ZAMAN SERİSİ SÜREÇLERİ Durağan ve Durağan Olmayan Zaman Serileri
|
|
- Şebnem Akkaş
- 7 yıl önce
- İzleme sayısı:
Transkript
1 ZAMAN SERİSİ SÜREÇLERİ Durağan ve Durağan Olmayan Zaman Serileri 1
2 Zaman Serileri Analizi Zaman Serisi Modelleri Veri Üretme Süreci(DGP) Stokastik Süreçler Durağan Stokastik Süreçler Durağan Stokastik Sürecin Özellikleri Zayıf, Güçlü ve Kesin Durağanlık Pür Rassal Süreç: Temiz Dizi Diğer Durağan Stokastik Süreç Modelleri Durağan Olmayan Stokastik Süreçler Rassal Yürüyüş Süreci Kayan Rassal Yürüyüş Süreci Zaman Trendleri Genelleştirme Entegre Seriler 2
3 Zaman Serisi Nedir? Zaman Serileri Analizi Bir dönemden diğerine değişkenlerin değerlerinin ardışık bir şekilde gözlendiği sayısal büyüklüklerdir. Özelliği ve yapısı ile bizzat kendisi geleceğin tahmininde kullanılan bir bilgi kaynağı olduğu gibi, aynı zamanda bir yöntem olmaktadır. Neden- sonuç bağlantısı olmaktan çok, serinin ileriye doğru güvenilir bir uzantısının bulunmasıdır. 3
4 Zaman Serileri Analizi Zaman serisi analizinin özet olarak iki amacı: Tek değişkenli zaman serileri analizi=tek bir seri Çok değişkenli zaman serileri analizi=iki veya daha fazla seri Öncelleştirme, geciktirme, geri besleme ilişkileri Zaman serisi modeli, X ile Y arasındaki fonksiyonel ilişki ile değil, Y t ile Y t-(1,2, t) arasındaki ilişkiyle ilgilenir. 4
5 Zaman Serileri Analizi Geleneksel Zaman Serisi Ayrışım Yöntemi Trend Konjonktür Mevsim etkileri Düzensiz hareketler 5
6 Zaman Serileri Analizi Trend, zamana göre gözlemlenen bir değişkenin uzun dönemde gösterdiği artış veya azalışa denir. Trend, iki şekilde ifade edilebilir: Doğrusal Trend ve Doğrusal Olmayan Trend 10 Doğrusal Trend 10 Doğrusal Olmayan Trend
7 Zaman Serileri Analizi Konjonktürel (Devrevi) Hareketler, 2-10 yıl veya daha uzun bir dönemde serinin seyrinde oluşan değişmelerdir ya da zaman serisindeki dalgalanmalar bir yıldan daha uzun dönemi kapsar şekilde seyir izliyorsa bu gidişat konjonktür unsuru olarak adlandırılır. 8 Konjonktür Etkisi Taşıyan Bir Seri
8 Zaman Serileri Analizi Mevsim etkileri, 1 yıl içinde tamamlanan ve veride yıl bazında tekrarlanan değişmelerin seyri olarak ifade edilir. Konjonktürel hareketin özel bir hali olarak düşünülebilir. 8
9 Zaman Serileri Analizi Düzensiz(rassal) hareketler, zaman serisindeki düzensiz değişmelerdir ve diğer bileşenlerden hiçbiri bu değişmelerin nedeni olarak gösterilemez. Düzensiz(rassal) hareketlerin tanımlanabilir bir seyirleri yoktur. Serideki yanıltıcı hareketlerdir. Serinin diğer bileşenleri hesaplandığında geride kalan büyüklüklerdir. 15 Düzensiz Değişmeler Sergileyen Seri
10 Zaman Serileri Analizi Zaman serisi Y t, trend, konjonktürel hareketler, mevsimsel hareketler ve düzensiz hareketlerin bir fonksiyonu olarak düşünülebilir. Zaman Serisi=f(Trend, Konjonktürel Hareketler, Mevsimsel Hareketler, Düzensiz Hareketler) Y t =f(t t,c t,s t,i t ) I t yerine bir stokastik değişken e t tanımlanırsa; Zaman serisi=izlenen seyir+hata Y t =f(t t,c t,s t,e t ) 10
11 Zaman Serileri Analizi Geleneksel Zaman Serisi Ayrışım Yöntemi Toplamsal Ayrıştırma Yöntemi Y t =f(t t,c t,s t,i t ) Y t = T t +C t +S t +I t Çarpımsal Ayrıştırma Yöntemi Y t =f(t t,c t,s t,i t ) Y t =T t C t S t I t Geleneksel zaman serisi ayrışım yönteminde, özellikle zaman serilerinin trend, konjonktürel ve mevsimsel hareketlerin etkisi altında kaldığı versayılır ve ayrıştırma işlemi bu üç bileşenin I t veya e t ile tanımlanan düzensiz hareketlerin pür rassal süreç(temiz dizi) sağlanana kadar devam edilir. 11
12 Zaman Serileri Analizi Zaman serileri analizi, yalnızca serilerdeki trend, konjonktür ve mevsimsel etkileri arındırma amacını gütmez. Serilerin gelecekte alabilecekleri muhtemel değerleri önraporlamak ve serilerin temsil ettiği sistemi kontrol etmek gibi farklı amaçları da vardır. Zaman serisi verilerinin durağan olduğu varsayılır. Eğer bir zaman serisinin ortalaması, varyansı ve kovaryansı zaman boyunca sabit kalıyorsa, serinin durağan olduğu söylenebilir. 12
13 Zaman Serileri Analizi E(X t ) = sabit (tüm t ler için) Var(X t ) = sabit (tüm t ler için) Cov(X t, X t+k )= sabit (tüm t ler için tüm k 0 için) 13
14 Zaman Serileri Analizi Sahte regresyon, modelde yer alan trende sahip değişkenlerin birbirleriyle tamamen ilişkisiz olsalar dahi, R 2 (belirlilik katsayısı) için yüksek değerler tahmin edildiğinde ortaya çıkar. DW< R 2 ise sahte regresyon vardır denilebilir. 14
15 Zaman Serisi Modelleri Zaman unsuru, modellemede yeni bir boyut olarak sunulur. Dinamik ekonometride modeller için kullanılan istatistiksel form, zaman serisi analizlerinde ele alınan modellerde kullanılır. Y t =βx t +e t Statik model Eğer X t değişkeninde bir değişme olursa Y t anında değişime cevap verir. Ancak X t de bir değişme söz konusu değilse, Y t de de herhangi bir değişme olmayacaktır. Dolayısıyla sistem dengede kalacaktır. 15
16 Zaman Serisi Modelleri Y t =β 1 X t +β 2 X t-1 + e t Dinamik model X t bir birim artarsa, Y t nin beklenen değeri β 1 in birim değerine bağlı olarak anında artacak, fakat β 1 +β 2 nin tam değişimi yalnızca bütünüyle bir zaman dönemi geçtikten sonra hissedilir. Y t =αy t-1 +β 1 X t + e t Dinamik Model 16
17 Zaman Serisi Modelleri Ekonomik zaman serilerinde, durağan dışılılığın nedeni, genellikle trend, konjonktürel ve mevsimsel hareketlerin etkilediği ileri sürülür. Durağan dışılılığın bir başka nedeni de stokastik trend olabilir. Y t =Y t-1 +e t t=1,2,,t Rassal Yürüyüş modeli Rassal yürüyüş modelinde, bütün t zamanlarındaki Y değerlerinin beklenen değeri yani ortalaması birbirine eşittir. Dolayısıyla sürecin ortalaması da sabittir. 17
18 Y t =φy t-1 +e t Zaman Serisi Modelleri Birinci dereceden otoregresif bir zaman serisi modeli φ <1 koşulunu sağlayan bir modelin durağan olduğu kabul edilir. φ >1 ise zaman serisi patlayan bir seridir. Y t nin bağımlılığını onun geçmiş değerlerine dayanarak açıklamanın alternatif bir yolu bir hareketli ortalama modeli yardımıyla oluşturulabilir: Y t =e t +θe t-1 Hareketli Ortalama Süreci (MA(1)) 18
19 Veri Üretme Süreci Zaman serileri analizinin amacı seriyi oluşturan herhangi bir süreç (yani anakütle) modelini tanımlamak için bu sürecin gerçekleşmelerini (yani örneklemini) kullanmaktır. Y t =φy t-1 +e t, φ <1 Bu modelin veri üretme süreci, p sayıda gecikme uzunluğunda Y t =φ 1 Y t-1 +φ 2 Y t-2 + +φ p Y t-p + e t dir. Ya da Y t =e t +θ 1 e t-1 θ <1 için q uzunluğunda veri üretme süreci Y t = e t + θ 1 e t θ q e t-q dir. 19
20 Stokastik Süreçler Zaman serileri için olasılık modellerinin diğer bir tanımı stokastik süreçlerdir.. Literatürde stokastik süreç, hem reel fiziksel süreç hem de onun matematiksel bir modeli olarak algılanır. Rassal süreç kavramı ile stokastik süreç kavramı eşanlamdadır. Bir stokastik süreçte her gözlem yani serideki her değer Y 1,Y 2,,Y t bir olasılık dağılımından rassal olarak çekildiğinden rassal bir değişkendir ve gözlemlerin belirli bir olasılık dağılımına göre oluştuğu varsayılır. Zaman serisi analizlerinin temel amacı gözlenen seride içerilen bilgiden yararlanarak stokastik sürecin özellikleri veya temel öğeleri hakkında çıkarımlarda bulunmaktır. 20
21 Stokastik Süreçler Kolmogorov, çalışmasıyla belirli düzenli koşulları sağlayan stokastik süreçlerin sonlu tanımlanabileceğini göstermiştir. boyutlu dağılım ile Stokastik süreci tasvir etmenin bir yolu, t 1,, t n herhangi bir seti için Y t1,,y tn birleşik olasılık dağılımını tanımlamaktır. Süreci tasvir etmenin bir momentlerini oluşturmaktır. başka yolu da sürecin Ortalama=µ t =E(Y t ) Varyans=σ 2 =Var(Y t ) Otokovaryans=g t1,t2 =cov(y t1, Y t2 ) Y t nin dağılımı normal bir dağılım takip ederse, bu dağılımı Gaussian Süreç olarak adlandırılabilir. 21
22 Durağan Stokastik Süreçler Bir zaman serisinin eğer ortalamasında sistematik bir değişme yoksa (trend yapmıyorsa), eğer varyansında sistematik bir değişme yoksa ve eğer düzenli periyodik değişmeler ortaya çıkarmıyorsa, seri durağandır denir. Durağan bir süreçte stokastik sürecin özellikleri zaman boyunca değişmemektedir. 22
23 Durağan Stokastik Süreçler Durağan Stokastik Sürecin Özellikleri Veri noktaları seti Y 1,,Y t birleşik olasılık dağılım fonksiyonu P(Y 1,,Y t ) in özel bir sonucunu gösterir. Benzer bir şekilde, gelecek bir gözlem Y t+1 in koşullu olasılık dağılım fonksiyonu P(Y t +1 Y 1,,Y t ) tarafından ya da başka bir ifadeyle geçmiş gözlemler Y 1,,Y t veri iken Y t+1 için bir olasılık dağılımı tarafından elde edildiği düşünülebilir. Eğer Y t serisi durağan ise P(Y t,,y t+k )=P(Y t+m,,y t+k+m ) P(Y t )= P(Y t+m ) olacaktır. 23
24 Durağan Stokastik Süreçler Durağan Stokastik Sürecin Özellikleri Eğer Y t serisi durağan ise Serinin ortalaması=µ Y =E(Y t ) Serinin varyansı=σ 2 =Var(Y t )=E[(Y t - µ Y ) 2 ] herhangi bir k gecikmesi için kovaryans g k =cov(y t, Y t+k )= E[(Y t - µ Y )( Y t+k - µ Y )] dir. 24
25 Durağan Stokastik Süreçler Zayıf, Güçlü ve Kesin Durağanlık Bir stokastik sürece karşı gelen zaman serileri eğer, Ortalama µ Y =E(Y t ) bütün t ler için sabitse Varyansı σ 2 =Var(Y t ) bütün t ler için sabitse Kovaryans g k =cov(y t, Y t+k ) bütün t ler için sabit ve k 0 ise zayıf durağan(kovaryans durağan) olarak adlandırılır. Nedeni ortalama, varyans ve kovaryansın t ye bağlı olmamasıdır. 25
26 Durağan Stokastik Süreçler Zayıf, Güçlü ve Kesin Durağanlık Y t rassal değişkeninin, zayıf durağanlık özelliklerinin yanı sıra dağılımın zaman içinde değişmemesi özelliğine sahip olması halinde güçlü durağanlık söz konusudur. Stokastik bir süreç veya karşılığı olan zaman serisi, eğer n sayıda gözlemin Y t1,,y tn herhangi bir setinin bileşik dağılımı k sayıda gecikmesi ele alındığında bütün n ve k için Y t1+k,,y tn+k in bileşik dağılımının aynısı ise kesin durağan olduğu söylenir. Kesin durağanlık bütün n sayıda değer için elde edilebilir. 26
27 Durağan Stokastik Süreçler Zayıf, Güçlü ve Kesin Durağanlık g k =cov(y t, Y t+k ) k=0 için g 0 =cov(y t, Y t )= σ 2 ρ(k)=g k / g 0 t ve t+k dönemleri için serilerin otokovaryans fonksiyonu otokorelasyon fonksiyonu yada k gecikmede otokorelasyon katsayısı Özet olarak kesin durağan bir seri için Y t nin dağılımı t den bağımsızdır. 27
28 Durağan Stokastik Süreçler Pür Rassal Süreç: Temiz Dizi Kesikli rassal süreç olan Y t, bağımsız özdeş dağılan rassal değişkenlerin bir dizisini içeriyorsa pür rassal süreç olarak kabul edilir. Literatürde temiz dizi, white noise, beyaz gürültü, kuru gürültü gibi kavramlar pür rassal süreçle aynı anlama gelmektedir. Bu sürecin rassal değişkenleri sabit bir ortalamaya ve sabit bir varyansa sahiptir. Ortalama E(e t )=0 bütün t ler için Varyans Var(e t )=σ 2 bütün t ler için Kovaryansı Cov(e t, e t+k )=0 bütün t ler için, k 0 28
29 Durağan Stokastik Süreçler Pür Rassal Süreç: Temiz Dizi Otokorelasyon fonksiyonu; ρ(k)=1 (k=0 ise) ρ(k)=0 (k 0 ise) Otokovaryans fonksiyonu ise; g k =Cov(Y t,y t+k )=0 e t ~IID (0, σ 2 ) e t ~NID (0, σ 2 ) k 0 için ikinci derece veya kovaryans durağan kesin durağan veya Gaussian Temiz-dizi 29
30 Durağan Stokastik Süreçler Diğer Durağan Stokastik Süreç Modelleri Otoregresif Süreçler: Ortalaması sıfır ve varyansı σ 2 olan pür rassal sürecin { e t } kesikli olduğu varsayılsın. Dolayısıyla { Y t } süreci Y t =µ+φ 1 Y t-1 + φ 2 Y t φ p Y t-p +e t p inci dereceden bir otoregresif süreç veya AR(p) olarak adlandırılır. Σφ i <1 ise seri durağandır. Hareketli Ortalama Süreci:Ortalaması sıfır ve varyansı σ 2 olan pür rassal sürecin { e t } kesikli olduğu varsayılsın.dolayısıyla { Y t } süreci Y t =δ+e t +θ 1 e t-1 + +θ q e t-q q uncu dereceden bir hareketli ortalama süreç veya MA(q) olarak adlandırılır. Σθ i <1 ise seri durağandır. 30
31 Durağan Stokastik Süreçler Diğer Durağan Stokastik Süreçler Otoregresif Hareketli Ortalama Süreci: AR(p) ve MA(q) modellerinin bir arada ele alındığı karma modeldir. Yine { e t } ortalaması sıfır ve varyansı σ 2 olan pür rassal süreçtir. Y t =δ+ φ 1 Y t φ p Y t-p +e t +θ 1 e t-1 + +θ q e t-q bu tür modeller ARMA(p,q) veya karma modeller olarak adlandırılır. 31
32 Durağan Olmayan Stokastik Süreçler Bir zaman serisi, durağan zaman serisi özelliklerinden bir yada birden fazla özelliğini sağlamıyorsa, bu seriyi temsil eden stokastik süreç durağan dışı olarak adlandırılır. Bu tür serilerin durağan hale dönüştürülmesi için trend veya mevsim etkisinden arındırılması gerekir. Box-Jenkins metodu Basit bir durağan dışı zaman serisi modeli: Y t =µ t + e t 32
33 Durağan Olmayan Stokastik Süreçler Eğer bira yada daha fazla sayıda fark alınarak seri durağan hale dönüştürülüyorsa, böyle bir durağan dışı seri homojen olarak ifade edilebilir. Serinin fark alma sayısı aynı zamanda homojenlik derecesini tanımlar. ΔY t = Y t - Y t-1 Δ 2 Y t = Δ(Y t - Y t-1 ) 1. derece homojen durağan dışı 2. derece homojen durağan dışı 33
34 Durağan Olmayan Stokastik Süreçler Rassal Yürüyüş Süreci Hisse senedi gibi finansal verilerin zaman içerisindeki davranışlarını iyi bir şekilde yansıtan süreç, rassal yürüyüş süreci olarak adlandırılır. Örneğin t günündeki (t-1) günündeki rassal hisse senedi = hisse senedi + hata fiyatları fiyatları Birinci derece durağan dışı sürecin basit rassal yürüyüş süreci: Y t = Y t-1 +e t 34
35 Durağan Olmayan Stokastik Süreçler Rassal Yürüyüş Süreci Y t = Y t-1 +e t Y t - Y t-1 =e t Δ Y t = e t bu ilk farkı alınan yeni değişken durağandır. Çünkü e t nin zamandan bağımsız olduğu varsayıldığından Δ Y t =e t ninde durağan olduğu kabul edilir. Ayrıca rassal yürüyüş sürecinin diğer önemli bir özelliği ise uzun dönemli bir belleğe sahiptir. 35
36 Durağan Olmayan Stokastik Süreçler Kayan Rassal Yürüyüş Süreci Kayan rassal yürüyüş, büyüklüğü sıfırdan farklı olan bir kesme terimi içeren basit bir yürüyüş sürecidir. Y t = δ+y t-1 +e t Δ Y t = Y t - Y t-1 =δ+e t Ortalaması E(Y t )=µ t +δt Varyansı E(Y t2 )=tσ 2 dir. δ 0 36
37 Durağan Olmayan Stokastik Süreçler Zaman Trendleri Tek bir yönde hareket eden durağan dışı bir serinin eğilimi zaman trendi olarak adlandırılır. Y t =α+βt+φy t-1 + e t (α 0) modeli için e t ~IID (0, σ 2 ), t bir zaman trendi φ 0,β=0 için Y t =α+y t-1 +e t (α 0) stokastik trend Φ=0,β 0 için Y t =α+βt+e t (α 0) deterministik trend Φ=1,β 0 için Y t =α+βt+y t-1 +e t (α 0) birleşik stokastik ve deterministik trend 37
38 Durağan Olmayan Stokastik Süreçler Genelleştirme En basit durağan dışı süreç: Y t = Y t-1 +e t Bu sürecin özel bir hali: Y t =φy t-1 + e t Bu özel süreç aslında birinci derece otoregresif (AR(1)) süreçtir. Eğer -1<φ<1 ise AR(1) durağan, eğer φ<-1 ve φ>1 ise AR(1) durağan dışıdır. Y t = φ 1 Y t-1 + φ 2 Y t φ p Y t-p +e t AR(p) AR(p) nin özel bir denklemi olan 1-φ 1 L 1 -φ 2 L 2 - -φ p L p =0 polinomunun kökleri mutlak değerce birimden büyükse durağan, diğer durumlarda durağan dışıdır. 38
39 Durağan Olmayan Stokastik Süreçler Entegre Seriler Durağan dışı bir seri, durağanlık öncesi d kere ardı ardına farkı alınabiliyorsa orijinal seri Y t, d inci dereceden entegre seridir ve I(d) ile gösterilir. I(1)=ΔY t =Y t -Y t-1 birinci derece entegre seridir. I(0) ile yapılacak tanımlama durağan bir seriyi temsil edecektir. Y t ~I(d) şeklinde gösterilebilir. Eğer bir seri, ne kadar farkı alınırsa alınsın hala durağan hale getirilemiyorsa seriye entegre olmayan seri denir. 39
40 E-views : Zaman Serileri Veri Üretme Süreçleri Temiz dizi yaratma süreci File / New / Workfile ile dosya yaratılır. Undated or irregular Komut satırı : series e=@rnorm veya series e=nrnd View / Graph /Line View / Descriptive Statistics / Histogram and Stats 40
41 AR(1) Modeli Veri Üretme Süreci File / New / Workfile ile dosya yaratılır. Undated or irregular series e=nrnd series y=0 Sample değiştir Sample series y=0.9*y(-1)+e View / Graph / Line 41
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
DetaylıDOĞRUSAL ZAMAN SERİSİ MODELLERİ. Durağan ARIMA Modelleri: Hareketli Ortalama Modelleri MA(q) Süreci
DOĞRUSAL ZAMAN SERİSİ MODELLERİ Durağan ARIMA Modelleri: Hareketli Ortalama Modelleri MA(q) Süreci Hareketli Ortalama Süreci:MA(q) Hareketli Ortalama sürecini yapısını ortaya koymak için önce hisse senedi
DetaylıZAMAN SERİ ANALİZİNDE TEMEL KAVRAMLAR
ZAMAN SERİ ANALİZİNDE TEMEL KAVRAMLAR 1 KAVRAMLAR Öngörü: Gelecek olayları ya da koşulları tahmin etmeye öngörü denir. Karar verme sürecinde vazgeçilmez bir unsurdur. Nitel(kalitatif) Yöntemler: Öngörü
DetaylıZaman Serileri-1. If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist. IENG 481 Tahmin Yöntemleri Dr.
Zaman Serileri-1 If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere
DetaylıZaman Serileri. IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören
Zaman Serileri IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere sahip değișkenlere zaman serisi adı verilmektedir. Genel olarak zaman serisi,
Detaylı27 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
Detaylı2. 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
DetaylıAppendix 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
DetaylıYTÜ 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
DetaylıYTÜ 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
DetaylıİÇİNDEKİLER 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
Detaylı3. 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
DetaylıEME 3117 SİSTEM SIMÜLASYONU. Girdi Analizi. Özet İstatistikler ve Histogram (Minitab)(1) Örnek: Eczane İçin Servis Süreleri
EME 3117 1 2 Girdi Analizi SİSTEM SIMÜLASYONU Modellenecek sistemi (prosesi) dokümante et. Veri toplamak için bir plan geliştir. Veri topla. Verilerin grafiksel ve istatistiksel analizini yap. Girdi Analizi-I
Detaylı9. 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.
Detaylı3 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
DetaylıARALIK TAHMİNİ (INTERVAL ESTIMATION):
YTÜ-İktisat İstatistik II Aralık Tahmini I 1 ARALIK TAHMİNİ INTERVAL ESTIMATION): Nokta tahmininde ilgilenilen anakütle parametresine ilişkin örneklem bilgisinden hareketle tek bir sayı üretilir. Bir nokta
Detaylı009 BS 400- İstatistik sonılannın cevaplanmasında gerekli olabilecek tablolar ve formüller bu kitapçığın sonunda verilmiştir. 1. şağıdakilerden hangisi doğal birimdir? l TV alıcısı Bl Trafik kazası CL
DetaylıİÇİNDEKİLER. Ön Söz Saymanın Temel Kuralları Permütasyon (Sıralama) Kombinasyon (Gruplama) Binom Açılımı...
İÇİNDEKİLER Ön Söz... Saymanın Temel Kuralları... Permütasyon (Sıralama)... 8 Kombinasyon (Gruplama)... 6 Binom Açılımı... Olasılık... 9 İstatistik... 8... Dağılımlar... 5 Genel Tarama Sınavı... 6 RASTGELE
DetaylıÜSTEL 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
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıDoç. 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
DetaylıZaman 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
DetaylıRastgele 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
DetaylıEkonometri I VARSAYIMLARI
Ekonometri I ÇOK DEĞİŞKENLİ REGRESYON MODELİNİN VARSAYIMLARI Hüseyin Taştan Temmuz 23, 2006 İçindekiler 1 Varsayım MLR.1: Parametrelerde Doğrusallık 1 2 Varsayım MLR.2: Rassal Örnekleme 1 3 Varsayım MLR.3:
DetaylıEME Sistem Simülasyonu. Giriş. Olasılık Dağılımı. Rassal Degiskenler
EME 3105 1 Giriş Sistem Simülasyonu Önümüzdeki hafta simulasyon girdilerinin modellenmesinde kullanılan kesikli ve sürekli Simulasyonda İstatistiksel Modeller-I Ders 4 dağılımlar hatırlatılacaktır. Rassal
DetaylıZAMAN SERİLERİNDE REGRESYON ANALİZİ
ZAMAN SERİLERİNDE REGRESYON ANALİZİ 1 1. GİRİŞ Trent, serinin genelinde yukarıya ya da aşağıya doğru olan hareketlere denmektedir. Bu hareket bazen düz bir doğru şeklinde olmaktadır. Bu tür harekete sahip
DetaylıZaman 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
DetaylıZAMAN SERİLERİNDE AYRIŞTIRMA YÖNTEMLERİ
ZAMAN SERİLERİNDE AYRIŞTIRMA YÖNTEMLERİ 1 A. GİRİŞ Gözlemlerin belirli bir dönem için gün, hafta, ay, üç ay, altı ay, yıl gibi birbirini izleyen eşit aralıklarla yapılması ile elde edilen seriler zaman
DetaylıOLS 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
DetaylıStokastik Süreçler. Bir stokastik süreç ya da rastgele süreç şöyle tanımlanabilir.
Bir stokastik süreç ya da rastgele süreç şöyle tanımlanabilir. Zamanla değişen bir rastgele değişkendir. Rastgele değişkenin alacağı değer zamanla değişmektedir. Deney çıktılarına atanan rastgele bir zaman
DetaylıMatris Cebiriyle Çoklu Regresyon Modeli
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
DetaylıYapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( )
İKİ DEĞİŞKENLİ OLASILIK Rassal bir deneme yapılmakta ve farklı iki olay ile ilgilenilmektedir. A 1, A 2,,A i olayları bağdaşmaz ve bütünü kapsayıcıdır. B 1, B 2,,B j olayları bağdaşmaz ve bütünü kapsayıcıdır.
DetaylıZAMAN SERİSİ ANALİZİ. Ne ilginçtir ki, insanlar büyük ölçüde rassal olan şeylerde anlamlı örnekler bulmaya çalışır. Mr. Data Star Trek, 1992
ZAMAN SERİSİ ANALİZİ Ne ilginçtir ki, insanlar büyük ölçüde rassal olan şeylerde anlamlı örnekler bulmaya çalışır. Mr. Data Star Trek, 1992 Zaman Serisi Analizi İçin Temel Kavramlar Durağanlık ve Durağan
DetaylıKoşullu Öngörümleme. Bu nedenle koşullu öngörümleme gerçekleştirilmelidir.
Koşullu Öngörümleme Ex - ante (tasarlanan - umulan) öngörümleme söz konusu iken açıklayıcı değişkenlerin hatasız bir şekilde bilindiği varsayımı gerçekçi olmayan bir varsayımdır. Çünkü bazı açıklayıcı
DetaylıKümülatif Dağılım Fonksiyonları. F X (x) = P (X x) = P X (x) = P (X x) = p X (x ) f X (x) = df X(x) dx
Kümülatif Dağılım Fonksiyonları Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. F X (x) = P (X x) = x f X (x ) dx Sürekli
DetaylıCh. 12: Zaman Serisi Regresyonlarında Ardışık Bağıntı (Serial Correlation) ve Değişen Varyans
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri II Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 12: Zaman Serisi Regresyonlarında
DetaylıZaman Serileri Analizi. TFF Süper Lig 2018 Şampiyon Takımın Puan Tahmini İLYAS TUNÇ / SULTAN ŞENTEKİN. DANIŞMAN Yrd. Doç. Dr. Özge ELMASTAŞ GÜLTEKİN
2017 Zaman Serileri Analizi TFF Süper Lig 2018 Şampiyon Takımın Puan Tahmini İLYAS TUNÇ / SULTAN ŞENTEKİN DANIŞMAN Yrd. Doç. Dr. Özge ELMASTAŞ GÜLTEKİN Bornova 2017 İÇİNDEKİLER Özet 3 1) TFF Süper Lig
DetaylıTürkiye deki İş Kazalarının Box-Jenkins Tekniği ile İncelenmesi. Doç. Dr. Arzu ALTIN YAVUZ Ar. Gör. Barış ERGÜL Ar. Gör. Ebru GÜNDOĞAN AŞIK
Türkiye deki İş Kazalarının Box-Jenkins Tekniği ile İncelenmesi Doç. Dr. Arzu ALTIN YAVUZ Ar. Gör. Barış ERGÜL Ar. Gör. Ebru GÜNDOĞAN AŞIK Sunu Planı Giriş Bu bölümde İş Sağlığı ve Güvenliği ile ilgili
DetaylıMeslek lisesi ve devlet lisesine giden N tane öğrenci olduğu ve bunların yıllık okul harcamalarına ait verilerin olduğu varsayılsın.
KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller) Kukla değişkenlerin
DetaylıİÇİNDEKİLER ÖN SÖZ...
İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN
DetaylıZaman Serileri Ekonometrisine Giriş
Zaman Serileri Ekonometrisine Giriş Durağanlık ve Durağan-Dışılık Ekonometri 2 Konu 24 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike
DetaylıCh. 5: SEKK (OLS) nin Asimptotik Özellikleri
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. 5: SEKK (OLS) nin Asimptotik
DetaylıZAMAN SERİLERİ EKONOMETRİSİ I: DURAĞANLIK, BİRİM KÖKLER
ZAMAN SERİLERİ EKONOMETRİSİ I: DURAĞANLIK, BİRİM KÖKLER ZAMAN SERİLERİ VE TEMEL KAVRAMLAR Bir zaman serisi, bir değişkenin zaman içindeki hareketini gözlemler. Değişkenlere ilişkin değerler aylık, üç aylık,
DetaylıYTÜ 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
DetaylıYTÜ 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
Detaylı15.433 YATIRIM. Ders 2: Menkul Kıymetler ve Wall Street de Rassal Yürüyüş. Bahar 2003
15.433 YATIRIM Ders 2: Menkul Kıymetler ve Wall Street de Rassal Yürüyüş Bahar 2003 İçerik Olasılık Teorisi Olasılık dağılımlarının kısa bir gözden geçirmesi Rassal olayları normal olaylarla değerlendirmek
DetaylıSürelerine Göre Tahmin Tipleri
Girişimcilik Bölüm 5: Talep Tahmini scebi@ktu.edu.tr 5.1. Talep Tahmini Tahmin: Gelecek olayları önceden kestirme bilim ve sanatı. İstatistiksel Tahmin: Geçmiş verileri matematiksel modellerde kullanarak
DetaylıMIT 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.
DetaylıT.C. İNÖNÜ ÜNİVERSİTESİ SOSYAL BİLİMLERİ ENSTİTÜSÜ
T.C. İNÖNÜ ÜNİVERSİTESİ SOSYAL BİLİMLERİ ENSTİTÜSÜ ASİMETRİK NEDENSELLİK TESTİ VE İHRACAT- EKONOMİK BÜYÜME İLİŞKİSİ ÜZERİNE BİR UYGULAMA YÜKSEK LİSANS TEZİ DANIŞMAN HAZIRLAYAN YRD.DOÇ.DR.FATMA ZEREN A.KÜBRA
DetaylıÖrnek 4.1: Tablo 2 de verilen ham verilerin aritmetik ortalamasını hesaplayınız.
.4. Merkezi Eğilim ve Dağılım Ölçüleri Merkezi eğilim ölçüleri kitleye ilişkin bir değişkenin bütün farklı değerlerinin çevresinde toplandığı merkezi bir değeri gösterirler. Dağılım ölçüleri ise değişkenin
DetaylıANADOLU ÜNİVERSİTESİ. ENM 317 Prof. Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 Prof. Dr. Nihal ERGİNEL 2 ÖRNEKLEME Anakütleden n birimlik örnek alınması ve anakütle parametrelerinin örnekten tahmin edilmesidir. 3 ÖRNEKLEME ALMANIN NEDENLERİ Anakütleye
Detaylı2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK
Soru 1 X rassal değişkeninin olasılık yoğunluk fonksiyonu x x, x> f ( x) = 0, dy. 1 werilmiş ve Y = rassal değişkeni tanımlamış ise, Y değişkenin 0< 1 X 1 y için olasılık yoğunluk fonksiyonu aşağıdaki
DetaylıÖrneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir.
ÇIKARSAMALI İSTATİSTİKLER Çıkarsamalı istatistikler, örneklemden elde edilen değerler üzerinde kitleyi tanımlamak için uygulanan istatistiksel yöntemlerdir. Çıkarsamalı istatistikler; Tahmin Hipotez Testleri
DetaylıARIMA MODELLERİ KULLANILARAK YAPILAN ENERJİ TÜKETİMİ TAHMİN ÇALIŞMASI
ARIMA MODELLERİ KULLANILARAK YAPILAN ENERJİ TÜKETİMİ TAHMİN ÇALIŞMASI Mehmet KURBAN 1 Ümmühan BAŞARAN FİLİK 2 Sevil ŞENTÜRK 3 1,2 Elektrik ve Elektronik Mühendisliği Bölümü, Mühendislik-Mimarlık Fakültesi,
Detaylıİstatistiksel 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
DetaylıTEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ
TEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ 1 İstatistik İstatistik, belirsizliğin veya eksik bilginin söz konusu olduğu durumlarda çıkarımlar yapmak ve karar vermek için sayısal verilerin
DetaylıISTATISTIK 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,
DetaylıBASİT 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
DetaylıSIRADAN 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
DetaylıBekleme Hattı Teorisi
Bekleme Hattı Teorisi Sürekli Parametreli Markov Zincirleri Tanım 1. * +, durum uzayı * +olan sürekli parametreli bir süreç olsun. Aşağıdaki özellik geçerli olduğunda bu sürece sürekli parametreli Markov
DetaylıDers 4: Rastgele Değişkenler ve Dağılımları
Ders 4: Rastgele Değişkenler ve Dağılımları Rastgele değişken kavramı Kesikli ve sürekli rastgele değişkenler İki boyutlu rastgele değişkenler Beklenen değer Varyans Örnek uzaydaki her elemanı bir sayıyla
DetaylıAKT201 Matematiksel İstatistik I Yrd. Doç. Dr. Könül Bayramoğlu Kavlak
AKT20 Matematiksel İstatistik I 207-208 Güz Dönemi AKT20 MATEMATİKSEL İSTATİSTİK I ÖDEV 6 Son Teslim Tarihi: 29 Aralık 207 Cuma, Saat: 5:00 (Ödevlerinizi Arş. Gör. Ezgi NEVRUZ a elden teslim ediniz.) (SORU
DetaylıIE 303T Sistem Benzetimi
IE 303T Sistem Benzetimi 1 L E C T U R E 5 : O L A S I L I K T E K R A R 2 Review of the Last Lecture Random Variables Beklenen Değer ve Varyans Moment Kesikli Dağılımlar Bernoulli Dağılımı Binom Dağılımı
DetaylıAppendix C: İstatistiksel Çıkarsama
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama
DetaylıYTÜ 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.
DetaylıHerhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır.
Kümülatif Dağılım Fonksiyonları Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. F X (x) = P (X x) = x f X(x ) dx Sürekli
Detaylı1.58 arasındaki her bir değeri alabileceği için sürekli bir
7.SUNUM Hatırlanacağı gibi, kesikli rassal değişkenler sonlu (örneğin; 0, 1, 2,...,10) veya sayılabilir sonsuzlukta (örneğin; 0, 1, 2,...) değerler alabilmektedir. Fakat birçok uygulamada, rassal değişkenin
DetaylıTahminleme Yöntemleri-2
PAU ENDÜSTRİ MÜHENDİSLİĞİ IENG 318 - Üretim Planlama ve Kontrolü 1 Tahminleme Yöntemleri-2 İçerik 1. Mevsimsel Değişim Bazlı Teknik 2. Box-Jenkins Modelleri 3. Tahmin Yöntemlerini Uygulamada Dikkat Edilmesi
Detaylıİstatistik 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
DetaylıMIT 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.
DetaylıİSTATİSTİKSEL VERİ ANALİZİ
İSTATİSTİKSEL VERİ ANALİZİ Prof. Dr. Gül ERGÜN Hacettepe Üniversitesi Kasım 2013 İstatistik Nedir? İSTATİSTİK Belirli bir konuda toplanan sayısal değerlerdir. Buna göre, 2012 yılında Türkiye de kayıtlı
DetaylıTesadüfi Değişken. w ( )
1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere
DetaylıALIŞTIRMA 2 GSYİH. Toplamsal Ayrıştırma Yöntemi
ALIŞTIRMA 2 GSYİH Bu çalışmamızda GSYİH serisinin toplamsal ve çarpımsal ayrıştırma yöntemine göre modellenip modellenemeyeceği incelenecektir. Seri ilk olarak toplamsal ayrıştırma yöntemine göre analiz
DetaylıIE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R
IE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R Geçen Ders Envanter yonetımı: Gazetecı problemı Rastsal Rakamlar Üret Talebi hesapla Geliri hesapla Toplam maliyeti hesapla Günlük ve aylık
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
DetaylıİSTATİSTİK I KISA ÖZET KOLAYAOF
DİKKATİNİZE: BURADA SADECE ÖZETİN İLK ÜNİTESİ SİZE ÖRNEK OLARAK GÖSTERİLMİŞTİR. ÖZETİN TAMAMININ KAÇ SAYFA OLDUĞUNU ÜNİTELERİ İÇİNDEKİLER BÖLÜMÜNDEN GÖREBİLİRSİNİZ. İSTATİSTİK I KISA ÖZET KOLAYAOF 2 Kolayaof.com
DetaylıYatırım Analizi ve Portföy Yönetimi 5. Hafta
Yatırım Analizi ve Portföy Yönetimi 5. Hafta Dr. Mevlüt CAMGÖZ 1 Dr. Mevlüt Camgöz İçerik Tek Endeks / Pazar Modeli Sistematik Risk Sistematik Olmayan Risk Sermaye Varlıklarını Fiyatlandırma Modeli (SVFM)
DetaylıMühendislikte İstatistik Yöntemler
.0.0 Mühendislikte İstatistik Yöntemler İstatistik Parametreler Tarih Qma.3.98 4..98 0.3.983 45 7..984 37.3.985 48 0.4.986 67.4.987 5 0.3.988 45.5.989 34.3.990 59.4.99 3 4 34 5 37 6 45 7 45 8 48 9 5 0
DetaylıYatırım Analizi ve Portföy Yönetimi 6. Hafta
Yatırım Analizi ve Portföy Yönetimi 6. Hafta Dr. Mevlüt CAMGÖZ 1 Dr. Mevlüt CAMGÖZ İçerik Karakteristik Doğru ve Beta Katsayısı Karakteristik Doğrunun Tahmini Beta Katsayısının Hesaplanması Agresif ve
DetaylıRASSAL 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
DetaylıTahminleme Yöntemleri
PAU ENDÜSTRİ MÜHENDİSLİĞİ IENG 318 - Üretim Planlama ve Kontrolü Tahminleme Yöntemleri 2012-2013 Bahar Yarıyılı 1 İçerik 1. Talep Tahmini Kavramı 2. Talep Tahminlerinin Kullanım Yeri 3. Talep Tahmin Modelleri
DetaylıİSTATİSTİK 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
DetaylıİSTATİSTİK STATISTICS (2+0) Yrd.Doç.Dr. Nil TOPLAN SAÜ.MÜH. FAK. METALURJİ VE MALZEME MÜH. BÖLÜMÜ ÖĞRETİM ÜYESİ ÖĞRETİM YILI
İSTATİSTİK STATISTICS (+) Yrd.Doç.Dr. Nil TOPLAN SAÜ.MÜH. FAK. METALURJİ VE MALZEME MÜH. BÖLÜMÜ ÖĞRETİM ÜYESİ ÖĞRETİM YILI KONU BAŞLIKLARI :. İSTATİSTİĞE GİRİŞ. VERİLERİN DÜZENLENMESİ. MERKEZİ EĞİLİM ÖLÇÜLERİ.
Detaylıaltında 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
DetaylıUYGULAMALI EKONOMETRİ I. Veri Analizi
UYGULAMALI EKONOMETRİ I Veri Analizi Temel Veri Analizi İstatistiksel yada ekonometrik araçları kullanmadan önce veriyi hissetmek için ön analiz oldukça önemlidir. Bu süreç regresyon analizi ve sonuçların
DetaylıRASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007
RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 007 1 Tekdüze Dağılım Bir X rasgele değişkenin, a ve b arasında tekdüze dağılımlı olabilmesi için olasılık yoğunluk
DetaylıÇIKTI ANALİZİ BENZETİM TÜRLERİ
ÇIKTI ANALİZİ BENZETİM TÜRLERİ Çıktı analizi benzetimden üretilen verilerin analizidir. Çıktı analizinde amaç, bir sistemin performansını tahmin etmek ya da iki veya daha fazla alternatif sistemlerin performansını
Detaylı2018 İKİNCİ SEVİYE AKTÜERLİK SINAVLARI RİSK ANALİZİ VE AKTÜERYAL MODELLEME 12 MAYIS 2018
2018 İKİNCİ SEVİYE AKTÜERLİK SINAVLARI RİSK ANALİZİ VE AKTÜERYAL MODELLEME 12 MAYIS 2018 Sigortacılık Eğitim Merkezi (SEGEM) tarafından hazırlanmış olan bu sınav sorularının her hakkı saklıdır. Hangi amaçla
DetaylıMIT 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.
DetaylıRD lerin Fonksiyonları
RD lerin Fonksiyonları Diğer değişkenler gibi rastgele değişkenlerin de fonksiyonları olur Örneğin 0 ile 1 arasında rastgele seçilmiş bir çap uzunluğu ile oluşturulan dairenin alanı bir RD olarak çap uzunluğunun
DetaylıHatalar 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
Detaylı14 Ekim Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi
DEĞİŞEN VARYANS 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: Değişen Varyans
DetaylıANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER DOÇ. DR. NİHAL ERGİNEL 2015 X beklenen değeri B[X] ile gösterilir. B[X] = BEKLENEN DEĞER Belli bir malzeme taşınan kolilerin ağırlıkları
Detaylı0,5749. Menkul Kıymet Getirisi ve Riskinin Hesaplanması Tek dönemlik basit getiri (Kesikli getiri)
Menkul Kıymet Getirisi ve Riskinin Hesaplanması Tek dönemlik basit getiri (Kesikli getiri) R t : t dönemlik basit getiri P t : t dönemdeki fiyat P t-1 : t dönemden önceki fiyat Örneğin, THYAO hisse senedinin
DetaylıA 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)
Detaylıİstatistik, genel olarak, rassal bir olayı (ya da deneyi) matematiksel olarak modellemek ve bu model yardımıyla, anakütlenin bilinmeyen karakteristik
6.SUNUM İstatistik, genel olarak, rassal bir olayı (ya da deneyi) matematiksel olarak modellemek ve bu model yardımıyla, anakütlenin bilinmeyen karakteristik özellikleri (ortalama, varyans v.b. gibi) hakkında
DetaylıMAK 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
DetaylıRastgele Değişkenlerin Dağılımları. Mühendislikte İstatistik Yöntemler
Rastgele Değişkenlerin Dağılımları Mühendislikte İstatistik Yöntemler Ayrık Rastgele Değişkenler ve Olasılık Dağılımları Yapılan çalışmalarda elde edilen verilerin dağılışı ve dağılış fonksiyonu her seferinde
DetaylıBu örnekte kullanılan veri 200 gözleme sahiptir ve örnek için özel olarak oluşturulmuştur.
Değişen Varyans Örnek Bu örnekte kullanılan veri 200 gözleme sahiptir ve örnek için özel olarak oluşturulmuştur. 1 Aşağıda yer alan denklemi tahmin edelim; y i = β 0 + β 1 x 1i + β 2 x 2i + u i EViews
DetaylıEME 3117 SİSTEM SİMÜLASYONU. Rassal Sayı ve Rassal Değer. Üretimi. Rassal Sayı Üretimi
..4 EME 7 Rassal Sayı ve Rassal Değer Üretimi SİSTEM SİMÜLASYONU Rassal Sayı ve Rassal Değer Üretimi Ders Girdi Analizi bölümünde gözlemlerden elde edilen verilere en uygun dağılımı uydurmuştuk. Bu günkü
Detaylı