geçirilmesi Anlamlı Basamaklar Konusu ve Olasılık Ekonometri 1 Konu 1 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial

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

Bu bölümde Coulomb yasasının bir sonucu olarak ortaya çıkan Gauss yasasının kullanılmasıyla simetrili yük dağılımlarının elektrik alanlarının çok

Bu bölümde Coulomb yasasının bir sonucu olarak ortaya çıkan Gauss yasasının kullanılmasıyla simetrili yük dağılımlarının elektrik alanlarının çok Gauss Yasası Bu bölümde Coulomb yasasının bir sonucu olarak ortaya çıkan Gauss yasasının kullanılmasıyla simetrili yük dağılımlarının elektrik alanlarının çok daha kullanışlı bir şekilde nasıl hesaplanabileceği

Detaylı

İstatistiksel Tahmin ÜNİTE. Amaçlar. İçindekiler. Yazar Doç.Dr. Ahmet ÖZMEN

İstatistiksel Tahmin ÜNİTE. Amaçlar. İçindekiler. Yazar Doç.Dr. Ahmet ÖZMEN İstatistiksel Tahmin Yazar Doç.Dr. Ahmet ÖZMEN ÜNİTE 7 Amaçlar Bu üniteyi çalıştıktan sonra; evren parametreleri hakkında yorum yapmayla ilgili iki yöntemden birisi olan evren parametrelerinin tahmin edilmesine

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

30 NİSAN-14 MAYIS ZEYNEP KAYAR. 1) L : R 3 R 2, L(x 1, x 2, x 3 ) = ( 3x 1 + 2x 3 4x 2, 2x 1 + x 2 3x 3 )

30 NİSAN-14 MAYIS ZEYNEP KAYAR. 1) L : R 3 R 2, L(x 1, x 2, x 3 ) = ( 3x 1 + 2x 3 4x 2, 2x 1 + x 2 3x 3 ) 3 NİSAN-4 MAYIS ZEYNEP KAYAR MATEMATİK BÖLÜMÜ LİNEER CEBİR-II DERSİ ÖDEV 4 Soru I: Aşağıda verilen dönüşümlerin lineer olup olmadığını gösteriniz. ) L : R 3 R, L(x, x, x 3 ) = ( 3x + x 3 4x 4, x + x 3x

Detaylı

5. RITZ metodunun elemana uygulanması, elemanın rijitlik matrisi

5. RITZ metodunun elemana uygulanması, elemanın rijitlik matrisi 5. RITZ metodunun elemana uygulanması, elemanın rijitlik matrisi u bölümde RITZ metodu eleman bazında uygulanacak, elemanın yer değiştirme fonksiyonu, şekil değiştirme, gerilme bağıntıları, toplam potansiyeli,

Detaylı

HİPOTEZ TESTLERİ. Yrd. Doç. Dr. Emre ATILGAN

HİPOTEZ TESTLERİ. Yrd. Doç. Dr. Emre ATILGAN HİPOTEZ TESTLERİ Yrd. Doç. Dr. Emre ATILGAN Hipotez Nedir? HİPOTEZ: parametre hakkındaki bir inanıştır. Parametre hakkındaki inanışı test etmek için hipotez testi yapılır. Hipotez testleri sayesinde örneklemden

Detaylı

Rasgele Vektörler Çok Değişkenli Olasılık Dağılımları

Rasgele Vektörler Çok Değişkenli Olasılık Dağılımları 4.Ders Rasgele Vektörler Çok Değişkenli Olasılık Dağılımları Tanım:,U, P bir olasılık uzayı ve X, X,,X n : R n X, X,,X n X, X,,X n olmak üzere, her a, a,,a n R n için : X i a i, i,, 3,,n U özelliği sağlanıyor

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

SÜREKLİ RASSAL DEĞİŞKENLER

SÜREKLİ RASSAL DEĞİŞKENLER SÜREKLİ RASSAL DEĞİŞKENLER Sürekli Rassal Değişkenler Sürekli Rassal Değişken: Değerleriölçümyadatartımla elde edilen, bir başka anlatımla sayımla elde edilemeyen, değişkene sürekli rassal değişken denir.

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

Nokta ve Aralık Tahmini Merkezi Limit Teoremi Örneklem Dağılımı Hipotez Testlerine Giriş

Nokta ve Aralık Tahmini Merkezi Limit Teoremi Örneklem Dağılımı Hipotez Testlerine Giriş Nokta ve Aralık Tahmini Merkezi Limit Teoremi Örneklem Dağılımı Hipotez Testlerine Giriş Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Nokta Tahmini

Detaylı

Hatırlatmalar: Model: Y X

Hatırlatmalar: Model: Y X Hatırlatmalar: Model: Y X 4. Ders Varsayımların Sınanması Aykırı Değerler ve Etkin Gözlemler = β + ε, ( rank( X : n p) = p) Parametre kümesi: Θ= {( βσ, ) : β R p, σ > 0} Varsayım: A) Eε = Covε = σ I (küçük

Detaylı

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare http://ocw.mit.edu. 14.30 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

TUNCELİ ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ LİNEER CEBİR DERSİ 2012 GÜZ DÖNEMİ ÇIKMIŞ VİZE,FİNAL VE BÜTÜNLEME SORULARI ÖĞR.GÖR.

TUNCELİ ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ LİNEER CEBİR DERSİ 2012 GÜZ DÖNEMİ ÇIKMIŞ VİZE,FİNAL VE BÜTÜNLEME SORULARI ÖĞR.GÖR. UNCELİ ÜNİVERSİESİ MÜHENDİSLİK FAKÜLESİ LİNEER CEBİR DERSİ 0 GÜZ DÖNEMİ ÇIKMIŞ VİZE,FİNAL VE BÜÜNLEME SORULARI ÖĞR.GÖR.İNAN ÜNAL www.inanunal.com UNCELİ ÜNİVERSİESİ MÜHENDİSLİK FAKÜLESİ MAKİNE MÜHENDİSLİĞİ

Detaylı

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ ÇOKLU İÇ İLİŞKİ OLMASI DURUMUNDA LİNEER REGRESYON MODELLERİNİN KULLANIMI İLE KESTİRİM VE ÖNGÖRÜ İSTATİSTİK ANABİLİM DALI ADANA, 0 ÇUKUROVA ÜNİVERSİTESİ

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

Tahmin Edici Elde Etme Yöntemleri

Tahmin Edici Elde Etme Yöntemleri 6. Ders Tahmi Edici Elde Etme Yötemleri Öceki derslerde ve ödevlerde U(0; ) ; = (0; ) da¼g l m da, da¼g l m üst s r ola parametresi içi tahmi edici olarak : s ra istatisti¼gi ve öreklem ortalamas heme

Detaylı

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare http://ocw.mit.edu. 14.30 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

T.C. ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ

T.C. ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ T.C. ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ DERS: CEBİRDEN SEÇME KONULAR KONU: KARDİNAL SAYILAR ÖĞRETİM GÖREVLİLERİ: PROF.DR. NEŞET AYDIN AR.GÖR. DİDEM YEŞİL HAZIRLAYANLAR: DİRENCAN DAĞDEVİREN ELFİYE ESEN

Detaylı

Yrd. Doç. Dr. Kurtuluş Sedar GÖRMÜŞ

Yrd. Doç. Dr. Kurtuluş Sedar GÖRMÜŞ Yrd. Doç. Dr. Kurtuluş Sedar GÖRMÜŞ Giriş ve Amaç Hata Teorisi, Hata Türleri Ölçü ve Hata Hata Türleri Doğruluk Ölçütleri Kovaryans ve Korelasyon Hata Yayılma Kuralı Ölçülerin Dengelenmesi Dolaysız Ölçüler

Detaylı

rasgele değişkeninin olasılık yoğunluk fonksiyonu,

rasgele değişkeninin olasılık yoğunluk fonksiyonu, 3.6. Bazı Sürekli Dağılımlar 3.6.1 Normal Dağılım Normal dağılım hem uygulamalı hem de teorik istatistikte kullanılan oldukça önemli bir dağılımdır. Normal dağılımın istatistikte önemli bir yerinin olmasının

Detaylı

15. Bağıntılara Devam:

15. Bağıntılara Devam: 15. Bağıntılara Devam: Yerel Bağıntılardan Örnekler: Doğal sayılar kümesi üzerinde bir küçüğüdür (< 1 ) bağıntısı: < 1 {(x, x+1) x N} {(0,1), (1, 2), } a< 1 b yazıldığında, a doğal sayılarda bir küçüktür

Detaylı

Prof. Dr. KARACABEY-Doç. Dr. GÖKGÖZ. Yatırım süreci beş temel aşamadan oluşmaktadır:

Prof. Dr. KARACABEY-Doç. Dr. GÖKGÖZ. Yatırım süreci beş temel aşamadan oluşmaktadır: 16.07.01 Risk ve Getiri Konsepti Prof. Dr. Argun KARACABEY Doç. Dr. Fazıl GÖKGÖZ 1 Yatırım süreci beş temel aşamadan oluşmaktadır: 1.Yatırım Politikasının belirlenmesi,.menkul kıymet analizinin yapılması,

Detaylı

26.12.2013. Farklı iki ilaç(a,b) kullanan iki grupta kan pıhtılaşma zamanları farklı mıdır?

26.12.2013. Farklı iki ilaç(a,b) kullanan iki grupta kan pıhtılaşma zamanları farklı mıdır? 26.2.23 Gözlem ya da deneme sonucu elde edilmiş sonuçların, raslantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HĐPOTEZ TESTLERĐ denir. Sonuçların raslantıya bağlı olup

Detaylı

Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder.

Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder. Yayılma Ölçütleri Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder. Bir başka ifade ile, bir veri setinin,

Detaylı

BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler

BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda

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

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 3- LİNEER DENKLEM SİSTEMLERİNİN ÇÖZÜMÜ Doç. Dr. Ali Rıza YILDIZ 1 LİNEER DENKLEM SİSTEMLERİ Bilimsel ve teknolojik çalışmalarda karşılaşılan matematikle ilgili belli başlı

Detaylı

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,

Detaylı

36. Basit kuvvet metodu

36. Basit kuvvet metodu 36. Basit kuvvet metodu Basit kuvvet metodu hakkında çok kısa bilgi verilecektir. Basit kuvvet metodunda hiperstatik bilinmeyenlerinin hesaplanmasına, dolayısıyla buna ait denklem sisteminin kurulmasına

Detaylı

Nokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur.

Nokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur. Üç Boyutlu Geometri Nokta (Point,Vertex) Nokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur. Kartezyen Koordinat Sistemi Uzayda bir noktayı tanımlamak

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

Bina Türü Yapı Sistemlerinin Analizi Üzerine Rijit Döşeme ve Sınır Şartları ile İlgili Varsayımların Etkisi

Bina Türü Yapı Sistemlerinin Analizi Üzerine Rijit Döşeme ve Sınır Şartları ile İlgili Varsayımların Etkisi Bina Türü Yapı Sistemlerinin Analizi Üzerine Rijit Döşeme ve Sınır Şartları ile İlgili Varsayımların Etkisi Rasim Temür İstanbul Üniversitesi İnşaat Mühendisliği Anabilim Dalı Sunum Planı Giriş Rijit Döşeme

Detaylı

Hipotez Testi ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI. Ders 4 Minitab da İstatiksel Çıkarım-I. Hipotez Testi. Hipotez Testi

Hipotez Testi ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI. Ders 4 Minitab da İstatiksel Çıkarım-I. Hipotez Testi. Hipotez Testi ENM 52 İSTATİSTİK VE YAZILIMLA UYGULAMALARI Ders 4 Minitab da İstatiksel Çıkarım-I (Ortalamalar ve Oranlar İçin ) İstatistiksel Hipotezler İstatistiksel hipotez testi ve parametrelerin güven aralığı tahmini,

Detaylı

DARÜŞŞAFAKA LİSESİ SALİH ZEKİ LİSE ÖĞRENCİLERİ ARASI MATEMATİK PROJELERİ YARIŞMASI

DARÜŞŞAFAKA LİSESİ SALİH ZEKİ LİSE ÖĞRENCİLERİ ARASI MATEMATİK PROJELERİ YARIŞMASI DARÜŞŞAFAKA LİSESİ SALİH ZEKİ LİSE ÖĞRENCİLERİ ARASI MATEMATİK PROJELERİ YARIŞMASI PROJENİN ADI: OYUN TEORİSİ İLE İSTANBUL TRAFİĞİNİN İNCELENMESİ HAZIRLAYANLAR: ECE TUNÇKOL-BERKE OĞUZ AKIN MEV KOLEJİ ÖZEL

Detaylı