Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
A.O.F.F. Döner Sermaye<br />
I şletmesi Yay ınlar ı<br />
No: 38<br />
LİNEER <strong>MODELLER</strong><br />
Y = Xfi+<br />
= (X' X) - 1X'Y<br />
Prof. Dr. Fikri AKDEN İZ Doç.Dr. Fikri ÖZTÜRK<br />
ANKARA<br />
1996
ÖNSÖZ<br />
Bu kitap Prof Dr. Fikri Akdeniz'in 1978 y ılından itibaren ve Doç.Dr.<br />
Fikri Öztürk'ün 1985 y ılından itibaren okutmakta olduklan Lineer<br />
Modeller dersindeki ders notlar ının bir kısmının düzenlenmesi sonucu<br />
ortaya ç ıkmıştır. Ders notlann ın ve kitab ın hazırlanışında büyük ölçüde<br />
F.A.Graybill'in kaynaklarda gösterilen kitaplar ından faydalan ılmıştır.<br />
Graybill'in anlatış tarz ı geometrik yorumlarla desteklenmeye çal ışılmıştır.<br />
Böyle bir kitab ı yazmaktaki amaçlar ımızdan ba şl ıcas ı lisans üstü<br />
eğitimine yeni başlayan yüksek lisans öğrencileri ile lisans e ğitimini<br />
sürdüren son sınıf öğrencilerine türkçe bir kaynak olu şturmakt ır. Kitap ile<br />
hedefienen, ö ğrencilere veya Lineer Modeller ile ilgilenmeyi dü şünenlere<br />
başlangıç kavramlanm ve giri ş konularını iyi bir düzeyde verip bundan<br />
sonraki bilgileri öğrenmelerini kolayla ştıracak bir temel olu şturmakt ır.<br />
Kitap dört bölümden olu şmaktadır. Ana hatlar olarak birinci<br />
bölümde; vektör uzay ı, dik izdüşürn, ikinci bölümde; matrislerin<br />
genelle ştirilmi ş inversleri, üçüncü bölümde; normal da ğılımlı rasgele<br />
vektörlerin karesel founlann ın dağıl ımları ve dördüncü bölümde; Lineer<br />
Modeller'de tahmin ve hipotez testi konular ı üzerinde durulmaktadır.<br />
Bölüm sonralarmdaki problemler konuyu tamamlay ıcı niteliktedir. Az<br />
sayıda olmas ına özen gösterilen problemlerin baz ılan konu içindeki<br />
teoremlerin ispatlanmas ı olup bu ispatlar birçok kitapta bulunabilir.<br />
Lineer Modeller'e giri ş niteliğinde olan bu kitabm, okuyucular<br />
tarafından gelecek ele ştiri ve tavsiyelerle daha iyi bir hale gelece ği<br />
kanaatindeyiz. Var olabilecek her türlü yazan ve mant ık hatas ından dolayı<br />
okuyucuların ho şgörüsüne sığınırız.<br />
Bilgisayar dizgisi s ıras ında yard ımlanm gördüğümüz de ğerli yüksek<br />
lisans öğrencisi Zafer Küçülc'e ve kitab ın baskıs ını gerçekle ştiren Ankara<br />
Üniversitesi Fen Fakültesi Teksir Merkezi yönetici ve çal ışanlarına<br />
teşektirlerirnizi sunan.<br />
Prof Dr. Fikri Akdeniz<br />
Çukurova Üniversitesi<br />
Matematik Bölümü<br />
Doç.Dr. Fikri Öztürk<br />
Ankara Üniversitesi<br />
Istatistik Bölümü<br />
15 Şubat 1996
İÇ İNDEK İLER<br />
Gösterimler<br />
1.Bölüm Genel Bilgiler<br />
1.1 Vektör Uzaylan<br />
1.2 İç Çarp ım ve Normlu Vektör Uzaylar ı 6<br />
1.3 Alt Vektör Uzaylar ı ve İzdü şüm 12<br />
1.4 Lineer Dönü şüm 19<br />
Problemler 26<br />
2.Bölüm Matrisler ve Genelle ştirilmi ş İnversler<br />
2.1 Baz ı Hatırlatmalar 28<br />
2.1.1 Matrislerin Kö şegensel Matrislere İndirgenmesi 29<br />
2.1.2 Özdeğerler, Özvektörler ve Spektral Ayn şım 32<br />
2.1.3 Parçalanmış Matrisler ve Matrislerin Kronecker Çarp ımı 35<br />
2.1.4 Pozitif Tammh Matrisler 36<br />
2.1.5 Idempotent Matrisler 37<br />
2.1.6 Bir Matrisin izi (Trace) ve Rank ı İle Ilgili Baz ı Teoremler 38<br />
2.1.7 Karesel ve Lineer Formlann Türevleri 41<br />
2.1.8 Fonksiyonlarm Maksimum ve Minimum De ğerleri 47<br />
2.2 Lineer Denklem Sistemlerinin Çözümü ve Matrisler İçin<br />
Genelle ştirilmi ş İnvers Kavram ı 49<br />
2.3 Bir Optimizasyon Problemi ve<br />
Moore-Penrose Genelle ştirilmi ş İnversi 55<br />
2.4 Matrislerin Genelle ştirilmi ş inversteri 66<br />
2.4.1 Penrose Denklemleri 66<br />
2.4.2 {1,2} -Ko şullu İnversler 69<br />
2.4.3 {1,2,3} -Ko şullu ve {1,2,4}-Ko şullu İnversler 70<br />
2.4.4 {1,3 }-Ko şullu ve {1,4} -Ko şullu İnversler 71<br />
2.4.5 Kısıtlı Genelle ştirilmi ş İnversler 72<br />
2.4.6 En-Küçük Kareler ve A ğırl ıkl ı Genelle ştirilmi ş İnversler 74<br />
2.4.7 Parçalanmış Matrislerin Genelle ştirilmi ş İnversleri 76<br />
Problemler 79
3.Bölüm Normal Dag ıl ıml ı Rasgele Vektörlerin<br />
Karesel Formlar ın ın Dag ıl ımlar ı<br />
3.1 Normal Dağı lım 81<br />
3.2 Çok Değişkenli Normal Da ğılımda Marjinal ve<br />
Ko şullu Dağılımlar 87<br />
3.3 Ki-Kare Dağılımı 95<br />
3,4 t-Dağılımı 102<br />
3.5 F-Dağıl ımı 104<br />
3.6 Karesel Formlar ın Dağılmılan 106<br />
3.7 Karesel Formlar ın Beklenen Değeri ve Varyans ı 113<br />
3.8 Normal Da ğılıml ı Rasgele Vektörlerin Lineer ve Karesel<br />
Formlarm ın Ba ğımsızlığı. Cochran Teoremi 114<br />
3.9 Karesel Foıııılar ın Dağıhmlan İle Ilgili Bazı Örnekler 115<br />
Problemler 119<br />
4.Bölüm Lineer Model<br />
4.1 Baz ı Lineer Model Örnekleri 123<br />
4.1.1 Bir Aç ıklayıcı Deği şkenli Lineer Modeller 123<br />
4.1.2 Birden Çok Aç ıklayıcı Değişkenli Lineer Modeller.. 126<br />
4.1.3 Tasanm Modelleri 130<br />
4.1.4 Varyans Bile şenleri ve Kan şık Modeller 135<br />
4.1.5 Rasgele Katsayılı Modeller 137<br />
4.1.6 Ölçme Hatas ı Içeren Modeller 140<br />
4.2 Parametre Tahmini 141<br />
4.2.1 1.Durum (c — N (0,0 2 I)) 141<br />
4.2.2 2.Durum (e- (O, 0-2n) 153<br />
4.2.3 3.Durum N(0,0-2V)) 156<br />
4.2.4 Karar Kuram ı Açıs ından Parametre Tahmini 159<br />
4.2.5 Lineer Tahmin Edilebilme 166<br />
4.3 Hipotez Testi 180<br />
4.3.1 Tam Rankl ı Modelde Hi3=h Hipotezi 181<br />
4.3.2 Olabilirlik Oram Test İstatistiğinin Lagrange Çarpanlar ı<br />
Yöntemi İle Elde Edilmesi 187<br />
4.3.3 Olabilirlik Oram Test İstatistiğinin Bazı Gösterimleri ve<br />
Özel Halleri 190
4.3.4 Tam Rankl ı Olmayan Modelde Hp= o Hipotezi 198<br />
4.4 Güven Aral ıklan 201<br />
4.4.1 Bireysel Güven Aral ıklan 201<br />
4.4.2 Eş Anl ı Güven Aral ıklan 203<br />
4.4.3 Tam Rankl ı Olmayan Modellerde Güven Aral ıklan 207<br />
4.5 Baz ı Lineer Model Uygulamalar ı 208<br />
4.5.1 öngörii (Prediction) Aral ıklan 208<br />
4.5.2 Tolerans Noktalar ı 211<br />
4.5.3 Kalibrasyon Problemi 213<br />
4.5.4 Lineer Modellerin Özde şliği 218<br />
4.5.5 Basit Lineer Modellerde Paralellik ve Kesi şme 220<br />
Hipotezleri<br />
4.5.6 Kesi şme Noktas ının Tahmini 223<br />
4.5.7 Optimal Tasar ım 226<br />
4.5.8 Varyans Analizi Tablosu 229<br />
4.5.9 Bir Faktörlü ve İki Faktörlü Deney Tasar ımı 233<br />
4.5.10 Varsayımlann Smanmas ı 240<br />
Problemler 244<br />
Kaynaklar
GÖSTERİMLER<br />
R : reel say ılar kümesi.<br />
R n : reel say ıların sıral ı n-lilerinin kümesi ve ayn ı zamanda Euclide iç<br />
çarp ım ı ile donatılmış standart vektör uzay ı .<br />
Rnxm : elemanlan reel say ılar olan n x m tipinde matrislerin kümesi.<br />
R nx1 : n-bile şenli sütun vektörlerinin uzay ı .<br />
R ıxn n-bile şenli sat ır vektörlerinin uzay ı .<br />
x : sütun vektörü (X E R n xl , X E R n ).<br />
x' : satır, vektörü (x, €R1xn).<br />
A' : A matrisinin transpozu (A E Rnxm ise A' E İ nxn ).<br />
"A) A matrisine kar şılık gelen lineer dönü şümün veya kısaca A nın<br />
görüntü uzay ı .<br />
[A] : A matrisinin sütun vektörlerinin gerdi ği uzay ([A] = R(A)).<br />
N (A) : A matrisine kar şıl ık gelen lineer dönü şümün çekirdeği.<br />
S(A) : A matrisinin satır vektörlerinin gerdi ği uzay.<br />
Pu ,v : V alt uzay ı boyunca I/ alt uzay ı üzerine izdü şüm dönü şümü.<br />
Pu : LI alt uzayı üzerine dik izdü şüm dönüşümü.<br />
A — , A (1) : A matrisinin {1}-ko şullu genelle ştirilmi ş inversi (genelle ştirilmi<br />
ş inverslerinden birisi).<br />
A{ 1 } : A matrisinin {1}-ko şullu genelle ştirilmi ş inverslerinin kümesi.<br />
A + : A matrisinin Moore-Penrose tipi genelle ştirilmi ş inversi.<br />
FO ,q) serbestlik dereceleri p,q olan F dağılımı .<br />
F a;p,q : serbestlik dereceleri p,q olan F dağılımında, solundaki alan a<br />
olan değer.
I.Boıtim<br />
GENEL B İLGİLER<br />
1<br />
Bu bölümde tan ımı verilmeyen ve yeterince aç ıklanamayan baz ı<br />
kavramlar ile ispat ı verilmeyen baz ı teoremler îçin kaynaklarda belirtilen<br />
Graybill (1983) ile Eaton (1983) 'nun kitaplanna bak ılabilir.<br />
1.1 VEKTÖR UZAYLARI<br />
Bu k ı s ımda vektör uzaylar ı ile ilgili baz ı temel kavram ve özellikler<br />
hat ırlat ılacakt ır.<br />
TANIM 1.1.1 , A boş olmayan bir küme ve<br />
*:AxA —>A<br />
bir i şlem olmak üzere :<br />
a) (a* h)* e = a* (b* c)<br />
b Va E A için a* e = e* a= a olacak şekilde e E A var,<br />
c) Va e A için a* a -' = a-1 *a = e olacak şekilde a-1 E A var,<br />
özellikleri sağland ığında (A,*) ikilisine veya * i şlemi alt ında A kümesine<br />
bir grup denir.<br />
Bir grupta b) özelli ğini sağlayan ve birim eleman, yada etkisiz<br />
eleman ismini ta şıyan eleman ın bir tek olduğu kolayca gösterilebilir.<br />
Gerçekten; i e A ele ınan ı da b) özelliğini sağl ıyorsa i elemanin ın e<br />
üzerindeki etkisi,<br />
e*i=i*e=e<br />
biçiminde olacakt ır. Diğer taraftan e nin i üzerindeki etkisi,<br />
i*e=e*i=i<br />
olduğundan e = i d ır.
2<br />
Bir grupta bir eleman için c) özelligini sa ğlayan ve ters eleman ismini<br />
ta şıyan eleman ın bir tek olduğunu gösteriniz.<br />
ÖRNEK 1.1.1 Elemanlar ı reel say ılar olan 2 x 2 lik regüler matrislerin<br />
kümesi,<br />
G = {[ X :x,y,Z,VE R ve xv — O}<br />
ve<br />
i şlemi,<br />
*:G x G -> G<br />
r x yl * r a<br />
vj [c<br />
= r xa + yc xb + ydl<br />
d j L + vc +<br />
olmak üzere (G,*) ikilisi bir g,rupdur. Bu grubun birim eleman<br />
eleman ıd ır ve bir eleman ın ters eleman' da,<br />
o<br />
[o ı l<br />
d ır. (Problem 1.1)<br />
v<br />
xv -<br />
xv<br />
Y<br />
xv - yz<br />
xv - _<br />
Bir gruptaki i şlem deği şmeli ise bu gruba de ğişmeli grup veya Abel<br />
grubu denir.<br />
TANIM 1.1.2 (A,*, ®) üçlüsü için:<br />
i) (A,*) ikilisi bir Abel grubu (e bu grubun birim eleman')<br />
ii) (A - {e} ,O) ikilisi bir Abel grubu<br />
iii) (a* 1))0 e = c ® (a* b)= (c a)* (c ® b)<br />
özellikleri sağland ığında bu üçlüye veya * ile ® i şlemleri alt ında A<br />
kümesine bir eisim denir.
Bildiğimiz gibi R reel say ılar, toplama ve çarpma i şlemleri altında<br />
bir cisi ııı olacak şekilde olu şturulmu ştur. Yani (R,+,.) üçlüsü bir cisimdir.<br />
Q rasyonel say ılar kümesi olmak üzere, (Q, + ,.) da bir cisimdir. R ile Q nun<br />
her ikisi de say ılarda toplama ve çarpma i şlemleri alt ında birer cisim<br />
olmalanna ra ğmen R kümesinin elemanlan taml ık özelliğine de sahiptir,<br />
yani reel say ılar ın her Chaushy dizisi R de yak ınsakt ır.<br />
Kompleks say ılar da kompleks say ılar için toplama ve çarpma<br />
i şlemleri alt ında bir cisimdir. Bundan sonra vektör uzay ı kavram ında yer<br />
alacak olan cisi ın R reel say ılar cismi olacakt ır.<br />
TANIM 1.1.3 bo ş olmayan bir küme ve la ile • i şlemleri,<br />
G: rxv-->v • : RxV -41 7<br />
biçiminde olmak üzere;<br />
i) (V, o) bir Abel gubu,<br />
ii) v ıı,v E V ve a,h e R için<br />
o) (a.b)•v=a•(b•v)<br />
b) (a + b)• v (a • v)(1)(b • v)<br />
c) a • (v (s.€ u) (a • v)ED (a • u)<br />
d) l•v=v<br />
özellikleri sağlandığında (V,R,ED,•)dörtlüsüne veya, ED vektör toplama ve<br />
• skaler ile çarpma i şlemleri alt ında V kümesine R cismi üzerinde bir<br />
vektör uzay ı denir. v nin elemanlanna da vektör denir.<br />
ÖRNEK 1.1.2 R" reel say ılar ın s ıral ı n-lilerinin kümesi,<br />
e.D.R" x R" R''<br />
i şlemi,<br />
ve<br />
i şlemi,<br />
(al ,a2 , ..,a„)G (bi ,b2 ,...,h„) ((al +l1,a, + b2 ,...,a„ + b„)<br />
• . R x R" --> R"<br />
c • (al ,a2 ,...,a„) =<br />
olmak üzere, (R",R,e),•)bir vektör uzay ıd ır. Bu vektör uzay ını R 1" ile<br />
gösterelim. Bu uzay ın elemanlanna n-bile şenli sat ır vektörleri denir.<br />
3
4<br />
Rnx kümesi,<br />
a,<br />
olmak üzere,<br />
i şlemi,<br />
a„<br />
89 : R" xl x R" xl --> R" >
Rix" nin elemanlar ın ı<br />
a'= (ai,a2 ,...,an )<br />
5<br />
Xk =(Xk ı , Xk2 , •••,Xkıı )<br />
biçiminde gösterece ğiz.<br />
Rlxn veya Rnxl<br />
R ix" ile R"x l uzaylan farkl ı iki vektör uzay ıd ır. R"<br />
sözkonusu olduğunda hangisinden bahsedildi ği aç ık olarak anla şılıyorsa<br />
üçü de R" ile gösterilecektir. Özel olarak R" standart vektör uzay ı<br />
dendiğinde, lex l sözkonusu olaca ğın ı belirtelim.<br />
ÖRNEK 1.1.3 Itn>"" kümesi nx m boyutlu reel elemanl ı matrislerin kümesi<br />
olmak üzere matris toplam ı ve matrislerin skaler ile çarp ımı işlemleri<br />
alt ında M"' , R üzerinde bir vektör uzay ıdır. (Problem 1.5)<br />
ÖRNEK 1.1.4 o bo ş olmayan bir küme ve v , si dan R ye tanımlı<br />
fonksiyonlar ın kümesi olsun.<br />
i şlemi,<br />
ve<br />
i şlemi,<br />
ED:17 xV---> V<br />
(f ,g)—> f g<br />
f g:S2 —><br />
f g(x) = f (x)+ g(x)<br />
•:RxV ---> V<br />
(c,f)—> c • f<br />
c• f:S2—> R<br />
x—> c• f(x)= cf(x)<br />
olmak üzere V kümesi bu i şlemler ile R üzerinde bir vektör uzay ıdır.<br />
(Problem 1.6)
6<br />
Kar ışıkl ığa yol açmad ığı takdirde bir V vektör uzay ında skaler ile<br />
çarpma i şlemini gösteren • i şareti, reel say ılardaki çarpma i şlemindeki<br />
nokta i şareti ııde olduğu gibi yaz ı l ınamakta ve vektörleri toplama i şareti, Ce<br />
yerine de + i şareti yaz ı l ınaktad ır. Örneğin u, ı, E V ve a,b ER için<br />
(a • u)(13(b • v) yerine k ısaca au+bv yaz ılacakt ır.<br />
1.2 İÇ ÇARPIM VE NORMLU VEKTÖR UZAYLAR<br />
Bu k ı s ımda bir vektör uzay ın elemanlar ına pozitif bir reel say ı<br />
kar şı l ık getiren ve genellikle vektörün büyüklü ğü olarak yorumlanan norm<br />
kavram ı ile vektör uzay ın iki eleman ına bir reel say ı karşı l ık getiren ve<br />
vektörler aras ında ili şki veya aç ı gibi kavramlann tan ımlanmas ında faydal ı<br />
olan iç çarp ım kavram ı hat ırlat ılacakt ır.<br />
TANIM 1.2.1 V bir vektör uzay ı olmak üzere<br />
fonksiyonu:<br />
II II : v<br />
v<br />
R<br />
i) Vv için 111112 O<br />
ii)11111= O cş = O<br />
ili) Va ER ve Vv EV için<br />
iv) V ıı,v E V için<br />
il" +<br />
özelliklerini sa ğlad ığında, 1111 fonksiyonuna norm 11v11 sayıs ına<br />
vektörtiniin normu, (V,1111) ikilisine de nonnlu vektör uzay ı denir.<br />
ÖRNEK 1.2.1 R de,<br />
x -->I1x11= lxl= { -<br />
x<br />
x x < 0<br />
fonksiyonu bir normdur.
ÖRNEK 1.2.2 R" standart vektör uzay ında,<br />
7<br />
aeR" için :<br />
1 )IIaII =<br />
P<br />
2) IhII = ( Eki )"„ P , p > 1 (Ip normu)<br />
İ =i<br />
3) =<br />
ai2)1/2<br />
i =1<br />
(Euclide normu)<br />
olarak tan ımb 11.11 fonksiyonlar ı birer normdur.<br />
ÖRNEK 1.2.3 R"'” vektör uzay ında A =(aij ) E le x " için,<br />
a) HAN = max(<br />
i 1<br />
n „<br />
b) IIAL= max( E lau l)<br />
j= i<br />
e) 11A112 = (A' A n ın en büyük &değeri) ! /2<br />
d) 11/111£ = (Z E a 2 .) 112<br />
i=ij=1<br />
e) IlAll= E E lau l<br />
i=1j=1<br />
f )IIAII= max{la ul : i = 1,2,...,n , j =<br />
olarak tan ıml ı fonksiyonlar birer normdur.
8<br />
ÖRNEK 1.2.4 [a,h] c I? kapal ı aral ığı üzerinde tamml ı reel değerli sürekli<br />
fonksiyonlar ın kümesi t' olsun. v kümesi Örnek 1.1.4 deki i şlemler ile R<br />
üzerinde bir vektör uzay ıd ır.<br />
11.11<br />
f --> lif II = (<br />
bi( f (x)) 2 dx) 1/2<br />
a<br />
fonksiyonu t' üzerinde bir normdur.<br />
TANIM 1.2.2 v bir vektör uzay ı olmak üzere,<br />
fonksiyonu :<br />
(u, v) --> <br />
i) < 11,v >=<br />
ii)<br />
a,b e R için;<br />
< bv,z >= a +b < v,z ><br />
iii) v 0 için < v,v> > 0 , v =O için < v,v >-= O<br />
özelliklerini sağladığında, < u,v > say ı s ına ıl ile v nin iç çarp ım ı ve<br />
(V,) ikilisine de iç çarp ım uzay ı denir.<br />
ÖRNEK 1.2.5 R" standart vektör uzay ında a,b e R n için ,<br />
n<br />
=<br />
= ı<br />
olarak tan ınd ı fonksiyonu bir iç çarp ımd ır. Bu iç çarp ıma Euclide iç<br />
çarp ı m ı denir. Bu iç çarp ım ile birlikte R" standart vektör uzay ına Euclide<br />
uzay ı denir. Bu iç çarp ıma vektörlerin skaler çarp ımı da denir ve<br />
a' b =<br />
ı<br />
gosterimi kullan ılmaktad ır.<br />
n
ÖRNEK 1.2.6 Rnxin de A, B E R' için<br />
9<br />
< A, R >= E E aijk<br />
i =t j= ı<br />
olarak tan ım!' fonksiyonu bir iç çarp ımd ır.<br />
n<br />
ııı<br />
ÖRNEK 1.27 Örnek 1.2.4 deki v vektör uzay ında f ,g EV için<br />
h<br />
< f ,g >= f (x)g(x)dx<br />
olarak tan ım ı' fonksiyonu bir iç çarp ımd ır.<br />
TEOREM 1.2.1 (V,) bir iç çarp ım uzay ı olmak üzere,<br />
(< ıı , ı, >)2 t ı,u >< v}»<br />
d ır. (Cauchy-Schwarz<br />
ISPAT • (Problem 1.7)<br />
TEOREM 1.2.2 (V,) bir iç çarp ım uzay ı olmak üzere iç çarp ım<br />
yard ım ıyla tan ınd ı,<br />
1[1. I - -4 R<br />
İSPAT• (Problem 1.7)<br />
Il -4111111 < > = (< 1d,11 >) Y2<br />
fonksiyonu V de bir normdur.
10<br />
Bir iç çarpl ın uzay ında ayr ıca bir norm verilmemi şse norm olarak bu<br />
iç çarp ıma dayal ı 11.11
vektörleri (2,2,0) , (0,0,3) e R 3 s ıral ı üçlüsüne kar şılık gelen A(2,2,0) ,<br />
B(0,0,3) noktalar ı ve 0(0,0,0) noktas ı yard ım ıyla bir dik koordinat<br />
sisteminde OA , OB yönlendirilmi ş doğru parçalara olarak gösterilirse<br />
Şekil 1.2.1 deki gibi sezgilerimize hitab eden bir görünüm ortaya ç ıkar.<br />
11<br />
B<br />
lig_11=<br />
Nrş<br />
-= O cos(a,b) = O<br />
3. eksen<br />
alb<br />
O<br />
2.ek?sen<br />
I.eksen<br />
Şekil 1.2.1<br />
TANIM 1.2.3 M boş olmayan bir küme olmak üzere,<br />
fonksiyonu,<br />
d:MxM -41?<br />
i) d (x,y) O<br />
ii) d(x,y)=0 x= y<br />
iii)<br />
d(x,y) = d (y,x)<br />
özelliklerini sağlad ığında, d fonksiyonuna M kümesinde metrik, (M,d)<br />
ikilisine metrik uzay ve d(x,y) say ıs ına x ile y elemanları aras ındaki<br />
uzakl ık denir.<br />
ÖRNEK 1.2.9 R reel say ılar kümesinde,<br />
d(x,y)=Ix<br />
- yi<br />
olarak tamml ı d fonksiyonu bir metriktir.
12<br />
ÖRNEK 1.2.10 (V,11.11) bir nonnlu vektör uzay ı olmak üzere,<br />
d(rı,v)= lıu - v ıı<br />
olarak tamml ı d fonksiyonu V de bir metriktir.<br />
ÖRNEK 1.2.11 R 3 x I Euclide uzay ında a,h E R3x Ivektörleri için,<br />
3<br />
= (k - a,) 2 ) 1/2<br />
olmak üzere, d(a,b) say ıs ı , a ile b vektörleri aras ındaki uzakl ık yerine a ile<br />
b vektörlerine kar şı l ık gelen A ile B noktalar ı aras ındaki uzakl ık olarak<br />
yorumlanmaktad ır. (Bak şekil 1.2.1)<br />
1.3 ALT VEKTÖR UZA YLARI VE İZDÜŞÜM<br />
TANIM 1.3.1 V bir vektör uzay ı ve M c V olmak üzere, her x,y ER için<br />
ax+ by EM oluyorsa M ye v nin alt vektör uzay ı denir.<br />
V nin bir M alt vektör uzay ın ın kendisi de bir vektör uzay ıd ır. Alt<br />
vektör uzay ı yerine k ısaca alt uzay da diyece ğiz.<br />
V bir vektör uzay ı ve ev olmak üzere bu vektörlerin<br />
lineer bile şimi olarak yaz ılabilen vektörlerin kümesi,<br />
ın<br />
'Tan{ Vi , V2 , ... V„, } = { V E V:v = E Cıi vi , ai ER, i = 1,2,...,m<br />
i=1<br />
bir alt vektör uzay ıdır. Bu alt vektör uzay ına vi ,v2 ,... vn, vektörlerinin gerdi ği<br />
uzay denir.<br />
ÖRNEK 1.3.1 R 3 x I de,<br />
a= 3 , b=<br />
0<br />
0<br />
1<br />
, c=<br />
O<br />
1
olmak üzere Şekil 1.3.1 deki gösterimde span{a} alt uzay ındaki vektörlerin<br />
uç nokatalann ın geometrik yeri bir do ğru, span{b,c} alt uzay ındaki<br />
vektörlerin ise bir düzle ındir. K ısaca a vektörü bir do ğru, b ile c vektörleri<br />
de bir düzlem germektedir denir .<br />
13<br />
Şekil 1.3.1<br />
k<br />
TANIM 1.3.2 V bir vektör uzay ı ve vi ,v2 ,..., vk E V olmak üzere Eaiv; = o<br />
i=1<br />
olacak şekilde tümü s ıfır olmayan al ,a2 , ..., ak E R say ılar ı varsa v l ,v2 ,...,vk<br />
ğıml ı vektörler, aksi halde, yani<br />
vektörlerine lineer ba<br />
k<br />
= O = 0 , i = I,2,..., k<br />
oluyorsa vi v,<br />
vk vektörlerine lineer ba ğıms ız vektörler denir.<br />
TANIM 1.3.3 V bir vektör uzay ı, S kümesi (S c V) lineer bağıms ız<br />
vektörlerin bir kümesi olmak üzere V nin herbir eleman ı S deki vektörlerin<br />
lineer bile şimi olarak yaz ılabiliyorsa S ye V nin bir baz ı denir. V bir iç<br />
çarp ım uzay ı ve S deki vektörler birbirine dik oldu ğunda S ye ortogonal<br />
baz denir. Bir ortogonal bazdaki vektörler birim normlu ise bu baza<br />
ortononnal baz denir.<br />
V nin bütün bazlan ayn ı say ıda elemana sahiptir. Baz ın eleman<br />
say ı s ına I' nin boyutu denir ve dim(V) veya boy(V) biçiminde gösterilir.
14<br />
✓ bir vektör uzay ı ve S ={v i ,v2 ,...,vk } bir baz olmak üzere bir v ev<br />
eleman ı bir tek biçimde,<br />
v = E a;v;<br />
i=1<br />
olarak yaz ı l ır. R , = say ılanna v vektörünün bu baza göre<br />
bile şenleri denir. v iç çarp ım uzay ı ve S ortogonal bir baz ise,<br />
d ır.<br />
v<br />
><br />
i. ı
olmak üzere, f, ya v vektörünün M üzerine dik izdü şümü, e ya da v<br />
vektörünün m' üzerine dik izdü şümü denir.<br />
15<br />
111'112 = Il ,'112 P112<br />
Şekil 1.3.2<br />
ÖRNEK 1.3.2 (V , < ,>) bir iç çarp ım uzay ı olsun. Bir x EV vektörünün<br />
gerdigi Npaıı{x} alt uzay ı üzerine bir v E V vektörünün dik izdü şümünü Şekil<br />
1.3.3 den geometrik olarak ifade edersek,<br />
olmak üzere,<br />
= cos( v, x)<br />
1 < , x ><br />
= x < x, x ><br />
d ır.<br />
c^? = v<br />
< v,x><br />
x<br />
<br />
Şekil 1.3.3
16<br />
ÖRNEK 1.3.3 (v , ) iç çarp ım uzay ında M c V alt uzay ının bir<br />
ortogonal baz ı vi , v2 ,..., vk ise bir v EV vektörünün M üzerine dik izdü şümü<br />
olan vektör,<br />
d ır.<br />
k<br />
<br />
V =<br />
V i<br />
i.i < ,Vi ><br />
(V , < ,>) bir iç çarp ım uzay ı ve x1 ,x2 ,...,x„ vektörleri v nin bir baz ı<br />
olduğunda bu baz yard ım ıyla V nin bir ortogonal baz ı, Gram-Schmidt<br />
yöntemi ile bildi ğimiz gibi, a şağıdaki gibi elde edihnektedir.<br />
1<br />
1. v l = —<br />
11x1<br />
2. k =i,2,...,n- 1 için,<br />
Vk+1 =<br />
k<br />
Xk+1- ><br />
1=1<br />
Böyle elde edilen v ,v2 ,..., ►„ vektörleri V nin bir ortonormal baz ıdır.<br />
k<br />
1=1<br />
> v<br />
ÖRNEK 1.3.4 R 3 x I Euclide uzay ında,<br />
1 O 1<br />
2_Ci = 2 , X2 = [2 , _X3 = 1<br />
vektörleri lineer ba ğıms ızd ır.<br />
= 4<br />
O 0 1<br />
olduğundan x , x2 , x3 vektörlerinin olu şturduğu baz ortogonal de ğildir.<br />
Gram-Schmidt yöntemi ile,<br />
2 /<br />
0
v, =<br />
1<br />
—2 /<br />
— < X2,1, 1 > 1,111 (x2 < x2 , > ) = 1 / 0<br />
17<br />
ve<br />
113 =<br />
O<br />
0<br />
1<br />
elde edilir. {v i ,v,,v3 } kümesi R 3 " için bir ortonormal bazd ır.<br />
ÖRNEK 1.3.5 R 3 ' 1 de,<br />
ve<br />
olsun.<br />
x i =<br />
O<br />
,x, =<br />
0 0<br />
M = span{xi,x 2 }<br />
v = 3<br />
4<br />
vektörünün M üzerine dik izdü şümünü bulal ım.<br />
M yi geren x i ,x2 vektörleri ortogonal de ğildir. Örnek 1.3.4 deki<br />
v 1 ,v2 vektörleri ortonormal ve M = span{v1,v2} d ır. Buna göre v nin M<br />
üzerine dik izdü şümü,
18<br />
i«; = < vv_ i > + < vv_ 2 > v 2 =<br />
8<br />
2/ NT-5-<br />
0<br />
-2/<br />
1, ,r5<br />
0<br />
_ _<br />
2<br />
3<br />
0<br />
d ır. ( Şekil 1.3.4)<br />
Şekil 1.3.4<br />
Bu örnekteki x l ve x2 sutun vektörleri ile<br />
M = ,X2] =<br />
matrisini olustural ım.<br />
1<br />
O<br />
0<br />
2<br />
O<br />
M 'M = [ 54 41<br />
(A4m) - ' = [ 1 -1<br />
-1 5/ 4<br />
(Mm) --1 =<br />
O<br />
112 O<br />
OI<br />
1 O O<br />
m(A4m) - ' = 0 1 0<br />
O 0 0<br />
olmak üzere,
19<br />
/i4(M'M) -1 M'v = 3<br />
0<br />
=<br />
d ır. Görüldüğü gibi M(M'A İ/) -I M matrisi v vektörünü 1") ya dönü ştürdü. Bu<br />
sonucu irdeleyiniz.<br />
1.4 L İNEER DÖNÜŞÜM<br />
TANIM 1.4.1 V, W vektör uzaylar ı olmak üzere,<br />
A : V ---> W<br />
--> A (v)<br />
fonksiyonu her 11,1' E V ve a,h E R için ,<br />
A(ar + hıı )= aA(v)+hA(u)<br />
özelli ğine sahipse, A fonksiyonuna V den W ye bir lineer dönü şüm,<br />
R(A)= {Iv : wEW, 3v EV için w = A(v)}<br />
kümesine A lineer dönü şümünün değer kümesi ve<br />
N (A) -= { v : v EV , A(v) = O }<br />
kümesine A lineer dönü şümünün çekirdeği denir.<br />
Bir A : V W lineer dönü şümünün de ğer kümesi R(A) c W ,W da<br />
bir alt vektör uzay ı ve çekirdeği N (A)c v , v de bir alt vektör uzay ıdır.<br />
R(A) uzay ının boyutuna A dönü şümünün rank ı denir ve r(A) ile gösterilir.<br />
hoy(V) -= hoy(N(A))+ boy(R(A))<br />
Şekil 1.4.1
20<br />
v vektör uzay ından W vektör uzay ına tan ımlanabilecek lineer<br />
dönü ştimlerin kümesi L(v, w) ile gösterilsin. Fonksiyonlar için Örnek 1.1.4<br />
de tamml ı, fonksiyonlar ı toplama ve skalar ile çarpma i şlemleri alt ında<br />
A E L (V w) kümesi bir vektör uzay ıd ır.<br />
V vektör uzay ının bir baz ı vi , v 2 ,...,v,„ olsun. Bir A : V lineer<br />
dönti ştimtinün bilinmesi demek<br />
{v i , v2 ,..., v„,} baz vektörlerinin<br />
dönüşümleri olan A (v i ) , A (v 2 ) , , A(v m ) E W vektörlerinin bilinmesi<br />
demektedir. Bu durumda bir V E V için,<br />
olmak üzere,<br />
V =<br />
i =1<br />
d ır.<br />
A(v)= ci A(v i )<br />
ı =1<br />
V vektör uzay ın ın bir baz ı v2 ve W vektör uzay ının bir baz ı<br />
olmak üzere A G ,W) yani A , V den W ya bir lineer<br />
dönü şüm olsun. j = 1,2,...,m için vi baz vektörünün<br />
W daki baz vektörlerinin lineer bile şimi olarak,<br />
A (1 , j )= ai jwi + a2 jw2+...+anjw,<br />
A(v j ) EW dönüşümü<br />
biçiminde yaz ı ls ın. A lineer dönüşümünün bilinmesi demek . A(v i )<br />
(i=1,2,...,m) vektörlerinin bilinmesi, yani aıj ,a2 ,...,anj<br />
katsay ılar ın ın bilinmesi demektir. Bu katsay ılar ile oluşturulan,<br />
(j = 1,2,...,m)<br />
Anx ıı a =<br />
al I a12 al ın<br />
a21 a22 a2nı<br />
•<br />
_ani an2 "' anın<br />
matrisine A lineer dönü şümüne kar şılık gelen matris denir.
Tersine, bir An „,„ matrisi ve v ıı i ıı bir {v 1 , v2 ,...,v„,} baz ı ile w nun bir<br />
{w i ,w2 ,...,w,,} baz ı ile ba şlay ıp j = 1,2,..., in için,<br />
A(v j )= aij w i + a2 j w2 +...+ani w n<br />
olarak tam ınlamrsa, A bir lineer dönt ıştımdür.<br />
I' nin {vi , v2 ,..., v,„}, W nun bazlar ı için A lineer<br />
dönii şürne kar şı l ık gelen matris Anx „,= (aii.)„„, olsun. Bir v E V vektörü<br />
için,<br />
olmak üzere,<br />
ni<br />
V = Zcivi<br />
21<br />
A(v)= E c A(1 , j )<br />
j=1<br />
ıır<br />
n<br />
=Ci ai"<br />
1=1 i=1<br />
n<br />
ırı<br />
= E (Z aije j )wi<br />
.1=1<br />
i=1<br />
n<br />
ın<br />
= E (E aıjej)wi<br />
i=1<br />
d ır. v nin lineer dönü şümü olan A(v) vektörünün W da { w 1 ,2,•••,w w n }<br />
baz ına göre bile şenleri Anx ,„ matrisi ile v sütun vektörünün çarp ımındaki<br />
bile şenlerdir. Bir A lineer dönüşümüne kar şıl ık gelen A nx „, matrisi,<br />
karışıkl ığa yol açmad ığı takdirde yine A ile gösterilir.<br />
Rmx I den lex° 'e tan ıml ı bir A lineer dönü şümüne standart bazlara<br />
göre kar şı<br />
v R rn xl<br />
l ık gelen matris n x m boyutlu A matrisi ise, bir<br />
vektörünün görüntüsü A matrisi ile v vektörünün çarp ımı olan,<br />
A(v) = Av<br />
vektörüdür.
22<br />
ÖRNEK 1.4.1<br />
A : R 2x ıı R 3x1 xi + X2<br />
x ---> A(x) = x 1 +2x2<br />
xl X2<br />
dönti ştünü bir lineer dönü şümdür. R2 x I ve R 3 x I deki standart bazlara göre<br />
bu lineer dönü şüme kar şı l ık gelen matris,<br />
- 1 -<br />
A([ 10]) = 1 = 1.e i +1.e2 +1.e3<br />
1<br />
olmak üzere,<br />
A( [01- = = Lel+ 2.e2 —1.e3<br />
-1<br />
1 1<br />
A3 x 2 = 1<br />
1 —1<br />
d ır. A lineer dönü ştimtiniin değer kümesi,<br />
R(A)={y E R3 3x ER2x1 ,Ax= y}<br />
olmak üzere<br />
I?(A)= span 1,<br />
d ır. A lineer dönü şümünt ı değer kümesi, bu lineer dönü şüme kar şıl ık gelen<br />
A matrisinin sütun vektörlerinin gerdi ği alt lızayd ır. Bir A matrisinin sütun<br />
vektörlerinin gerdi ğ i R(A) lızay ın ı [A] biçiminde de göSterece ğiz.
TANIM 1.4.2 (6',lı bir lineer dönüşüm<br />
olmak üzere Vx,y EV için,<br />
< x,Ay >=< A'x,y><br />
eşitliğini sağlayan lineer dönü şümüne A n ın ek dönü şümü denir.<br />
Bir A lineer dönü ştımünün ek dönüşümüne kar şı l ık gelen matris A<br />
ya kar şı l ık gelen matrisin transpozudur. (Reel say ılar cisminde çal ıştığım ız'<br />
yeniden hat ırlatal ım.)<br />
23<br />
bir vektör uzay ı , M ile N tümleyen iki alt uzay,<br />
t' M E1) N<br />
ve v E t' için,<br />
v=u+e , uEM,eEN<br />
olmak üzere N boyunca M üzerine izdü şüm dönüşümü olan,<br />
A:t'—> 1'<br />
v --> Av = u<br />
dönüşümü bir lineer dönü şümdür. Bu dönü şüm için,<br />
R(A) =<br />
d ır. Ayr ıca,<br />
olduğundan,<br />
d ır.<br />
N(A)= N .<br />
AA(v)= A(A(v))=. A(u)=u<br />
AA = A 2 = A<br />
M boyunca N üzerine izdü şüm dönü şümü de bir lineer dönü şümdür<br />
ve / birim dönü şümü gösterınek üzere, bu dönü şüm / - A dır.<br />
denir. A<br />
u = Av vektörüne ı" nin N alt uzay ı boyunca M üzerine izdü şümü<br />
izdü şüm dönü şümü bir lineer dönü şüm olmak üzere PA,1<br />
biçiminde gösterilir. PA,İ .A, ayn ı zamanda N boyunca M üzerine izdü şüm<br />
dönü şümüne kar şı l ık gelen matrisi de göstersin.
24<br />
1)2 1)<br />
14•\<br />
olmak üzere PA idempotent bir matristir.<br />
ve<br />
A:nx ıı E 1.(1' ,1') idempotent bir matris olmak üzere,<br />
v = R(A ) ,CD N(A)<br />
A = PR(.1). , v<br />
d ır. Gerçekten, v E v için, A idempotent olduğunda,<br />
v = Av + (I - A)v , Av E R(A) , (I A)v E N (A)<br />
d ır.<br />
V = ci) ED• • • @vi< olmak üzere ı = 1,2,•••, k için Pi :V - ı V dönüşümü<br />
v nin L; üzerine izdü şümü olsun . O zaman<br />
a)Pi 2 = 1i<br />
, i = 1,2,---, k<br />
Pi =0 , ixj ,<br />
c)11+ 12 +•• • +<br />
= I<br />
d ır . Bu Özellikler , v E V yektörününün v; E V; , i = 1,2,—, k ve<br />
= V I + V2 +• • • + Vk<br />
olacak şekilde bir tek biçimde yaz ılmas ın ın bir sonucudur<br />
(v,)bir iç çarp ım uzay ı, M , V nin bir alt uzay ı ,<br />
v = m<br />
ıvıl<br />
ve v E 1 - için,<br />
v = + , İ"; E M , e EMl
25<br />
olmak üzere M üzerine dik izdü ştim dönüşümü olan<br />
pt, fr' -> M<br />
-> (v) =<br />
dönü şümü bir lineer dönü şümdür,<br />
ve ayr ıca<br />
R( P m ) = M<br />
p A2 1,‘4,<br />
= Pm.<br />
d ır . Gerçekten , x l = zl + "£; i , X2 = 22 + , xi,x2 E V , 21, e M E Mi<br />
olmak üzere,<br />
< XI , X2 - (.1-;1 .£.;1<br />
=- ( 21, 22)±(1 , k‘ı ><br />
= ( 21, 22)<br />
=< 21,A2+2)<br />
olduğundan<br />
= (PA py i , X2)<br />
d ır<br />
P = P<br />
M M<br />
dik izdti ştim dönü ştımü bir lineer dönüşüm olmak üzere PAI ye<br />
kar şıl ık gelen matris<br />
pw2 = pm =<br />
den dolay ı idempotent ve si ınetrik bir matristir .
26<br />
PROBLEMLER<br />
/. / Örnek 1.1.1 deki (G,*) ikilisinin bir grup oldu ğunu gösteriniz.<br />
1.2 A bo ş olmayan bir küme ve de, A daıın A ya bire-bir fonksiyonlarm<br />
kümesi olsun.<br />
0:1;x1;—>1;<br />
(1,x)--><br />
og<br />
i şlemi fonksiyonlarda bile şke i şlemi, yani<br />
.f o gA —> A<br />
x —> f o g(x) = (g(x))<br />
olsun. (F,o) ikilisinin bir grup oldu ğunu gösteriniz. A sonlu say ıda elemanl ı<br />
ve eleman say ıs ı it ise nin eleman say ısı nedir?<br />
1.3 (A,* ,O) bir cisi ın olmak üzere *,® i şle ınlerinin birim elemanları e,i<br />
olsun. a,h c A, a i için (a® x)*h = e denkleminin çözümünü bulunuz. Bu<br />
denklemin R reel say ılar ve C komplex say ılar cisimlerinde kar şılığını<br />
yaz ı n ız ve çözümünü bt ıluntız.<br />
1.4 Örnek 1.1.2 deki (R ı xn ,R,G),. ) ile (rl x ,<br />
C' R,G31,*) nin birer vektör uzay ı<br />
olduğunu gösteriniz.<br />
1.5 R"'"' kümesi,<br />
A =<br />
al I<br />
a2 1<br />
al 2<br />
a22<br />
• '<br />
" •<br />
aleti<br />
(12in<br />
= (aıi )<br />
an 1<br />
an 2<br />
"<br />
anni _<br />
gibi ıı x ın boyutlu tnatrislerin kümesi olmak üzere ,
27<br />
(D: Rn x ın x Rn x ı»<br />
IZn x ııı<br />
(A,B)—> AED B =(a,+bii )<br />
0:1?x Itn> " —> Rnxin<br />
(c, A)—> e: • A (ca ii )<br />
i şlemleri için (1?""' ,R,12 ),e) nin bir vektör uzay ı olduğunu gösteriniz.<br />
1.6 Örnek 1.1.4 de sözkonusu olan,<br />
1' = {f:f,s2da ıd? ye bir fonksiyon}<br />
kümesini ıı, örnekte tan ıml ı i şlemler ile R üzerinde bir vektör uzay ı<br />
olduğunu gösteriniz.<br />
1.7 Teorem 1.2.1 ve Teorem 1.2.2 yi ispatlay ın ız.<br />
1.8 Örnek 1.2.9 da tan ım ı' d fonksiyonunun bir metrik oldu ğunu gösteriniz.<br />
1.9 R 4 'I Euclide uzay ında<br />
5<br />
olsun. v vektörünün :<br />
4<br />
1<br />
0 0<br />
a)sımm b)van■<br />
c),span<br />
0 0<br />
0 0 1<br />
alt uzaylar ı üzerine dik izdü şümlerini bulunuz.<br />
1<br />
1<br />
O<br />
O<br />
,<br />
1<br />
O<br />
0<br />
O<br />
1<br />
0<br />
0<br />
0<br />
0<br />
1
28<br />
2.BÖLÜM<br />
MATR İSLER ve GENELLE ŞTİRİLMİŞ İNVERSLER<br />
2.1 BAZI HATIRLATMALAR<br />
1) A:n x p tipinde reel say ılar ın bir matrisi olmak üzere, RP den R" ye bir<br />
lineer dönü şüm belirler.<br />
A: RP R"<br />
b --> Ab<br />
A matrisinin<br />
lineer dönüşümün görüntü kümesi R(A) , A<br />
matrisinin sütun vektörlerinin R" de gerdi ği R(A)A1={Alrb E RP}<br />
alt<br />
uzay ıd ır. A matrisinin sat ır vektörlerinin gerdi ği S(A) = {c' A:c E .1?"} uzay ı<br />
RP nin bir alt uzay ıd ır.<br />
R(A) = R(A A') , S(A) = S(A'A)<br />
d ır.<br />
A matrisinin rank ı lineer bağıms ız sütun (sat ır) vektörit say ısı olmak<br />
üzere,<br />
rank(A) = boy(R(A)) = boy(S(A))<br />
d ır. A: n x p ise raıık(A) 5 min<br />
p} d ır.<br />
2) a) Bir C matrisi için AC = B R(B) c R(A)dır.<br />
b) R(AC) c R(A) d ır. Eğer C singüler değilse R(AC) = R(A)dır.<br />
3) C singüler de ğilse Rank(AC) = Rank(A). Genelde,<br />
d ır.<br />
Rank(AB) < min{Rank(A),Rank(B)}<br />
4) a) (AB)' = B' A' b) (AB) - 1 = B -1 A -1 c) (A -1), = ( A ,)-1<br />
d) det(AB)= det(A)det(B) e) det(kA n„)= k" det(An„)
5) A:n x n , A' A = I ise A matrisine ortogonal ınatris denir. A nın sütun<br />
vektörleri R" de bir ortogonal baz olu şturmaktad ır.<br />
a) (det(A)) 2 = ı olmak üzere det(A) +1 veya --1 d ır.<br />
b) A-1 = A'<br />
c) AA' = I d ır. A n ın sat ır vektörleri de R" de bir ortonormal baz<br />
olu şturmaktad ır.<br />
d) Ortogonal matrise kar şılık gelen lineer dönü ştime de ortogonal<br />
dönüşüm denir.<br />
IIAx — Ay 2 -=(Ax— Ay)'(Ax-- Ay)<br />
=(x — Y)' A( — Y) Y)' ("X — Y) -=- k — YII 2<br />
olmak üzere ortogonal dönü şümler Euclide metri ğinde uzakl ıklan ve<br />
(Ax, Ay> -= A' Ay = y = (1c,y><br />
olmak üzere Euclide iç çarp ımında aç ılan korumaktad ır (deği şmez<br />
b ırakmaktad ır).<br />
2.1.1 MATR İSLERIN KÖŞEGENSEL MATR İSLERE<br />
İNDİRGENMES İ<br />
A:n x p tipinde bir matris olmak üzere, A matrisi üzerindeki<br />
aşağıdaki işlemleri (elemanter sat ır işlemleri) göz önüne alal ım.<br />
ii )Matrisin bir satırı (veya sütununu) bir c sabiti ile çarpmak.<br />
k .sat ırı c sabiti ile çarpmak demek A matrisinin soldan singüler<br />
olmayan,<br />
29<br />
= j=k }<br />
Ek(c)=(eij)nxn , eu =<br />
0, k<br />
matrisi ile çarpmakt ır. k. sütunu c sabiti ile çarpmak, A matrisini sağdan<br />
m x m boyutlu Ek (C) matrisi ile çarpmak demektir.<br />
i2) r. satırm (sütunun) yerine "r. satır(sütun) + s. satım<br />
(sütunun) c katılım " yaz ılması.
30<br />
r. sat ır için bu i şlemi yapmak dernek A matrisini soldan singüler<br />
olmayan a şağıdaki gibi bir matrisle çarpmak demektir.<br />
1 i = j<br />
E„.(c) = >,„ , = c , i=r, j=s<br />
0 , diğer durumlarda<br />
Sütunlar için bu i şlemi yapmak için A matrisi sağdan böyle bir<br />
matris ile çarp ılmaktad ır.<br />
i3 ) İki satırın (sütunun) yerinin değiştirilmesi.<br />
r. sat ır ile s. satırm yerini değiştirmek demek A matrisini soldan<br />
Es(-1)E,(-1)E,(1)E,(- 1) matrisi ile çarpmak demektir. Sütunlann yerini<br />
deği ştirmek için benzer çarpun sa ğdan yap ılmaktadır.<br />
Bir matris sat ır i şlemleri yap ılarak e şelon forma getirilebilir. Bir<br />
matrisin e şelon formda olmas ı demek, bir sat ınn elemanlar ının ya tümü<br />
s ıfır yada 1 olan eleman ın solundakiler s ıfır (sağındakiler olmayabilir) ve<br />
bir sütunda 1 varsa di ğer elemanların 0 olması demektir.<br />
1) A:n x k matrisi (sat ır i şlemlere kar şıl ık gelen matrislerin çarp ımı olan) bir<br />
B: x ıı singüler olmayan matrisi ile çarp ılarak e şelon forma getirilebilir.<br />
2) A: ıı x k , rank(A)= r , matrisi için singüler olmayan B: n x n (satır<br />
i şlemlerine kar şı l ık gelen) ve C: k x k (sütun i şlemlerine kar şıl ık gelen)<br />
matrisleri vard ır öyleki,<br />
d ır. Ayr ıca,<br />
BAC =[Ir<br />
O O<br />
A = B-1[4 1C-1<br />
O O<br />
= Bıci<br />
olmak üzere, A:n x k matrisi ranklan r olan Bİ :n x r ve C:1 :r xrı<br />
matrisin çarp ımı olarak yaz ılabilir.<br />
gibi iki
3) A: ıı x n matrisi için singüler olmayan B:n x n matrisi vard ır öyleki, BA üst<br />
üçgenseldir (kö şegenin alt ındaki elemanlar s ıfırdır).<br />
4) A: ıı x ıı ve A simetrik bir matris ise BA B' köşegen matris olacak şekilde<br />
singüler olmayan B: n x ıı matrisi vard ır.<br />
Buraya kadar geçen özellikler sat ır ve sütun i şlemlerine kar şıl ık<br />
gelmektedir. Şimdi bir matrisi üst üçgensel matrise dönü ştüren bir<br />
ortogonal matrisin bulunmas ı ile ilgili Hausholder yöntemini hatırlatal ım.<br />
A:n x k tipinde bir matris olsun, u = o veya = t olduğunda 1- 2uut<br />
matrisi ortogonaldir.Birim nonnlu u vektörü öyle belirlenebilir ki,<br />
(1- uu')A matrisinin ilk sütunu belki birinci eleman d ışında s ıfırlardan<br />
oluşsun. a , A n ın birinci sütun vektörii olmak üzere,<br />
31<br />
(1- 2uu')ai = b (b =<br />
o<br />
0<br />
olacak şekilde u bulunsun. Eğer ai = o ise u =o (bu durumda b = O) al in<br />
yaln ız brinci bile şeni s ıfırdan farkl ı ise yine u =o dır. Diğer durumlarda,<br />
ve<br />
olmak üzere,<br />
b =<br />
C2 = (ai - b)( a l - b)<br />
e<br />
olarak al ınırsa 1- 2uu' ortogonal olur ve I - 2uu' ortogonal matrisinin A<br />
ile çarp ım ı sonucu A n ın birinci sütununda birinci eleman ın dışındakiler<br />
s ıfır olur. Böyle elde edilen matrisin birinci sat ır ve sütunu d ışındaki<br />
(n - 1) x - 1) boyutlu matris için benzer yoldan / 2u 2 û2 matrisi<br />
bulanabilir. Bu i şlem ilk ad ımdak ı (n - 1) x (n - 1) boyutlu matrisi soldan
32<br />
- 2u 2 ıı; matrisi ile çarpmakla veya A matrisinin ilk ad ım sonundaki halini<br />
soldan<br />
ı o<br />
o /-2u 2 u 2 ]<br />
ortogonal matrisi ile çarpmakla yap ılabilir. Böyle devam edilip, ortogonal<br />
matrislerin çarp ım ının da ortogonal olduğu gözönüne al ınırsa aşağıdaki<br />
sonuca ula şıl ır.<br />
5) A:nxk , n > k olmak üzere B ortogonal matrisi vard ır öyle ki, T:k x k<br />
üst üçgensel olmak üzere,<br />
dır.<br />
BA =[ T]<br />
O<br />
6) A:nxk , ıı , olmak üzere, Q:nx(n- k), QQ' = I matrisi ve R: k x k<br />
üst üçgensel matrisi vard ır öyle ki,<br />
A = QR<br />
d ır. (Q matrisi 5) deki B nin ilk n-k sat ınndan olu şan matris ve R = T<br />
olabilir) Bu ayn şuna QR ayn şımı denir.<br />
2.1.2 ÖZDE ĞERLER, ÖZVEKTÖRLER ve SPEKTRAL AYRI ŞIM<br />
x n tipinde reel say ılara bir matrisi olmak üzere, A ya göre bir<br />
polinom denklemi olan, det(A - il) = o denklemine A nın karakteristik<br />
denklemi ve köklerine A n ın özdeğerleri denir.<br />
v o için Av = 2v oluyorsa v vektörüne 2 özde ğerine kar şıl ık gelen<br />
özvektör denir. Bir özde ğere birden çok özvektör kar şıl ık gelebilir.
A: ıı x matrisi simetrik olduğunda:<br />
a) Özdeğerleri reel say ılard ır. Rank(A) = r ise o sayısı n-r katl ı<br />
özdeğerdir. A ; $ 2 2 özdeğerlerine kar şıl ık gelen Av = , Aw = 2, 2 w<br />
özvektörleri için vi w d ır.<br />
b) A matrisinin rank ı s ıfırdan farkl ı özdeğerlerin say ıs ına (katl ı özdeğerler<br />
kat ı kadar say ı l ınak şart ıyla) e şittir.<br />
c) Bir A ; özdeğeri k katl ı ise,<br />
Av =<br />
denklemini sağlayan k tane ortogonal v özvektörü vard ır, s ıfır vektörü ile<br />
birlikte bu k tane özvektör bir vi alt vektör uzay ı (özdeğer uzay ı)<br />
gennektedir. A nin farkl ı özvektörleri 21,A 2 ,.. ,Ar olmak üzere bunlara<br />
karşıl ık gelen Vi ,V2 özdeğer uzaylar ı birbirine dik ve<br />
dır.<br />
R" = Yi @v2 .2)...Eov,<br />
d) A n ın özde ğerleri 2 1 ,22 ,...,2„, ve<br />
33<br />
/1-1 o 0<br />
o 2 o<br />
O 0 2,,<br />
olsun. P: ıı x ıı ortogonal matrisi (P'P = I) A n ın normlannu ş<br />
özvektörlerinin matrisi (e şit özdeğerler için kar şı l ık gelen özde ğer uzaym ın<br />
ortononnal baz vektörleri) olmak üzere,<br />
dır.<br />
D=<br />
AP = DP A = PDP'<br />
A = PDP' = .1,i v i v i<br />
i=i<br />
gösterimine A matrisinin spektral ayr ışım ı (spectral decomposition) denir.<br />
A 2 = En 2.21 v<br />
i = ı<br />
olmak üzere, biçimsel olarak, c E R için,
34<br />
veya<br />
A c = E ıfi v i v i<br />
i=1<br />
f (A) f i v<br />
= ı<br />
gibi gösterimler operatör hesab ında kullan ılmaktadır.<br />
Bir matrisin tekil de ğer ayr ışım ı (singular value decomposition):<br />
A:nxp tipinde bir matris, rank(A) = r olmak üzere Q :nxn,<br />
P: p x p ortogonal matrisleri vard ır öyleki,<br />
A = Q[oD 0]<br />
biçiminde yaz ıl ır. Burada, Q matrisi AA' nın ve P matrisi A'A nın<br />
normlanm ış özvektörlerinin matrisleridir. D matrisi, AA' matrisinin (A'A<br />
matrisinin) s ıfırdan farkl ı di (d; > 0,i = 1,2,...,r) özdeğ-erlerinin,<br />
D=<br />
.sia1: O<br />
o<br />
O V2.12 o<br />
o o<br />
kö şegen matrisid ır. Q matrisinin ilk r sütunundan olu şan matris Or x r<br />
(Q;Q1 = Ir) P matrisinin ilk r sat ırından oluşan matris x p (PI P; =<br />
olmak üzere,<br />
A = Q İ DP;<br />
d ır. Tersine, bu gösteri ınden yakandakine geçmek için D matrisi s ıfır<br />
matrisleri ile geni şletilecek ve Q1 ile Ii matrisleri ortogonal matrisler<br />
olacak şekilde geni şletileeeklerdir. A matrisinin böyle bir gösterimine tekil<br />
değer ayr ışıını ve D matrisinin elemanlenna A n ın tekil değerleri denir.
2.1.3 PARÇALANM1 Ş MATR İSLER ve<br />
MATR İSLERIN KRONECKER ÇARPIMI<br />
35<br />
x n tipinde bir matris ve det(B) O olsun. Bu matris<br />
B<br />
[B2111 B 212]<br />
13 13<br />
x n i ,B 12 x n2 , B21 :112 x n ı , B22 : n2 x n2 , n ı + n2 biçiminde<br />
parçalans ın.<br />
1) Eğer B, singüler de ğilse,<br />
det(B) = det(B 22 )det(B 11 - Bi2 B221 B21)<br />
2) Eğer B„ singüler de ğilse,<br />
det(B)= det(B„)det(B 22 -<br />
3) B nin inversi B olmak üzere,<br />
B, = [A„<br />
A,, A„ Jf<br />
A,,:n, x ıı, /12 , : ıı, x 1, , A22 : İİ2 X /12 biçiminde parçalans ın. Eğer Bil ve<br />
B22 singüler değilse,<br />
A ıı = [BI ı BI2B22B21] - 1<br />
A22 = [ 822 - B21 13 1-11B12 F l<br />
Al2 = - B1-11 B12 [B22 - B2IB1 İ1 B12] -1<br />
p<br />
A21 = -1322 /321 [ 1-' 11 - B12B22.'-' 21<br />
] 1<br />
d ır.<br />
B -1 =<br />
- Bı 2B2211321] - B 1 - 1 11312[B22 - B2 ı Bl ı Bı 2 1-1<br />
- B B [B 22 21 11 - BI2B221 B21]<br />
[ 1322 - B2 I Bşil B ı 2
36<br />
x n ı, B: p x q tipinde matrisler olmak üzere,<br />
a11B<br />
a12 B<br />
aim B<br />
A ® B = (ai<br />
a21B<br />
a22B<br />
•• •<br />
a2m B<br />
a„İ B<br />
a„2B<br />
•• •<br />
a,„„B<br />
matrissine A ile B nin Kronecker çarp ım ı denir.<br />
a) 00A=A00=0<br />
b) (A,- M® B = A,® B + A 2 0 B<br />
c) AO(B,+ B 2 ) , A® B ı l AOB 2<br />
d) aA® bB = abA® B<br />
e) (A 1 A 2 ) 0(13 1 132 ) = (A l ® Bi )(A2 082 )<br />
f)(AOB)-1=<br />
A - ı ®B -1<br />
g) (A® B)' = A' ® B'<br />
2.1.4 POZITIF TANIMLI MATR İSLER<br />
Aux,/ tipinde bir matris olsun.<br />
1) A' = A<br />
2) Vy E Rn için y ' Ay > o<br />
ise A matisine pozitif tammlid ır denir. Eğer,<br />
1) A' = A<br />
2) V y E le için y ' Ay O<br />
3)3 y E R" için y ' Ay = o<br />
ise A matrisine pozitif yar ı tan ımlıdır denir.
37<br />
Pozitif tan ıml ı veya pozitif yar ı filmini' bir matrise negatif olmayan<br />
matris denir.<br />
1) n x n tipinde A = (akk ) matrisinin pozitif tan ımlı bir matris olmas ı için<br />
gerek ve yeter şart k = 1,2 , .., ıı için,<br />
a11<br />
au<br />
• • •<br />
al],<br />
det<br />
a2I<br />
a22<br />
• • •<br />
a2k<br />
> O<br />
olmas ıd ır.<br />
ai i<br />
cıi 2<br />
•<br />
akk<br />
2) A:n x n pozitif tan ıml ı bir matris olduğunda özde ğerleri pozitiftir.<br />
A: ıı x ıı pozitif yar ı tan ıml ı bir matris ise A 'n ın özdeğerleri negatif değildir<br />
ve en az biri s ıfırd ır.<br />
3) A:n x n matrisi pozitif tan ıml ı bir matris olduğunda regüler C: n x n matris<br />
vard ır, öyle ki<br />
d ır.<br />
(." AC = I<br />
4) A: ıı x r ı matrisi pozitif tan ıml ı olduğunda üst üçgensel T matrisi vard ır,<br />
öyle ki<br />
dir.<br />
A = T' T<br />
2.1.5 İDEMPOTENT MATR İSLER<br />
B:n x ıı<br />
matris denir.<br />
matrisi için BB = B (B 2 = B) ise B ınatrisine idempotent<br />
Şimdi idempotent matrislerle ilgili baz ı özellikleri hat ırlatal ım.
38<br />
1) I3:n x n matrisi idempotent ve rank(B) = n ise B = I dır,<br />
2) B: n x n matrisi idempotent ve rank(B) < tı ise B pozitif yar ı tanımlı bir<br />
matristir.<br />
3) B: n x n ve rank(B) = p olsun<br />
a) B idempotent ise B s ıfırdan farkl ı p tane özdegere sahiptir ve<br />
bunlar ın her biri +1'e e şittir.<br />
b) B simetrik ise B 'nin idempotent olmas ı için gerek ve yeter ko şul<br />
B 'nin herbiri s ıfırdan farkl ı p tane özdegerinin olmas ıd ır.<br />
4) ı dempotent bir matrisin ozdegerleri ya s ıfır yada birdir.<br />
5) A n x ıı tipinde (si ınetrik) idempotent bir matris olsun;<br />
a) A' (si ınetrik) idempotenttir .<br />
b) P ortogonal ise P'AP (simetrik) idempotenttir.<br />
c) P regüler ise PAP -I idempotenttir.<br />
d) / - A simetrik idempotenttir.<br />
e) AA' = A'A ise A'A ve AA' matrisleri simetrik ve idempotenttirler.<br />
2.1.6 B İR MATR İSİN İZİ (TRACE) ve RANKI İLE İLGİLİ BAZI<br />
TEOREMLER<br />
A: ıı x ıı tipinde bir matris olmak üzere A 'n ın izi,<br />
Ir (A) =cın<br />
olarak tammland ıgun hat ırlatall ın.
1) A ve Bnxn tipinde iki matris ve a,b e R olmak üzere,<br />
ir(aA + bB)= aır(A)+Mr(B)<br />
d ır.<br />
39<br />
2) A ve B n x n tipinde iki matris olsun.<br />
ıt.(AB) , tr(BA)<br />
d ır.<br />
3) tr(ABC) = tr(CAB) = tr(BCA)<br />
4) A: ıl x ı r tipinde bir matris ve Q:n x n tipinde singüler olmayan bir matris<br />
ise,<br />
d ır.<br />
tr(A) = tr(0A0 -1 )<br />
5) A: ıı x ır tipinde bir matris ve P:n x rr ortogonal bir matris ise,<br />
tr(A) = tr(PA P')<br />
6) A:n x ıl tipinde ve özde ğerleri olan bir matris ise,<br />
tr(A) =<br />
ı =1<br />
tr(A k ) =E11,,k<br />
dır.<br />
7) A idempotent bir matris ise,<br />
rank(A) = tr(A)<br />
dır.<br />
8) A: ıı x m tipinde bir matris ise,<br />
d ır.<br />
nı<br />
lr(A' A) = tr(A A') =~»,./2<br />
tz ı
40<br />
9) A: ıı x t ı ve A simetrik özdegerleri A,, „ ise,<br />
d ır.<br />
ni rt<br />
11. ( A ' 11) =2 2<br />
,ı• - 1 ı , ı<br />
10) A:t ı x m , tr(A' A)= A=0 din<br />
11) x:t ı x 1 tipinde bir vektör, A:n xi ı tipinde bir matris ise,<br />
d ır.<br />
x' Ax = tr(Axx')<br />
12) A:k x k tipinde negatif olmayan bir matris ve 2,, A n ın en büyük<br />
özdegeri olsun. Bu durumda (A O) ;<br />
a) ir(An1) A, ._[tr(An)j n 1I<br />
tr(A")<br />
'<br />
herhangibir n tam say ı s ı için.<br />
d ır.<br />
11 1n<br />
b) lim[fr("1 = linl[ ır(A n<br />
tr(An)<br />
) .1 =<br />
"- fm<br />
13) A:k x k tipinde A, 2, 2, özdeğerlerine sahip bir matris olsun.<br />
x' A x<br />
a) /1 1 = max , x O<br />
x xx<br />
x' Ax<br />
b) = min , x O<br />
x<br />
x' Ax<br />
C) 2k S — — s 21 , herhengi x o için.<br />
x
41<br />
2.1.7 KARESEL ve L İNEER FORMLARIN IVREVLER İ<br />
Birçok durumlarda çok de ği şkenli fonksiyonlarm k ısmi türevleri ile<br />
ilgileniriz. Örne ğin,<br />
f (x) = f (x l , x2 , x3) = 6x 12 - 2x ix2 +2x32 , - co < < Go i 1,2,3<br />
fonksiyonu için k ısmi türevler,<br />
cY(2,:) = 12xi — 2x2<br />
cY(Y)<br />
c"kı<br />
xi<br />
= 4x<br />
â3 3<br />
olmak üzere bu k ısm ı türevleri a şağıdaki gibi bir vektör ile gösterebiliriz.<br />
12xi — 2x2 .-<br />
ı<br />
—2x<br />
4 X3<br />
Genel olarak,<br />
f : Rn —> R<br />
olmak üzere,
42<br />
cy<br />
(3c2<br />
•<br />
ten _<br />
fonksiyonl ına, f nin x vektörüne göre türevi denir. Bu türev esas ında f<br />
nin gradiyent vektörüdür.<br />
(<br />
f<br />
cix 2 (2x, (3,,i ) n xn<br />
olarak tanunl ı ınatris fo ııksiyonuna<br />
nin Hessian matrisi denir.<br />
X = (xii)„,< „, elemanlar ı reel say ı olan bir matris ve<br />
f Rn x _> R<br />
X --›(f X)<br />
reel de ğerli bir fonksiyon olmak üzere,<br />
x<br />
dX G3Cij<br />
olarak tan ımlans ın. Buna f fonksiyonunun X matrisine göre türevi denir.<br />
TEOREM 2.1.7.1 a) (n ı x 1<br />
sabitlerin bir vektörü olmak üzere,<br />
4a' z) - c*b-'a)(a' x)<br />
- = a , - O<br />
i7x 0x (yx 2<br />
b) A: ıı x i ı tipinde simetrik bir matris olmak üzere<br />
d ır.<br />
61(x' A x) _ 2 Ax 02 ('X'<br />
,t1_*) =2 A<br />
0x OX 2
ISPAT: a) x = x'a = a1x1+a2x2+...+a n x,<br />
olmak üzere,<br />
43<br />
al<br />
b)<br />
61-3:)<br />
a2<br />
a n<br />
=<br />
(92 Cc_1 ' n<br />
, 2 = -nxn<br />
(2.x^<br />
tl<br />
tl<br />
Ax = a Y x<br />
i x aii =aii<br />
i=1j=1<br />
c'x' A =.<br />
k ck i=1 j=1<br />
n n<br />
(Z( Z cı<br />
âk İ =1 j=1<br />
j=k<br />
ixi+aikxixk))<br />
n n<br />
ıı<br />
=— (2 (Z Z auxixj+ aikrY xk)<br />
(..:kk 1=1 j=1 i=1<br />
j=k<br />
n n<br />
=— (<br />
9 n<br />
Zaikir xk<br />
ack j=1i=1<br />
j=k<br />
ack i=1<br />
o n n n 9 n<br />
U<br />
cxk .1=1 i=1 j=1 0
44<br />
yani,<br />
n n n n n<br />
akixj + Eadj =E akixj +Eaki xi = 2 Eaki x i , akı =aik<br />
j=l i=l j=1 i=1 ı =1<br />
cx Ax)<br />
öx<br />
n<br />
2 Eaiixı<br />
n<br />
2 Ea2i xi<br />
ı =1 .<br />
_2<br />
a11<br />
a21<br />
45<br />
1 -1 112 x i 2X1 — 2X2 + X3<br />
f (Y_) A<br />
-3 x —1 2 —2<br />
+ 4X2 — 4X3<br />
c x<br />
—2 0 x3<br />
— 4X2<br />
olur. Bu, f fonksiyonunun kismi türevlrerin ın vektörüdür.<br />
1 —4 0<br />
olmak üzere bu, f fonksiyonunun ikinci mertebeden kismi türevlerinin<br />
matrisidir.<br />
ÖRNEK 2.1.7.2 Y:t? x 1 bir vektör X:nx p tipinde bir matris ve fipx1<br />
tipinde bir vektör olsun.<br />
f ([3) = — X '612 = (Y — X 13y(Y— X13)<br />
ifadesinin fi ya göre türevi,<br />
f (fi)= (Y — X13)'(Y — X 13)<br />
=(Y — X )(Y — X fi)<br />
o<br />
=Y Y —Y r X fi— X'Y + X'X fi<br />
Y ' X fi ve Q X'Y , 1 x 1 boyutlu olduklar ından,<br />
olmak üzere,<br />
—') 1<br />
c2f(-) = 4 —4<br />
cir2<br />
Y X fi = (Y X fi)' =13 X'Y<br />
ve<br />
f (P) = )7: Y — 2,6: X' Y + fi"X'X<br />
GY6(-3) = "X'Y +2 X'Xfi<br />
dır.<br />
Bu türevi s ıfıra e şitlersek,<br />
X'Xfi= X'Y
46<br />
denklemi elde edilir. Bu denklemin çözümü olan ,8 vektörleri f (f3)<br />
fonksiyonunun ekstremum noktalar ıdır.<br />
02f _<br />
(Q ) ->x ,x<br />
ve x'x matrisi pozitif tan ıml ı olduğundan<br />
X'X;3= X'Y<br />
olacak şekilde fi çözümü için f (f3) - minimum değerini almaktad ır, yani<br />
d ır.<br />
min (Y - X ,g)'(Y - X il) = (Y- X13)'(Y - X :(3)<br />
P - -<br />
Şimdi matris türevleri ile ilgili baz ı sonuçlar ı hatırlatal ım.<br />
a' ah ,<br />
c39<br />
- 'cıa - D<br />
013 eg-<br />
d ır. Burada _qui , matrisi kö şegen bir matris ve kö şegeni aa' matrisinin<br />
köşegeni ile ayn ıd ır. A:n x n matrisinin a, eleman ın ın kofaktörü k, bu<br />
eleman ın bulunduğu sat ır ve sütunun ç ıkarılmas ıyla geriye kalan<br />
(n - i) x (i ı - i) boyutlu ınatrisin determinant ı ile (-I)'+ 1 say ıs ının çarp ımı<br />
olmak üzere,<br />
c''clet(A),<br />
= )nxn<br />
A: ıt x ıt , si ınetrik bir matris ise<br />
i?det(A) _<br />
- [km<br />
At ı: x ıı simetrik ve singüler olmayan bir matris ise,<br />
d ır.<br />
Olog(det(A)) = 2 A _I<br />
0A<br />
DA
2.1.8 FONKS İ YONLAR1N MAKS İMUM ve M İNUMUM<br />
DEĞERLERI<br />
47<br />
n değiskenli reel de ğerli bir fonksiyon,<br />
f :R n --> R<br />
f<br />
olmak üzere, bu fonksiyonun birinci<br />
dereceden<br />
sürekli olduğunda,<br />
Lar<br />
cf<br />
(k2<br />
türevleri<br />
( , x2 , . , x„ ) o cY (xi , x2 , ) = o, cy (xi , x2 , , xn ) = o<br />
6-*.2<br />
denklem sisteminin bir (x:,x;,...,x:) kökü (çözümü) f nin ekstremum<br />
(maksimum, minumum, ...) noktas ıd ır. Ayrıca, ikinci dereceden k ısmi<br />
türevler de sürekli ve (x i* ,x; E R n noktas ında,<br />
* *<br />
c3r (x„x,,...,x<br />
H (<br />
n))<br />
c3ci c3c<br />
Hessian matrisi pozitif tan ıml ı ise (xi*,x;,...,x *,) noktas ında fonksiyon<br />
minimum (lokal minimum) değerine sahiptir. H matrisi negatif tamml ı ise<br />
bu noktada fonksiyon maksimum de ğerine sahiptir.<br />
g: Rn R olmak üzere f fonksiyonunun,<br />
g.(.X1 , x2 , , x„ ) = O<br />
k ı s ıtlamas ı alt ı nda maksimum veya minimum noktalar ı ,
48<br />
f(xl , = g(z i , x2 , , x n )<br />
fonksiyonunun<br />
c .<br />
birinci türevlerini s ıfir yapan noktalard ır.<br />
e fonksiyonuna Lagrange fonksiyonu, ya Lagrange çarpan ı ve yönteme<br />
Lagrange çarpanlar ı yöntemi denir.<br />
K ıs ıtlama say ıs ı birden çok olduğunda; i = 1,2, ... ,k için,<br />
Rn —> R<br />
olmak üzere f fo ınksiyonunun,<br />
g ı (x ı , x2<br />
xn) = O<br />
g2 (x i ,x2 ,...,xn ) = O<br />
gk (r ı xı , xn ) = o<br />
k ıs ıtlamalar ı alt ında maksimum veya minimum noktalar ı,<br />
k<br />
f(x ı , x2, , xn, /1- ı ,A2 -<br />
2-k) = f (x ı , X2,• • •, X n ) —<br />
i=1<br />
fonksiyonunun — —<br />
c3c1 ' c,"k2 '<br />
yapan noktalard ır.<br />
aaa a<br />
4?<br />
2.2 L İNEER DENKLEM SISTEMLERININ ÇÖZÜMÜ ve<br />
MATR İSLER İÇİN GENELLE ŞTİR İLMİŞ İNVERS<br />
KAVRAMI<br />
Ax = g lineer denklem sistemini gözönüne alal ım. Burada A:n xm<br />
bilinen bir matris, g:n x ı<br />
vektördür. A<br />
bilinen bir vektör ve x ER"' bilinmeyen bir<br />
matrisi n x n tipinde ve regüler bir matris oldu ğunda Ax = g<br />
denklem sisteminin bir tek r o = A -1 g çözümü vard ır. A' matrisi nxn<br />
tipindeki regüler matrislerin grubundaki A matrisinin inversidir (grup<br />
i şlemi matris çarp ı m ı) .<br />
Genel olarak bir A: ıı x n ı matrisi R"' den R" ye bir lineer dönü şüm<br />
tan ımladığından, eğer g e vektörü A matrisinin görüntü uzaym ın<br />
(R(A),[A]) eleman ı değilse Ax = g denklem sisteminin çözümü<br />
olmayaeakt ır. Denklem sisteminin çözümünün olmas ı için g ER(A)<br />
olmal ıd ır. Bu durumda denklem sisteminin bir veya daha fazla çözümü<br />
olabilir. g ER(A), yani denklem sisteminin çözümü var oldu ğunda denklem<br />
sistemine tutarl ıd ır denir. Şimdi denklem sisteminin tutarl ılığını ve<br />
çözümlerini ortaya ç ıkaran ve A matrisinin genelle ştirilmi ş inversi denen<br />
bir matrisin tan ı m ını hat ırlatal ım.<br />
TANIM 2.2.1 A: n x n ı matrisi için AA -A = A özelli ğini sağlayan A°:m x<br />
matrisine A n ın genelle ştirilmi ş inversi denir.<br />
Bu tan ıındaki AA - A = A özelli ğine sahip A - matrisine şimdilik<br />
genelle ştirilmi ş invers dedik. Sonraki k ıs ımlarda ba şka inversler<br />
tan ımland ığında A - ye başka bir isim verilecektir.<br />
A: ıı x m ve rank(A)= r olmak üzere, singüler olmayan<br />
P:n x n,(2:mx nı,D:r x r matrisleri vard ır, öyleki<br />
Pile) = [D 1<br />
O O<br />
d ır (K ısım 2.1.2).
50<br />
E , , H uygun boyutlu isteksel matrisler olmak üzere,<br />
AO[ DF I 11)A = A<br />
olduğundan,<br />
= Q<br />
E l'<br />
1. H<br />
matrisi A n ın bir genelle ştirilmi ş inversidir. E , , H matrisleri isteksel<br />
olduklar ından, A matrisinin birden çok genelle ştirilmi ş inversi olabilir. Her<br />
A matrisinin en az bir tane genelle ştirilmi ş inversi vard ır. Q ile P<br />
matrisleri ıı i ıı si ııgüler olmad ığı ve D matrisinin rank ının r olduğu<br />
gözönüne al ı n ırsa E ile matrisinin s ıfır matrisleri olarak al ınmas ı<br />
durumunda H matrisinin seçimine ba ğl ı olarak k nin rank ı<br />
r rank(A min{n,m} olacak şekilde de ği şik rankl ı genelle ştirilmiş<br />
inversleri vard ı r.<br />
TEOREM 2.2.1 Ax = g denklem sistemini göz önüne alal ım.<br />
a) Denklem sisteminin tutarl ı olmas ı için gerek ve yeter şart<br />
AA - g=g<br />
olmas ıdır. (Burada A , A n ın bir genelle ştirilmi ş inversidir.)<br />
b) Denklem sistemi tutarl ı olsun. x o = G g nin bir çözüm olmas ı için<br />
gerek ve yeter şart G matrisinin A n ın bir genelle ştirilmi ş inversi olmas ıdır.<br />
c) Denklem sistemi tutarl ı olsun. z isteksel bir vektör olmak üzere,<br />
x =<br />
g + (I - A)z<br />
denklem sisteminin bir çözümüdür.<br />
ISPAT: a) Ax = g tutarl ı olsun ve x o denklem sisteminin nir çözümü olsun.<br />
O zaman,<br />
A x o = g
AA - A x o = AA - g<br />
51<br />
Ax o = AA - gg-- A Ag<br />
d ır. Tersine, AA g = g olsun. O zaman x 0 = A - g bir çözümdür.<br />
b) Denklem siste ıni tutarl ı ve x o = Gg bir çözüm olsun. A:n x k ve<br />
A =[ai ,a 2 ,...,a k] olmak üzere , i =1,2,..., k için A x = a i tutarl ı ve x 1 = Gai<br />
bir çözümdür. Buna göre,<br />
AGa i , = I,2,...,k<br />
AG[a ,a 2 ,...,a k ]=[ai ,a 2 ,...,q A.]<br />
AGA = A<br />
d ır.<br />
Tersine, denklem sistemi tutarl ı ve G matrisi A nın genelle ştirilmiş<br />
inversi olsun. O zaman,<br />
AGA = A AGA x = A x<br />
AG g = g<br />
x o = Gg bir çözümdür.<br />
C) x = A g + (I - A - A)z nin denklem sistemini sağladığı kolayca<br />
gösterilebilir.<br />
A x = g lineer denklem sistemlerinin çözümünü halleden<br />
genelle ştirilmi ş inversi matris denklemlerinin çözümünde de kullan ışlıdır.<br />
X bilinmeyen bir matris olmak üzere,<br />
A XII = C<br />
matris denkleminin tutarl ı olmas ı için gerek ve yeter şart,<br />
AA CB B = C<br />
olmas ıdır ve bu durumda çözümler,<br />
x = A-cB- + (Z - AZBB - )<br />
dır. Burada Z uygun boyutlu isteksel bir m ıatristir.<br />
Bir A matrisinin A - genelle ştirilmi ş inversi ile ilgili baz ı özellikler<br />
aşağıda özetlen ıni ştir:
matrisleri A<br />
52<br />
1) A regüler ise A = d ır. A:n x k tam sat ır rankl ı (rank(A)= n) ise,<br />
A - = A' (AAT ° olup A - matrisi A nın sağ inversidir, yani AA - = I, dır.<br />
A:n x k tam sütun rankl ı<br />
A n ın sol i ııversidir, yani A - A = Ik d ır.<br />
A idempotent ise A = A d ır.<br />
(rank(A) = k) ise, A - = (A' Ay' A' olup A - matrisi<br />
2) (AT =(A- ) , d ır. E ğer ıl simetrik, yani A'= A ise A - ve (A - )' matrisleri<br />
A n ın birer genelle ştiril ıni ş inversidir ve G = —1 (A - + (A - )') matrisi A nin<br />
2<br />
simetrik bir genelle ştirilmi ş inversidir.<br />
3) AA - A,I - AA - - A -A matrisleri idempotentir ve<br />
d ır.<br />
R(AA - )= I?(A),R(A - A) = R(A'),N (A - A) = N (A)<br />
4) [ A0<br />
B<br />
[A - O<br />
O B -<br />
d ır. C nin sat ır vektörleri A nın sat ır uzay ında<br />
ise, [A<br />
o<br />
d] [A- o] dir<br />
o o o<br />
5) A = A(A' A) - A' A) , A A' (A A') - A d ır. Buna göre (A' A) - A' ile A' (AA') -<br />
n ın birer genellestiribnis inversidir.<br />
İ SPAT:<br />
(A' A)- (A' A)(A' A) - (A' A) , O<br />
[1- (A' A) - (A' A)1 ' [(A' A)- (A' A)(A' Ar (A' A)j= 0<br />
[A - A(A' (A' Al [A- ' A(A' A) -(A' A)1= 0<br />
A- A(A' A) - (A' A)= 0<br />
= A(A' A) (A' A)<br />
Di ğer k ısm ın ispat ı benzer biçimdedir.
6) (A'A); ve (A' A)7 matrisleri A'A n ın iki genelle ştirilmi ş inversi olmak<br />
üzere A(A' A)," A:=A(A' A):, - A' d ır.<br />
İ SPAT:<br />
A = A(A' A); A' A<br />
A = A(A' Ay," A'A<br />
53<br />
taraf tarafa ç ıkar ıp her iki tarafın [A(A'A)7 - A(A'A)71<br />
ile çarp ılmas ıyla,<br />
[A(A' A) -İ A' A - A(A' A) 2- A' A}[A(A' A) -1 A(A' A) 2- 1 =O<br />
[A(A' A); A' - A(A' A) -2 A1A(A' A); A' - A(A' A) -;A'f =0<br />
A(A' Ay,' A' = A(A' A)7A'<br />
elde edilir.<br />
7) AA - ve A -A matrisleri ide ınpotent olduklar ından birer izdü şüm<br />
matrisleridir. A: ıt x n ı , AA - E Ir", A - A Gir"' olmak üzere,<br />
P _<br />
R(AA ),N (AA ) = AA - P R(A - A),N (A _ A)<br />
A A<br />
d ır. Ayr ıca R" = R( A) ei) = N (A)G 7' olmak üzere N
54<br />
X'Xh = X'y<br />
denklem sisteminin bir çözümüdür. rank(X)=-rank(X'X)< p olduğunda<br />
normal denklemlerin birden çok çözümü olmas ına rağmen 5) = X(X'x) - X'y<br />
bir tekdir.<br />
Şekil 2.2.1<br />
10) y E R" , X:nx p olmak üzere X'Xb = X'y normal denklemlerin bir<br />
çözümü 1; olmak üzere xi; lineer bile şiminin (say ı s ının) bir tek olmas ı (i;<br />
çözümüne ba ğl ı olmamas ı) için gerek ve yeter şart<br />
olmas ıd ır.<br />
2:= 2:(X'x)" - X'X<br />
İ SPAT: b =(X'X) - s+[I X'X]:_<br />
A'lı = 2'(X'X) -- X y+ 211 -(X'X) -<br />
olmak üzereXi; n ın binek olmas ı için gerek ve yeter şart,<br />
X'xi= o<br />
olmas ıd ır.<br />
11) px 1 vektörünün x:n x p matrisinin sat ır vektörlerinin gerdi ği uzayda<br />
olmas ı (yani 2 1 = c' X , 3e ER") için gerek ve yeter şart 2' = X'X<br />
olmas ıd ır.<br />
İ SPAT: ). 1 = X(X'X) - X'X 2' c' X , (c = (X'X)" X') yani 2' E S(X) d ır.<br />
Tersine, 3e E R" için ■1:= c' X 2', c' X(X'X) - X'X<br />
(5 den)<br />
d ır.<br />
X'X
55<br />
2.3 B İR OPTİMİZASYON PROBLEM İ ve<br />
MOORE-PENROSE GENELLE ŞTİR İLMiş İNVERS İ<br />
X:n x p ve x matrisi ııi ıı sütun vektörlerinin gerdi ği uzay,<br />
[x].= {z_ E xfi,fi E RP}<br />
olmak üzere, y e R" için Euclide normunda,<br />
n ı y - Xfil = y - X bi<br />
proble ıni ııin çözümü olan fr<br />
vektörleri aras ında minimum normlu fr<br />
vektörünü bulma problemini gözönüne alal ım. Bilindiği gibi<br />
Xfil<br />
nonnunu minimum yapan xfr vektörü y vektörünün [x] üzerine dik<br />
izdü şti ınü olacakt ır. Bu izdü şüm y = Plx]y olmak üzere ; = X/3 e şitligini<br />
sağlayan fr vektörleri aras ında mini ınum normlu olan vektör hangisidir? x<br />
matrisi tam sütun rankl ı , yani rank(X) = p olduğunda y = xfr eşitliğini<br />
sağlayan bir tek fr vektörü vard ır, ancak raıık(X) < p olduğunda y = Xfr<br />
olacak şekilde birden çok fr vektörü söz konusudur. Bunlardan minimum<br />
nonnlus ıt hangisidir? Bu.problemin çözümünü yans ıtan teoreme geçmeden<br />
önce simetrik matrisler için bir teorem ele alal ım.<br />
TEOREM 2.3.1 Her simetrik A E R"'" matrisi için,<br />
/f x] = lim (A 81) -1 A --,- lim A(A 81) -1<br />
8--›() 6-*0<br />
matrisi vard ır. Her z E Ir vektörü için,<br />
vektörü z nin A matrisinin [A] sütun uzay ı üzerine dik izdü şümüdür.<br />
İSPAT• A E R" . " ve simetrik oldu ğundan A n ın 2, ,2 2 ,...,2„ &değerleri<br />
reeldir. 8„ O sabiti<br />
olmak üzere,<br />
16„1 < min{1.1,1:Â, A n ın sıfırdan farkı üzde geri}
56<br />
o
57<br />
z = lim (A+ 81) -1 AA x o<br />
' 6-4.0<br />
= lim P(D + 81)-1 D 2 P' x o ııı<br />
6-<br />
= PDI" xo A .x o = ğ:<br />
P A<br />
,z vektörü z nin [A] üzerine dik izdü şümüdür. Böylece teorem<br />
ispatla ıııııış t ır.<br />
TEOREM 2.3.2 Vx:n x p matrisi için,<br />
a) = (X'X + 82 1 P<br />
) -1 X' = lim X'(XX' + 82<br />
ö->0<br />
matrisi vard ır.<br />
b) Her y E R" vektörü için,<br />
4) -1<br />
fi = X±y<br />
vektörü, - X fil y ı mi ııimu ın yapan /1 vektörleri aras ında minimum<br />
normludur.<br />
İSPAT: X'X ve XX' simetrik matrislerinin singülerlik sorunu yukar ıdaki<br />
teoremdeki gibidir. Ayr ıça,<br />
X'XX'+ 82 X' = X'(XX' +dl n )= (XX' + 82 1 1,)X'<br />
olduğundan teore ındeki li ınitler var olmas ı durumunda birbirine e şittir.<br />
X'x si ınetrik bir ınatris oldugundan,<br />
X'x = PDI"<br />
biçiminde yaz ı labilir. D matrisi X'X in Ozdeğerlerinin kö şegen matrisi ve<br />
özvektörlerin ortogonal matrisidir. x matrisinin tekil de ğer ayrışım ı<br />
(K ı s ım 2.1.2),
58<br />
O .. . O<br />
O ••• O<br />
X =Q () () •••<br />
ğ/lP<br />
o O ••• O<br />
P' - Q<br />
O<br />
131<br />
olmak üzere,<br />
() 0 O<br />
(X'X + 82 .0 -1 x' = P(D+ 62/<br />
p[(1)±82 1 ) -1 J15<br />
o]Q'<br />
oleY<br />
‘ i /41(21+3) 0 0 0<br />
O vi 221(224) • • O O<br />
. .<br />
0 0 \T,Tp ı(21,. .-h)<br />
d ır. i = 1,2,..., p için<br />
= , = O<br />
. m<br />
1<br />
(5-4o 2, ö2 , O<br />
olmak üzere,<br />
l ım<br />
ti-s0<br />
+ 8- 1) .l'=1><br />
I;In [it 1(21+82 )<br />
,)')()<br />
()<br />
0<br />
Ip:10 P7 1(2. 2 +82 )<br />
•••<br />
0 0 •••<br />
0 0 •••<br />
0<br />
O<br />
Q'<br />
()<br />
0<br />
•••<br />
litnFt-.- 1(2. p +62 ) 0 •••<br />
8 >O<br />
0<br />
d ır.
59<br />
Şimdi b) şıkk ın ın ispat ına geçelim.<br />
R", Euclide uzay ında y- Xfil y ı minimum yapan y = xfi*,(ş* ER")<br />
vektörü y nin [X] üzerine dik izdü şümüdür. {a*: = .9,0 E RP}<br />
kümesindeki vektörler aras ında minimum normlu fi* vektörünü bulal ım. RP<br />
deki her a vektörü,<br />
a =<br />
, E[X1 , ü E[Xl i<br />
biçiminde yaz ılabilir. Xc7 = O ve Xa = Xa d ır. Ayrıca,<br />
+Ili .11g112<br />
d ır. Buna göre, xfi* = y e şitli ğini sağlayan bira' vektörü için,<br />
ve<br />
2 - 2 ■• 2<br />
l ig 2 .= -?" )1.<br />
= xfi* olmak üzere en küçük normlu /3* vektörü [X . ] alt uzaymm<br />
eleman] olmal ıd ır. Bu vektörü Q ile gösterelim. Xfi= j;,'fie[r], yani ;(3° , X<br />
matrisi ııiıı sat ır vektörlerinin gerdi ği uzaydad ır. Di ğer taraftan,<br />
X + y = ( limo(X'X +82 1p )-1 X'y<br />
= lim (X'X + 82 1 „)-1 X' 5)<br />
(5—>0<br />
tim (X'X +821„)-1 xx;6.<br />
(5—>0<br />
ve Teorem 2.3.1 den,<br />
y =1>lx, 1/3<br />
d ır. Ancak [X'] = [ X'x] yani R(X') = R(X'X) olmas ı sebebiyle Q E[rx]<br />
d ır. O zaman,<br />
X + .}' =<br />
d ır. lly - XfiI y ı minimum yapan minimum normlu fi vektörü<br />
fl= X 4'y<br />
d ır. Böylece teorem ispatlanm ışt ır.
60<br />
x4- matrisine, X matrisinin Moore-Penrose genelle ştirilmi ş inversi<br />
denir. Bir limit olarak tan ımlanan x÷ Moore-Penrose genelle ştirilmiş<br />
inversinin a şağıdaki dört özelliği sağlayan matris olduğu ispatlanabilir<br />
(Albert (1972)).<br />
TEOREM 2.3.3 vX:I ı x p matrisi için,<br />
d ır.<br />
X+ =<br />
{1) xx*x = x<br />
x * 2) X * XX * = X *<br />
3) XX * simetrik<br />
4) X * X simetrik<br />
Bu teoremdeki dört özelli ğe Penrose ko şullan denir. Penrose<br />
ko şulları bir X matrisinin x 4 inversinin nas ıl elde edileceğini<br />
göstennemesine ra ğmen, belli bir x* matrisinin X in Moore-Penrose<br />
genelle ştirilmi ş inversi olup olmadığın ı görmek için Penrose ko şullannın<br />
sağlan ıp sağlanmadığına bakmak yetecektir.<br />
Matrislerin genelle ştirilmi ş inverslerinin Penrose tan ımlaması çok<br />
önemlidir. Sonraki k ıs ımlarda görülece ği gibi bu dört ko şulun bir kısmını<br />
veya buna benzer ba şka ko şulları sağlayan genelle ştirilmi ş inversler gerek<br />
teorik aç ıdan sahip olduklar ı ilginç özellikler, gerekse uygulama aç ıs ından<br />
sahip olduklar ı çok geni ş uygulama sahas ı bak ım ından matris analizinde<br />
önemli yer tutmaktad ırlar.<br />
Bir matrisin Moore-Penrose genelle ştirilmi ş inversi ile ilgili baz ı<br />
özellikler aşağıda özetlenmi ştir.<br />
1) Eğer A karesel ve singüler olmayan bir matris ise<br />
d ır.<br />
A + = A
2) A: ıı x nı ve rank(A) = m , yani A n ın sütun vektörleri lineer ba ğıms ız (A<br />
tam sütun rankb) ise,<br />
61<br />
A + = (A' A) ' A'<br />
d ır. A + matrisi A n ın sol inversidir.<br />
3) A: ıı x in ve rank(A)= n, yani A tam sat ır rankl ı ise,<br />
A+ = A'(A' A)<br />
d ır. A + matrisi A n ın sağ inversidir.<br />
4) A:1 x ı tipinde bir matris, yani A = [a],a ER ise,<br />
[O] ,a = O<br />
A + = lim (A' A + 521)-1 A' = [ 1<br />
(5-->0 --1 ,a O<br />
d ır. a ER reel say ı s ı için,<br />
olarak tammlans ın.<br />
{O ,a = O<br />
a + = 1<br />
— ,a O<br />
a<br />
5) A kö şegen matris yani,<br />
A =<br />
d, 0 -• •<br />
0 d, • • • 0<br />
ise,<br />
0 0 ••• d„_
62<br />
A + =.<br />
d ır.<br />
6) A nx ı tipinde bir vektör, yani A = a E R" I ise,<br />
63<br />
14) A: ıı x ın ve I>: ıı x ıı,Q: ın x nı ortogonal matrisler olmak üzere,<br />
d ır.<br />
(PAQ)+ = (Y/1 +1"<br />
15) A:n x ıl, A' = A ve A n ın spektral ayr ışım ı,<br />
A = 1>DIP<br />
olmak üzere,<br />
A+ = 11)+ 1"<br />
d ır.<br />
16) A .[ A " ise A+ =[A'" 0<br />
O A„ J 0 A;',<br />
d ır.<br />
17) (A 13) 4- = A + 13 +<br />
Elemanlar ı l olan nx m tipinde matris,<br />
I 1 1<br />
1 1 ••• 1<br />
1 1 ••• 1<br />
ı<br />
1 ®{1 ı ... ı ] lx ın<br />
olmak üzere,<br />
I rı xl<br />
d ı r.<br />
O<br />
+ ı<br />
ı 1 ..» t] = ıl<br />
[1 1 ı<br />
ix ın<br />
lxn<br />
1<br />
nr<br />
1<br />
n x1<br />
1<br />
- m IMX Il<br />
ıı .
64<br />
18) Itv ] = xx+ , yani xx + matrisi x in sütun vektörlerinin gerdi ği,<br />
[x] c R" alt uzay ı üzerine dik izdü şüm matrisidir (operatörüdür). Ayr ıca,<br />
x = - xx , (R(I — XX -F )= R(X) I = N (XX + )= N (X + ))<br />
Itv 1= X + X<br />
d ır.<br />
= I — X + X , (R(I — X + X) = R(X') 1 = N (X + X) = N (X))<br />
19) (AB) + = (PRG İ , ) 8) 4- (APR(8) ) + = ( A +AB) + (ABB + ) +<br />
20) A:n x m , B:n ı x k , rank(A) = rank(B)= n ı ise,<br />
d ır.<br />
(AB) + = B+ A +<br />
21) y E R" , X:11 x p olmak üzere,<br />
minily- X /I<br />
y- X fl* fl* = X + y + (I — X + X)z , z e RP<br />
dır.<br />
22) min{ : minliy- Xfill= y — X fl }= X + y<br />
fi<br />
23) Az = b denkleminin tutarl ı olmas ı için gerek ve yeter şart,<br />
AA + b = b<br />
olmas ıd ır. Tutarl ı olmas ı durumunda çözümler,<br />
xo = A +b + (I — A + A)z , z E RP isteksel vektör<br />
biçimindedir.
24) Moore-Penrose genelle ştirilmi ş inversini hesaplamak için bir<br />
algorit ına.<br />
A: ıı x m , raıık(A) = r olmak üzere A + y ı bulmak için aşağıdaki<br />
ad ımlar izlenebilir:<br />
a)B. - A' A y ı hesaplay ın ız.<br />
b) = / al ın ı z.<br />
65<br />
C) C k +1 = —ki .1 .tr(CkB)-(' A.B , k= 1,2,...,r -1<br />
d) A + = r (,.A'<br />
Ir(( rI3)<br />
NOT: cr+ili = o ve tr(( rB) o olmas ı c) ad ımında durdurma kural ı olarak<br />
kullan ı l ırsa bu algoritmada A n ın rank ının önceden bilinmesi gerekmez.<br />
(Graybill, 1983)
66<br />
2.4 MATR İSLER İN GENELLE ŞTİR İLMİŞ İNVERSLER İ<br />
Genelle ştirilmi ş invers kavram ı ilk olarak Fredholm tarafından<br />
integral operatörleri ile ilgili olarak 1903 y ı l ında yapt ığı bir çal ışmada ele<br />
al ınm ıştır. Hilbert`in 1904 y ıl ındaki genelle ştirilmi ş Green fonksiyonlar ı ile<br />
ilgili çal ışmas ında mevcut olan diferansiyel operatörlerin genelle ştirilmi ş<br />
inversleri daha sonraki y ıllarda birçok ara şt ırmac ı tarafından incelenmi ştir.<br />
Matrisler için genelle ştirilmi ş invers kavram ı ilk olarak 1920 y ılında<br />
E.H.Moore tarafından ortaya at ılm ışt ır. Operatörler için genelle ştirilmi ş<br />
invers kavram ı Tseng, Murray, von Neumann, Atkinson ve matrisler için<br />
genelle ştirilmi ş inversler Siegel, Bjerhammar, Penrose ve ba şkaları<br />
tarafından 1930-1955 y ılları aras ında geli ştirilmi ştir. 1950 li y ıllarda<br />
doi,rusal proğramlaman ın geli şmesiyle birlikte genelle ştirilmi ş inverslere<br />
ilgi çok artm ış ve çok say ıda yay ın ç ıkmıştır. Uygulamalarda ortaya ç ıkan<br />
problemleri çözmek için de ği şik amaçl ı genelle ştirilmi ş inversler<br />
tan ımlanm ışt ır. Teorik aç ıdan da ilginç özelliklere sahip olan<br />
genelle ştirilmi ş inversler günümüzde matematikçilerin ve di ğer bilim<br />
adamlar ının yoğun olarak üzerinde çal ıştıklar ı bir konudur.<br />
2.4.1 PENROSE DENKLEMLER İ<br />
1955 y ı l ında Penrose vA://x ın matrisi için (reel veya kompleks<br />
elemanl ı) aşağıdaki denklemleri sa ğlayan bir tek G matrisinin var olduğunu<br />
ispatlam ıştır.<br />
1)AGA=A<br />
3) (AG) * = AG<br />
2) GAG = G 4) (GA) * = GA<br />
Burada * i şareti matrisin konjuge (e şlenik) transpozunu göstermektedir.<br />
Reel elemanl ı ınatrisleri göz önüne alaca ğımızı bir kez daha belirtip<br />
Penrose ko şulları diyece ğimiz Penrose denklemlerini bir kez daha yazal ım.<br />
1) AGA = A 3) (AG)' = AG<br />
2) GAG =G 4) (GA)' =GA
Bu dört ko şulu sağlayan G ınatrisi Moore tarafından da incelenmi ş<br />
olup bu matrise Moore-Penrose genelle ştirilmi ş inversi denir ve A + ile<br />
gösterilir. Moore tan ımlamas ı aşağıdaki gibidir.<br />
67<br />
A E Rn "il için,<br />
A A = A)<br />
A + A = it( A±<br />
olacak şekilde A + matrisine A n ın genelleştirilmi ş inversi denir.<br />
A + için Moore tan ımlamas ı ile Penrose tammlamasm ın denk<br />
oldukları gösterilebilir.(Campbell ve Meyer (1979))<br />
A E Rnxm olmak üzere A matrisi R"' den R" ye bir lineer dönü şüm<br />
tammlamaktad ır, yani A E I ,(R m , R n ) d ır. A + E L(R n , ) olmak üzere,<br />
x --> A + (x) =<br />
, x R(A) 1<br />
(A I N (A)<br />
1 )- • x E R(A)<br />
olduğu gösterilebilir. Burada A I N (A)<br />
ı ifadesi A: R m --> Rn lineer<br />
dönüşümünün N(A ) 1 alt uzay ına k ıs ıtlamasid ır.<br />
A A+<br />
Şekil 2.4.1<br />
Penrose ko şullarından sadece birinci ko şulu sağlayan matrisler<br />
K ıs ım 2.2 de ele al ınd ı. Bunlara {1}-ko şullu inversler veya c-inversler<br />
denir. Penrose ko şullar ından örnegin sadece 1) ve 2) ko şulunu sağlayan
68<br />
matrislere { ı ,2}-ko şullu inversler denir. Moore-Penrose genelle ştirilmi ş<br />
inversi ba şka bir ifade ile {1,2,3,4}—ko şullu invers 'dir. Bir A matrisinin {1}-<br />
koşullu inverslerin kümesi A {t}biçiminde gösterilir. Örnegin A n ın<br />
herhangi bir { ı }-ko şullu inversi A (1) ,{1,2,3}-ko şullu inversi A (1 '2 '3)<br />
biçiminde gösterilmektedir. Moore-Penrose genelle ştirilmi ş inversi bir tek<br />
olmak üzere,<br />
A + A (1,2,3.4)<br />
d ır. A + matrisi ayn ı zamanda A<br />
A{1,2,3,4} =<br />
n ın {1}-ko şullu , {2}— kapdı'', k ısacas ı<br />
c c {1,2,3,4} olmak üzere ('-ko şullu inversidir. VA E R n x "I matrisi için A +<br />
matrisinin mevcut olmas ı herhangi bir C-ko şullu inversin de mevcut<br />
olmas ın ı gerektirmektedir, yani VA E I?
2.4.2 {1,2}-KO ŞULLU İNVERSLER<br />
69<br />
xn tipinde reel elemanl ı bir nıatris olmak üzere G,Y E A{1}<br />
GAY E 41,2} dir. Gerçekten,<br />
için<br />
A((;AY)A = AYA = A<br />
d ır. Bunun sonucu olarak,<br />
(GAY)A(GAY)=GAYAGAY =GAGAY =GAY<br />
A" ) AA" ) -=<br />
d ır. A (1-4) , A (13) G A{1} olduğundan A (I.4) AA (1 • 3) E A{1,2} ve di ğer iki<br />
özellige gelince,<br />
AA (1 .4) AA (13) = AA (1 ' 3)<br />
A (I '4) AA (13) A = AA"<br />
matrisleri simetriktir.<br />
Penrose ko şullar ında A<br />
ald ıklar ında ıı ,<br />
d ır.<br />
G E A{1,2} A QG{1,2}<br />
G E A{1} olmak üzere,<br />
G E A{1,2} •• rank(G)= rank(A)<br />
ve G matrisleri simetrik bir şekilde yer<br />
d ır. Bu sonuçlar Bjerl ıammar tarafından ortaya at ılm ışt ır.(Ben Israel ve<br />
Greville, 1974)<br />
G E A{1,2} olmak üzere,<br />
PR(A).,v(G) = AG<br />
d ır.<br />
PR(G),,v,(A)=GA
70<br />
2.4.3 {1,2,3} -KOŞULLU ve {1,2,4}-KO ŞULLU İNVERSLER<br />
A ı? x »ı tipinde reel elemanl ı bir matris olmak üzere,<br />
(A' A) ( ' ) A' E A{1,2,3}<br />
A' (A' A) (1) EA{1,2,4}<br />
d ır. Gerçekten, 1?(A` A)= R(A') olmas ı sebebiyle,<br />
A' = A' All ,311<br />
yaz ılabilir. O zaman,<br />
lel"<br />
AE(A'A) (1) A'iA ---i/A'A[(A'A) (1) A1A= U 'A' A(A' A) (1) A' A= 1J'A' A = A<br />
d ır, yani (A'A) (1) A'E A{1} d ır. (A'A) (1) A' matrisi A n ın {t}-ko şullu inversi<br />
olduğundan,<br />
d ır. Di ğer taraftan,<br />
rankE(A' A) (1) A'1?_rank(A)<br />
olduğundan,<br />
rank(A) = rank(A')..rank[(A' A) (1)<br />
rank (A' A) (1)<br />
rank(A)<br />
d ır, yani (A' A) (I) A' E A{1,2} d ır. Ayr ıca,<br />
A(A' A) (1) A' = 11'A' A(A' A) (1) A' At1 =11'A' MI<br />
olmak üzere AE(A'A) (1) Aj matrisi simetriktir. Buna göre,<br />
(A' A) (1) A' E /1{1,2,3}<br />
r<br />
d ır. Bunun ötesin A(1.23) de, G Ati,2,3/ olmak üzere,<br />
A{1,",3} , {A (1.2 • ) +(/-A (1•• 3) A)ZA (1 • 2 ' 3) :z 1">""}<br />
d ı r. A'(A'A) ( I ) E A{1,2,4} olmas ı benzer şekilde ispatlanabilir ve<br />
d ı r.<br />
A{ İ ;) A} ,{A(1,2,4) + A(1,2,4<br />
) Z(i AA (1 '2 '4) ) Z E Ri"m}
71<br />
2.4.4 {1,3}-KO ŞULLU ve { ı ,4}-KO ŞULLU İNVERSLER<br />
A (1.3) E A{1,3} olmak üzere AA (1 ' ") matrisi<br />
1) AA (13) AA (1 ' 3) = AA (I * 3) A (I ' 3) ün Penrose ko şullar ından 1) i sağladığından)<br />
2) (AA (1<br />
) ,<br />
. 3) = AA (1 . 3) ( A (1 ' 3) ün Pcnrosc ko şullar ından 3) ü sağladığından)<br />
d ır, yani AA (1 ' 3) matrisi idempotent ve simetriktir. O zaman AA (1 ' 3) bir dik<br />
izdüstım matrisidir. A + E A{1,3} olmas ı sebebiyle,<br />
d ır.<br />
AA (1 ' 3) = 1'R( . 1)<br />
X E Rn x P , y E R" olmak üzere<br />
in y — Xfil = y— XX (13) y<br />
d ır. ji= x (I . 3) y vektörü minimizasyon probleminin bir çözümü olmakla<br />
birlikte, çözümler aras ında minimum normlu olmayabilir. = X +y<br />
çözümler aras ında minimum nonnlud ıır. (K ısım 2.3)<br />
A e h 1,?(A) için Az = b denklemi tutarl ı olmak üzere,<br />
VA (14) E A{ ı ,4} için,<br />
,,(1.4) h<br />
çözümü ıni ıı i ınu ın nonnlu çözümdür.<br />
ıl E R n "" için,<br />
Al1,31=fil (13) +(I — A (13) AZ:Z Eldnixn }<br />
d ır.<br />
A{1,4}<br />
= { A (1,4) +---<br />
Y (<br />
_<br />
AA (1 '4) :Y El?'"n}
72<br />
2.4.5 KISITLI GENELLE ŞTİR İLM İŞ İNVERSLER<br />
A E Rn x<br />
, h e R" olmak üzere,<br />
Ax = h<br />
denkleminin tutarl ı olmas ı için h E R" veya,<br />
AA - b = b<br />
olmas ı gerekti ğini, çözümlerin,<br />
(A - e A{1})<br />
x = A - + (I - , z eR m<br />
biçiminde olduğunu ve minimum normlu çözümün de<br />
x* A + h<br />
olduğunu hat ırlatal ım.<br />
Şimdi Ax = h de ııkleminin çözümlerinden R'") alt uzay ı<br />
içinde bulunanlar ı gözönüne alal ım. Bu k ıs ıtl ı denklem,<br />
Ax = b ve x Es<br />
biçiminde yaz ıls ı n. A e 1,(R m , R" ) olmak üzere A lineer dönü şümünün S ye<br />
k ı s ıtlamas ı Aps olsun.<br />
Rm<br />
A<br />
> Rn<br />
A ı ,s lineer dönti şümü,<br />
A/s :s R"<br />
olmak üzere, R m ye<br />
A is (x)= Ax
73<br />
A * • I?'" --> I?"<br />
ıs'<br />
biçiminde geni şletilirse,<br />
x --> A1S .") =<br />
A x<br />
O<br />
x ES<br />
x ES<br />
A 7.,.<br />
= Aps<br />
d ır. Buna göre,<br />
Ax= bve x ES<br />
k ı s ıtl ı denkleminin tutarl ı olmas ı için gerek ve yeter şart,<br />
APs z = h<br />
denkleminin çözümünün var olmas ıd ır. Bu denklemin bir çözümü z o ise<br />
k ı s ıtl ı denklemin çözümü,<br />
d ır.<br />
X()<br />
- IS<br />
?U<br />
APs z = h denkleminin tutarl ı olmas ı için gerek ve yeter şart,<br />
(APs) - E APs{l} için,<br />
(APs )- b b<br />
olmas ıd ır ve çözümler,<br />
z = (APs) - b + (I -(APs) APs)y , y e /e'<br />
d ır. Bu durumda,<br />
Ax= b, xeS<br />
k ıs ıtl ı denkleminin çözümleri,<br />
x = Ps (APs ) b+ Ps (I -(APs ) APs)y , y E len<br />
biçimindedir. Bunu gözönüne alarak,<br />
Ax= h, x eS<br />
k ı s ıtl ı denkleminin çözümünde Ps(APs) - matrisi A - nin yerini almaktad ır<br />
diyebiliriz. Ps (APsy matrisine A n ın S-k ıs ıtl ı {U-ko şullu genelle ştirilmi ş<br />
inversi denir.
74<br />
A E R" > , S c R"' bir altvektör uzay ı ve C c {1,2,3,4} için<br />
(A l's ) (' , A l's matrisinin bir C-ko şullu inversi olmak üzere Ps (APs) c<br />
matrisine A n ın S-k ı s ıtl ı C-ko şullu inversi denir. Örnegin, A n ın S-k ıs ıtl ı<br />
Moore-Penrose genelle ştirilmi ş inversi Ps (APs ) 4- d ır (Ben-Israel ve<br />
Greville,(1974)).<br />
Ax= h, x ES<br />
k ı s ıtl ı denklemi tutarl ı ise,<br />
x = Ps (AN) + h<br />
çözümü minimum nomıludur.<br />
2.4.6 EN-KÜÇÜK KARELER ve<br />
A ĞIRLIKLI GENELLE ŞTİRİLM İŞ İNVERSLER<br />
X E R" x P ,y E R" olmak üzere Euclide normunda,<br />
min<br />
6<br />
problemin çözümü,<br />
y - X fi I = min(y- X/3)'(y- X fi)<br />
fi<br />
y - XX {13} y<br />
y - XX + y<br />
ve<br />
Q=x y<br />
vektörü,<br />
nonnludur<br />
y - X<br />
yi minimum yapan vektörler aras ında minimum
75<br />
wi ı xi ı pozitif tatmini' bir matris olmak üzere, x ER" için,<br />
= (x'wx) ii2<br />
fonksiyonu R" de bir nonr ıdur. Euclide normunda W = t d ır.<br />
X E R" P ,y E R" ,<br />
tan ı n ı l ı matris olmak üzere,<br />
x n pozitif tan ıml ı matris ve U: p x p pozitif<br />
XX j+I. X = X , X 1+1, u XX Iv = .A71,<br />
WXX u simetrik , 11X 1-1- ir X simetrik<br />
olacak şekilde bir tek X /+1 . ii vard ır. Ayr ıca,<br />
ve<br />
minlly — Xfi w =<br />
y — XX, 4-v6„v<br />
W<br />
13= X w+ y<br />
vektörü,<br />
Xfill w yi ıninimum yapan vektörler aras ındailliu normuna göre<br />
minimum nonfiludur.<br />
X w+ / .<br />
matrisi ııe, X matrisinin w ve tt matrisleri ile ag ırl ıkland ınlm ış<br />
Moore-Penrose genelle ştirilmi ş inversi denebilir.<br />
x + = 11 - ıı 2 (w ıı 2 x(J -1/2 ) 4- w 1/2<br />
Il<br />
=ti-I X'wX(x'wx
76<br />
2.4.7 PARÇALANMI Ş MATR İSLER İN GENELLE ŞTİR İLMİŞ<br />
İNVERSLER İ<br />
Bu k ı s ımda parçalanm ış matrislerin genelle ştirilmi ş inversleri ile<br />
ilgili baz ı fonnüller verilecektir. Bu formüllerin aç ıklamalar ı Pringle ve<br />
Rayner (1971) ile Ca ınpbell ve Meyer (1979) 'in kitaplar ında bulunabilir.<br />
I. A:n x k , rank(A)= r matrisi sütun olarak,<br />
A =[11:.V] , 11:n x s , :n x (k - s)<br />
biçiminde iki ınatrise parçalanm ış olsun.<br />
A _ = [11 -<br />
-11 -Ir - (I -1111-1<br />
C- (1 -11(1 - )<br />
, C = (I -1111 - )17<br />
A (1.2)<br />
, [ ıı - utı - -( ı -6co ,2)(1 -mı -)<br />
('o. 2 )(1 - uu - )<br />
c =( ı - uu- )17<br />
A (1.2.3)<br />
..=<br />
[ (/ ,<br />
,(1.2,3) _ u(I.2.3) vc (1,2,3)1<br />
c ( 1,2,3)<br />
c= (1-uu(L 2,3))v<br />
A+ = [11 + -11 +1" (C + + K)]<br />
C + + K<br />
C = - ıııı +w<br />
K = (I - C+ C)[I + (I -C + C)V (1I+ )' 11+V(I -C +C)1-1 V (11 + )' 1I+V (I -VC + )<br />
d ır.<br />
Sat ır olarak ikiye parçalanm ış matrisler için benzer sonuçlar<br />
transpoz alarak elde edilebilir. Bir matrisin sat ır ve sütun olarak ikiye yani<br />
dört blok matrise parçalanmas ı durumunda genel halde invers formülleri<br />
yoktur. Blok matrislerin özel halleri için elde edilen for ınüllerden baz ıları<br />
a şağıdaki gibidir.<br />
[Al A2<br />
2. A =<br />
A3 A4 J<br />
olmak üzere Al regüler ve rank(A)= rank(A 1 ) ise,<br />
A4 = Al Ai-IA2
(A' A)<br />
77<br />
d ır. P =<br />
, Q = A 1-1 A2 için,<br />
olmak üzere,<br />
[A l A2] ,__ ri<br />
A3 A4 P I I<br />
Q]<br />
d ır.<br />
[ Al<br />
A3<br />
A2 ]+ = [ i((/ + P)AI(/ (2(2 ' )) -1 [/<br />
A4 Q'<br />
P]<br />
A İ<br />
A<br />
=[ O<br />
A2<br />
A3<br />
ve R(A 2 )c R(A i ) „s'(A 2 )cs(A 3 ) ise,<br />
d ır.<br />
[Al<br />
= [A l+ -Al A 2 Al<br />
O A —3 () A +<br />
3<br />
A =[11:V1 , U : ıı x s , V : ıı x (k - s) için,<br />
ve<br />
O = U' (I<br />
olmak üzere,<br />
(A' A) - =<br />
[Ilt Il ITV]<br />
A A =<br />
V' U V' V<br />
-Qu 1 V(VW) -<br />
-(1- v) - V'UQ - (V'V) - +(lı'V) -- V' UQ - U'V (VW) --<br />
(A'A ) (1 ' 2) = [ Q ( ı ,2) Q( 1,2 )u , v(vov)-<br />
Arry ruQ(1,2) (v , v) (1,2) + (rvyruQ" ,2)w V (V' ıı )-<br />
dır. Eğer =kW'(1) + rank(I'' V ) = rank(A' A) ise,<br />
(1 •2 =<br />
[<br />
(2( I, 2,3)<br />
-(2(1 '23) 11 1 V(V'V) -.<br />
-(1/ V) - rt1O:1,2,3)<br />
(v v)( 1,2,3) +(rv)-vveil,2,3)1I'V(V'V).-
78<br />
d ı r.<br />
(A A) + =[ Q+<br />
-(1"1') - r11Q+ (1,"1/) ± + (VT) - r
79<br />
PROBLEMLER<br />
2.1 A bir matris olmak üzere<br />
R(A)= R(A A')<br />
ve<br />
S(A)= S(A' A)<br />
olduğunu gösteriniz.<br />
2.2 A =<br />
1 1 1<br />
1 -1<br />
3 -1 5<br />
4 ') 5<br />
matrisi için K ısmı 2.1.1 de geçen 1) , 2) , 5) ve 6) daki sonuçlar ı elde<br />
ediniz.<br />
2.3 A =<br />
matrisinin spektral ayr ışım ın ı elde ediniz.<br />
2.4 a) x i + x2 + x3 = 3 h) x i + x2 + x 3 = 3<br />
+ 2x2 = -2 - x i +2x2 = -2<br />
3x 2 + x 3 = 2 3x 2 + x3 = 1<br />
denklem sistemlerinin çözümlerini ilk önce elemanter sat ır i şlemleri ve<br />
daha sonra genelle ştirilmi ş inversler kullanarak ara şt ır ınız. Birden çok<br />
çözüm varsa minimum nonnlu çözümü buluntu.
80<br />
2.5 A<br />
1 O<br />
O O<br />
matrisinin Moore-Penrose tipi genelle ştirilmi ş inversini Teorem 2.3.2 yi ve<br />
K ısım 2.3 24) de verilen algoritmay ı kullanarak l ıesaplaym ız. A matrisinin<br />
tekil değer ayr ışıııııııı elde edip Moore-Penrose tipi genelle ştirilmi ş<br />
inversine geçi şi kurmaya çal ışın ız.<br />
2.6 K ı s ım 2.2 de A - için verilen özelliklerden 1) , 2) , 3) , 4) ve K ısım<br />
2.3 de A + için verilen özelliklerden 1) , 2) , 3) , 6) , 7) , 8) , 9) , 10) , 12) ,<br />
13) , 14) , 15) , 16) , 17) yi ispatlay ın ız.
81<br />
3.BÖLÜM<br />
NORMAL DA ĞILIMLI RASGELE VEKTÖRLER İN<br />
KARESEL FORMLARININ DA ĞILIMLARI<br />
3.1 NORMAL DA ĞILIM<br />
Bu k ı s ımda ilk olarak bir de ği şkenli normal da ğı l ım ve daha sonra<br />
çok deği şkenli normal da ğı l ım ile ilgili baz ı bilgiler hat ırlat ılacakt ır.<br />
Bir x rasgele de ği şkenin (r.d) olas ı l ık yoğunluk fonksiyonu (o.y.f)<br />
1 X - P<br />
1<br />
) 2<br />
(x) = e 2 Q , - op < x < oo<br />
-15-Jıra<br />
biçiminde olduğunda, X r.d. nine normal da ğı l ıma sahiptir denir ve<br />
X N(p, 02 ) biçiminde gösterilir. ,u (F. R ve cre (o, 00) say ılan, da:gidi=<br />
parametreleri olmak üzere<br />
1 X-P 2<br />
1 )<br />
P:( X) =jx , e2 ( Q dx = p<br />
„ st2 ;Ta<br />
ve<br />
d ır.<br />
d ır.<br />
1 (X P<br />
E( x 2 ) .1- 1 - ) 2<br />
x2<br />
2 a<br />
.„ N/2 ırcr<br />
Var ( X) = G2<br />
,-- e dx = o2 + p2<br />
Normal da ğı l ıma sahip bir X r.d. nin moment ç ıkaran fonksiyonu,<br />
02 t 2<br />
p t +<br />
M x (1) = E(e t x ) = e 2<br />
p= 0 , o = 1 olan N(0,1) dağı t ım ına standart normal da ğıl ım denir.
82<br />
Z - N(0,1) için<br />
x 2<br />
OG.1 = =.e. 2 dx zel?<br />
fonksiyonu standart normal da ğı l ı m ın da ğı l ım fonksiyonu olmak üzere bu<br />
fonksiyonu ıı değerleri standart normal da ğılım tablolar ında mevcuttur.<br />
N(u,0 2 ) normal da'g ı l ı m ın paremetrelerinin en çok olabilirlik tahmin<br />
edicileri„v i , ,..., , N(,u,o2 ) da ğı l ım ından bir örneklem olmak<br />
üzere,<br />
ve<br />
=<br />
-X) 2<br />
QZ = r = 1<br />
ıt<br />
d ır. Bu tahmin ediciler ayn ı zamanda momentler yöntemi ile elde edilen<br />
tahmin edicilerdir. Ayr ıca, ı en küçük kareler tahmin edicisidir.<br />
Yans ız ve tutarl ı bir tahmin edici olan iı tahmin edicisi N(,u,a2/n)<br />
dağı l ıml ıdı r.<br />
ı<br />
FCJ2)= ı -1 02<br />
ıı<br />
olmak üzere 02 tahmin edicisi yans ız değildir. Yans ız olacak şekilde<br />
düzeltilmi ş olan tahmin edici,<br />
= t -62 = = 1<br />
-X) 2<br />
ıı -1 ıı - 1<br />
olsun. â2 nin da ğı l ımı ile ilgili olarak<br />
olduğunu hat ırlatall ın.<br />
2<br />
( ıı -1)&2 i1(X1 --X-)<br />
02 02<br />
4n- ı )
Çok de ği şkenli normal da ğı l ıma geçmeden önce çözümü Graybill<br />
(1983) de bulunan bir integrali hat ırlatahm.<br />
83<br />
a:n<br />
A:n x n simetrik bir matris, B:n x ıı pozitif tan ıml ı bir matris,<br />
x i vektörler, ao ,bo sabit say ılar olmak üzere,<br />
oc<br />
J •-• J(x. Ax +a'x +ao )e<br />
x' bx+h'.3:+bo )dri...dxn<br />
,<br />
ı ,<br />
I „ b' • h-bü [<br />
= - (detB) -"e 4 --<br />
— ır(A/3 1 )- b' a + -h' 1 AB -1 b +2a0 ]<br />
d ır. Özel olarak,<br />
ve<br />
(3:- //)' 8 0:-/1 t ,B-1 1<br />
x x [er -<br />
2<br />
r,u+<br />
J • Je<br />
dx]...dx,=(,5- Jr)"(det(B -1 )) 112 e -- 2<br />
-x -<br />
X QC -<br />
13(x -p)<br />
• • • je 2 dxi. dx, = (-jft .)"(det(13-1<br />
)) 1/2<br />
d ır.<br />
TANIM 3.1.1 B:i ı x il tipinde pozitif tam ınl ı simetrik matris, p:n x 1 tipinde<br />
bir vektör olmak üzere bir Y rasgele vektörün olas ıl ık yoğunluk fonksiyonu<br />
(.Y-N)'«Y-p)<br />
f (Y) (.1.Y2 .1n) - e 2 , - oe < < ce , i = 1, 2,...,n<br />
84<br />
Y rasgele vektörü normal da ğı l ıma sahip olduğunda moment ç ıkaran<br />
fonksiyonu<br />
x<br />
1<br />
( (y-,uy I3(y- g_))<br />
t' __._<br />
2<br />
My(/)= E(eL}:)= i ... 1 ı e dy i ...dyn<br />
- x - V(2 ır)n Niclet ( A -I )<br />
e ır' t<br />
= e 2<br />
d ır.<br />
Y vektörünün i. bile şeninin moment ç ıkaran fonksiyonu<br />
d ır. Burada, Iı„, B- I in<br />
fonksiyondan<br />
I 2<br />
+- but<br />
M)(1;)= e l 2<br />
I<br />
i. kö şegen eleman ıd ır. Bu moment ç ıkaran<br />
N (P ı ,hii) i = 1 ,...,n<br />
olduğu söylenebilir. Buna göre Y vektörü çok de ği şkenli normal da ğılıma<br />
sahip ise Y nin herbir bile şeni bir boyutlu normal dağı l ıma sahiptir, öyleki<br />
E(Yi )= pi ve Var bn<br />
d ır. B-I in kö şegen elemanlar ı Y vektörünün bile şenlerinin varyanslar ı-dır.<br />
Şimdi, herhangi Yi ile Yi nin ortak marjinal da ğı l ım ın ı bulal ım.<br />
M ); .r (ii )= (0,...,0, İi ,0,..., İi 3 O,...,0)<br />
k ıf+2bu t,ti +bil ı<br />
t,p,+1 ip + 2<br />
= e<br />
„ rb„ bu ir<br />
1. 1' 't 1 IN<br />
Et, ,t<br />
= e<br />
2<br />
olmak üzere (Yİ , Yi ) nin ortak da ğı l ımı iki deği şkenli normal da ğıhmdır.<br />
Ayr ıca,<br />
d ı r.<br />
EV')<br />
Var (Yi )= bn<br />
E(Yj)= P j Var (Y j ) = >ii Cov(Yi =
Y vektörüntin yoğunl ıık fonksiyonunda bulunan II vektörü Y nin<br />
bile şenlerinin ortalamalann ın vektörü, B matrisinin tersi ise Y nin<br />
bile şenlerinin varyans-kovaryans matrisidir.<br />
85<br />
B- I = ('ov(Y)<br />
a I 1 (712 cr 1 n<br />
86<br />
Y- N(i ı,) olmak üzere Y nin lineer dönü şümü olan,<br />
II = AY +I)<br />
rasgele vektörü de normal da ğı l ıma sahiptir. Gerçekten,<br />
M„(i_)= k(e")- E(A' 11+?2) )=eLIE(e 1-511 )<br />
olmak üzere ri rasgele vektörü,<br />
da ğı t ımına sahiptir.<br />
N(Ap+<br />
„ l'Az(rAy<br />
Mr(A't).= - 2-<br />
p= O , E= I olmas ı durumunda N(0,/) da ğıt ımına çok deği şkenli<br />
standart normal dap ı l ım denir. Y = N(p,L) olmak üzere, E:// x n varyans-<br />
kovaryans matrisinin E invers matrisi kendi özde ğer ve özvektörlerinin<br />
olu şturduğu matrisler cinsinden,<br />
olarak yaz ı ls ııı ve<br />
= P<br />
O<br />
0<br />
d2<br />
0<br />
O<br />
0<br />
O 0 ••• d„_<br />
olsun.<br />
rdi O ••• o<br />
-1/2 _ o d2 o<br />
0<br />
O O F.T„<br />
P'<br />
dönüşümü sonucu Z rasgele vektörü standart normal da ğı l ıma sahiptir,<br />
yani<br />
d ır.<br />
Z- N(0,I)
3.2 ÇOK DE ĞİŞKENL İ NORMAL DA ĞILIMDA MARJ İNAL ve<br />
KOŞULLU DA ĞILIMLAR<br />
87<br />
ynx ı<br />
N(p,) , rank(S)=- ıı<br />
)2<br />
=<br />
fh<br />
/ 12 E _<br />
611 °-12 "'<br />
o-21 622 • • • 62 n<br />
crn = I Or (1; ) vfj = o-ii = Cov(Vi.Y.İ )<br />
fin _ Crn I Crn 2 "' c5ın _<br />
ep+---rzr<br />
m ) ( ı )= e-- 2<br />
olmak üzere Yi , Y2, , Yk<br />
(k < ıl) r.d. lerin ortak marjinal veya<br />
[Y)<br />
Y2 =<br />
yi<br />
Yk<br />
vektörünün marjinal da ğı t ım ın ı bulmak için Y İ 'in moment ç ıkaran<br />
fonksiyonunu bulal ım.<br />
ı.I l ı Pr 2<br />
I r<br />
> 1",, ••• ,<br />
-<br />
(711<br />
0.21<br />
(712<br />
Cr22<br />
,71k<br />
0.2k<br />
12<br />
Mr 1 ( 1 1, 1, ,••., 1 k) = (11,1, ,0,...,0) = e<br />
Crkl<br />
Crk2<br />
' '<br />
crkk _<br />
tk<br />
olduğundan<br />
Y 1 - N( P2<br />
crl I
88<br />
ÖRNEK 3.2.1<br />
olsun. O zaman,<br />
Yı P ı 10 7 3 2-<br />
Y = Y2 N( P2 8 , E = 3 4 1<br />
Y3 _P3 _ 5 2 1 2<br />
)<br />
Yi - N(10,7)<br />
Y2 N(8,4)<br />
Y3 N(5,2)<br />
ve Yi, Y2 nin ortak marginal da ğı l ımı ,<br />
Yi<br />
[Y2<br />
N([ 10],[7 3])<br />
8 3 4<br />
Yi, Y3 ün ortak marginal da ğı l ım ı ,<br />
Y3<br />
1()][<br />
N( _5 2 1 ])<br />
Y2, Y3 ün ortak marginal da ğıl ım ı ,<br />
d ır.<br />
[Y2] N([8] )<br />
Y3 5 1 21]
89<br />
Y - nıı,Z)<br />
Yl<br />
Y2<br />
olmak üzere a şağıdaki,<br />
Ni<br />
/12<br />
—Yn x 1 ----<br />
Yk<br />
Yk +1<br />
Yk +2<br />
1'1<br />
kxl<br />
Y2 _ (n - k)x 1<br />
Linx 1 =<br />
"1k<br />
Pk +1<br />
ilk +2<br />
k xl<br />
(11 - k) x 1<br />
_11-2 _<br />
Yn<br />
nx 1<br />
Nn x 1<br />
gösterimler alt ında,<br />
)7_ 1 - N(p<br />
1/ 2 N(P2 , Z22)<br />
ve<br />
fr (Y )=<br />
I I<br />
1<br />
1 -( V - P ). S-1 (CV -p )<br />
e 2 1 1<br />
( 47r) k Velet(S İİ )<br />
d ır.<br />
A- 2 (Y2 ) = ( ıf- 2.İr)" - Vdet(122)<br />
1<br />
1 - (v YEZ I (v )<br />
e 2 2 ‘2 •. 2 -2<br />
Y 2 = y 2 verildi ğinde Y 1 in ko şullu dağıl ımının yoğunluk fonksiyonu,<br />
f ( Y1 / Y2 )<br />
f( YrY2) f Q')<br />
fr 2 (y2 ) f)' 2 (Y2 )<br />
olmak üzere,
90<br />
ve<br />
f (Y 1 1 Y 2 )<br />
1<br />
I (y-p)'S (y-p)<br />
- -<br />
e-<br />
(-,F2Jr)",/det(S)<br />
1<br />
,jdet(E22)<br />
-1 - (v y s, (v -u<br />
2 2 2 -2 -2<br />
E<br />
-I<br />
-=<br />
[Ell Z12<br />
Ez ı E2z<br />
- 11.2 - E ı 1' 2E ı 2E 2 1<br />
11 1 .2 '11 12 22.1<br />
E 22.1 1 E21 11 22.1<br />
E 11.2 = E11<br />
12E22E21<br />
E22.1 = E22 s ıı It z ıı<br />
ve ayr ıca,<br />
det( E) = det(i i)det(22 E21E- 1i2)<br />
olduğundan,<br />
det( E22)det(E11 -11 -<br />
)<br />
- - Q<br />
e 2<br />
f(Yil () k .,/det( ı 12)<br />
elde edilir. Burada,<br />
d ır.<br />
Q =[(Y İ - Pd-s ııs 221 (Y 2 - li2)]Eıll.2[(Y1 - Pi) - E12E(Y2 - 112)]<br />
Y2 = y 2 verildi ğinde Y İ in koşullu dağıl ım ına kar şılık gelen rasgele<br />
vektör<br />
,<br />
ile gösterilirse bu rasgele vektör,
asgele de<br />
E(Y — )= P + Ei2E —I (Y — P )<br />
2 - .1 2 I 22 --2 -2<br />
beklenen değeri ve<br />
91<br />
)= sil 2<br />
varyans-kovaryans matrisi ile nonnal da ğı l ıma sahiptir, yani<br />
d ır.<br />
K ııı ,-_- y2<br />
N(P İ +/, ı 2Z221 (Y2 - P2 ),E11.2)<br />
EQ1/} . 2 =y2 ) = + E12;21 ( V_2 P2)<br />
denklemine regresyon denklemi denir. Y 1 vektörü bir bile şenli, yani Yi<br />
ği şkeni oldu ğunda,<br />
k(Yi ır, =y 2 ) = PI+ zuz221(y2 - P2 )<br />
denklemine Y2 vektörü üzerinde Y1 rasgele de ği şkeninin<br />
denklemi denir.<br />
regresyon<br />
ÖRNEK 3.2.2 y = [4 ],..,N([1'1 1 [crı ı 012<br />
Y2 P2 621
92<br />
ÖRNEK 3.2.3<br />
Y<br />
Y2<br />
Y3<br />
N(<br />
Nl<br />
P2 Y- =<br />
/13_<br />
Yl<br />
Y2<br />
Y3<br />
[_YI Y21<br />
olmak üzere,<br />
E( Yı n 2 )= P1 + 12 E<br />
-•<br />
221( Y2 -P2 )<br />
0:22 cf.23 ] [Y2 - P2]<br />
P1 +[a"12 ,(713][<br />
a32 0:33 Y3 - P3<br />
denklemi Y1 in Y2 ile Y3 üzerine regresyon denklemidir.<br />
El 1:2 nin elemanlar ı Y1 in ko şullu dağı l ım ındaki Yile Yi ,<br />
(i, j = 1,2,...,k)lerin kovaryanslar ıd ır. Bu kovaryanslar,<br />
1<br />
cri,j1(k +1,k +2 n) 3=12 k<br />
biçiminde gösterilir.<br />
aii 1(k +1.k +2.....n) j , =<br />
P i ,j1(k +1.k +2 n) -<br />
< "ii 1(k +1,k+2 n)<br />
değerine , Y2 = y2 verildi ğinde Yİ ile Yj aras ındaki k ısmi korelasyon<br />
katsay ısı denir.
93<br />
Y1<br />
Y 1<br />
TANIM 3.2.1 Y -=<br />
Y2<br />
rasgele vektörü,<br />
Y =<br />
-Y 2<br />
ve buna ba ğl ı olarak E<br />
ınatrisi,<br />
_Yn<br />
Y m<br />
E_<br />
Z11<br />
Z21<br />
Z12 • • • ZIm<br />
Z22 "" E2m<br />
ml<br />
Em2 • " Enauı _<br />
biçiminde parçalans ın. Col,(yi , Y j ) , , i,j= 1,2,...,m olmak üzere, Y, ve<br />
Y j vektörleri için cov(y4 , Yj ) = o ise r4 ve Yj vektörlerine ili şkili değildir<br />
denir.<br />
Bu tam ında Y vektörünün da ğı l ım ı ile ilgili herhangibir şey<br />
belirtilmedi ğine dikkat edin. Çok s ık rasgele vektörlerin ba ğımsızl ığı ile<br />
ilgileniriz. Rasgele vektörler ba ğıms ız ise ili şkili değillerdir. Ili şkili<br />
olmayan rasgele vektörlerin ba ğıms ız olduklar ın ı her zaman söyleyemeyiz.<br />
Ancak rasgele vektörlerin ortak da ğı l ım ı normal olduğunda bağımsız<br />
olmalar ı için gerek ve yeter şart ili şkili olmamalarıd ır. Bunu bir teoremle<br />
ifade edeli ın.<br />
TEOREM 3.2.1 Y - (ii, S) ve Y ile S a şağıdaki gibi parçalans ın.<br />
Y =<br />
Y -1<br />
- Y 2<br />
, E=<br />
E11<br />
E21<br />
E12<br />
E22<br />
*•<br />
" •<br />
Elm<br />
E2m<br />
Yın<br />
_Erni<br />
1112<br />
• "<br />
Emin<br />
veldörleri bağıms ız c> = O i,j =1,2,3,...,n , j<br />
d ır.<br />
SONUÇ: Y- N(p,$) , E= ol ise Y1 , Y2 , Y, rasgele de ği şkenleri<br />
ba ğıms ızd ır.
94<br />
ÖRNEK 3.2.4<br />
1 2 0 O-<br />
ıı) Y N( P2 2 5 O O<br />
P3 O O 2 4<br />
L P4 0 0 4 3_<br />
ise YI vektörü ile vektörti ili şkili degildir. Bu iki vektör üstelik<br />
[ ı J 4<br />
bag ıms ızd ır.<br />
b) Y N( 0<br />
-1<br />
,E =<br />
1<br />
2<br />
O<br />
0<br />
2<br />
5<br />
O<br />
0<br />
0<br />
0<br />
2<br />
0<br />
0<br />
O<br />
O<br />
1<br />
ise YI<br />
[ Y2<br />
vektörü, Y3 rasgele degi şkeni ve Y rasgele degi şkeni bag ıms ızd ır.<br />
1 O<br />
c) Y - N o , E = 0 2 -1 ) ise ilik Y2 baguns ızd ır.<br />
1 -1 3<br />
1 0 0<br />
d)y - N( ,E_ O 5 O ) ise Yİ , Y2 , Y3, Y4 bagıms ızdır.<br />
0 O O 2<br />
-1 0 0 0
3.3 Ki-KARE DA ĞILIMI<br />
95<br />
Bir X r.d. nin o.y.f.<br />
1 ya-l e<br />
-x1,8 , x >O<br />
f (x) = F (a)cil<br />
0 , d .y.<br />
biçiminde oldu ğunda, x e Gamma da ğı l ımına sahiptir denir ve X - F(aff)<br />
biçiminde gösterilir. a e (0,x),fl e(0,x) parametrelerine ba ğl ı olarak,<br />
P;(x)= af<br />
l'ar (X) = afi2<br />
d ır.<br />
M v(t)= ( 1- fil)-a<br />
fi= 2 olan r(a,fl=2)dagı l ım ına r = 2a serbestlik dereceli (tam say ı<br />
olmak kayd ıyla ) ki-kare da ğı l ımı denir ve X(r) biçiminde gösterilir.<br />
X - 4. 1 da ğı l ıml ı ise,<br />
d ır.<br />
E(X) =r<br />
r(!: y,r12<br />
`,/<br />
0<br />
Var (X)= 2r<br />
'1<br />
r<br />
/v/x(0= (1-20 2<br />
r I<br />
2 -x/2<br />
x e<br />
, x > O<br />
, d . y.<br />
Ba ğıms ız XI , X2 , ..., X, rasgele de ği şkenleri s ıras ıyla<br />
serbestlik dereceli ki-kare da ğı l ımına sahip ise<br />
Y = X I + X2 +...+Xn<br />
rasgele de ği şkeni serbestlik derecesi r =ri +r2 +...+r, olan ki-kare<br />
dağı l ım ına sahiptir. Gerçekten,
96<br />
M/ (O = MX,(t) M.1 -2 (i) MX,7 (t)<br />
(1-20 r<br />
i /2 0 , ı )- r2 /2 .. (1 _,0—rn /2<br />
ti+r2<br />
= (1 — 21) 2<br />
olduğundan Y - x(ri+ ,.2+...+rn) d ır..<br />
rn<br />
X - , n> m X1 ile X2 ba ğıms ız ve<br />
X = + X2<br />
ise X2 — 4,_ m) d ır. Gerçekten, X2 rasgele de ğ i şkenin moment ç ıkaran<br />
fonksiyonu MA-2 (t) olmak üzere,<br />
mx (t) = (I)m.x -, (t)<br />
0 _ 20-n/2 _20-m ı2mx,(1) den<br />
Mx<br />
z = (1 — 21) 2<br />
X2 — 4n _ m) d ır.<br />
n— ın<br />
yani,<br />
Z - N(0,1) olmak üzere<br />
x = 7. 2<br />
dönüşümü sonucu X r.d. nin da ğı l ımı d ır.(Problem 3.2)<br />
XI , X2 , ., X, rasgele de ği şkenleri ba ğıms ız ve herbiri N(p,o2 )<br />
da ğı l ıml ı yada XI, X2, ., X„ N (p, a2 ) dağıl ım ından örneklem olmak üzere,<br />
( X i -- , 1-1) 2 (Xi - X) 2<br />
i=1 i=1<br />
4n)<br />
a2<br />
-- 4-1)<br />
a2<br />
d ır. (Problem 3.3)<br />
xl , x2 , ... , X„ rasgele de ği şkenleri ba ğıms ız ve herbiri N(0,1)<br />
dağı l ıml ı olduğunda
2<br />
X i 4n)<br />
i = 1<br />
d ır. rasgele def,5i şkenleri ba ğıms ız ve s ıras ıyla nui ,1),<br />
da ğı l ı ml ı olduğunda ınerkezile ştirilmi ş bu rasgele de ği şkenlerin<br />
kareleri toplam ı için,<br />
97<br />
E( x, - -<br />
i =1<br />
d ır. Merkezile ştir ıne yap ılmaks ızın E X2 rasgele de ğişkeninin dağılımı<br />
ı. ı<br />
nedir? Şimdi bu problemi göz önüne alal ım.<br />
X =<br />
Xi<br />
X2<br />
NI<br />
P2<br />
jUn<br />
olmak üzere x 2 =X ' X rasgele deği şkenin dağı l ım ını bulmak istedi ğimizi<br />
bir kez daha vurgulayal ım.<br />
olsun.<br />
A ınatrisi ilk sat ırı ,—,u' vektörü olan bir ortogonal matris (a 1,1<br />
Va -<br />
Y = A X<br />
dönü şümü sonucu Y- N(A,u, I) dağıl ıml ıd ır.<br />
Ap= O<br />
olmak üzere,<br />
0
98<br />
d ır.<br />
y2 ,2<br />
,
99<br />
jjı J .( ıı , )<br />
{fv(v)..fu o ı) , v> 0,1,>()<br />
0 ,d. y.<br />
olmak üzere,<br />
7.= tl +V<br />
W =<br />
11+1'<br />
dönü şümünün {(z,w):2 > o,< w < ı } bölgesi üzerinde ters dönü şümü<br />
U = ZW<br />
1 ' = Z (1 - W)<br />
ve Jakobiyeni,<br />
(.,1u,v)<br />
z<br />
de w<br />
("Xz,w) t 1- w -z<br />
= -z<br />
d ır. Buna göre zile w nun ortak o.y.f.<br />
fz<br />
, w<br />
)<br />
{<br />
fv(z(I- w))• .fu (zw) 1- 21<br />
0<br />
,z > 0,0 < w O<br />
o<br />
0 , d.y .
100<br />
n-I zw<br />
1(e-1/2,<br />
z(I-w)<br />
4 vr- 2ir kz(1 w)) -1/2; 2 a±c) (at(1- w)) 5 (zw) 2 e 2<br />
j=o (2i)!<br />
n-1<br />
ıı - 1<br />
2 )2 2<br />
r(—<br />
zdw<br />
-n12 " _1<br />
e z 2 e-2/2<br />
ğ2n-<br />
Gç dizi In-1<br />
jo_ w)i112 w 2 dw<br />
n _ i j=0( 2 1)!o<br />
r(_)2 2<br />
n<br />
- 1 ıı -1<br />
e -n12 -<br />
z<br />
2 1 e<br />
-z/2 „,, 1-(8+ -w(-) i i<br />
,, ,.> a z<br />
n- ı -"-- ı =0<br />
,[27rF( )2 2<br />
r(i+ !:-.) (2j)!<br />
,<br />
,c<br />
e -n12 a r(1<br />
j= 0 (2j)! ,171.,,n12 F(j+ //)<br />
1<br />
+<br />
n+2j<br />
)<br />
z 2 e -z/2<br />
ve<br />
, .<br />
x e -n12aj ı O+ -;,-) n+2j 1<br />
-= , . z 2 e z/2<br />
j = 0 (2j)! ğ--7-r,, n 12 r f rı j..,<br />
` -> i<br />
1 2j— 1<br />
r(i -4- ) ( )( 2 j- 3 3<br />
-> )... r(- 1 )<br />
2 "' ')<br />
(2j)kUr 2 1 j!1.3.5...(2j- 1)-fşr 2 2f j!<br />
olmas ı sebebiyle
•<br />
•<br />
101<br />
fz (z)= ı =o<br />
e -n İ 2 n+2j 1<br />
(a12)1 1 - 2<br />
n+2j<br />
2<br />
e -z12 , z>0<br />
elde edilir.<br />
0 , d.y .<br />
a<br />
olmak üzere Z = U +V = X X = X` rasgele de ği şkenin o.y.f.<br />
i. ı<br />
n+2j<br />
• e -A kı' 2 e-z/2 >o<br />
n +2 j -<br />
h(r) = j =" j! ıı 4- 2j 2<br />
F( ) 2<br />
, d.y.<br />
olarak yaz ı l ır. Bu olas ı l ık yoğunluk fonksiyonu 2= '12--L` , parametreli<br />
Poisson da ğı l ımındaki olas ıl ıklar ile a ğırl ıkland ınlmış tı +2 j , (j = 0,1,2,...)<br />
serbestlik dereceli ki-kare da ğı l ımiann ın olas ıl ık yoğunluk fonksiyonlann ın<br />
ağırl ıkl ı toplam ıd ır. Böyle bir olas ı l ık yoğunluk fonksiyonuna sahip<br />
dağı l ıma, n serbestlik dereceli 2 parametreli (merkezsel olmama<br />
parametreli) merkezsel olmayan ki-kare da ğıl ımı<br />
denir ve ,y2<br />
( n.A)<br />
biçiminde gösterilir. Özetlersek,<br />
d ır.<br />
, n „<br />
2( - N(11,1„,) X X = X i` - x` ,<br />
ı =i ( n , A ....,_.-) is
102<br />
4n.2)<br />
dağı l ım ına sahip bir x rasgele de ği şkeni için,<br />
20,<br />
M X (O= (1-20-ni2 e 1- 2 /<br />
E(x)= + 2/1<br />
Var(x)= 2(n+4.1)<br />
d ır. (Problem 3.4)<br />
t<br />
1<br />
4 2) merkezsel olmayan ki-kare da ğıl ımı 2=o için al ışılm ış ki-kare<br />
da ğı l ımının kendisidir. Bu da ğı l ıma merkezsel ki-kare da ğılımı da denir.<br />
Merkezsel ki-kare da ğı l ımı yard ımıyla oluştunılan t ve da ğıhmlanna<br />
benzer şekilde merkezsel olmayan ki-kare da ğı l ım ı yard ım ıyla merkezsel<br />
olmayan t ve Edağı l ımlan tan ımlanm ışt ır.<br />
3.4 t-DA ĞILIMI<br />
olmak üzere,<br />
U - N(0,1) , v -- 4r) ve ii ile v bağıms ız iki rasgele de ğişken<br />
X- lt<br />
1,<br />
Yr<br />
rasgele de ğ i şkenin o.y.f.<br />
r +I<br />
r(--- _,<br />
1,)<br />
_ r+I<br />
-) , —w
X -(r) olmak üzere,<br />
103<br />
d ır.<br />
E(X)=0 , (r>1) ve Var(X)=<br />
r<br />
r<br />
_<br />
, (r > 2)<br />
ı(r) olmak üzere i',.<br />
dağ'innda--›z (z - N(0,1)) d ır.<br />
r-->oc<br />
TEOREM 3.4.2 XI, X2,.<br />
üzere,<br />
Xn , N(p,a2 ) dağı l ımından bir örneklem olmak<br />
- p<br />
ı(r)<br />
x)2<br />
( ıl -1)1;<br />
d ır.<br />
İ SPAT: (Okuyucuya b ırak ılm ışt ır.)<br />
TANIM 3.4.1 z - N(0,1) , 11 - 4 ) ve z ile u bağıms ız olsun. Ö, sabit bir<br />
say ı olmak üzere,<br />
Z +<br />
X =<br />
yttlr<br />
rasgele de ği şkenine r serbestlik dereceli,ö merkezsel olmama parametreli<br />
-dağ, ı l ım ına sahiptir denir ve X - t(r, (5)biçiminde gösterilir.<br />
d ı r.<br />
(;%<br />
r rI2 --<br />
ei<br />
C<br />
GC 2 r<br />
2<br />
+ j +1 v. -X jI2<br />
f (x) = )( 2)<br />
— 00 < X
104<br />
3.5 I, -DA ĞILIMI<br />
üzere,<br />
t ı - x2 ri ) '<br />
v - x2 ve U ile V bağıms ız iki rasgele de ği şken olmak<br />
(<br />
r2<br />
X -<br />
1/ İ ri<br />
/ r2<br />
rasgele de ğ i şkenin o.y.f<br />
n<br />
/1+1'2 rı 2 r1+"2<br />
r( , )( ) rı İ<br />
r2 -- ıl 2<br />
-<br />
( x), X 2 (1+-X )<br />
F fri / 2)F(r2 / 2)<br />
r2<br />
, O < x < (x)<br />
d ır. Bu o.y.f. na sahip r.d. lere F-da ğı l ımına sahiptir denir ve X - (r1 ,r2 )<br />
biçiminde gösterilir.<br />
TEOREM 3.5.1<br />
a) x F(,1,/2) ise ıı x-E(r2 ,ri ) d ır.<br />
b) T 1(r) ise T2 - F(1,r) d ır.<br />
c) F(ri ,r2 ) dağ, ı l ım ında, Fa(r1 ,r2 ) noktas ı sol tarafındaki alan a<br />
olacak şekilde bir nokta olmak üzere,<br />
Eu(ri'")=<br />
d ır.<br />
İ SPAT: (Problem 3.6)<br />
105<br />
ıl +2j<br />
2j + +12 ri<br />
PG( )( ) 2<br />
+r2 +2/<br />
r2 x(ri +2 j-2)/2 o 1214 2 , x > O<br />
as,(;,2,, c;i 2 j<br />
ri )<br />
j=0 t2<br />
, x O<br />
d ır. Bu o.y.f. na sahip bir da ğı l ıma 2 merkezsel olmama parametreli, rı ve<br />
•2 sebestlik dereceli F-da ğı l ımı denir ve X F(tl,r2 ,2„) biçiminde gösterilir.<br />
r2(ri + 2/1)<br />
ri(r2 — 2)<br />
l'ar ( X ) = 2(2)2 (ii + 22)2 +(r) +42.)(-2)<br />
rl (r2 - 2)2 (r2 - 4)<br />
(1°2 > 4)<br />
d ır. (Muirhead(1982))<br />
Merkezsel olmayan E-da ğıl ımı ile ilgili tablo değerleri Graybill<br />
(1976) da bulunabilir. Ayr ıca X i,r2 ,2.plmak üzere,<br />
k =<br />
ıj + 22<br />
ri<br />
(r) +2/1) 2<br />
r =<br />
ri +<br />
için X I k rasgele deği şkenin da ğıl ımı yakla şık olarak F(ri,r2) d ır. Bu<br />
sonuçtan faydalanarak merkezsel olmayan E -dağıl ım( ile ilgili tablo<br />
de ğerleri yakla şık olarak al ışılm ış tablolanndan okunabilir.
106<br />
3.6 KARESEL FORMLARIN DA ĞILIMLARI<br />
Bu k ı s ımda normal dağı l ıma sahip rasgele vektörlerin karesel<br />
fonnlarm ın olas ı l ık da ğı l ımlar ı ele al ınacakt ır.<br />
Ynxi - N(0,1) olmas ı durumunda,<br />
y y x(2n<br />
Ynxl-<br />
N(0,02 1) olmas ı durumunda da,<br />
olduğunu biliyoruz.<br />
Şimdi Ynx - N(0,) (rank(E = 11)) olmak üzere,<br />
Q= Y ' S -I Y<br />
karesel formun ım dağı l ım ını bulmaya çal ışal ım. Q nun moment ç ıkaran<br />
fonksiyonu<br />
mo ( ı )= E(et)r E-1 1 )<br />
( ş/Tar)"(det<br />
(i "0-n12 ,<br />
t
Y - N(0,1,) ve A<br />
reel simetrik bir matris olmak üzere<br />
Q = V AY<br />
karesel fonnum ı gözönüne alal ım. Bu karesel formun moment ç ıkaran<br />
fonksiyonu,<br />
r<br />
M Q(I) = Me t — A -)<br />
107<br />
- v'(1-21:0 ,<br />
= J.:°,,• • • rx (sb_ .7r)"<br />
e 2.— -dyidy2—dy,<br />
-[ciet(i -2/A)] I/2 , 1/1
108<br />
Di ğer taraftan Y N(0,I) ve reel si ınetrik A matrisi için rank(A)=r,<br />
A 2 = A, yani A idempotent ise,<br />
ve<br />
olacakt ır.<br />
A/Q (0= ( ı -2I) - r /2<br />
Q= r:Ar 4. ) -<br />
Böylece a şa ğıdaki Teoremi ispatlam ış olduk.<br />
TEOREM 3.6.1 Y - N(0,1 n ) ve An„ reel simetrik rank ı<br />
olmak üzere,<br />
r olan bir matris<br />
d ır.<br />
Y AY - x ) p A 2 = A<br />
(r<br />
TEOREM 3.6.2 Y N(0,E,,") ve rank(E)=n,B„x „ reel simetrik bir matris<br />
olmak üzere,<br />
d ır.<br />
Y 'llr -<br />
(BE) 2 = BE ve rank(B) = r<br />
ISPAT: z varyans kovaryans matrisi pozitif tan ıml ı olduğundan, bir C„,
idempotent olsun.<br />
C- !Be - I C- IBEBC- 1<br />
B = BER<br />
BE = 13E13Z<br />
Böylece teorem ispatlanm ış oldu.<br />
Buraya kadar ortalamas ı s ıfır vektörü olan normal da ğılıma sahip bir<br />
rasgele vektörün karesel fonnunun da ğıl ım ı ele al ınm ış oldu. Şimdi ayn ı<br />
yolu izleyerek, ilk önce<br />
109<br />
Y N(p,I n ) için Y Y ,r 2<br />
(n.2= 1 p' p)<br />
2<br />
N (P,4ı xn) için 2 1<br />
1<br />
2 —<br />
olduğunu lıat ırlat ıp daha sonra Y ' AY biçimindeki karesel formlan ele<br />
alaca ğız.<br />
Y - N(,u,I n ) olmas ı dunımunda Y Y nin dağı l ım ı K ı s ım 3.3 de verildi.<br />
Y N(,u, ıı .n) olmas ı dunımunda Teorem 3.6.2 deki gibi, C'ZC = / ve<br />
("Y - N(("p,I n ) yaz ı l ırsa,<br />
= Y'('("Y = Z Z - ,r2<br />
_<br />
(n.2 = I P S I P)<br />
2-<br />
elde edilir.<br />
Y - N(p,I n ) ve A reel simetrik bir matris olmak üzere Q=1; AY<br />
karesel fonnu için<br />
mo(0 = me'Y A Y) - 1 (y , (/ - 2d)y+2,u y-p p)<br />
wr.-2 ".;)n e 2 - dy 1 ly2.-dy,<br />
I<br />
-1/2 ı<br />
,<br />
ii [<br />
1<br />
(/-2L/1)] p--2 N<br />
= r-n/2 det[-;) (/ -2/41}<br />
2<br />
e4-<br />
{<br />
d ır. (K ıs ım 3.1)<br />
1112 1 p [(I - 2b1) -1 - 11p<br />
= [det(/ - 2/A) .1 e 2
110<br />
Reel simetrik A matrisi için A 2 = A, yani A idempotent ve<br />
rank(A)= r ise,<br />
P'AP =[ Ir<br />
O 0<br />
[(1-21)1, 0 ] = (1-2t)r<br />
det(/ - 21A) = det[r(/ -21A)P] det<br />
/n_r<br />
p[(/-2/A) -1 - / ip = p/I/"(/ -2b1) -I P - IIP'<br />
21<br />
O<br />
1- 2/ Ir<br />
0 0<br />
P' p<br />
2t [ ır ol ,<br />
ı ')/ "Lj o of<br />
t<br />
p A p<br />
1- 2t - -<br />
olduğundan,<br />
Alo) (i_ 20-ri 2 e 1-2, ı N A<br />
olur. Buna göre, A 2 = A, rat ık(A)= r ise,<br />
d ır.<br />
Q=Y AY- x2<br />
(r. .2. ı 2 p , A p)<br />
- -<br />
Tersine, VAY nin böyle bir da ğı l ıma sahip olmas ı için A matrisinin<br />
idempotent ve rank ı n ın r olmas ı gerekti ğini gösterelim.<br />
y'Ati-x (2r.2)<br />
olduğunu varsayal ım.
k = r,2<br />
111<br />
Anx , reel simetrik bir matris ve rank(A)= k olsun. P ortogonal<br />
ınatris için,<br />
21 0 • •• O<br />
ı''AP =<br />
O 22 • • 0<br />
O o 2n<br />
ve 2 1 ,4 , özdeğerleri s ıfırdan farkl ı, diğerleri s ıfır olsun. I/I< h ve h<br />
say ıs ı - 21A matrisi singüler olmayacak şekilde bir say ı olmak üzere,<br />
M<br />
-<br />
.1)* (t) = [det(1- DA)]_ , [(1 2,A)-1<br />
' e2-<br />
Ili<br />
n<br />
v2<br />
=F1 (1-26 )-1/2e2).11-2/2)<br />
J= 1<br />
d ır. Burada vi ler I , = N P vektörünün bile şenleridir. Y' AY nin moment<br />
ç ıkaran fonksiyonu, 2;(„ 2) n ın moment ç ıkaran fonksiyonu olan,<br />
2/.1.<br />
(1_2 I )-H2 e 1-2/ ya ozde ş olmal ı . Buna göre,<br />
olmal ıd ır.<br />
n<br />
1 = A2 =...= = 1 (A idempotent) ve 2= 7 v; 2 I<br />
2 j=i<br />
= p Ali<br />
Böylece, Y - N(p,I n ) için A reel simetrik bir matris olmak üzere,<br />
Y AY - x2<br />
, A 2 A ve rank(A)-=- r<br />
p<br />
2- -<br />
olduğunu göstermi ş olduk.
112<br />
Y<br />
N(//,, xn ) durumu için Teorem 3.6.2 deki gibi regüler C matrisi<br />
için ("w = /, Z = ("Y N((", ıi, /) olsun. O zaman<br />
Y AY = Z1C -1 - x 2 İ<br />
(r,A= . CAC' C -1 -1 C",u)<br />
2<br />
olmas ı için gerek ve yeter şart C-1Ac- 1 matrisinin idempotent ve<br />
rank(C-1 A (" -1 ) = Rank (A) = r olmas ıdır.<br />
C-I A (— I matrisinin idempotent olmas ı,<br />
(C-1 A(-1 )(C-1A(" -1)=C- IAC- 1<br />
soldan C sa ğdan C i ile çarpmakla,<br />
ASA AS<br />
yada soldan C sağdan C' ile çarpmakla,<br />
AZA = A<br />
olmas ı demektir.<br />
Özet olarak a şa ğıdaki teorem ifade edilir.<br />
TEOREM 3.6.3 Y - N(p,S) , rank(E) = n ve A<br />
olmak üzere,<br />
reel simetrik bir matris<br />
d ır.<br />
Y AY - X2 i , AS idempotent ve rank(A) = r<br />
(r.2-= p ılit)<br />
2-<br />
Bu k ı sm ında elde edilen di ğer teoremler bu teoremin birer özel<br />
halidir. Bu sebeple bu teoremi ak ılda tutmak yeterlidir.
3.7 KARESEL FORMLARIN BEKLENEN DE ĞERI VE<br />
VARYANSI<br />
113<br />
TEOREM 3.7.1 X ii x ı boyutlu bir rasgele vektör olmak üzere,<br />
d ır.<br />
E(X A X) -= IrEACov(X)1+ E(X)' AE(X)<br />
İSPAT:<br />
E(X A X) = E(Ea, J X,X<br />
ij<br />
=E af (X X j)=a,j[Cov(X i X j )+ E(Xi )E(X j )1<br />
--- aii.Cov(X ; X I) +aii:E(X, i )E(X j )<br />
= (r(A('ov(X))+ E(X)' AE (X)<br />
SONUC 3.7.1 Cor(X)= a21 ve E(X) = 0 ise<br />
E(X t A X) = o211-(A)<br />
d ır.<br />
TEOREM 3.7.2 X nxi - N (ii,E) olmak üzere<br />
a)b{(X ? A X)(X ' B X)]= ır(AZ)tr(13:E)+21r(ABE)+ Apir(BE)<br />
+p litr(AE)+ 1.111. ASB,u+(i; A ,u) .(1. Bp)<br />
b) Cov(X ' A X , B X) = 21r(AEBS) + 4,1; AEI 3 ,u<br />
d ır.<br />
C) Var (X ' A X)= 214(AS) 2 1+4"; AEAp<br />
İSPAT: (Graybil 1983, Teorem 10.9.11)
114<br />
3.8 NORMAL DA ĞILIMLI RASGELE VEKTÖRLER İN L İNEER<br />
ve KARESEL FORMLARININ BA ĞIMSIZLI ĞI.<br />
COCHRAN TEOREM İ<br />
Bu bölümde ispats ız olarak, bir lineer form ile bir karesel formun<br />
ba ğı ms ızl ığı ve iki karesel fonnun ba ğıms ızl ığı ile ilgili teoremler verilip<br />
Cochran teoremi üzerinde durulacakt ır.<br />
TEOREM 3.8.1 Y<br />
d ır.<br />
N(p,Snxn, ),raiik=11 M olmak üzere,<br />
AY ile Y ' BY ba ğunisc AZI3 =O<br />
TEOREM 3.8.2 Y - N(1 1,E•nxn) ,rank(S)= ii olmak üzere,<br />
d ır.<br />
Y ' BY ile Y CY ba ğıms ız.
115<br />
Coehran Teoremi karesel formlann parçalanmas ında çok kul-<br />
lan ışl ı bir teoremdir. Bu teoremdeki Eni = n olmas ı şartı,<br />
i= ı<br />
Ai Ai =O , j , i,j= 1,2,..., ıı ya da = 4 , i= 1,2,..., ıı olması<br />
şartlanna denktir. Yani bu üç şart birbirine denktir.<br />
3.9 KARESEL FORMLARIN DA ĞILIMLARI İLE ILGILI BAZI<br />
ÖRNEKLER<br />
ÖRNEK 3.9.1 Yn xi<br />
- N (O , a2 I ) olsun. Y vektörünün Y„<br />
bile şenlerine N (O , cı2 ) dağı l ımından al ınm ış n birimlik bir örneklem olarak<br />
bakabiliriz.<br />
1 1 ••• 1<br />
1 1 ••• 1<br />
, rank(J n ) = n<br />
ve<br />
1 1 --• 1<br />
nxn<br />
olmak üzere,<br />
A = —.In =<br />
rl<br />
lln 11 n ••• lIn<br />
11 n lin ••• 11 n<br />
lln 11<br />
l ı n<br />
2<br />
Q = Y (— A)Y = n— Y<br />
Q2 - Q2<br />
karesel formunu göz önüne alal ım. rank(A) = 1 ve<br />
-„ 2<br />
ıı r 2<br />
o-<br />
2 X( 1)<br />
d ır. Ayr ıca A matrisi simetrik ve idempotent oldu ğundan bir dik izdüşüm<br />
matrisidir. Gerçekte,
116<br />
1<br />
1<br />
,ln= i[l,l,...,1 ]<br />
1 _n xl<br />
A = ln .1n+<br />
olmak üzere, A matrisi R" deki vektörleri 1„ vektörünün gerdi ği [ ın ]<br />
altuzay ı üzerine dik izdü şümü,<br />
f' = A Y =<br />
l ı n<br />
lln<br />
l ı n<br />
lln<br />
•••<br />
--•<br />
lln<br />
lln<br />
Y2<br />
Y<br />
=Y1,,<br />
_Iln<br />
lln<br />
•••<br />
lin<br />
Yn<br />
Y<br />
11)112 =- -= Y' AY =<br />
ve Y ile Y- }-; vektörleri birbirine dik oldu ğundan,<br />
111711 2 =<br />
2<br />
d ır.<br />
2 2<br />
+(Yi -Y)<br />
i=1 1 i=1<br />
Şekil 3.1
11Y11 2<br />
Y 2 = Y ' Y de bir karesel fonndur. Bu karesel formun matrisi,<br />
=1 g<br />
I birim matrisidir. Bu karesel form ile<br />
olduğunu biliyoruz.<br />
,<br />
Y ( 1)Y - x 2<br />
(n)<br />
2<br />
117<br />
=1<br />
— r)2 de Y nin bir karesel formudur. Bu karesel formun matrisi,<br />
B= In -- .In<br />
Il<br />
olmak üzere, bu matris simetrik, idempotent ve E ın 11 altuzay ı üzerine dik<br />
izdü şüm matrisidir.<br />
)41 Y = r (1---.1„)Y, - j; )2<br />
Il 1=1<br />
B matrisi ile Y nin varyans kovaryans matrisi olan 02/ matrisinin çarp ımı<br />
olan matrisi idempotent yapmak için B yerine<br />
B yaz ılmas ıyla,<br />
(<br />
ı<br />
n)r - x2<br />
(J2<br />
(r)<br />
yaz ıl ır. Buradaki r serbestlik derecesi B matrisinin rank ı olmak üzere ayn ı<br />
zamanda B matrisinin sütun vektörlerinin gerdi ği [In i1 alt uzayının<br />
boyutudur.<br />
ve buna göre,<br />
matrisi idempotent oldu ğundan,<br />
rank(B)=tr(B). tr(4)-- 1<br />
tt<br />
tr(.1,)= n--<br />
1 n = n-1<br />
d ır.<br />
'<br />
y —(1 --, ı "<br />
)Y — 11<br />
n _<br />
E( 7ı —17 )2<br />
02 02<br />
X ı<br />
(n-1)
118<br />
Ayr ıca,<br />
AB =- 1 .1„(1„--<br />
1 .1n )= O<br />
rr<br />
ıı<br />
olduğunda Y AY = ıı Ȳ 2 ile Y BY =Y) 2<br />
i=1<br />
karesel formlar ı bag ıms ızdır.<br />
ÖRNEK 3.9.2 Y nxi - N(p,021) ve iı Nin olsun. K. vektörünün<br />
bile şenlerine N(11,02 ) da ğı l ımından al ınm ış n birimlik örneklem olarak<br />
bakabiliriz. Önceki örnekteki karesel fonnlar için,<br />
-2 „<br />
' n r 2<br />
Y ( A)Y = x<br />
2<br />
02 02 (1,2= )<br />
2 cr2<br />
d ır. Ayr ıca,<br />
ı<br />
Y (—I)Y = = I - x 2<br />
o2 - 02 (n<br />
n<br />
2 o2<br />
n _<br />
-Y) 2<br />
Y , (- 1 , 8)Y = X 2<br />
0.2 (n - 1.'1=0)<br />
-P) 2<br />
r =1 2<br />
02 ~ X (n)<br />
d ı r.<br />
P) 2 y2<br />
o- 2 '‘'(1)<br />
ÖRNEK 3.9.3 Y N(0,0 21)olstın. Xnxp ,raıık(X)= p olmak üzere,<br />
r Y<br />
, =<br />
r X(X'X) -I X'Y Y (1- X(X'X) - X')Y<br />
Q2 =<br />
o2<br />
o2
karesel fondan]] da ğı l ımlan,<br />
ı<br />
Q = Y ( Iri X 2<br />
o-- (n)<br />
X(X'X) -I X' idempotent, rank(X(X'X) -1 X')= tr(X'X(X'X) -1 ) , ır(1 p )= p<br />
olduğundan<br />
Q, = [--2-<br />
o-<br />
1 x(xx) -- ' x']Y<br />
X(P)<br />
ve / - x( =T' idempotent, rank(1 - X(X'X)-I X')=n - p olduğundan<br />
Q2 =r1--1-,(1 x(x'x) -1<br />
119<br />
d ır. Ayr ıca,<br />
x(rx) -1 A-(1- x(rx) -'x'). o<br />
olduğundan QI ile Q2 karesel forrnlan ba ğıms ızd ır.<br />
d ır.<br />
Qı il - P p.<br />
Q2 p (P.n- P)<br />
x( x x' matrisi X = k i , X 2, Xpi matrisinin sütun vektörleinin<br />
gerdi ği [x], span{x,,x 2 ,...,x p }<br />
uzay ı üzerine dik izdü şüm dönüşümüne<br />
karşı l ık gelen ınatristir. Y vektörünün [x] üzerine dik izdü şümü<br />
X(X'X) -1 X'Y ile gösterilirse,<br />
1112 11 )112 + y 2<br />
d ır.<br />
r'r= rx(x'xy° x'r+yl ı - x(rx) --'xlY<br />
PROBLEMLER<br />
3.1 N(,i 3 O-2 ) normal da ğı l ımın parametrelerinin en çok olabilirlik tahmin<br />
edicilerini bulunuz ve bu tahmin edicilerin yans ızl ık, tutarl ıl ık, yeterlilik<br />
özelliklerini ara şt ınn ız.
120<br />
3.2 Z - N(0,1) olsun. X = Z 2 r.d. nin da ğılım ım bulunuz.<br />
3.3 x 1 ,X 2 ,...,X n , N (p,o2 ) dağı l ım ından örneklem olmak üzere,<br />
n<br />
X,<br />
X = 1 = 1 N(p,o2 1 n)<br />
ır<br />
n<br />
- X) 2<br />
i=1<br />
cr2<br />
olduğunu ispatlay ınız.<br />
4-p<br />
Yard ımc ı Bilgi:<br />
1 1 1 1<br />
NT/ ;<br />
0 o<br />
A= 1 0<br />
3.3 F2 şr5:3<br />
-(ir -1)<br />
_V( ıt -1) ıı V( ıı -1) ıı Vıı( ıı -1) NI( ıı -1) ıı<br />
için<br />
Ilo<br />
UI<br />
X2<br />
121<br />
11 - N(<br />
ııp<br />
0<br />
, 02 1)<br />
0<br />
olduğunu gösteriniz A'A = I olmak üzere<br />
X 2 = X X=X A'AX=Il<br />
ı<br />
d ır. Buna göre,<br />
ıı — X 2 + E U2<br />
i =1<br />
ile<br />
=<br />
Nı IT<br />
2<br />
( - X )2 = X,<br />
E - -2 X =<br />
1 2<br />
ı = ı i=1 ı =1<br />
rasgele de ği şkenleri bağl ıns ızd ır ve ayr ıca<br />
n-1<br />
d ır.<br />
i =1<br />
cf2 (n - I)<br />
3.4 X - xn olsun. Mx (o, E(x) ve var (X) i bulunuz.<br />
3.5 xı - 21 , X2 - 4n2 .22 ) ve XI de X2 bağıms ız ise<br />
+ X2 - „
122<br />
4.13ÖLÜM<br />
L İNEER MODEL<br />
Bu bölümde Lineer Model için sonuç ç ıkarma i şlemlerini<br />
inceleyece ğiz. Bu; nokta tahmin, aral ık tahmin ve hata terimi normal<br />
dağı l ıma sahip olduğunda hipotez testini içermektedir, Hata terimi normal<br />
da ğı l ıma sahip de ğilse sadece nokta tahmini dü şüneceğiz.<br />
Y<br />
gözlemlerin » x t mertebeli vektörü (rasgele vektör),<br />
X:n x p(n < p) mertebeli bilinen say ıların matrisi, fipx1 mertebeli<br />
bilinmeyen parametrelerin vektörü, e. ıı x 1, rasgele de ği şkenlerin<br />
gözlenebilir olmayan bir vektörü (E(e)=0,Cov(e):. E) olmak üzere bunlar<br />
aras ında,<br />
Y= Xfl+E<br />
biçiminde varsay ılan ba ğınt ıya lineer model denir.<br />
Bu model pekçok özel hallere sahiptir. Bunlar, e nun da ğı l ımına,<br />
kovaryans matrisine, x in yap ı s ına ve rank ına bağl ıdır.<br />
Aksi belirtilmedikçe, rank(X) = p olduğunu kabul edeceğiz, yani<br />
modelimizdeki X matrisi tam sütun rankl ı olacakt ır. e nun dağıl ımı<br />
hakk ında a şağıdaki üç durumu göz önüne alaca ğı z:<br />
1 .Durum - N (O, a 21)<br />
2.Durum: e bilinmeyen bir dağı l ıma sahiptir ve E(e)=0,Cov(e)= 021<br />
d ır. Bu durumu e - (o, 02/) biçiminde gösterece ğiz.<br />
3. Durum: Cor(e) = G 21' , v bilinen pozitif tan ıml ı bir matris.<br />
Birinci durumda herbir e, , o ortalamal ı bilinmeyen G2 varyansl ı<br />
normal da ğı l ıma sahiptir ve Ej , İ = ler bağıms ızd ır. İkinci durumda,<br />
herbir e, nin beklenen de ğeri s ıfır, e, ler ili şkisiz (uncorrelated) ve ei ler<br />
bilinmeyen ortak 02 varyans ına sahiptirler.
123<br />
Birinci ve ikinci durumdaki varsayımlar altındaki modellere Gauss-Markov<br />
modelleri denir. İkinci durumdaki modellere bazen en küçük kareler<br />
modelleri denir. Hata terimi normal dağılımlı olduğunda modellere hipotez<br />
modelleri denir.<br />
4.1 BAZI LİNEER MODEL ÖRNEKLERİ<br />
Y = Xβ<br />
+ ε lineer modelinde X β ya modelin deterministik kısmı, Y ve<br />
ε na da modelin stokastik kısmı denir. Y vektörü, bağımlı değişken, tepki<br />
değişkeni, açıklanan değişken denen bir rasgele değişken ile ilgili<br />
gözlemlerin vektörüdür. X matrisine tasarım matrisi, açıklayıcı<br />
değişkenlerin gözlem matrisi, bağımlı değişkenlerin gözlem matrisi gibi<br />
isimler verilmektedir. ε vektörüne hata vektörü denmektedir.<br />
Gerçek dünyadaki olayların lineer model olarak modellenmesi<br />
sırasında Y, X,β ve ε çok değişik şekilde anlamlandırılmaktadır. Bazı<br />
modellerde Y üretim miktarı, bazılarında boy uzunluğu, bazılarında bir<br />
ekonomi değişkeni,...ile ilgili gözlem vektörüdür.<br />
4.1.1 BİR AÇIKLAYICI DEĞİŞKENLİ LİNEER <strong>MODELLER</strong><br />
Doğrusal hareket eden, β 0 hızı ile hareketine başlayan ve ivmesi β<br />
olan bir cismin zamana (t ye) bağlı olarak hızı V,<br />
Vt () = β0<br />
+ βt<br />
förmülü ile verilir. Böyle bir hareket yapan bir cismin başlangıç hızını ve<br />
ivmesini "belirlemek" istediğimizi ve daha sonra belli bir zamanda hızını<br />
bilmek istediğimizi düşünelim. Bizim seçtiğimiz belli t 1 , t 2 ,..., t n<br />
zamanlarında hareketi bozan bazı sebeplerden (rüzgâr, yol durumu, …)<br />
dolayı, V 1<br />
, V 2<br />
,..., V<br />
n<br />
gözlemleri için<br />
Vi = β0 + β1 ti + εi<br />
, i = 1,2,..., n<br />
gibi bir model düşünmemiz (anlatım yapmamız) uygun görünmektedir.
124<br />
⎡V1⎤ ⎡1<br />
t1⎤ ⎡ε1⎤<br />
⎢<br />
V<br />
⎥ ⎢<br />
2<br />
1 t<br />
⎥<br />
2<br />
β<br />
⎢<br />
0<br />
ε<br />
⎥<br />
⎡ ⎤<br />
2<br />
Y = ⎢ ⎥ , X = ⎢ ⎥ , β = , ε = ⎢ ⎥<br />
⎢ ⎥ ⎢ ⎥ ⎢<br />
β<br />
⎥<br />
⎣ 1 ⎦ ⎢ ⎥<br />
⎢ ⎥ ⎢ ⎥ ⎢ ⎥<br />
⎣Vn⎦ ⎣1<br />
tn⎦ ⎣ε<br />
n⎦<br />
gösterimleri altında yukarıda söylenenler,<br />
Y = Xβ<br />
+ ε<br />
lineer modeli olarak ifade edilmektedir. Bu modelde Y gözlem<br />
vektöründeki gözlemleri veren açıklayıcı (bağımlı) değişkeni Y harfi, X<br />
matrisinin ikinci sütunundaki gözlemler ( bunların hatasız olarak<br />
gözlendiğini kabul ettik) ile ilgili bağımsız değişkeni x harfi ve hatayı da<br />
ε harfi ile gösterirsek aralarındaki bağıntı,<br />
Y = β0+ β1<br />
x+<br />
ε<br />
biçimindedir.<br />
Genel olarak bir açıklayıcı değişkenli bir lineer model<br />
Y = g( x) + ε<br />
biçimindedir. Buradaki g( x) ifadesi parametrelere göre lineer bir ifadedir.<br />
Örneğin,<br />
g( x) = β x<br />
gx ( ) = β0+<br />
β1<br />
x<br />
gx ( ) = β0+ β1x+<br />
β2x<br />
2<br />
gx ( )= β0+ β1x+<br />
β2<br />
e x<br />
gibi olabilir. g( x) ifadesi parametrelere göre lineer olmadığında lineer<br />
olmayan bir model söz konusudur.<br />
İkinci bir örnek olarak, belli bir tür elmadaki meyve suyu miktarını<br />
elmanın ağırlığına bağlı olarak incelemeyi düşünelim. Gerçekte bir<br />
elmadaki meyve suyu miktarı sadece elmanın ağırlığına bağlı değildir, ama<br />
ağırlık ile meyve suyu arasında bir fonksiyonel bağıntının (bilinmeyen<br />
parametrelere göre lineer bir ifade olabilir) varlığını kabul edip<br />
gözlemlerin bunu doğrulayıp doğrulamadığını, gözlemlerden çıkıp bir<br />
bağıntının bulunmasını ve bunların neticesinde ağırlığa bağlı olarak meyve<br />
suyu miktarını "belirlemeyi" (tahmin etmeyi) düşünebiliriz. Bu örnekteki<br />
açıklayıcı değişken olan elmanın ağırlığı ile açıklanan (bağımlı) değişken
125<br />
olan elmadaki meyve suyu miktar ı birer rasgele de ğişkendir. Ağırl ığı X,<br />
meyve suyu miktar ını Y ile gösterirsek x ile Y nin bir ortak da ğılım ı<br />
sözkonusu olacakt ı r.<br />
E(Y 1 X = x)= g(x)<br />
ifadesine Y nin X üzerindeki regresyon denklemi dendi ğini ve X ile Ynin<br />
ortak da ğı l ımı normal olduğunda,<br />
E(Y I X = x) = + f3 ix<br />
biçiminde olduğunu hat ırlatal ım. (x, Y) nin dağıl ım ından n birimlik<br />
örneklem, ( ),( x2 , Y2 ),...,( xn , Yn )olmak üzere,<br />
veya<br />
Y, = A) +/31X, + , i = , e, — N(0, G2 ) , ler bağıms ız<br />
gösterimi alt ında,<br />
Yı<br />
Y= Y2 , X =<br />
Yn 1 1 X„<br />
1 XI -<br />
ı x2 rfiol<br />
Qı -<br />
Y = X fl+ , e— N(0,a 2 1)<br />
modeline basit lineer regresyon modeli denir.<br />
e 1<br />
E2<br />
en-<br />
Lineer regresyon modelleri de Lineer Modeller çerçevesinde<br />
dü şünülebilir. x ile Y rasgele deği şker ıleri aras ında bir ortak da ğıl ım<br />
dü şünmeden sadece Y bağıml ı deği şken ile ilgili gözlemlere dayal ı olarak,<br />
Y, = A ) + 131 X + , i =1,2,...,11<br />
biçiminde bir ifade sözkonusu oldu ğunda modele basit lineer model denir.<br />
Elman ın ağırl ığı X , ile elmadaki meyve suyu miktar ı Y nin ortak<br />
dağı l ım ı normal olmayabilir. Amac ımız X in gözlenen de ğerine bağl ı<br />
olarak Y nin gözlenen de ğerini öngönnek oldu ğtında,<br />
Y, = A ) +fil X, + , = 1, 2,...,n<br />
biçiminde bir lineer model sözkonusudur. Bu durumda e hata terimi,<br />
birinci Ornekteki yol uzunlu ğunun ölçülmesi s ıras ındaki hataya benzer bir<br />
hatay ı içermekle birlikte, X in belli bir değeri için Y deki rasgeleli ği ve<br />
ayr ıca model belirlemesindeki l ıatay ı da içermektedir.
126<br />
4.1.2 BİRDEN ÇOK AÇIKLA YICI DE ĞLYKENL İ L İNEER<br />
<strong>MODELLER</strong><br />
Bir lineer ınodelde aç ıklay ıcı deği şken say ı s ı birden çok olduğunda<br />
bu modele çokl ıı lineer model (multiple linear model) denir. Bir modelde<br />
ba ğıml ı deği şken birden çok oldu ğunda modele çok de ği şkenli model<br />
(multivariate model) denir. Çok de ği şkenli modeller burada ele<br />
al ınmayacakt ı r.<br />
Bir malzemenin imalat ında s ıcakl ık (x1 ) ile bas ınc ın (x2 ) sertlik (Y)<br />
üzerindeki etkisini incelemeyi dü şünelim, imalat s ıras ında s ıcakl ık (°C) ve<br />
bas ınç (kg I c ın2 ),<br />
D = t(xj , x2 ):500 S x ı S 1500,1000 S x2 5_ 2000}<br />
bölgesinde de ğerler almak üzere, sertlik üzerinde etkisi,<br />
Y(xl , X2) = /30 +fliXi +fl2X2 +/33X1X2 + e , E(E) = O<br />
gibi bir n ıodel ile anlat ı l ın ış (modellenmi ş) olsun. A katsay ıs ı sıcakl ığın<br />
sertlik üzerinde etkisini, /32 katsay ıs ı bas ınc ın ve /33 katsay ıs ı da ikisinin<br />
ortak etkisini anlatmaktad ır. Bu etkileri veya k ısaca model parametrelerini<br />
tahmin etmek için, (x li ,X2i ) E D , İ = 1,2,...,n s ıcakl ık ve bas ınç değerlerinde<br />
imal edilen parçalar ın Y; , i = 1,2, ..,n sertlikleri ölçülüp, gözlemler,<br />
Y =<br />
Yı<br />
_Yn _<br />
Y2<br />
, X =<br />
1<br />
1<br />
1<br />
x _<br />
3C _21<br />
xni<br />
X12<br />
X22<br />
•<br />
xn 2<br />
XII.X12<br />
X21 . X22<br />
Xii Xn 2<br />
olsun. fl katsay ılar vektörü olmak üzere, söylenilenler<br />
Y = X13<br />
lineer modeli ile ifade edilir.
S ıcakl ık ile bas ınc ın, sertlik üzerindeki etkisinin fonksiyon<br />
biçiminde bir bag ınt ı ile ifade edilip edilemiyecegi, bu bag ınt ının biçiminin<br />
ne olacag ı veya s ıcakl ık ile bas ınç de ği şkenlerinin sertliği ne derece<br />
etkileyip etkilemedi ği gibi sorunlar ilk olarak metalurji biliminin<br />
sorunlar ıdır. Metalurji biliminin kanunlarma göre s ıcakl ık ile bas ınc ın<br />
sertlik üzerindeki etkisi tam olarak belirlenmi ş olabilir, ba ğıntı biçimsel<br />
olarak belirlenmi ş ancak içinde bilinmeyen katsay ılar vard ır veya<br />
aralar ında bir ba ğınt ı var a ına ne olduğu belirlenmemi ş olabilir. İlk<br />
durumda istatistikçinin yapaca ğı fazla bir şey kalmam ışt ır. Belki belirlenmi ş<br />
olan modelin geçerliliginin s ınanmas ında yard ımc ı olabilir. İkinci ve<br />
üçüncü durumlarda istatistikçiye önemli görevler dü şmektedir. Amaç<br />
belirlendikten sonra (Örnegin bu amaç hangi s ıcakl ık ve bas ınçta<br />
malzemenin sertli ği maksimum olmaktad ır olabilir) gözlemlerin al ınacağı<br />
en iyi deney tasar ımının ve ard ından istatistiksel sonuç ç ıkarı= yap ılmas ı<br />
istatistik biliminin somnudur.<br />
İkinci bir örnek olarak belli bir m ısır türünün verimini incelemeyi<br />
düşünelim. Verim, toprak ve hava ile ilgili birçok tabiat şart ı yan ında<br />
sulama, gübreleme, topra ğı i şleme gibi baz ı etkenlere bağl ıd ır. Modelleme<br />
s ıras ında, çok karma şık olan gerçek dünyadaki ili şkilerden baz ılarm ı ihmal<br />
ederek, verim (Y) için toplam yağış miktar ı (Xi ,kg dm2), s ıcakl ık<br />
ortalamas ı (bitkinin yeti şmesi boyunca hergün bir defa ölçüleri s ıcakl ıkların<br />
ortalamas ı , X2 ,Y ), gübre miktar ı (X 3 ,kg I m 2 ), bir metrekaredeki bitki<br />
say ıs ına (X4 ) bağl ı olarak,<br />
Y = flo + AX 1 + fi2X 2 133X 3 + fl4 X 4 +<br />
gibi bir modelin geçerli oldu ğunu varsayal ım. Gerek modelin geçerlili ğinin<br />
s ınanmas ı, gerekse geçerli olacak bir modelde aç ıklay ıc ı deği şkenlerin<br />
etkilerinin, yani para ınetrelerin tahmin edilmesi amac ıyla yap ılacak<br />
araşt ırmada veri toplama savl ıas ı uygulamada pek kolay olmayacakt ır.<br />
Modeldeki ya ğış miktar ı ve s ıcakl ık ortalamas ı ile ilgili aç ıklayıc ı<br />
degi şkenler birer rasgele de ği şkendir, gübre miktar ı ile ilgili aç ıklay ıc ı<br />
deği şken bir deterministik de ği şken olarak görülebilir. Aç ıklayıc ı<br />
deği şkenlerin birer rasgele de ği şken olup olmamas ına bakmaks ızın,<br />
127
128<br />
bundan sonra aç ıklay ıc ı deği şkenler ile ilgili X matrisini, gözlem<br />
değerlerinin bir ınatrisi, yani sabitlerin bir matrisi olarak dü şünece ğiz. Bu<br />
örnek için,<br />
d ır.<br />
X<br />
1 zil x12 x13 xi4<br />
1 x21 x22 x23 x24<br />
. .<br />
•<br />
1 Xnl Xn 2 Xn3 xn4<br />
Genel olarak,<br />
gibi bir lineer modelde,<br />
Y = Xfl+e<br />
Y<br />
Yl - x11 x12 • • • xlp A e ı<br />
Y2<br />
x21 x22 "" x2p<br />
, X =<br />
fi= fi2 e2<br />
, e =<br />
•<br />
_Yt, Xn i xn 2 • • - xnp p _en _<br />
olmak üzere, X matrisinin sütun vektörlerini,<br />
X =<br />
xU<br />
X2 j<br />
Xnj<br />
gibi büyük harflerle, sat ır vektörlerini ise<br />
r<br />
gibi küçük harflerle gösterece ğiz. Baz ı durumlarda<br />
vektörlerini veya x i , x 2 , , xn vektörlerini birer rasgele vektör olarak
görmek isteyece ğiz. Böyle durumlarda rasgele de ği şkenlerin al ışılm ış<br />
büyük l ıarfler ile gösterimi için s ık ınt ılar ortaya ç ıkacağın ı belirtelim.<br />
Genel olarak çoklu lineer modeller<br />
olmak üzere,<br />
Y :n x 1 , X :n x p , p x 1 , e:n x 1 , E(6) = O , Cov(s) = Q2 1<br />
Y= X13 . + E<br />
biçiminde gösterilir.<br />
Y = 11 1 > o} dır. X<br />
matrisinin sütun vektörlerinin gerdi ği [X] alt vektör uzay ına tahmin uzay ı
130<br />
(estimation space) denir. [x] tahmin uzay ı ile model katsay ılannm<br />
oluşturduğu /3 parametre vektörünün bulundu ğu RP parametre uzay ı<br />
aras ında, muk(x) = p olduğunda bire-bir bir geçi ş vard ır.<br />
x:RP -4[x]c R"<br />
Xfl<br />
ve tersine ,u = xpc[x] vektörünün ters görüntüsü,<br />
f3=(X'X) -1 Xip<br />
d ı r. rank(X)< p olduğunda, p E[X] parametre vektörüne, RP parametre<br />
uzay ında birden çok fi değeri kar şı l ık gelecektir. Bu durum fi n ın tahmin<br />
edilmesinde sorunlar yaratacakt ır. Bu konu K ıs ım 4.2.5 de ele al ınacakt ır.<br />
4.1.3 TASARIM <strong>MODELLER</strong>I<br />
Y= Xfl+e modelinde X matrisi sadece 0 ile 1 lerden olu ştuğunda<br />
modele tasar ım modeli denir. Bu modeller çok de ği şik uygulamalarda<br />
kar şımıza ç ıkmaktad ır. Baz ılann ı örneklerle ele alal ım.<br />
Belli bir kitlenin ortalamas ı veya daha somut olarak, bir ayl ık olan<br />
civcivlerin a ğırl ık ortalamas ı ile ilgilendiğimizi düşünelim. p, ağırl ık<br />
ortalamas ı ve Y1 , Y2, ,Y„ , n birimlik örneklem olmak üzere,<br />
Y, =p+ei , i =1,2,...,n , E(ei ) , 0 , Var (ei )= 0-2 , lerbağıms ız (ili şkisiz)<br />
veya
131<br />
Y<br />
Yl -<br />
Y2<br />
, X<br />
1<br />
1<br />
c=<br />
El<br />
Yn _<br />
_En<br />
gösterimi ile,<br />
Y= Xfi -1- c , E(c)= O , Cov(c)= '52 1<br />
yaz ılabilir. Şimdi civcivlere farkl ı iki gıda rejimi uygulans ın ve sonuçta<br />
ağırl ık ortalamalar ı kar şılaşt ırılmak istensin. Birinci g ıda rejimi sonucunda<br />
kitle ortalamas ı pi, diğerinde p2 olsun. -11,-12,•••,Yln Y Y1 birinci kitleden n<br />
birimlik örneklem, Y21 ,Y- 22, •- , Y2m ikinci kitleden m birimlik örneklem olmak<br />
üzere,<br />
Y1 1 1 0 e ı ı<br />
Y12 I O 6 12<br />
Yi n 1 O [fil] 6 1n<br />
Y2I 0 1 Pı 621<br />
Y22 ° ' 1 622<br />
• : •<br />
Y2 ın 0 1 _e2n ı<br />
gibi bir lineer model dü şünülebilir. Hata vektörti için kitle varyanslannin<br />
eşit olmas ı durumunda,<br />
E(c)= 0 , Cov(8)=G2In+„,<br />
gibi bir varsay ım, farkl ı olmas ı durumunda,<br />
E(c)= O , Cov(e), [ a21 1 n 0<br />
0 oZlıır<br />
gibi bir varsay ım sözkonusu olacakt ır.
132<br />
Her iki g ıda reji ııı i ııin ortalama a ğırl ık üzerindeki etkisini görmek<br />
için p g ıda rejimi uygulanmad ığında ortalama a ğırl ık, p+ al birinci g ıda<br />
rejiminde ortalama a ğırl ık, II+ a2 ikinci g ıda rejiminde ortalama a ğırl ık<br />
olmak üzere,<br />
Yt ı<br />
Y1 2<br />
1<br />
1<br />
1<br />
1<br />
O-<br />
O<br />
6 11<br />
e12<br />
Y1 n<br />
Y2 1<br />
Y2 2<br />
1<br />
1<br />
1<br />
1<br />
O<br />
O<br />
O<br />
1<br />
1<br />
P<br />
al<br />
Ci n<br />
e21<br />
22<br />
_Y2 ın<br />
1<br />
O<br />
1<br />
_ 6.2 ın _<br />
veya<br />
= p + + , i = 1,2 , j=1,2,...,n; ,(i =1 için = = 2 için ni - m)<br />
gibi bir model düşünülebilir. Bu durumda tasar ım matrisi X aşağıdaki gibi<br />
yaz ılabilir.<br />
x.1-"n '1<br />
L 1 0 ani<br />
Bu iki g ıda rejimi üç farkl ı<br />
ırk üzerine uyguland ığında, gıda<br />
rejimlerinin a ğırl ık ortalamas ı üzerindeki etkileri a l ve a 2 , ırklann etkileri<br />
p i ,p2 ve,g3 ile gösterilip etkilerin toplanabilir ve etkenlerin (faktörlerin,<br />
g ıda rejimi ve ırk) ortak etkisi olmad ığı gibi varsay ımlar alt ında,<br />
Yii p + + ,6i + eii , i = 1,2 , j = 1,2,3 ,k = 1,2,...,nii<br />
gibi bir model dü şünülebilir. Bu durumda X tasanm matrisi,
I<br />
i<br />
133<br />
X =<br />
1<br />
1<br />
1<br />
ı<br />
1<br />
1<br />
ı -n ı I<br />
1„ 12<br />
1„ 13 -..<br />
o<br />
°<br />
o<br />
o<br />
O<br />
O<br />
1 n21<br />
In22<br />
14, 2,<br />
In i 1<br />
O<br />
o<br />
O<br />
- 1, 12<br />
O<br />
O O 1, 13<br />
ı „<br />
--21<br />
0 0<br />
o<br />
- ı n22<br />
O<br />
o o ı n<br />
-- 23<br />
biçimindedir. ı = 1,2 re j = 1,2,3 ki ııııii değerleri ayn ı olduğunda modele<br />
dengeli (balaneed) denir. Tüm mi ler I olduğunda,<br />
x rl 1 0 131<br />
[I O 1 13<br />
ve tüm mi ler n olduğunda,<br />
x =<br />
1<br />
1<br />
1<br />
1<br />
1<br />
1<br />
In<br />
In<br />
In<br />
O<br />
O<br />
O<br />
O<br />
O<br />
O<br />
In<br />
n<br />
n<br />
biçiminde yaz ılabilir.<br />
In<br />
O<br />
O<br />
In<br />
O<br />
O<br />
O<br />
In<br />
0<br />
O<br />
In<br />
O<br />
O<br />
O<br />
In<br />
O<br />
O<br />
In<br />
= [16 013„,13 0 1,7]<br />
Ağırl ık üzerinde etkenler (faktörler) olarak g ıda rejimi ve civcivlerin<br />
ırk ı gözönüne al ınd ı. G ıda rejimi etkeninin 2 düzeyi, ırk etkeninin de 3<br />
düzeyi gözönüne al ınd ı . İki etkenin birlikte etkisi de gözönüne al ınırsa,<br />
Yijk = + + + + , = 1,2 , j = 1,2,3 ,k<br />
gibi bir model yaz ı l ır. Bu modele 2 etkenli etkile şimli model veya 2 yönlü<br />
etkile şimli model denir. Dikkat edilirse etkenlerden birinin herbir düzeyi<br />
diğer etkenin herbir düzeyi ile ortaya ç ıkabilmektedir. Bu durumda tam
134<br />
çapraz bir tasar ım sözkonusudur denir. Bir etkenin baz ı düzeyleri di ğer<br />
etkenin baz ı düzeyleri ile ayn ı anda ortaya ç ıkam ıyorsa k ısmi çapraz bir<br />
tasar ım sözkonusudur. E ğer etkenlerden birinin herhangi bir düzeyi ikinci<br />
etkenin birden çok düzeyi ile ayn ı anda ortaya ç ıkam ıyorsa bu etkene<br />
ikinci etken içinde yuvalanm ış (nested) denir.<br />
İki yönlü iç içe model (two-way nested model) ile ilgili bir örnek ele<br />
alal ım. Iki farkl ı g ıda rejiminin tavuklar ın yumurtalar ı (ağırl ığı) üzerinde<br />
etkisi incelenmek istensin. Birinci g ıda rejimi 4 tavu ğa uygulans ın ve herbir<br />
tavuğun yu ımırtalar ından 2 tanesinin a ğırl ığı gözlensin. Ayn ı gözlemler<br />
ikinci g ıda rejiminin uyguland ığı başka 3 tavuk için yap ı ls ın.<br />
{4 , =1 için<br />
Yijk = iı + ai + Ili/ + Go* , i = 1,2 , j= 1 ,2,...,n; , k =,2 1 , ni = 3 , i = 2 için<br />
veya<br />
- -<br />
Yi ı ı 1 1 O 1 O 0 0 0 0 0-<br />
Y112 1 1 O 1 O O O O O O<br />
YI21 1 1 O O 1 O O O O O P<br />
YI22 I 1 O O 1 O O O O O al<br />
YI31 1 1 O O O 1 O O O O a2<br />
Y► 32 1 1 O O O I O O O O ı<br />
YI41 I 1 O O O O 1 O O O /312<br />
Y142 1 1 O O O 0 1 O O O P13<br />
Y211 I O 1 O O O O 1 O O fi14<br />
Y212 1 O I O O O O 1 O O P21<br />
Y221 1 O I O O O O O 1 O fi22<br />
Y222 1 O I O O O O O 1 O P23_<br />
Y23I 1 O 1 O O O O O O I<br />
Y212] 1 0 1 0 0 0 0 0 0 1<br />
gibi bir model yaz ılabilir.<br />
Burada iki etkenli (faktörlü) tasar ım modellerine örnekler verildi.<br />
ikiden fazla etkenli modeller benzer biçimde dü şünülür. Dikkat edilirse bir<br />
etken, ön ıei,- ,in g ıda rejimi için sabit say ıda olan 2 düzey dü şünüldü. Böyle<br />
modellere sabit etkili modeller denir. Belli iki g ıda rejiminin<br />
kar şılaşt ırılmas ı s ıras ında olaya böyle bir model ile yakla şımda<br />
bultmulabilir.<br />
+6
4.1.4 VARYANS B İLEŞENLER İ VE KARI ŞIK <strong>MODELLER</strong><br />
135<br />
Bu k ı s ımda ele al ınacak modellerin de tasar ım modelleri çerçevesine<br />
girdi ğini hat ırlatal ıın.<br />
Varyans bile şenleri modelleri, rasgele etkenli modeller olarak da<br />
isimlendiril ınektedir. Bir etkenin (faktörün) çok say ıda veya sonsuz say ıda<br />
düzeyi varsa ve seçilen (gözönüne al ınan) düzeyler rasgele bir örneklem<br />
oluştunıyorsa bu etkene (faktöre) rasgele etken (faktör) denir. Do ğal<br />
olarak modelimizdeki (veya veri kümesindeki) bir rasgele etken seçilen<br />
sonlu say ıdaki düzeyi ile temsil edilecektir. Seçilen bu sonlu say ıdaki<br />
düzey, büyük hacimli bir kitleden (düzeylerin kitlesinden) rasgele seçilmi ş<br />
örneklem olarak dü şünülecektir.<br />
Belli bir ürün ile ilgili, i şleme zaman ı üzerinde i şçi faktörünün<br />
etkilerini gözönüne alal ım. Ürünün üretim zaman ı bir rasgele de ğişken<br />
olmak üzere, de ği şkenlik üretim yönteminin kendisinden ve i şçiden<br />
kaynaklans ın. Rasgele seçilen bir i şçi için ürünü üretme zaman ı, tüm<br />
i şçilerin ürünü üretme zamanlar ın ın olas ı l ık dağı l ımından bir gözlem<br />
olacakt ır. İşçiden i şçiye farkeden bu zaman ı T rasgele değişkeni ile<br />
gösterelim. i şçiler arasmdaki de ğişim Var (T) ile anlat ıls ın. T rasgele<br />
deği şkeni doğrudan gözlenememekte, çünkü üretimdeki yöntemden<br />
kaynaklanan bir rasgelelik daha sözkonusudur. Bu ikinci rasgeleli ği<br />
anlatan rasgele de ği şken e olmak üzere T ile e nun ili şkisiz ve E(e)=- 0<br />
olduğunu varsayal ım. e da tek ba şına gözlenememektedir. Rasgele seçilen<br />
i =1,2,...,/ tane i şçinin herbiri için j =1,2,...,n kez ürünü üretme zamanlar ı<br />
Yij gözlemni ş olsun. Ürünü üretme zaman ı<br />
p ve varyans ı a. olsun.<br />
Y rasgele de ği şkenin ortalamas ı<br />
Y = p+(T - p)+(Y - T)=p+T* + s<br />
düşüncesiyle,
136<br />
Yii =,u+17+8;/.<br />
, i =1,2,...,/ ,j=1,2,..,,ıı<br />
,u bilinmeyen parametre, Yj ler gözlenebilen rasgele de ği şkenler<br />
E(s,i ) = O , Var (e ) = a2L.<br />
= 1; - , (1 ) = , Var ( 1;* ) = Var ( 7') =<br />
T ve ej ler ili şkisiz , gözlenemyen rasgele de ği şkenler<br />
a2 = a. + o-2<br />
›* 1<br />
gibi bir model kurulabilir. Bu modele bir faktörlü varyans bile şenleri<br />
modeli denir. Gözlenemeyen T * ve e rasgele de ği şkenlerin sahip olduklar ı<br />
da ğı l ımlar ile ilgili varsay ımlar da ınodelde yer alabilir. Dikkat edilirse,<br />
doğrudan gözlenemeyen T rasgele de ğ i şkenin varyans ı<br />
4, Y nin varyans ı<br />
içinde bir bile şen olarak yer ald ı . Bu modellerde amaçlardan birisi de<br />
varyans bile şenlerini tahmin etmektir.<br />
Faktörlerin herbiri rasgele olan birden çok (örne ğin iki) faktörlü<br />
varyans bile şenleri modelleri,<br />
Yipn = P+A ı +By +'ijın<br />
biçiminde gösterilir. A ;<br />
rasgele deği şkenlerdir ve<br />
,eu„, ler gözlenemeyen s ıfır ortalamal ı ilişkisiz<br />
2 2 2<br />
= + +<br />
(7 ) . cf c<br />
d ır. Modelin detenninistik k ısm ı sadece p den, stokastik k ısmı<br />
+ ilii + cij„, den olu şmaktad ır.<br />
Faktörlerden baz ılar ı sabit etkili baz ılar ı rasgele etkili olan<br />
modellere kar ışık ( ınixed) model denir. Örne ğin, üretim ile ilgili olarak<br />
yukar ıda gözönüne al ınan bir faktörlü varyans bile şenleri modelinde üretim
ile ilgili üç farkl ı yöntem (düzey) sözkonusu olsun. Bu üç düzey ile birlikte<br />
yöntemin kendisi de bir faktör olarak önceki modelde yer ald ığında,<br />
137<br />
Ykij P ak + + e , k = 1,2,3 , =1,2,...,1 , j=1,2,...,n<br />
gibi bir model sözkonusu olacakt ır. ,u + ak modelin deterministik k ısm ın ı ,<br />
7:„ +ckii de stokastik k ısm ını oluşturmaktad ır. 1:; ,Ekii ler o ortalamal ı<br />
gözlenemeyen ili şkisiz rasgele de ği şkenler olmak üzere,<br />
d ır.<br />
°2r + 192c<br />
4.1.5 RASGELE KATSAYILI <strong>MODELLER</strong><br />
m tane birimin herbirinden n tane Yij = 1,2,...,m, j = 1,2,...,n)<br />
gözlemlerinin al ınmas ı durumunda,<br />
Yij =13;iXiii+ A2 X42 +...<br />
+ eij , i = 1,2,...,m, j=1,2,...,n<br />
gibi bir modelin geçerli oldu ğunu varsayalim. Bu modeli,<br />
= X' .fl i=1" j=1 . n<br />
Y -i 1.1 " 2 • • '<br />
biçiminde yaz ıp )2, = , parametre vektörlerini,<br />
rasgele seçilen m tane birim ile ilgili olarak, m birimlik bir örneklem olarak<br />
dü şünebiliriz. i =1,2,...,m vektörleri, p ortalamal ı , Avaryans-kovaryans<br />
matrisli bir da ğıl ımdan n ı birimlik bir örneklem olsun ve ayr ıca ler ile<br />
ler ba ğıms ız olsun. K ısaca,<br />
1)E(eij )= 0,rar(Bij)= o2 ,cii<br />
gözlenemeyen rasgele de ği şkenler,<br />
ler (i = 1,2,...,m , j =1,2,...,n) ilişkisiz,
138<br />
deği şkenler,<br />
2) EW)= - fl , Cor(fli )= A , fiğ ler (i = 1,2,...,m) bağıms ız rasgele<br />
3) Qi ler ile ler (i = 1,2,...,m , j = 1,2,..., ıı) bağıms ız,<br />
4) >16 :p x I vektörü p tane aç ıklay ıc ı deği şkenin, rasgele seçilmi ş<br />
olan i. birimi üzerinde/. gözlem vektörü,<br />
ı ı<br />
Xi I 2<br />
xilp<br />
xi =<br />
Xi 2 1<br />
Xi 2 2<br />
"<br />
Xi2p<br />
_Xinl<br />
Xin 2<br />
• • •<br />
Xinp _ nx p<br />
matrisi i.birim ile ilgili aç ıklay ıc ı dei,5i şkenlerin matrisi (sabitlerin matrisi)<br />
5) Y• 1=-1" j=1') i.birim üzerinde j. gözlemi<br />
gösteren bir rasgele de ği şken ve<br />
Ya<br />
Yi<br />
Yi 2<br />
i. birim üzerinde gözlemlerin rasgele vektörü olmak üzere;<br />
= Xi ğ3i + , i =1,2,...,m<br />
modeline rasgele katsay ıl ı lineer model denir. Bu modelde rasgele<br />
vektörler olan 11 ler kendi ortalamalar ı cinsinden,<br />
=13+ (51 , 1,2,. ,m<br />
olarak yaz ı l ıp modelde yerine konursa,
139<br />
1,4 X if3+ Xi 8i + , =1,2,..,m<br />
yaz ı l ır. Bu modelde xifii modelin deterministik k ısm ını xi öi + e; de<br />
stokastik k ısm ın ı oluşturmaktad ır. i=1,2,...,m için ,r5i ler ba ğıms ız<br />
cov(8; ) = A ve öi ler ile 6'i ler ba ğıms ızd ır.<br />
Xifi ,<br />
XiAXİ + cr2/,<br />
olmak üzere modelde amaç<br />
vektörünü tahmin etmek olabilir.<br />
rasgele katsay ılar ının ortalamas ı olan fi<br />
ni tane vektörü alt alta yaz ıp bir sütun vektörü olarak ele al ırsak,<br />
rasgele katsay ı l ı bir lineer model, genel olarak<br />
Y ı<br />
Y 2<br />
r„,<br />
=<br />
xi<br />
X2<br />
x,„<br />
_<br />
xi<br />
O<br />
_o<br />
0<br />
X2<br />
0<br />
•• •<br />
- - -<br />
...<br />
0 -<br />
O<br />
x„,_<br />
51<br />
Ş2<br />
_-,11 Ö, _<br />
biçiminde yaz ılabilir. Modelin stokastik k ısm ındaki gözlenemeyn rasgele<br />
vektörler ile ilgili baz ı da ğıl ım varsay ımlar' yap ılabilir.<br />
Uygulamalarda çok de ği şik durumlar rasgele katsay ı l ı lineer model<br />
ile modellenmektedir. Örnegin rasgele seçilen birim, bir insan grubundan<br />
rasgele seçilen ki ş i (i = 1,2,...,m) bu birim üzerinde gözlemleri zaman<br />
içinde (j = 1,2,.. ,n) ki şinin günlük harcamalar ı olabilir. Günlük harcama Y,<br />
gelir (XI ), ki şinin bakmakla yükümlü olduğu birey say ıs ı (X2 ), oturduğu<br />
yer (X3) gibi aç ıklay ıc ı deği şkenlerin bir lineer fonksiyonu olarak ifade<br />
edilebilir. Bu lineer ifadedeki katsay ılar ki şiden ki şiye deği şebilir. Bu<br />
değ i şkenlik rasgele katsay ı l ı bir model ile modellenebilir.<br />
el<br />
E2<br />
e-ni
140<br />
4.1.6 ÖLÇME HATASI İÇEREN <strong>MODELLER</strong><br />
Bu k ıs ıma kadar göz önüne al ınan modellerde aç ıklay ıc ı deği şkenler<br />
ile ilgili ölçü ınlerin (gözlemlerin) al ınmas ında hatalar ın olmadığın ı, yani<br />
ölçme s ıras ında gözlenen de ğerlerin gerçek gözlenmek istenen de ğerler<br />
olduğunu dü şündük. Ölçme aletindeki hatalardan dolay ı, veya ölçmek<br />
istedi ğimiz niceli ğin doğrudan ölçüle ıniyor olmas ından dolay ı gözlenmesi<br />
gereken bir x de ğeri yerine,<br />
X x- ı-1/ , P;(
141<br />
4.2 PARAMETRE TAHM İNİ<br />
modelinde,<br />
Bu k ı s ımda<br />
Y= Xfi+c<br />
1.Dur ıım : e- N (O, cı2 I)<br />
2.Durum : - (o, 02/ )<br />
3.Durum : cov( e) = 02v<br />
için parametre tahmini problemi ilk önce tam rankl ı modeller<br />
(rank(X: ıı x p) = p) ve daha sonra dü şük rankl ı modellerde<br />
(rank(X: ıı x p) = k < p) ele al ınacakt ır. Parametre kümesi,<br />
= {(fl, 02 ):# e RP ,G2 > o}<br />
olmak üzere 1.Durumda normal da ğı l ım ile ilgili istatistiksel sonuç<br />
ç ıkarmaya ba şvurulur. 2.Durumda en küçük kareler yöntemine ba şvurulur.<br />
4.2.1 1.DURUM (L.- N(0,021))<br />
Y = X fl+ , c- N(0,a2I)<br />
Lin x 1 =<br />
Yı XI 1 XI 2 • • • XI p A<br />
Y2 , = X21 X22 * " X2 p<br />
P2<br />
X :<br />
, )6=<br />
eı<br />
62<br />
Yn Xnl Xn2 ' ' • Xnp<br />
nxp flp 8n<br />
Y- N( Xfi, a2/)<br />
olmak üzere önce G2 nin ve fi n ın en çok olabilirlik (maximum likelihood)<br />
tahmin edicilerini bulal ım. Olabilirlik fonksiyonu,<br />
L60,02 ;Y) =<br />
ve logaritmas ı ,<br />
1<br />
(02)n12<br />
— — fi( Y — ff)<br />
e
142<br />
ln L(11, o2 ;3') 202 1 (1' Xfi)'(Y- Xfi)<br />
ṯ/ In(2n)--<br />
ii ln(o<br />
2 1 - ) (Y<br />
' Y-2Y xfi+p X'X 13)<br />
2 or" -<br />
d ır. Parametre kümesi,<br />
f1={(fi,G 2 ):- < p', 0}<br />
üzerinde L(6,02 ) veya in L(6,02 ) fonksiyonunu maksimum yapan fi ve G2<br />
yi bulmak için,<br />
- (in L(fi,o-2 ; Y)) =<br />
13<br />
I<br />
2G2<br />
(-2X'Y+2X'XI3)<br />
(In L(f3,G2 ;Y)) = 2 + 2(0' „ (Y - X fl)'(Y - X13)<br />
cGOz<br />
G` 1)`<br />
birinci türevlerin s ıfıra e şitlenmesiyle,<br />
(X'Y - X'XI3)= O<br />
a2<br />
veya<br />
n<br />
+<br />
2G” 2( al'<br />
I „ (Y - xpy07- X [1)=0<br />
X'Xfl= X'Y<br />
02 = (Y- X13)' (Y- X fl)<br />
Il<br />
denklem sisteminin normal denklemler ismini ta şıyan,<br />
denkleminden,<br />
rxp= X'Y<br />
73= ( X'X) -1 x' Y = X+ Y (rank(X)= p , X'X regüler)
143<br />
= X + Y + (I - X + X )z , z E RP (rank(X)< p , X'X singüler)<br />
ve ikinci denklemden,<br />
- x)-6.)<br />
=[(r- XX + Y)' (Y - XX +7)]<br />
=--1 [YY -Y XX + Y-Y XX + Y+Y XX + XX + Y]<br />
n<br />
= — 1 xx +)),<br />
rr -<br />
elde edilir. Bu k ı s ımda rank(X)= p yani modeli tam rankl ı olarak<br />
düşünece ğiz.<br />
ve<br />
ye fi ve 02 nin en çok olabilirlik tahmin edicileri denir.<br />
ve a2 Tahmin Edicilerinin Özellikleri:<br />
1. Yans ızbk: v fi E RP için,<br />
E("ft). E(X + Y). X ± E(Y)= X + E(X fi+ c)= xx+ fi= fi<br />
olmak üzere i3 , p n ın yans ız tahmin edicisidir.<br />
b:( .(.;.(2) m (1 -<br />
Il<br />
)= i E[ ıı ( ı - xx+)171<br />
Il<br />
= j-{1r{(1 - XX + )Cov(Y)1+ (EY)' (I - XX + )EY}<br />
=±{tri(1 - XX + )o 2 111-(X fl)'(I - XX + )(X fi)}<br />
=-1- ır(cr2 (I - XX +))+0<br />
= ci2 (n - p)= "- P 02<br />
11 ıı<br />
olmak üzere b2, 02 için yans ız bir tahmin edici değildir. Ancak,
144<br />
için,<br />
62 = » Y (I - XX1Y<br />
- p ıı - p<br />
1.:( -2 )= E( " a2 )= " E(a-2 )= 02 va' >o<br />
- p - p<br />
olduğundaıı "c? tahmin edicisi yans ızd ır. Cr2 tahmin edicisine yans ızl ık için<br />
düzeltilmi ş en çok olabilirlik tahmin edicisi denir. Bundan böyle fi ve 0 2 yi<br />
tahmin etmek için fi ve 6 yi kullanaca ğız ve ;0' y ı da 'fi ile gösterece ğiz.<br />
2. Yeterlilik:<br />
X+y- = (X'X) -1 X'Y<br />
.2 _ - XXIV<br />
p<br />
fi ve 62 istatistiklerinin yeterli istatistik olduklar ını göstermek için Y<br />
nin olas ı l ık yoğunluk fonksiyonunun, sadece 'fi,â2 ,fi3 O2 yi içeren bir<br />
fonksiyon ile sadece Y yi içeren bir fonksiyonun çarp ımı olarak<br />
yaz ılabileceğini göstermeye çal ışal ım.<br />
ve<br />
ı<br />
----(Y-A[0( -A[5)<br />
i(Y;fl,02)= (,, ,,h7ryı (02 ) ı l2 e 2°2<br />
(Y- xp)'(Y-xffl= (Y- Xfr+ X;g- Xfly(Y - X;3+ 43- Xf1)<br />
=(y-x",&y(y-X1-(;6-flYX'X(fl-fr)<br />
olmak üzere,<br />
= ( ıı - p)(3-2 + (fr- fiY X'X(I1-13)<br />
f(Y;,6,02 )= (2 ıro2 )"<br />
2
145<br />
= g(13, 62 „G, 02 )h(Y)<br />
biçiminde yaz ılabilir, burada h(Y)=1 d ır. :Ove'62 yeterli istatistiklerdir. Bu<br />
istatistiklerin tam yeterli (complete suffıcient) istatistikler olduğu da<br />
gösterilebilir (Garybill (1976), Arnold (11981) ).<br />
3. i3 ve 62 İle ilgili Daplunlar:<br />
Modelimiz,<br />
olmak üzere,<br />
dağıl ıml ıdır.<br />
Y = X fl+ e , e- N(0,021)<br />
Y N(Xf3,o 21)<br />
X + — Y X'Y<br />
ol ınak üzere, Y nin lineer bir fonksiyonudur. Buna göre,<br />
N[(X'X) -1 X'Xfi,((X'X) -1 X')0 21((X'X) -1 X')'l<br />
73- N(fi,o 2 (X°X) -1 )<br />
Qi - N (fl, ,0 -2c, İ ) , 1,2,..., p<br />
dağı l ıml ıd ır. Burada ci ı , (X'X) -1 matrisinin i. kö şegen eleman ıdır.<br />
Şimdi 62 ile ilgili da ğı l ımı ara şt ıral ım.<br />
Q=Y ' (1-XX +)Y=Y ' (I-.X'(X°X) -1 X')Y<br />
karasel formunu göz önüne alal ım.<br />
olmak üzere,<br />
Y N(X fi3 O21) , A =(I- XX +) , = 021<br />
02
146<br />
t ı - xxlv Y (1 - x(x'x) -1 x')}7<br />
02 02<br />
karesel formunun da ğı l ı m ı x(n _ p,,t) d ır (Teorem 3.6.3). Merkezsel olmama<br />
parametresi,<br />
(xfl)'[ ı - xx x<br />
olduğundan,<br />
= o<br />
pxl ı - xxixfi=-1 fırx'x - xixxx+<br />
2-L<br />
fl<br />
Y (I - XX1Y Y (I - X(X'X) -1 X')Y 2<br />
Cr2<br />
C72<br />
merkezi ki-kare da ğı l ımına sahiptir. Böylece,<br />
X (n - p)<br />
d ır.<br />
Y ' (I - XX )Y = (11 — p)&2 y 2<br />
0-2 0-2<br />
(n - P)<br />
Şimdi<br />
ile ilgili kullan ılan değişik formülleri verelim.<br />
p)er2 = (Y- X fr)'( Y - Xfr) = Y<br />
=y' (1 - xx+ )Y = 111 2<br />
2 1112 1112<br />
-<br />
2<br />
=Y X(X'X) -1 X'Y =Y'Y X'Y<br />
4. Q ile 62 nin bağıms ızlığı:<br />
A= x4- , = Y E ı - xx +1Y<br />
p
olmak üzere,<br />
x 4- (0 2 1)(1 - xx+)=a2(x+<br />
-<br />
x+xx+)= o<br />
olduğundan Q ile &2 bağıms ızd ır (Teorem 3.8.1).<br />
147<br />
i =1,2,...,p için ;g vektörünün bile şenleri için, K ıs ım 3.4 den,<br />
(Â A)I cr ıic - A ) t<br />
(n_p) -<br />
(n-P)<br />
d ır.<br />
Söylenenleri a şağıdaki teoremle özetleyebiliriz.<br />
TEOREM 4.2.1.1 Y = X fi+ e modelinde e- N(0,021) ve rank(Xnxp)= P<br />
olsun.<br />
a) fl= X ± Y , 13 için en çok olabilirlik tahmin edicisidir.<br />
= ı Y' (1- XX +)Y , 02 için en çok olabilirlik tahmin<br />
ıı<br />
edicisidir. fi ve 0 2 parametrelerinin bir fonksiyonu g(,6,02 ) olmak üzere,<br />
g(fi,o2 ) nin en çok olabilirlik tahmin edicisi g(,-a, -a2 )<br />
dır. Özel olarak,<br />
C: p x I bilinen sabitlerin bir vektörü olmak üzere e' ig n ın en çok olabilirlik<br />
tahmin edicisi,<br />
dır.<br />
I\<br />
efi=e13<br />
b) ?)-2 = 1 Y' (1 - XX + )Y , a 2 için yans ızl ıg ı düzeltilmi ş en çok<br />
ıı - p<br />
olabilirlik tahmin edicisidir.<br />
c) ;3 - N((3,a2 (X'X) -1 ) dır.
148<br />
d) (n - p)62 ,<br />
- x-<br />
(n-p) dır.<br />
a2<br />
e) fr ve (':';, 2 bağınıs ız,dır.<br />
1,2,..., p için f3i ^ ı(n _ p) dır.<br />
g) fr ve â2 , /3 ve o2 için yeterli istatistiklerdir.<br />
h) fr ve 'O2 tan ı istatistiklerdir.<br />
• teoremdeki g) ve 10 şıkların ııı bir sonucu olarak a şağıdaki teorem<br />
ifade edilebilir.<br />
TEOREM 4.2.1.2 Y = X/3+6 , e- N(0,021) modelinde fr ve 02 nin reel<br />
değerli bir .fonksiyonu ı(fr,o2 ) olsun ve bu fonksiyon un yans ız bir tahmin<br />
edicisi var olsun. () zaman fr ve b2 tam yeterli istatistiklerinin bir<br />
g((3,&2 ) fonksiyonu vard ır öyleki, g(,3,&2 ) de t(fr,02 ) nin yans ız tahmin<br />
edicisidir ve üstelik g(fr ,b 2 ) tahmin edicisi düzgün olarak minimum<br />
varyans yans ız tahmin edicidir (uniforınly mini ınuın variance unbiased<br />
estimator, (MUM) (Graybill, 1976).
149<br />
ÖRNEK 4.2.1.1 Y =<br />
el<br />
Y2<br />
e2<br />
, X --<br />
N(0,o21)<br />
= [fi°] ş = isi<br />
Yn 1 x n_ _En<br />
rank(X) ,= 2 , ıı >2 olmak üzere, Y= X 13+ c basit lineer modelini göz önüne<br />
alal ım.<br />
n<br />
X'X = , X'Y =<br />
2<br />
E X. -<br />
i=1 i=1<br />
i=1<br />
n<br />
_<br />
(rx) -1 =<br />
E(xi -x) 2 ıtE(x; - x- ) 2<br />
ı =i<br />
ı = ı<br />
-<br />
i=1 tt<br />
ıtE(xi - x) 2 tı E(X İ -X) 2<br />
i=1 i=I<br />
(X'X) -1 X'Y =<br />
2<br />
E X ī EY -( EXi)( EXiYi)<br />
i=1 i=1 i=1 i=1<br />
ır E(xi — 4 2<br />
i=1<br />
n n n<br />
ırExiY -(xi )(ZYi )<br />
i=1 i=1 i=1<br />
ır (.z — X) 2<br />
i=1
150<br />
N(Ao2 (X'X) -1 )<br />
2<br />
o- =<br />
[n<br />
lı __ Y fi x'1= Y. 2 -Y (n Yi) -F - - 13<br />
ıt-2 i=1<br />
1<br />
i =1 i=1 i=1<br />
ve<br />
1<br />
» - 2<br />
-2<br />
E(xi -x)(Yi<br />
n<br />
-Y)<br />
_<br />
[<br />
(Jıi) 2 i=1 n<br />
1=1<br />
E(xi<br />
-<br />
-x) 2<br />
i= ı<br />
fr ı - fil flo — flo<br />
- t (n-2) ,<br />
(x; —x) 2<br />
2<br />
x. (ii z(xi - - x) 2 )<br />
i=1 i= ı ı =1<br />
t(n-2)<br />
(11 - 2)&2<br />
02 2/2 (n-2)<br />
d ır. Bu modelde asag ıdakiler için düzgün minimum varyans yans ız<br />
(UMVU) tahmin edicilerin bulunmas ı istersin.<br />
a) fio c) cr2 d) 0-<br />
e) 2A - 3fio f) 502 +8A g) fio + 1.94 v h) fio / 02<br />
p0,A, 02 parametrelerinin bu fonksiyonlar ı için UMVU tahmin<br />
ediciler bulmak için *fi11 ,fi1 ,E;r2 tam yeterli istsatistiklerinin fonksiyonu olup<br />
yans ız tahmin ediciler bulmal ıy ız.<br />
a) E(A) = A olduğundan A tahmin edicisi A in UMVU tahmin edicisidir.<br />
b) E(/30)=fio olduğundan fi() tahmin edicisi fio ın UMVU tahmin edicisidir.
151<br />
c) E(&2 )= cr2 olduğundan '62 tahmin edicisi 02 nin UMVU tahmin<br />
edicisidir.<br />
d) '4;r2 tahmin edicisi için,<br />
olmak üzere,<br />
(n - 2)62<br />
02 2"2 (,7-2)<br />
E(6-)= E(<br />
cı-2 \i( ıı - 2)62 )<br />
- 2 -2<br />
cf c'e<br />
- 2 o<br />
J 4 n-2<br />
- 2<br />
)2 2<br />
1<br />
ı<br />
n-2<br />
2 e-1/2cit<br />
ce n-3<br />
= cf2 i i 2 e- ı /2dı<br />
n-2<br />
- 2 - 0<br />
)2 2<br />
2<br />
1 r-<br />
( it -).%12<br />
d ır.<br />
ıı -')<br />
F( n<br />
olduğundan,<br />
.,,I n 2r ,,,-:7„<br />
, I .<br />
E( o-)= cr<br />
ıı -1<br />
Ş2r ( - )
152<br />
T<br />
Niıı - 2F( " - 2 )<br />
,rr ( )<br />
tahmin edicisi er için UMVU tahmin edicisidir.<br />
e) E(2fii - 3A ) ) = 2fil -3A) olduğundan 2fii -3,60 tahmin edicisi 2fii -3fio için<br />
UMVU tahmin edicisidir.<br />
f) E(5b2 +8 -fi1 )= 502 +8fii olduğundan 5â2 +8;31 tahmin edicisi 502 + 8fiı için<br />
UMVU tahmin edicidir.<br />
g) E( -.60 +1.941') = +1.940- olduğundan fio +1.947' tahmin edicisi fio +1.94u<br />
için UMVU tahmin edicidir.<br />
n-2<br />
ıı - 2 ° 1<br />
,<br />
2<br />
h) E( " - 2<br />
e- ı i
153<br />
4.2.2 2.DURUM (c- (0,021))<br />
Y = X fi+ , E- (0,02I) rank(Xnxp ) = P<br />
modelinde Y örnekleminin da ğı l ım ı bilinmediğinde /3 ve a2 parametreleri<br />
ıı i ıı en çok olabilirlik tahmin edicileri söz konusu de ğildir.<br />
6= (Y— Xfi)'(Y—Xfi)<br />
karesel formunu minimum yapan fi vektörtine /3 n ın en küçük kareler<br />
tahmin edicisi denir.<br />
min (Y — X fi)'(Y — X f3)= (Y— X fi)'(Y — X<br />
fi)<br />
ve<br />
p= x+y =(x'x) l<br />
olmak üzere, Q tahmin edicisine ba ğl ı olan ve a2 nin yans ız tahmin edicisi<br />
olan,<br />
.1.2 _Y ' (I — XX + )Y = (Y— X1 3Y (Y — Xfr)<br />
p<br />
ıı — p<br />
tahmin edicisine de al ışılagelmi ş olarak o2nin en küçük kareler tahmin<br />
edicisi denir.<br />
).-g ve<br />
;'32 tahmin edicileri s ıras ıyla /3 ve cr2 için yans ız tahmin<br />
ediciler olmak üzere, bunlar ın di ğer istatistiksel özellikleri nedir? Bu<br />
tahmin edicileri ıı dağı l ımlar ı hakk ında küçük örneklemler için herhangi bir<br />
şey söylenemez. Büyük örneklemler için (yani n - -<br />
yakla şık olarak /3<br />
c o için) 'fin nın dağılımı<br />
ortalama vektörü ve 0,2 (X,',„ pX„ p )-1 varyans-<br />
kovaryans ınatrisi ile normal da ğıl ıma sahip olduğu söylenebilir.<br />
(:p x 1<br />
edicilerinin,<br />
bilinen bir vektör olmak üzere, e' fi n ın lineer tahmin
154<br />
:3 = T( Y): T( Y) = a' Y +ao , a ER" , ao R}<br />
s ınıfında bir 1 A. (Y) e 3 tahmin edicisi her # için,<br />
ve<br />
E(T * (Y))= e' fl<br />
Var (T* (Y)) Var (T(Y)) , V T(Y) e 3<br />
özelliklerine sahip ise T* (Y) tahmin edicisine et# n ın minimum varyans<br />
lineer yans ız veya k ısaca en iyi lineer yans ız (best linear unbiased, BLU)<br />
tahmin edicisi denir.<br />
TEOREM 4.2.1 (Gauss-Markov Teoremi)<br />
Y = Xfi+ e , E(e) = O , Cov(e) = a2I , rank(Xnxp )= p<br />
modelinde n ın en iyi liner yans ız tahmin edicisi d ır.<br />
ISPAT: efi n ın lineer tahmin edicilerinin s ınıfı ,<br />
olsun. a E R" vektörti,<br />
T(Y) e 3 = {T(Y) : T(Y)=a'Y +a o , a E R n , ao E R}<br />
a=(X+)'I-1-1) , b ele<br />
biçiminde yaz ı l ırsa,<br />
T(Y)= X + Y +b'Y +a o<br />
olur. T(Y) tahmin edicisi h vektörü ve ao say ıs ı ile belirlidir.Böyle bir T(Y)<br />
tahmin edicisi<br />
E(T(Y)) ,<br />
olmal ı . O zaman,<br />
n ın yans ız bir tahmin edicisi olacaksa, V/3 için<br />
için<br />
ex±xp+b'Xfi+ao =<br />
, V fl<br />
Xfi+ao = eb , Vfl için<br />
yani<br />
olmal ıd ır.<br />
b' X fl+ ao = O , Vfi için<br />
b' X = O veap=0
155<br />
(Ip n ın lineer yans ız tahmin edicilerinin s ın ıfı ,<br />
olsun. T(Y) E '31 için,<br />
= T( Y): T(Y)=(e' X + +h')Y,b eR" ,b' X = o}<br />
Var(T(Y)) = (I?' X + +b')Cov(Y)(V X + +b 1 )'<br />
= (e' X + +b')0-2 1(e' X+ +b')'<br />
= 02 k X + (e' Xls +2V X + b+b'bi<br />
= cs2 [P(X'X) -1 +2e1 (X'X) -1 X'b +b' bi<br />
= c 2 [(”(X 1X) -1 +Vb]<br />
olmak üzere minimum varyansl ı tahmin edici b= o oland ır. Buna göre e'fi<br />
n ın lineer yans ız tahmin edicileri aras ında varyans ı en küçük olan ı,<br />
d ır.<br />
T(Y)=-- Vx+ y = 1;<br />
TEOREM 4.2.2<br />
Y = Xfi'+<br />
modelinde, 02 parametresi için<br />
, E ( e) =O , Cov(e)= o 21 , E(4)=364 , i =1,2,...,n<br />
62 = r(1 - XX + )Y<br />
p<br />
tahmin edicisi, Y nin bir karesel formu biçiminde olup yans ız tahmin<br />
ediciler aras ında rninimum varyansl ıdır.<br />
ISPAT: (Graybill, 1976)<br />
62 ye 02 nin en iyi karesel yans ız (best quadratic unbiased ) tahmin<br />
edicisi denir.
156<br />
4.2.3 3.DURUM (e- N(0,o2V))<br />
Bu k ıs ımda ilk önce, v bilinen pozitif tan ıml ı bir matris olmak üzere<br />
Cov(e) = c?V durumu ele al ınacakt ır. Daha sonra Cov(e) = E ve E 'nin bir<br />
pozitif tan ıml ı matris olmas ı durumu ile ilgili baz ı sonuçlar verilecektir.<br />
Y = X fi+ e , e- N(0,47 2V) , V<br />
rank(X nxp ) = p modeli ııde<br />
ınatrisi cinsinden ayr ışıın ı ,<br />
bilinen pozitif. tan ıml ı bir matris,<br />
matrisinin, rank(G,„„)= ıı olan bir G<br />
G'G<br />
olmak üzere modelin her iki tarafı soldan (G')-I ile çarp ıls ın.<br />
= (GT I Y - N((G') -1 Xfi,o 2 1)<br />
ıi=(G')-1 E- N(0, a2/)<br />
ve A = (G') -I X için model,<br />
= Afi+<br />
olarak yaz ıld ığında,<br />
ii= A + Z= (A'<br />
A'Z<br />
741 - AA +1Z r[V -1 -V -1X(X'V -I X) .-1 X'17-1k<br />
=<br />
ıl- p<br />
rı - p<br />
tahmin edicileri s ıras ıyla p ve 02 için düzgün minimum varyans yans ız<br />
(UMVU) tahmin edicilerdir. Bunlara Aitken tahmin edicileri denir. Ayr ıca,<br />
ve<br />
fi- N(fi,a2(X'V-1X)-1)<br />
dağıl ıml ıd ı r.<br />
p)E?<br />
02 ( - p )
Y = Xfl+ e ,<br />
e- N(0,) , E pozitif tan ıml ı matris, rank(Xnxp)= p<br />
modelinde fi para ınetre vektörünün en çok olabilirlik tahmin edicisini<br />
bulmaya kalk ıştığnn ızda,<br />
157<br />
i3= ( ırs-'xy'x's-ly<br />
biçiminde bir ifade ortaya ç ıkmaktad ır. E bilinmedi ğinden p bir tahmin<br />
edici olarak kullan ılamaz. Di ğer taraftan fi n ın en küçük kareler tahmin<br />
edicisi,<br />
;6=(XPX) -1 X'Y<br />
d ır. Bu tahmin ediciye fi n ın al ışılmış en küçük kareler (ordinary least<br />
squares, OLS) tahmin edicisi denir. Do ğal olarak olduğunda OLS<br />
tahmin edicisi UMVU tahmin edicisi olmayacakt ır. Acaba hangi şartlarda<br />
OLS tahmin edicisi UMVU tahmin edicisi olmaktad ır?<br />
TEOREM 4.2.3.1 Y X fi+ e , e- N(0,E)<br />
tahmni edicisi (XPX) -1 X'Y<br />
gerek ve yeter şart,<br />
EX = XF<br />
modelinde en küçük kareler<br />
nin fi için UMVU tahmin edicisi olmas ı için<br />
olacak şekilde singüler olmayan bir F: p x p matrisinin var olmas ıdır.<br />
İSPAT: EX-= x/,' olacak şekilde sing,üler olmayan F:px p matrisi var<br />
olsun. O zaman,<br />
(x'x) - ' =(rx)--' p(p)-1 =[(p)-1(x ,x) -1(p) - i x'i<br />
= (x%<br />
- ',v) -1 x's-'
158<br />
olduğundan,<br />
(X'X) -1 X'Y =(X% -1 X) -1 x's - ' r<br />
yani, al ışılm ış en küçük kareler tahmin edicisi ile Aitken tahmin edicisi<br />
ayn ıd ır.<br />
Tersine,<br />
olmas ı için,<br />
(x'x)- ' X' = ( x's - tx) -' x's- '<br />
(x'x) - ' x's = (x's - ix) - ' x'<br />
X'E = ( x'x)(x's -'xy° x'<br />
sx = x(x's -'x) -' rx = xı.-<br />
olmal ıd ır, burada E =(X'E-I X) -1 X'X, p x p tipinde singüler olamayan bir<br />
matristir.<br />
SONU(' 4.2.3.1 Y = X fl+ 6 , e- N(0,Z) , X =[1,X 2 ,—,X p l modelinde,<br />
1 p •-• p<br />
2 P 1 -- p -1<br />
flxn = cr2(1- m i 4. 0_2[11 __ 0._ , < p
4.2.4 KARAR KURAMI AÇISINDAN PARAMETRE TAHMINI<br />
159<br />
Y = X fl+ E , E - (0 ,02 I) modelinde bilinmeyen fi ve 0 2<br />
ıyla, verilen X tasar ım matrisi için parametrelerini<br />
örnekle ın bilgisini içeren Y gözlem vektörünün fonksiyonu olan T(Y) gibi<br />
istatistikler (karar kurallar ı) gözönüne al ınmaktad ır. Katsay ılar vektörü /3<br />
n ın tahmin edilmesinde kendimizi Y nin lineer fonksiyonlar ı olan kurallar<br />
s ınıfım k ı s ıtlad ığım ızda tahmin ediciyi Q= AY biçiminde yazabiliriz.<br />
Böylece tahmin problemi Y de içerilen bilgiyi istenilen biçimde özetleyen<br />
A matrisinin belirlenmesine idirgenmektedir. Örne ğin, e'fi lineer<br />
bile şiminin yans ız ve en küçük varyansl ı tahmin edicisinin bulunmas ı<br />
istendi ğinde bu tahmin edici,<br />
olmak üzeree A matrisi,<br />
A<br />
f..13= ( 1 (X' Xy l X'Y<br />
A = (X'X) ---1 X'<br />
biçimindedir. ;3 = (X'X) -1 X'Y tahmin edicisi en küçük kareler tahmin<br />
edicisi olmakla birlikte hata terimi normal da ğıl ıml ı olduğunda en çok<br />
olabilirlik tahmin edicisidir.<br />
Karar kuram ı aç ıs ından bak ıldığında, fi parametre vektörünün bir<br />
7'(Y) tahmin edicisinin belirlenmi ş bir L(fi,T(Y)) kay ıp fonksiyonuna bağl ı<br />
risk fonksiyonu,<br />
P(13,T(Y))= EMAT(Y)))= J<br />
L(P,T(Y))f (Yifl)d Y<br />
olmak üzere, problem, risk fonksiyonunun fi parametre vektörüne ba ğlı<br />
olarak de ğerlerini küçük yapacak şekilde T(Y) tahmin edicisi (karar kural ı)<br />
seçmektir.
160<br />
TANIM 4.2.4.1 Parametre kümesindeki tüm fi lar için,<br />
P(13,1i(Y)) < P(P,1(r__))<br />
ve baz ı p lar için,<br />
P(P, li (Y)) < P(P, (Y))<br />
oluyorsa, T (Y) tahmin edicisine "I(Y) den üstündür denir. E ğer bir T(Y)<br />
tahmin edicisinden üstün ba şka bir tahmin edici yoksa, T(Y) tahmin<br />
edicisine uygundur (kabul edilebilir, admissible) denir.<br />
TANIM 4.2.4.2 Tahmin edicilerin bir 3 kümesinde her T(Y) e "3 için,<br />
maxp(6, T* (Y)) 5 maxp(fl, T( Y))<br />
fl<br />
e şitsizli ğini sağlayan T* (Y) tahmin edicisine 3 kümesi içinde minimax'd ır<br />
denir.<br />
TANIM 4.2.4.3 Parametre kümesinde fl ile ilgili bir önsel (prior) da ğıl ım<br />
g(fi)yoğu ılluk fonksiyonu ile verildi ğinde tüm<br />
içinde,<br />
E(p(fl,Tg n)<br />
RP<br />
e şitsizliğini sağlayan<br />
T(Y) E 3 tahmin edicileri<br />
p(13,1g(Y))g(13)d f3 5 E(p(fl,T(Y))) = J p(fi,T(I))g(fl)dfl<br />
(Y) tahmin edicisine Bayes tahmin edicisi denir.<br />
Tahmin edicilerin i şlerli ğrini değerlendirmede kullan ılan kay ıp<br />
fonksiyonlar ı ve bunlara ba ğl ı olan risk fonksiyonlar ı deği şik biçimlerde<br />
olmakla birlikte çok kullan ılanlardan ikisi hata kareleri ortalamas ı (HKO,<br />
mean sq ııarred error, MSE)<br />
MSE (T(Y)) = tr[Cov(T(Y))1+ E(fl- T(Y))' E(I3- T(Y))<br />
= ır[Cov(T(Y))1+ E(fl- T(Y))' E(I3- T(Y))<br />
ve genelle ştirilmi ş hata kareleri ortalamas ı (GHKO,GMSE)<br />
d ır.<br />
GMSE( T(Y)) = E(P- T(Y))(13- T(Y))'<br />
RP
161<br />
/3 n ın bir tahmin edicisinin genelle ştirilmi ş hata kareleri ortalamas ı<br />
bir matris olmak üzere, bu ölçüte göre iki tahmin ediciyi kar şılaştırmak için<br />
matrislerin fark ının pozitif tamml ı l ığma bak ı l ır.<br />
, bilinen pozitif tan ıml ı p x p tipinde bir matris olmak üzere<br />
ağırl ıkl ı hata kareleri kay ıp fonksiyonu,<br />
L(P, T(Y)) = (fi - T(Y)YW(fi -- T(Y))<br />
ve buna ba ğl ı olarak a ğırl ıkl ı HKO,<br />
d ır.<br />
m(T(Y),W)= E(P - T(Y)YW(fl - T(Y))<br />
W = / için m(r(Y),/) = Eu3- ı'my(fi- T(Y)) d ır. Bu risk<br />
fonksiyonuna göre,<br />
(X'X) - IX'Y<br />
en küçük kareler tahmin edicisi, fi n ın lineer tahmin edicileri aras ında<br />
minimaxid ır. (Judge v.b. ,1980)<br />
Y = X fl+<br />
modelinde x'x matrisinin üzdeğerleri,<br />
0 0<br />
..1p >0 , D=<br />
O 2,2 .•. 0<br />
O<br />
0 •••<br />
2P<br />
olmak üzere, X'X matrisinin spektral ayr ışımı ,<br />
X'X VD V'<br />
olsun. ı ınatrisi X'X matrisinin öz:de ğerlerinin ortogonal matrisidir.<br />
= XI' gösterimi ve a = V'I3 parametrik dönü şümü sonucu model,<br />
Y = XVV'fl+ e= Za+ e<br />
biçiminde yaz ıls ın. a n ııı en küçük kareler tahmin edicisi,<br />
= (D+ kl)-1 Z'Y<br />
n ın en küçük kareler tahmin edicisi,
162<br />
ve<br />
;e= va, (xx)- ' xy<br />
MSA = G -- 15T ( ıg - ;9)<br />
= AW --- ;gYVV'(g - 7q)<br />
= E(a - â)'(a- -a) MSE (â)<br />
MSF (fl) = MSE (â) = a2tr(X'X) - 1 = 02 2, 1<br />
i =I ili<br />
d ır. Görüldü ğü gibi x'x matrisi küçük &de ğerlere sahip oldu ğunda en<br />
küçük kareler tahmin edicisi büyük hata kareleri ortalamasma sahip<br />
olacakt ır.<br />
Hoerl ve Kennard (1970) taraf ından tan ımlanan,<br />
13(k)= (X'X + kW' X'Y , (k > O)<br />
a(k)= (D+ kl)-1 Z'Y<br />
ridge tahmin edicisi, yanl ı bir tahmin edici olmakla birlikte,<br />
MSE ("a(k))= Ir[Cov(â(k))1+ E(a- â(k))'E(a- a(k))<br />
= (D + kl)-1 Z'Co ı(Y)Z(D+ kl) -1 +(a-(D+k1)-1 Z'Za)'(a-(D+k1)-1 Z:Za)<br />
02 /li (k aı )2<br />
+ k)2 i.1(2i+k)2<br />
hata kareleri ortalamas ı bak ımından,<br />
O < k <<br />
az<br />
olduğunda MSE(â(k))< MSE (a) d ır, yani daha küçük hata kareleri<br />
ortalamas ına sahiptir. Ayr ıca,<br />
•-> u2<br />
0
tahmin ediciler vard ır. Ridge tahmin edicileri üzerinde yüzlerce çal ışma<br />
yap ılm ışt ır ve yanl ı l ık parametresi ismini ta şıyan k n ın seçimi için deği şik<br />
yöntemler önerilmi ştir.<br />
Bu k ısıııııı devam ında omeklem d ışı bilginin de kullan ılmas ıyla<br />
olu şturulan baz ı tahmin ediciler ele al ınacakt ır. Örnekleri] d ışı bilgi,<br />
parametre r ızay ında kesin veya stokastik k ıs ıtlamalarla yada parametre<br />
hakk ında bir onsel yoğunluğun verilrnesiyle özetlenebilir.<br />
A) Kesin Li ııeer Eşitlik K ısıtlamas ı: R:q x p bilinen bir matris, rank(R)= q<br />
ve r:q x I bilinen bir vektör olmak üzere, ,6 parametresi hakk ında ön bilgi,<br />
Rfl= r<br />
lineer e şitlik k ıs ıtla ınas ı ile verilsin. Bu k ı s ıtlama alt ında,<br />
min (Y - X fl)'(Y - X 16)<br />
optimizasyon problemi için Lagrange fonksiyonu,<br />
ve<br />
g(13,,l) = (Y- X fiy(Y - X p)+ (Rfl - r)<br />
163<br />
ck( ıg, '1)<br />
(73<br />
2X'Y+2X'X/j+ R'2<br />
c3z(P,— 2) = R13- r<br />
0,1<br />
dır. Bu türevlerin s ıfıra e şitlenmesiyle,<br />
X'X p<br />
1 + — 2= X' Y<br />
1?13 = r<br />
denkle ın sistemi elde edilir. Birinci denklemden,<br />
;6= (X'X)" I X'Y-2(X'X) -I R'2.<br />
elde edilip ikinci denklemde yerine yaz ılmas ıyla,<br />
bulunur. Buradan,<br />
2 = 2[R(rX)- 1<br />
1 R'} [R(X'X) -I X'Y -
164<br />
p. X'Y - (X'X) -1 1?11?(X'X) -1 R'l l [1?(X'X) -1 X'Y -r]<br />
veya<br />
= :6+ ( x',10 -1 R1 y - Ri3)<br />
elde edilir. p ya fi n ın k ı s ıtlamn ı s en küçük kareler tahmin edicisi denir. Bu<br />
tahmin edicinin beklenen de ğeri, varyans-kovaryans matrisi ve hata<br />
kareleri ortalamas ı ,<br />
F(j3)= fl4-(X'X) -I R' ( R(X'X) -1 R' ]-1 (r - R/3)<br />
cov(ft) = 02 {(X'X) -1 - ( X'X) -1 R11?(X'X) -1 R( irX) -1 }<br />
cn ısE(74= cov(14+(rx)-1 KERtxwr i ffi l (r - Itfl)(r - R13)12(X<br />
RI 1 R
165<br />
r[XR]fl+[l<br />
cov( [ş_vl)_ 02 [01 ej<br />
biçiminde modele eklendi ğinde fi n ın Aitken tahmin edicisi,<br />
olur. Bu tahmin edici için,<br />
fi= (x'x+K(2 -1R) -1 (x'Y + R'Q-1 r)<br />
E(ii) = fl+[(X1X) -1 + R'Q-IR1R'(28<br />
Cov(;q)= o2 ( X' X + R' CT I R) -1<br />
GMSE6 -0)= Cov(71)+(X'X + R' Q -1 R) -1 R' Q-1 öi Q-1 R(X 1X + R' Q-1 R) -1<br />
d ır. Stokastik k ıs ıtlama ortalama olarak do ğru, yani E(b) = o olduğunda<br />
tahmin edicisi yans ızd ır ve Cov(;3)_ Cov(p) d ır. Genel olarak,<br />
8 (R(X'X) -1 + (»S 1<br />
202 2<br />
olduğunda GmsE(Q GMSE d ır (Judge v.b. ,1980).<br />
örneklem d ışı bilginin lineer e şitlik k ıs ıtlamalan olarak verilmesi<br />
durumunda hata kareleri ortalamas ı ölçütüne göre en küçük kareler tahmin<br />
edicisinden daha iyi tahmin ediciler vard ır. Benzer durum lineer e şitsizlik<br />
k ıs ıtlamalar ında da söz konusudur.
166<br />
4.2.5 L İNEER TAHMIN ED İLEB İLME<br />
TANIM 4.2.5.1 Bir para ınetre (parametrenin bir foksiyonu) için yans ız ve<br />
lineer (örneklemin lineer dönü şümü olan) bir tahmin edici varsa bu<br />
parametreye (parametrenin fonksiyonuna) lineer tahmin edilebilir veya<br />
k ısaca tahmin edilebilir denir.<br />
Y = Xfi+E modelinde X:n x p , ( n > p) matrisinin rank ı rank(X) = p<br />
olduğunda p parametresi lineer tahmin edilebilir, çünkü Y<br />
(X'x)-I X'Y lineer fonksiyonunun beklenen de ğeri,<br />
E[(X'X) -I X'Y]= E[(X'X) -I X'(X fl+E)]-= ,tifi e RP<br />
örnekleminin<br />
d ır. Model tam rankl ı olmad ığında, yani rank(X) = k < p olduğunda fi<br />
parametresi lineer tahmin edilebilir mi? Ba şka bir ifade ile,<br />
E(CY) = fl ,V fl E R P<br />
olsak şekilde (':px n matrisi varm ıdır? Olduğunu varsayal ım. O zaman,<br />
E(Cy)- E[c(Xfi+s)]=Cxfi-fi , vfieRP<br />
olmal ı, yani<br />
Cx =<br />
olmal ıd ır. Ancak e şitliğin sağ tarafındaki birim matris p x p boyutlu olup<br />
rank ı p d ır. Sol taraflaki matris için,<br />
rank((X) < k < p<br />
d ır. Dolay ı s ıyla varsay ım ımız doğru değildir.<br />
E(CY)=fl , VflERP<br />
olacak şekilde C matrisi yoktur, yani p n ın lineer yans ız bir tahmin edicisi<br />
yoktur. p parametresi lineer tah ınin edilemez olmas ına rağmen fi n ın baz ı<br />
dönüşümleri tahmin edilebilir. X i3 için Y nin kendisi veya X(X'X) -1 X'Y<br />
birer lineer yans ız tahmin edicidir. Gerçekten,<br />
E(Y)= Xfl<br />
d ır.<br />
E[x(x'x) -' X'Y] = x(x90 - ' X'xp = Xp
167<br />
ÖRNEK 4.2.5.1 Tasarım modellerinde genellikle X matrisinin rank ı sutun<br />
say ıs ından dü şük olduğu için tahmin edilebilme sorunu ortaya ç ıkmaktad ır.<br />
Yij .,u+ai +eii , i=1,2 , j = 1,2,3<br />
modeli matris gösterimi ile,<br />
1111<br />
42<br />
F1 1<br />
1 1<br />
0<br />
0<br />
Y13<br />
Y21<br />
Y22<br />
"3<br />
1 1<br />
1 0<br />
1 0<br />
1 0<br />
0<br />
1<br />
1<br />
1<br />
al<br />
a2_<br />
+e<br />
olmak üzere,<br />
x<br />
1<br />
1<br />
1<br />
1<br />
1<br />
I<br />
1 O<br />
1 O<br />
1 O<br />
O 1<br />
O 1<br />
O 1<br />
fl=<br />
P<br />
aı<br />
a2<br />
d ır. x tasar ım matrisinin rank ı 2 dir. fi vektörü lineer tahmin edilemez.<br />
Normal denklemler,<br />
6<br />
3<br />
3<br />
3<br />
3<br />
0<br />
3<br />
O<br />
3<br />
- -<br />
P<br />
at' ı =<br />
âı _<br />
Y<br />
4.<br />
Y2._<br />
Y<br />
2 3 3<br />
Z Z 4; , Yi. = Z 4i , Y2. =<br />
i=lj--1 j=1<br />
3<br />
Y2j<br />
İ=I<br />
olmak üzere X'x katsay ılar matrisinin rank ı da 2 dir. Tutarl ı olan bu<br />
denkle ın sisteminin birden çok (sonsuz) çözümü vard ır. Ancak fi n ın baz ı<br />
Â'fi lineer bile şimlerinin farkl ı çözümlerde aldığı değerler ayn ı kalmaktad ır,
168<br />
yani A',g değerleri deği şmemektedir. A e S(X). - [X'], yani 2 vektörü X<br />
matrisinin sat ır uzay ında olduğunda A' fl lar çözümlere göre de ği şmez<br />
kalmaktad ır (K ısım 2.2, Özellik 10,11). Örne ğin,<br />
, 6,u+ 3ai +3a 2<br />
için 273 değeri çözümlere göre de ği şmez kalmaktad ır. Diğer taraftan,<br />
2 3 2 3<br />
E(1 1 Y)= E F E(7,; ), E E6p+3a i +3a2<br />
ı = ı<br />
ol ınak üzere xp lineer bile şimi lineer tahmin edilebilirdir.<br />
/3 parametre vektörünün A' fl , 2 ER" biçimindeki lineer<br />
bile şimlerinden lineer tahmin edilebilir olanlar hangileridir?<br />
TEOREM 4.2.5.1 A: p x ı<br />
d ır.<br />
bilinen sabitlerin bir vektörü olmak üzere<br />
2' fi tahmin edilebilira 2' e S(X) = S(X'X)<br />
ISPAT: İspata geçmeden önce 2 vektörünün X matrisinin S(X) satır<br />
uzay ında veya X'X si ınetrik matrisinin EX'Xi sütun uzay ında olmas ın ın<br />
c' X olacak şekilde 3c E R" veya 2= XiXd olacak şekilde bir d ERP<br />
vektörünün var olmas ı olduğunu belirtelim (K ı s ım 2.1).<br />
(=)<br />
lineer tahmin edilebilir 3c vektörü için E(e'Y). , V fl ERP<br />
c'XI3=.333,Vfl E RP<br />
CiX =<br />
ES(X)
169<br />
() 2' ES(X) /V= c'X , 3c ER"<br />
E(c' Y ) = E[c' ( X + c' X O .=<br />
lineer tahmin edilebilir.<br />
Bu teoremden görüldüğü gibi 233 lineer bileşiminin tahmin edilebilir<br />
olmas ı için gerek ve yeter şart 2' vektörünün x matrisinin (X'X<br />
matrisinin) sat ır uzay ında bulunmas ıd ır. 21 vektörünün, X matrisinin sat ır<br />
uzay ında bulunmas ı özelli ği aşağıdaki özelliklerden herhangibirine denktir.<br />
ıl' e S(X) , = c'X , 3c ER" rank([X',2.])= rank(X')<br />
rank([ XX,A.})= rank(X'X)<br />
c> = X'X (K ıs ım 2.2, Özellik 11)<br />
Xi(X')- (X'c = 2 denkleminin<br />
çözümünün varl ığı)<br />
TANIM 4.2.5.2 2' q fl lar lineer tahmin edilebilir ve<br />
2.q vektörleri lineer ba ğıms ız ise bu lineer bile şimlere lineer<br />
bağıms ız tahmin edilebilir fo ııksiyonlar denir.<br />
Y = X fil-E modelinde raıık(X)= k ise k tane lineer ba ğımsız<br />
tahmin edilebilir fonksiyon vard ır.<br />
j=1,2,...,m için lineer tahmin edilebilir 2' ip fonksiyonlar ındaki<br />
2./ vektörleri ııi ıı oluşturduklar ı ınatris L = [2. 1 ,22,...,4] olmak üzere,<br />
rank(L) = rank(X) ise 2'0, 2'2/1,...,2! mfl lara tahmin edilebilir fonksiyonlann<br />
tam kümesi, rank(1,)= k = n ı ise 2' „00 lara tahmin edilebilir<br />
fonksiyonlann bir baz ı denir. Herhangibir lineer tahmin edilebilir<br />
fonksiyonu baz ın bir lineer bile şimi olarak yaz ılabilir. A' vektörü X<br />
tasar ını matrisinin bir sat ır vektörü olduğunda doğal olarak bir tahmin<br />
edilebilir fonksiyondur. 2' vektörü x'X in bir sütun vektörü oldu ğunda da
170<br />
tahmin edilebilirdir. rank(X) = p olduğunda p tane lineer ba ğıms ız<br />
).'0,2' 2fi,...,Â' pfi fonksiyonu vard ır. Bu durumda her _,Lp lineer bile şimi<br />
tahmin edilebilirdir.<br />
Lineer tahmin edilebilir bir ,±.'fi lineer bile şiminin tahmin<br />
edicileri ve baz ı özellikleri ilk önce e - (0,o21)<br />
ve daha sonra<br />
e- N(0, (72/)dun ımlar ı için a şağıdaki teoremlerle verilecektir. Ancak bu<br />
teoremlere geçmeden önce K ıs ım 2.2 de 9,10 ve 11. Özellikleri bir kez<br />
daha hat ırlatal ı m.<br />
X'X fl= X'Y normal denklemlerin herhangi bir çözümü,<br />
fi = (X'X) - X' Y<br />
olmak üzere,<br />
min (Y - X fl)'(Y - X13) = (Y- Xfr)'(Y X;6)<br />
P -<br />
d ır ve Â.P ES(x) , yani tahmin edilebilir ise 3j:j" lar Q ya göre<br />
deği şmezdir.<br />
TEOREM 4.2.5.2 Y = X fl+ , e- (0,o 2I) , rank(X:nx p) -= k , (k < p
171<br />
Var (.1_:_:( S3) = G'ar(2.'(X'X) - 11). X'Cov(Y)X(X'X) -<br />
02 A'(X'X) .<br />
olduğuna dikkat edin.<br />
b) şıkk ının ispat ı K ı s ım 4.2.1 de .72. nin yans ızl ığın ın ispat ı gibidir.<br />
TEOREM 4.2.5.3 Y = xfi+c , e- N(0, o-21) , rank(X: ıı x p)= k ,(k < p < tl)<br />
lineer modeli için normal denklemler,<br />
X'X fl= x'Y<br />
ve fr normal denkle ınlerin herhangibir çözümü olmak üzere:<br />
a) , lineer ba ğıms ız tahmin edilebilir fonksiyonlar<br />
olamk üzere, x ifi,,I.' 213, .., 2'<br />
istatistiklerdir.<br />
ve Y ' (I - XX + )Y istatistikleri tam yeterli<br />
b) Xj3 tahmin edilebilir fonksiyonunun düzgün minimum varyans<br />
yans ız (UMVU) tahmin edicisi d ır ve N(.1")2,7,11(rX) - 21)<br />
dağı l ıml ıd ır.<br />
c) 02 nin düzgün minimum varyans yans ız (UMVU) tahmin edicisi<br />
d ır ve<br />
L' - x'11 (1 - xx )}7<br />
ıı - k<br />
ıl-k<br />
dağı l ıml ıdır.<br />
(II- k)a2<br />
02 '( (n -k)<br />
ISPAT: (Graybill ,1976)<br />
Şimdi Örnek 4.2.5.1 'i yeniden göz önüne alal ım. X tasanm matrisi<br />
6 x 3 tipinde olup raıık(X)= 2 dir, yani ıı = 6,p= 3,k = 2dir. X matrisin
172<br />
S(X)sat ır uzay ındaki her ,' ES(X) vektörü için J tahmin edilebilir olmak<br />
üzere örne ğin x matrisinin birinci ve dördüncü sat ır vektörleri,<br />
2', (1, ı ,o)<br />
2.' 2 = (1,0,1)<br />
lineer ba ğıms ız olup 2'0,2' 2fifonksiyonlar ı, tahmin edilebilir fonksiyonlar<br />
için bir bazd ır. c- N(0,02/) olduğunda 2'0 ile 2:2 ,6 baz fonksiyonlar ının<br />
UMVU talımn edicilerini bulmak için,<br />
6i1+3 .iz i +3a2 =<br />
=<br />
3.11-1-3 â2 - Y2.<br />
normal denklemlerin bir fr= (7.1,âb â2 )' çözümünü bulmal ıyız. Örneğin<br />
C(2 ) . = (o,-1 3 Y,., 3 Y2 ) bir çözümdür. Buna göre 2r ifi ile ,L213 n ın<br />
UMVU tahmin edicileri,<br />
- 3 •<br />
1<br />
!1_•'2fi= - Y2<br />
- 3 •<br />
d ır. Şimdi tahmin edilebilir her 2' ifi fonksiyonu 2.' ifi ile 2'2fi n ın bir lineer<br />
bile şimi olduğundan, 2' 1/3 n ın UMVU tahmin edicisi 3<br />
Yı<br />
bile şimi olacakt ır. Örneğin,<br />
= 2/1'0+ .1' 2/3= (3,2,1)73. 3,u + 2al + a2<br />
olmak üzere 3,u+ 2 + a2 n ın UMVU tahmin edicisi<br />
2.1<br />
3 3<br />
ile -31 Y2. nin lineer<br />
d ır.<br />
S( X). S(X'X) olmas ı sebebiyle tahmin edilebilir fonksiyonun<br />
UMVU tahmin edicisini bulmak için X'x in sat ır vektörlerinden de<br />
faydalan ılabilir.<br />
ve
F(X'Y)= X'Xfi<br />
olmas ı sebebiyle, x'Y vektörünün her sat ın, normal denklemlerde bu<br />
sat ırdaki denklemin sol tarafında ;6. yerine ,g yaz ılm ış ifadenin UMVU<br />
tahmin edicisidir. K ısaca,<br />
olmak üzere,<br />
E(y)=6,u+3a1 +3a2<br />
E(Yi. )= 3,u + 3a i<br />
E(Y2)= 3,u + 3 a2<br />
6p + 3a l + 3a2 nin UMVU tahmin edicisi Y =<br />
3<br />
3,u + 3a i nin UMVU tahmin edicisi Yı . = z<br />
2 3<br />
Yij<br />
i=1.1=1<br />
173<br />
3p + 3a2 nin UMVU tahmin edicisi Y2 = Y2i<br />
j= ı<br />
d ır. x'x matrisinin sat ır vektörlerinden iki tanesi ile, örnegin<br />
f 1= (6,3,3)<br />
4:2 = (3,3,0)<br />
ile olu şturulan r' ıfi, f:2fl baz fonksiyonlan yard ım ıyla herhangibir e'fi n ın<br />
UMVU tahmin edicisini bulabiliriz. Örne ğin,<br />
fi= 3,u+2ai + a 2 =,fi+- f,fl<br />
3 3._<br />
olmak üzere 3,u + 2al + a2 n ın UMVU tahmin edicisi<br />
d ır.<br />
,P= ı " +-ı Vi = - ı (Yi +Y2)+-Yi = 2-1 4 4-- 1 Y2<br />
- 3 3 • 3 " 3 ' 3' 3 •<br />
K ıs ım 4.1.3 den hat ırlanacag ı gibi<br />
Ni = N + a ı<br />
/42 =P+ a2<br />
şeklinde bir parametre de ği şimi ile model,<br />
3
-<br />
-<br />
174<br />
Yn<br />
1<br />
O-<br />
42 1 0<br />
Y13 1 0<br />
Y21 0 1<br />
Y22 O I<br />
Y 23_ ... O 1<br />
biçimine gelir. Bu durumda tasar ım matrisi U ve katsay ılarm parametre<br />
vektörü O,<br />
ı o<br />
ı o<br />
0<br />
u = 1<br />
o 1 /12<br />
O 1<br />
, e. =[/ ']<br />
O ı<br />
olmak üzere, rank(11) = 2, k = 2,p = 2,, ı =6 d ır. U tam sütun rankl ı<br />
olduğundan B parametresinin kendisi ve herhangibir lineer dönü şümü<br />
lineer tahmin edilebilirdir. Bu durumda normal denklemler,<br />
3 = Yı .<br />
37.12 = Y2.<br />
olmak üzere Ni in UMVU tahmin edicisi<br />
pi , p+ al olduğundan dan p+ al in UMVU tahmin edicisi<br />
3<br />
, p2 nin 112 = —Y2. dır.<br />
•<br />
3<br />
1<br />
3<br />
ve p2 = N i a2<br />
olduğundan p+ a2 in UMVU tahmin edicisi —Y2 dır. Bu tahmin ediciler<br />
3<br />
Y= X13+ e modelindeki tahmin edicilerdir. Buna göre tahmin edilebilir L'fi<br />
fonksiyonlar ın ın UMVU tahmin edicileri her iki modelden de elde<br />
edilebilir. Bu durum a şağıdaki tan ım ve teoremlerde ele al ınacakt ır.
Şimdi G2 için UMVU tahmin edicisini göz önüne alal ım. Y = Xfl+e<br />
175<br />
inodelinde normal denklemlerin farkl ı<br />
değerleri ayn ı olacakt ır. Örne ğin,<br />
,^3 çözümleri için Y Y -fi X'Y<br />
ve<br />
için<br />
fr = ( 0 , ± Yi -1 Y2" )'<br />
1 3<br />
13, =(-3 Yi ,13,- 3 Y2 9 • )'<br />
13 X' Y = (0,- 1 - 1 >72 )<br />
3 3 •<br />
Y<br />
Yı .<br />
Y2._<br />
I<br />
3 I.<br />
2 2<br />
+ Y, )<br />
4.<br />
2 X'Y =( 3 3<br />
d ır. Ayr ıca Y = U 0+ E modelinde de,<br />
Y<br />
- -Yi ) 9 •<br />
_Y2.<br />
= -(Y 1<br />
3 2 + Y 2 )<br />
1. 2.<br />
=. ,1"v v iY11 = _1 ty 2 + y 2 )<br />
3 I. , 3 , 2. / y2. 3 1 2 . ı<br />
d ır. Her iki modelde cf2 nin UMVU tahmin edicisi,<br />
d ır.<br />
=<br />
2 3<br />
2 2 2<br />
Y? - (Y + Y ) j 3 1. 2.<br />
6-2<br />
TANIM 4.2.5.3 Y = X/3'+ e , - N(0, o -2/) , rank(X:nx p)--- k , (k p
176<br />
b) Eğer In = k ve rank(L: px k) = k, yani, ( 1 , ( 2 ,..., (k lar lineer<br />
ba ğıms ız ise e= Lfi tahmin edilebilir dönü şümüne yeniden parametrelendinne<br />
denir.<br />
TEOREM 4.2.5.4<br />
Y= Xfi , e-N(0,02 1) , rank(X:n x p) = k , (k p < n)<br />
modelinde 64= L'fi dönü şümü bir yeniden parameterelendirme olsun. O<br />
zaman :<br />
a) L'(L'y =1<br />
b) Eğer O* = ( ı.* )'p ba şka bir yeniden parametrelendirme dönü şümü<br />
ise (i,*)' = BI: olacak şekilde sint,7üler olmayan bir B:k x k matrisi vard ır.<br />
c) Y = X(11 - L' ,(3+ e , = , 9= 133 , Y = (IO+e olmak üzere,<br />
bir tahmin edilebilir 2: fl fonksiyonunun UMVU tahmin edicisi ve az nin<br />
UMVU tahmin edicisi her iki modelde ayn ıd ır.<br />
ISPAT: (Graybil1,1976)<br />
E- (0,02/) olmas ı durumunda, p vektörü ile ilgili parametre<br />
tahmininde UMVU yerine BLU ve 02 için UMVU yerine yansızl ık<br />
kavramlar ının gelmesiyle yukar ıda söylenenler geçerlili ğini korumaktad ır.<br />
Tahmin edilebilme sorunu ile genellikle tasar ım modellerinde<br />
karşılaşmaktay ız. Bu modellerde belli bir faktörün düzeyleri ile ilgili<br />
parametrelerin hangi lineer bile şimleri tahmin edilebilir sorusu çok s ık<br />
kar şım ıza ç ıkmaktad ır. Bu sorunu bir örnek üzerinde ele alal ım.
177<br />
ÖRNEK 4.2.5.2<br />
YR 110100 0- fi<br />
Yİ 2 1 1 0 0 1 0 0<br />
Y13 1 1 0 0 0 1 0<br />
Yİ 4 1 1 0 0 0 0 1<br />
Y21 1 0 1 1 0 0 0<br />
Y22 1 0 1 0 1 0 0<br />
Y23 1 0 1 0 0 1 0<br />
Y24_ 1 0 1 0 0 0 1<br />
a l<br />
a2<br />
z-1 +<br />
T2<br />
T3<br />
T4<br />
2 4<br />
veE - N (0,02 1) olmak üzere c.i cz; , ci rj lineer bile şimlerinden hangileri<br />
ı.ı i=1<br />
tahmin edilebilir ve bunlar ın UMVU tahmin edicileri nedir?<br />
Bu soruyu ele almadan önce lineer tahmin edilebilir fonksiyonlar<br />
için bir baz elde edeli ın ve baz fonksiyonlar ının UMVU tahmin edicilerini<br />
elde edeli ın. Bu amaçla modeldeki tasar ım matrisi X ile gösterilsin ve<br />
fi= (p, a l , a2 , zi , T2, T3,T4)' olsun. Buna göre model,<br />
Y = Xfl +e , -- N(0, o21)<br />
ve rank(X)= 5, k =5,p =7 ,n = 7 olmak üzere k < p d ır. Model düşük<br />
rankl ıd ır.<br />
4401111<br />
4041111 Y2.<br />
X'X=2111000, X'Y =<br />
2 1 1 0 1 0 0 Y2<br />
2 1 1 0 0 1 0 Y3<br />
1 1 0 0 0 1 Y.4
178<br />
ve normal denklemler (7 tane denklem),<br />
8iı +4?:r ı +4 -a2 +2Z1 +21-2 +2r3 +21-4, = Y.<br />
4 'ii + 4 +1- 1 + + + = Vi , = 1,2<br />
it+ + + 2 7ri , j = 1,2,3,4<br />
olmak üzere 5 tane lineer ba ğıms ız parametrik fonksiyon (baz<br />
fonksiyonlar ı) x'x matrisinin sat ırlarmdan 5 tanesini seçerek (örne ğin<br />
1,2,4,5,6 veya 1,2,4,5,7 ile) olu şturulabilir, yada X'X in sat ırların ın lineer<br />
bile şimi olan lineer ba ğıms ız 5 tane sat ır vektörü al ınabilir. i---- 1,2 için<br />
normal denklemlerin ikinci ve üçüncü denkleminin (x'X matrisinin ikinci<br />
ve üçüncü sat ırlar ının) fark ı al ın ırsa ;U, îi , ^r2 ,"z-3 , î4 terimleri yok olmaktad ır.<br />
Benzer şekilde J = 1,2,3,4 için iki denklemin fark ı al ın ırsa ,u, a1 , a2 terimleri<br />
yok olmaktad ır. Birinci denklemin de gözönüne al ınmas ıyla, örneğin,<br />
1.sat ırdan : 8,u + 4 al + 4 a2 +2 + 2 r2 + 2 r3 + 2 r4<br />
2.sat ır eksi 3. sat ırdan : 4a1 4a2<br />
4.sat ır eksi 5. sat ırdan : 2 Tl -2 r2<br />
4. sat ır eksi 6.sat ırdan : 2 ri - 2 r3<br />
4.sat ır eksi 7. sat ırdan : 2 vi -2 r4<br />
lineer parametrik fonksiyonlar ı bağnns ızd ır. Bunlar ın UMVU tahmin<br />
edicileri, â2 , îi , '7r2 • î3 , 'r4 normal denklemlerin herhangibir çözümü<br />
olmak üzere bu çözümlerin 11, a 1 , a2 , ri r2 , r3 , r4 lerin yerine yaz ılmas ıyla<br />
elde edilir. Ancak buna gerek yoktur. Çünkü,<br />
d ır.<br />
8,^u+4 -aı +4 ȧ2 +21-1+2 -r2 +21-3+21-4 = Y.<br />
4âi - 4 = - Y2<br />
- I - 2 - r<br />
- I - Y 2<br />
21-1 -21-3 = Y ı - y3<br />
21-1 - 21-4 = y ı - Y.4
Şimdi sorumuza dönelim. Görüldüğü gibi,<br />
179<br />
2<br />
i =1<br />
c2a2<br />
lineer bile şimi baz fonksiyonlar ı cinsinden, yani baz fonksiyonlar ın ın lineer<br />
bile şimi olarak, 4a 1 - 4a2 nin k , (k E R) kat ı olarak,<br />
ciai+ c2a2 = k (4 a l - 4 a2 ) , k ER<br />
biçiminde yaz ılabilir. Buna göre el = -c2 olmal ıdır.<br />
4<br />
j=1<br />
lineer bile şimi baz fonksiyonlar ı cinsinden,<br />
4<br />
= ki(2ri -2r2 )+ k2 (2 - 2r3)+k3 (2 2r4) (ki ,k2 ,k3 ER)<br />
ı =1<br />
biçiminde yaz ılabilir. Buna göre V 1-1, r2 , r3, r4 E R için<br />
q + c2 r2 + c3 r3<br />
r4 = 2(ki + k2 + k3)ri - 2ki r2 - 2k2 r3 - 2k3r4<br />
olmal ıdır. Buna göre,<br />
q = 2k 1 + 2k2 + 2k3<br />
c2 =<br />
c2 = —2k2<br />
c'3 = —2k3<br />
olmal ıd ır. Bu durumda da c katsay ılar ının toplam ının s ıfır olduğuna dikkat<br />
4 4<br />
ediniz. ri tahmin edilebilir olmas ı için = oolmal ıdır.<br />
i=1
180<br />
4.3 Ili POTEZ TESTI<br />
Modelimiz,<br />
Y = .X,g+ , rank(X:n x p) = p , s — N(0,0 -21)<br />
olmak üzere, bu k ı s ımda H fl = h hipotezinin test edilmesini inceleyece ğiz.<br />
Burada H, qx p mertebeli, rank ı q olalı verilmi ş bir matris ve h , qx<br />
boyutlu verilmi ş bir vektördür.<br />
ÖRNEK 4.3.1 Y; = 130 + 131x; + , i =1,2,...,n basit lineer modeli<br />
gözönüne alal ım. Aşa ğıdaki durumlar ı test etmek isteyebiliriz.<br />
a) /3k) = ati , bo verilmi ş bir sabit.<br />
b) = bi , bi verilmi ş bir sabit.<br />
c)/3o=bt ı , Qi = bı<br />
ÖRNEK 4.3.2 Y =. flo + filxi ı +fi2r21 +fiA" +fi4x4 ı = 1,2, ... , n<br />
modelinde a şa ğıdaki durumlar ı test etmek isteyebiliriz.<br />
a) =flı<br />
b) A = /32 = 6 , bu a) dan farkl ıdır, burada her iki katsay ının<br />
da 6 ya e şit olmas ı durumu test edilmek isteniyor.<br />
C) /3 1 — /32 ve /33 = /34<br />
d) Po= ıgı = 112 =P3 fi4 = o<br />
e) A = )62 =A Jg4<br />
{fil — 2/32 = 4[33<br />
A +2fl2 6<br />
Bunlar ın herbiri H fi = h biçiminde yaz ılabilir.<br />
a) =[0,1,-1,0,0] , h =O<br />
b) H<br />
[O 1 O O O<br />
O O 1 O O] h— 4 6]<br />
e) H = [0 1 —1 0 O O<br />
h =<br />
O 0 0 1 —11 [0<br />
d) H = 15x5 , h =O
181<br />
e) H=<br />
o<br />
0<br />
0<br />
1<br />
1<br />
1<br />
-t<br />
0<br />
0<br />
0<br />
-1<br />
0<br />
o<br />
0<br />
-1<br />
, h=<br />
0<br />
O<br />
f) H=<br />
[ O<br />
1<br />
2<br />
0<br />
, h<br />
- = [6<br />
Not: H ve h nin tek olmas ı gerekmez. Örne ğin e) şıkk ında,<br />
veya<br />
o 1 -1 O O - 0<br />
H = O 1 1 -2 0 , h= 0<br />
o 1 1 1 -3 0<br />
olabilir.<br />
0 -1 0 0 I 0<br />
H= 0 0 -1 0 I , 0<br />
0 0 0 -1 1 0<br />
4.3.1 TAM RANKLI MODELDE lifi=h HİPOTEZİ<br />
Model,<br />
ve parametre kümesi,<br />
Y = X 13+ e , rank(X:n x p) = p , N(0,a2 1)<br />
= {(fi, 02 ):fi RP,a2 e(0,0D)}<br />
olmak üzere, parametre kümesinin bo ş olmayan bir alt kümesi ıo (w c n)<br />
ve tümleyeni Fo olsun.<br />
w ı..) , co rşdı =<br />
Ho hipotezi, co altkümesi veya ba şka bir ifade ile parametrenin CO<br />
eleman ı olmas ı ve H l hipotezi de c7) olduğunda hipotezler,<br />
n ın
182<br />
Ho : (ft, a2 ) e (ıı<br />
H1:(gcr2 ) c7ti<br />
biçiminde ifade edilir.<br />
H, q x p mertebeli, rank ı q olan verilmi ş bir matris ve h, q x 1<br />
boyutlu verilmi ş bir vektör ve H fl = h denklemi tutarl ı olmak üzere,<br />
={(fi,o2 ):fl G RP , o2 E (0,D), H fl iı)<br />
olsun. Al ışılagelmi ş olarak Ho ve H1 hipotezleri,<br />
Ho : H fi = h<br />
,61.7<br />
biçiminde yaz ı l ır.<br />
Olabilirlik oran ı test fonksiyonu,<br />
{1 , U (Y) < c<br />
(1,(Y) =<br />
O , U(Y)> c<br />
ve olabilirlik oran ı,<br />
max<br />
1,(6,o2 ;Y)<br />
U (Y) = (L"2 )")<br />
max L(f3, o-"; Y)<br />
a`) €0 --- —<br />
olmak üzere, a anlam düzeyinde e (o c) = a<br />
olacak şekilde belirlenir. Burada,<br />
143, 02 ;Y) = (..„7 1- Jon (02 y I 2 e gaz<br />
- --(Y-Xl3Y(Y-Xfi)<br />
olabilirlik fonksiyonudur. Pllo (U(Y)> c) olas ılığı ise<br />
hipotezi doğru<br />
olduğunda II(Y)>c olmas ı olas ı l ığıd ır. Görüldüğü gibi problem, U(Y)<br />
istatisti ğinin elde edilmesi ve bununla ilgili bir olas ı l ık dağılım ının<br />
bult ınmas ıd ı r.
t ı (Y) istatisti ğinin paydas ındaki 4/3,02 ; Y) olabilirlik fonksiyonunu<br />
üzerinde maksimum yapan de ğerler,<br />
x+ y_<br />
183<br />
ol ınak üzere,<br />
2 y' (1 - xxY+ -<br />
2=<br />
d ır.<br />
n<br />
max 1, (13,a2 ;3_')= 1 (QSZ „,r.)- e 2<br />
, ı n nI2<br />
(p.02 )E0 (N/27r) (ao )<br />
II (Y) istatisti ğinin pay k ısm ındaki maksimizasyon problemini iki<br />
farkl ı yoldan çözmeye çal ışaca ğız. Birincisi, Hfi= h k ıs ıtlamas ını model ile<br />
birlikte dü şünüp Hipotezle indirgenmi ş modele geçmek, ikincisi ise<br />
Lagrange çarpanlar ı yöntemini kullanmakt ır. İkinci yolu bundan sonraki<br />
k ıs ımda ele alaca ğız.<br />
Şimdi (Y) istatisti ğinin pay k ısm ındaki maksimizasyon problemini<br />
çözmek için Hp 3 h k ıs ıtlamas ını model ile birlikte dü şünüp Hipotezle<br />
indirgenmi ş model denen yeni bir model yazal ım. Bu amaçla, HIC = o ve<br />
K: (p - q) x p , rank(K)-= p olan bir K rnatrisi alal ım. K matrisine H nin<br />
ortogonal tümleyeni denir. H matrisinin sat ır vektörlerine K matrisinin<br />
sat ır vektörlerinin eklenmesiyle elde edilen p x p boyutlu matris için,<br />
ve<br />
rank H]<br />
= P<br />
K px p<br />
-1<br />
[HK1 = [HKI. [ H+<br />
d ır. Buna göre,<br />
K+ ]
184<br />
H<br />
[H+ K 't K ]= 11+11 +K+K = I<br />
d ı r.<br />
= xfi + e modeli,<br />
biçiminde yaz ı l ıp,<br />
Y = X(11 +H + K+K)fl+ E= XH +h+)(K+Kfl+ e<br />
z = Y - XII + h<br />
B = XK+<br />
Kfl<br />
deği şken de ği ştinnesi yap ı l ırsa,<br />
Z= By+s<br />
y =<br />
modeli elde edilir. Bu modele Hipotezle indirgenmi ş model denir. Bu<br />
modelde, x 1 gözlenebilir bir rasgele vektör, B: n x (p - q) sabitlerin tam<br />
sütun rankl ı bir matrisi, y:(p- q) x t bilinmeyen parametrelerin bir vektörü<br />
ve e gözlenemeyen N(o,a2/) dağı l ıml ı varsay ılan bir vektördür. Bu<br />
modelin parametre kümesi,<br />
d ır.<br />
S2 = {(y,o 2 ):y ERP-q ,a2 E(0,00)}<br />
I. (/i, 0-2 ; Y) olabilirlik fonksiyonunun Hp = h k ıs ıtlamas ı alt ında<br />
maksi ınizasyonu problemi için,<br />
max L(P,452 ; Y) = max 1,(y,cr2 ;Z)<br />
(11•
185<br />
d ır.<br />
max L (Z „ e 2<br />
6Q. yı 12<br />
(y,o2)ESI.<br />
Böylece ci (Y) iStatiStigi,<br />
y < XX + '1Y<br />
(y) = = s 1<br />
6.2S2*<br />
Z — BB 4 )Z<br />
(Z = Y — XH + h)<br />
olarak elde edilir. Bu istatisti ğin dağı l ımı bulmaktansa, genellikle<br />
olabilirlik oran ı testlerinde yap ıldığı gibi,<br />
n<br />
W (Y) = u(y) 2 . n — P = n—p<br />
dönüşümü sonucu elde edilen W (Y) istatisti ğiııiıı dağı l ımı bulunur.<br />
'62<br />
Ç/<br />
W (Y) = Z (I — BBZ )_— Y (I — XX -1- )Y — p Y (I — XX + )Y_<br />
istatisti ğinin paydas ı<br />
( ı -xxly 2<br />
62<br />
olmak üzere pay k ısm ı için,<br />
X (n-P)<br />
Y' (I — XX 4")Y =Z ' (I XX + )Z<br />
Z' (I BI3 + )Z --- (I XX + )Y = Z ' (XX — BB + )Z<br />
ve<br />
N(Xfi— XH + h,cr2I)<br />
7: (XX + —BB1Z 2<br />
X(
186<br />
1 (XX + - BB +) 9<br />
=-(EZy<br />
( EZ =— (P - H + h ) 'X' ( XX + -B8 + )(P - H+h )<br />
2o-<br />
d ır. Ayr ıca, Y ' (I - XX + )Y = Z ' (I - XX + )Z<br />
fondan ba ğıms ız olduğundan,<br />
ile z' (xx + - BB +)Z karesel<br />
d ır.<br />
W(Y) —<br />
p,A)<br />
Ho : H 13= h hipotezi alt ında W(Y) istatisti ğinin dağı l ımındaki merkezi<br />
olmama para ınetresi = o d ır. Böylece,<br />
Y = X ft+ , rank(X:n x p)= p , c- N(0,o21)<br />
modelinde,<br />
H0 :11/3= h<br />
13. 11<br />
hipotezleri için olabilirlik oran ı test fonksiyonu,<br />
2<br />
{1 , U(Y) <<br />
(Dm= {1 , W(y) > c * ="- P (c n -1)<br />
c , W(Y)
4.3.2 OLAB İL İRL İK ORAN İ TEST İSTAT İST İGİNİN<br />
LAGRANGE (ARPANLARI YÖNTEMI' İLE ELDE EDILMESI'<br />
Yeniden,<br />
187<br />
model inde,<br />
hipotezleri için,<br />
Y = X13+ , rank(X:n x<br />
Ho : Hfi = h<br />
Ht : ,o ıj<br />
p , 6 — N(0,o21)<br />
el)( Y )<br />
1 , U (Y) < c<br />
{ O , U (Y)> c<br />
olabilirlik oran ı test fonksiyonunu ve<br />
max 1.(fl, a2 ; Y)<br />
(A0 2 )€0<br />
11(Y) =<br />
max 1.(fl,0-2 ;Y)<br />
(fi,a2 )ES-2<br />
istatisti ğini göz önüne alal ım. Bu istatisti ğin paydasi için,<br />
, ^2<br />
1<br />
max L(13,02 ;Y) = 1.(p cr • Y) =<br />
e 2<br />
_LT — ( ^ci2..2)rı 12<br />
(fi.o2 )ES1<br />
olmak üzere, pay k ı s ın ındaki,<br />
max In 1,(,6, o2 ;Y) (o ={(fl,02 ):13 e RP, a2 e (0,co),Hfl = h}<br />
H fi=h<br />
optimizasyon problemin' çözmek için Lagrange çarpanlan yöntemini<br />
kullanal ım.
188<br />
Amaç fonksiyonu,<br />
(}•- Xify(Y-X/3)<br />
In L(f3,a2 ;Y) - e 202<br />
olmak üzere, max L(P,cs2 ; Y) problemi için Lagrange fonksiyonu,<br />
Ilfl=h<br />
ve<br />
g(13,a2 ,,1)= In 1,(Acr2 ;Y)-- 2 ' (H fl-h)<br />
= 1 (2X'X fl-2X'Y)1,(13,o -2 ;Y)-H'.1.<br />
2 02 -<br />
(34(fi' °21)- " ( 02 )-1 L(Ao2 ;Y)+ 1 4 (Y<br />
c-,02 g o-<br />
Xfi)( Y - Xfig(İ3, 02 ;r)<br />
cWI , c 2 ,?1) (11fr- h)<br />
d ır. K ısmi türevleri s ıfıra e şitleyerek elde edilen sistemin çözümünü<br />
frw ,a2,,,,0 ile gösterelim.<br />
Q2 'Ii.<br />
L(;q
189<br />
= X + Y-(x•x) -1 HIll(x'x) - liri I (HX + Y -h)<br />
=fr- (X'X) -1 HIH(X'Xy l<br />
(Hfr-h)<br />
(Y - X;0)'(Y - X;6)+(H)3- hy{H(X'X) -1 H1 1 (Hfr-12)<br />
î:y2 =<br />
Q<br />
4.<br />
(H;q-- hy[H(X'X) -1 (163- h)<br />
bulunur. Böylece,<br />
ve<br />
?s2<br />
u( )7\ _ Nn/2<br />
Cr2<br />
ry<br />
olmak tızere,<br />
W(Y)=<br />
]<br />
a2<br />
- -2<br />
ıı - p .._ a, Q il - II<br />
. q - . q<br />
S)<br />
Ve<br />
W(Y)=<br />
(H -ft- h) , [H(X'X) - - 111-- ı (H/3-h) n _ p<br />
Y (I-XX + )Y<br />
• q<br />
W(Y)-<br />
(q,n-p,1= --! -(11,6-h)111(X Ş X) -1 111 -1 (IIfl-h))<br />
2 o-2 -<br />
elde edilir. Buradaki W(Y) istatisti ğinin önceki k ıs ımdakinin ayn ıs ı olduğu<br />
i şlemler yaparak da gösterilebilir.(Problem 4.5)
190<br />
4.3.3 OLAB İL İRL İK ORANI TEST İSTAT İSTİĞİNİN BAZI<br />
GÖSTER İMLER İ VE ÖZEL HALLERI<br />
Bu k ı s ımda ilk önce test istatisti ğinin deği şik gösterimleri hat ırlat ıl ıp<br />
110 . Hfl = h hipotezinin baz ı özel halleri ele al ınacakt ır.<br />
Y = X fl+ e , e- N(0,021) , rank(X:nx p)= p (n > p)<br />
modelinde, paran ıetre kümesi,<br />
Q = {(fl, 02 ):fi E R P , 02 > o}<br />
ve fi ile a2 nin tahmin edicileri,<br />
13= X +Y =(X'X) -1 X'Y<br />
- XX ± )Y _= Y'(1 - xxly_<br />
ıı - p<br />
olmak üzere, H:q x p , rank(H)= q için,<br />
H0 :11,q=h<br />
h<br />
hipotez testinde Lagrange çarpanlar ı yöntemi ile elde edilen olabilirlik<br />
oran ı test fonksiyonu,<br />
(1111-12)1H(X'X)_ , H'i -1 (H (i-12) ır- p<br />
W (Y) p, A )<br />
y.( ı - xxlv<br />
ve ilo hipotezi doğru olduğunda,<br />
d ır.<br />
W (Y)<br />
(13_ p)' w[il(x'x) -i frf l H(13^ -- P) 11- P<br />
= —<br />
Y'(I - XX + )Y<br />
F wn-p)
191<br />
Cov(Hfl-h)=6-2H(X'X) -1 H'<br />
olduğunu ve Cov(1113 h) n ın en çok olabilirlik tahmin edicisinin,<br />
('01,(H;g-h)= 'f2H(X'X) -1 H'<br />
olduğu gözönüne al ın ırsa,<br />
W(Y)=--i (Hfr-h)'[C,'ov(Hftq<br />
-<br />
biçiminde yazd ın<br />
11;9- /A<br />
Hipotezle indirgenmi ş model,<br />
z = &Y+ E , Z = Y - XH +h , B= XK + , 8= Kji<br />
olmak üzere, indirgenmi ş modelde 8 ve 02 nin en çok olabilirlik tahmin<br />
edicileri,<br />
= 13+ Z 62 (I - 1313+ )Z<br />
- rı<br />
d ır.Bunlar yard ım ıyla,<br />
W(Y)=<br />
62 -6-2<br />
Q *<br />
2<br />
(Yil<br />
- p<br />
Z (I- B8')Z-Y (I- XXIV<br />
Y ' (I - XX + )Y<br />
p<br />
- -<br />
Z (XX + -BB + )Z ıı - p<br />
(1- XXIV q<br />
biçiminde ifade edilir. (K ı s ım 4.3.1)<br />
W(Y)<br />
dağı l ıml ıdır.<br />
hipotezinin dogru olduğu varsay ım ı alt ında,<br />
.n-p
192<br />
( 1 , W(Y) ><br />
0(7)= 0 , W (Y) < F<br />
P<br />
test fonksiyonunun güç fonksiyonu,<br />
Go<br />
11 (1,(13, (32 ) = j f(x;q,11- p, ı1,)dx<br />
d ır. Burada f fonksiyonu q, ıı - p serbestlik dereceli, A merkezsel olmama<br />
parametreli E-dağı l ı m ının olas ı l ık yoğunluk fonksiyonudur.<br />
Şimdi Ho hipotezinin baz ı özel hallerini gözönüne alal ım.<br />
1. H0 :13= o<br />
Bu durumda H=1, h= o d ır.<br />
(rX);q ıı - p (X;6Y (X;') p<br />
W(Y)= - = , -<br />
)7 (1-xxly P Y (I - XX + )Y P<br />
olmak üzere,<br />
(Alg)'(x71)<br />
,<br />
xx+Y p<br />
,<br />
y Y -Y<br />
n-p<br />
Y ' XX 4. Y =V (XX 4. )(XX )Y = (XX + Y)'(XX + )Y = (X)'(Xfr)<br />
olduğundan,<br />
iı o') =<br />
(X;O)' (A/M ıı -<br />
. P<br />
ıı - p<br />
Y<br />
^ "<br />
r-(xfiy(xp) P<br />
2 ^2 •<br />
p<br />
d ır ve W(Y)- Fp,_ p dağı l ıml ıd ır.
2. N o :13=h , h: p xl bilinen bir vektör.<br />
193<br />
Bu durumda H=I , h = h olmak üzere,<br />
W(Y)= (;<br />
- bY X'X)(j3 - b) n-p<br />
XbY(Xii - XP) n-p<br />
Y (I- xx+)y P Y Y -(X;(3)'(X;) P<br />
d ır ve W(Y)-<br />
dağı l ıml ıd ır.<br />
3. fi nın verilmiş lineer fonksiyonunun bir a say ısına eşit olması<br />
hipotezi.<br />
Ho f'13=a , 111 :tifi'a<br />
Bu durumda, Ni. ,, [e- 1 , 2,...,e p ] = Llix ı = [al ve<br />
W(Y)=<br />
n p<br />
( ı - ivx+)Y ı<br />
(('13 - 01) 2<br />
r(X-x) -'r[r(1 - xx+)}1 .<br />
p<br />
(['Q —a) 2<br />
ri(x90 - ' f.b2<br />
((,;6 _ a)2<br />
=<br />
Var([' Q)<br />
olmak üzere, w(Y) h, n _ p dağıl ıml ıd ır. Buna göre olabilirlik oran ı test<br />
fonksiyonu,
194<br />
(1)(Y) =<br />
1 , W(Y) ><br />
O W(Y) c) = a<br />
u<br />
d ır.<br />
1<br />
ı ^<br />
(( fl-a) 2<br />
-,-<br />
Var(r.' fi) > bl-a;p,n-p<br />
({ğe-a) 2<br />
0 , „ <<br />
Var((7)<br />
Di ğer taraftan, olabilirlik oran ı test istatisti ğini kullanmaks ız ın basit<br />
düşüncelerle bir test fonksiyonu elde edilebilir.<br />
N(fi, 02 ( X'x) -I )<br />
ej3-- N(efi 3 O-2 e(x'X) -l e')<br />
('fi<br />
(a2(vux) ğ: = Z N(0,1)<br />
(11- p)C52<br />
02 x(n-p)<br />
ve Q ile '6-2 bağıms ız olduğundan,<br />
yani<br />
v:6-- re fi<br />
072 f I ( X PX y 1 ef )112<br />
1(t ı 1))&2 1( ıı - p)<br />
V 0 2<br />
(n- p)<br />
1(1- p)<br />
6-( ı.(xw) — ' f')"2<br />
d ır. Bu istatistik ile olu şturulan a anlam düzeyli,
195<br />
> tl - a/2<br />
(1 )9- a) 2<br />
-1 1-a/2 < < ıl-a/2<br />
Var(e lg)<br />
test fonksiyonu olabilirlik oran ı test fonksiyonu ile ayn ıd ır.<br />
4. X: ıı xp , X 2 :nx(p-q) ve ,9.,pxl,fi 1 :q x1492:(p-q)x 1 olmak<br />
üzere,<br />
x = [XI X2<br />
Ri<br />
=<br />
LP.2<br />
parçalanmalar ı alt ında model,<br />
Y = 2( ıfil +- 2(2P2 + e<br />
durumuna gelmektedir. b i verilmi ş bir vektör olmak üzere<br />
Ho :fil =12 1<br />
hipotezleri için olabilirlik oran ı test istatistigini elde etmeye çal ışal ım.<br />
Ho :fli = h i hipotezini, H=[1,7 ,0],h=bi olmak üzere Ho :Hfii =h<br />
biçiminde yazabiliriz.<br />
ve<br />
W(Y)=<br />
1<br />
(11;9-hy[H(X'X) -, H'i (Hfi-h)<br />
Y'(1-- XX + )Y
196<br />
(X 'X) -1 =[C" ,C12 ] C11:£ 1"i<br />
C2i 1'22 px p<br />
olduğundan,<br />
1 C11 C12 lq _<br />
11<br />
1,1,4 1- L ıı<br />
Cı l C22 O<br />
(H;g-<br />
W(Y)=<br />
yaz ı l ır. ('matrisinin tersi ( — ı I 1<br />
Y' (I - xxly<br />
p<br />
f.17 1 XjX2<br />
XX = C Xi X ı > X21 = J[ C X X2]<br />
olmak üzere,<br />
C 11 1 = XVI - XÇX2 ( X2) -1 XXi<br />
elde edilir.<br />
W(Y)=<br />
1 (;0 1 - bi) 1? - P ,(H/3=131)<br />
ru - xx<br />
Hipotezler,<br />
Ho:fil =9<br />
biçiminde ise<br />
fi,C11 I fi _ 1 n - p<br />
W (Y) =<br />
Y' (1 - XX + )Y CI<br />
olur. Şimdi bu formülü indirgenmi ş model yard ım ıyla bulal ım.
197<br />
W(Y) =<br />
22<br />
Q * £ -2 ıl— p<br />
ve<br />
(.3.2 =_ Y(!-XX1Y<br />
olmak üzere 6-2 y ı elde etmek için indirgenmi ş modeli gözönüne alal ım.<br />
modeli Ho :fli<br />
= X ıfil +X2fl2 +6<br />
= o lıipotezi alt ında,<br />
modeline indirgenmektedir. Bu modelde,<br />
d ır. Buna göre,<br />
8 = Y<br />
sz*<br />
Y'(1 — XX)V<br />
X2 X2+ Y ıı -p r(XX ± - X2 X2+ )17.. n - p<br />
W(Y)=<br />
Y'(1 — xx+)y q r(ı - xx+)Y q<br />
d ır.<br />
w(y) istatistigindeki karesel formlann geometrik yorumlamalan<br />
Şekil 4.4.1 deki gibidir.<br />
Şekil 4.4.1
198<br />
4.3.4 TAM RANKL1 OLMAYAN MODELDE Hp = O HİPOTEZİ<br />
Modelimiz,<br />
Y = X fl+ e ,<br />
N(0,021) , rank(X:n x p)= k , (k < p
matrisi elde edilsin. raıık(L' :k x p) = k olmak üzere L' )6' n ın k tane bile şeni<br />
lineer tahmin edilebilir fonksiyonlar için bir bazd ır. L' matrisinin her sat ın<br />
ayn ı zamanda x matrisinin sat ır uzay ında bulunduğundan,<br />
L' = A' X<br />
olacak şekilde A:k x ıı matrisi vard ır. rank(L') = k olduğundan ratık(A'). k<br />
olmal ıd ır. Ancak A' matrisinin boyutlar ı gözönüne al ın ırsa raıık(A')= k d ır.<br />
Şimdi,<br />
X (L') - L' = X<br />
olduğu gösterilebilir. X matrisi K ıs ım 2.1.1 2) deki gibi,<br />
X = EG ,<br />
: ıı x k , G:k x p , rank(F) rat ık(G)= k<br />
çarpanlanna ayr ıls ın. A' •G = L' ve ralık(L')= k olmas ı sebebiyle A' F:k x k<br />
matrisi için,<br />
raıık(A' ) = k<br />
olmal ıd ır.<br />
(A' X)(A' X) - (A' X) = A' X<br />
e şitli ğinin her iki tarafı soldan<br />
yani,<br />
(A' F) -1 ile çarp ıl ırsa,<br />
(A' F) -1 A' FG(A' X) - A' X = (A' F) -1 A' FG<br />
X (A' X) - A' X = X<br />
X (L') - L' = X<br />
elde edilir ve rank(X1,')= k d ır. Bu sonuç kullan ılarak model yeniden<br />
para ınetrelendirilsin.<br />
199<br />
ve<br />
Y = X fl+ E= X(L') - L'fl+<br />
U=X(L') -<br />
rank(U : ıı x k) = k<br />
H_ [HI 113 ,0]<br />
= 133 =[H _fi<br />
için,
200<br />
Y = 110+ E<br />
modeli tam rankl ıd ır.<br />
= {
4.4 Go VEN ARALIKLARI<br />
201<br />
Bu k ıs ımda parametreler için önceki iki k ıs ımda elde edilen tahmin<br />
edicilerden ve hipotez testlerindeki istatistiklerden faydalanarak güven<br />
aral ıklar ı ve bölgeleri olu şturulacakt ır.<br />
4.4.1 BİREYSEL GÜVEN ARALIKLARI<br />
Modelimiz,<br />
Y = Xfi+ e , e- N(0, a21) , rank(X:nx p) = p (n > p)<br />
olsun. Bu durumda parametre kümesi,<br />
ve<br />
= {(fi,a 2 ):fi E RP ,a2 >0}<br />
13= X'Y N(fi,a 2 (X'X) -1 )<br />
Y' (1 -XX 4- )K ( ıı - p)62<br />
ıt — p ' 02 (n —<br />
(H1i—h)'[H(X'"1") — 1 1-11 (1111-12. )<br />
W(Y)— F 1 1<br />
41'62 (q,n—P. =---,; ( Hp—py[14x .x) (Hp—h))<br />
2cr-<br />
(73- fi) . 11111(X'X) -1 H((3-11)<br />
W(Y)= — F(q ,„-p) (11fi=lidogruoldugunda)<br />
qoar2<br />
d ır. Burada rank(H:q x p) = q dır.
202<br />
( e RP verilen bir vektör olmak üzere,<br />
N((' fi,o2 ( 1 (X'X) ---1 C)<br />
ve ve rii ^ n ın varyans ın ın en çok olabilirlik tahmin edicisinin,<br />
vaı. (eli) = "a2 (' (X 'X) -I<br />
olduğu gözönüne al ınırsa,<br />
efr-ep<br />
,,t,?e(x'x) -1 (<br />
l(n - p)C32 1 ( ıı - p) V"<br />
2 ( 1 (X 'X) -1 (<br />
\ 02<br />
_<br />
(n- p)<br />
yaz ı l ır. Buradan<br />
(' fl- -'Q<br />
al2;n- p <<br />
\frar((13)<br />
ı l-a12;n- p) = 1- a<br />
olmak üzere Vfi için - a güven katsay ıl ı al ışılmış güven aral ığı,<br />
(L. P- II- al2;n- pill2ar(P'73), ,L"73+ ı - 1- al2;n- pN112ar(66))<br />
veya k ısaca,<br />
f:;37/1- al2:n- p N11 2ar(lj: 73)<br />
d ır.<br />
(: p x i vektörünün ı . eleman ı t di ğerleri s ıfir al ındığında A<br />
parametresi için güven aral ığı elde edilir.
o2 parametresi için al ışılm ış güven aral ığı ,<br />
203<br />
d ır.<br />
, (n - p) 6-2 (n - p)62<br />
t .2<br />
11-al2;n- p X2aI2;n- p<br />
W(Y) istatisti ği H = I olduğunda,<br />
(;6.- fiy(x'X)(;-ffl F(pmi_p)<br />
d ır.<br />
olmak üzere,<br />
pâ2<br />
(fr-fl)'(X'X)(-P)<br />
- -<br />
pop-<br />
E<br />
(1-a,p,n-p))= 1-a<br />
{fl (P- fl)' (X 'X)(13 )0) p) }<br />
kümesi Rp'de bir elipsoiddir. Bu elipsoide fi parametre vektörü için 1 -a<br />
güven katsay ı l ı güven bölgesi denir. (Elipsoidin biçiminin X'X in<br />
özdeğerlerine ab ğl ı olduğuna dikkat ediniz.)<br />
4.4.2 EŞ ANLI GÜVEN ARALIKLARI<br />
Modelimiz, yine<br />
Y= Xfl+6. , e- N(0,a2I) , rank(X:nx p)= p (n > p)<br />
olsun. Ho : H fi = h hipotezinin h hipotezine kar şı l ık test edilmesinde<br />
test istatisti ği olarak,<br />
(11;(3- h)'[H(X'X) -1 H' (H13- h)<br />
W(Y)=<br />
gâ2<br />
kullan ı l ır. O= Hfl-h olmak üzere hipotezler,
1.111(X'X)<br />
204<br />
Ho : 0= o<br />
o<br />
biçiminde yaz ıls ın. Singüler olmayan her Q:qxq matrisi için yukar ıdaki<br />
hipotezler ile,<br />
110 :Q0=0<br />
Hi :(20 o<br />
hipotezleri ayn ıd ır. Dolay ı s ıyla Ho :Q0= 0,111 :Q0 o hipotezleri esas ında<br />
n ın tüm (sonsuz tane) lineer bile şimlerinin s ıfıra e şit olmas ının, en az bir<br />
tane lineer bile şimin s ıfırdan farkl ı olmas ına kar şı l ık test edilmesidir. W(Y)<br />
test istatisti ği ile elde edilecek güven aral ıklarm ın O n ın tüm lineer<br />
bile şimleri için geçerli olaca ğı beklenir. Gerçekten,<br />
,<br />
h)'[H(X'X) - ' 111 -1 (HP- h)= max<br />
(ERq\lo} V[H(X'X) -1<br />
olduğu gözönüne al ın ırsa (Graybill, 1976),<br />
1<br />
- fly H(16-13)<br />
1)( N[ t<br />
qr72<br />
F(1- a .q,n - p))<br />
I - a<br />
1<br />
P( ,, max<br />
qb' (de \joj<br />
U' (HQ- h)) 2<br />
-1<br />
_ < F<br />
p) ).- 1- a<br />
(((H;(3- h)) 2<br />
P(<br />
5<br />
H fl+Vq1..1 _ a.q p ‘frar(e' H fl)<br />
olur. Uygulamada tüm güven aral ıklar ı yerine sadece ilgilenilen e ler için<br />
elde edilenler gözönüne al ınır.<br />
Yukar ıdaki e ş anl ı güven aral ıklar ı ilk olarak Scheffe tarafından<br />
öneril ıni ştir. E ş anl ı güven aral ıkları elde etmek için bireysel güven<br />
aral ıklarıııı elde edip Bonferonni e şitsizli ğinden de faydalan ılabilir.<br />
Eş anl ı güven aral ıkları elde etmek için ba şka bir yol çok değişkenli<br />
t-dag ı l ıın ı n ı kullanmakt ır.<br />
olmak üzere,<br />
N(Hfi, 0-2v) , V = (v isi )qxq = Iİ(X'X) -1 H'<br />
205<br />
^ı<br />
V ei - 62 1,11<br />
92 - 02<br />
Niâ2 v22<br />
k,- O q<br />
rasgele vektörünün olas ı' k yoğunluk fonksiyonu,<br />
I"( q+n-p )<br />
f (r;q, ıı - p,R)= 2 (1+-<br />
0/2 ( n _ 0/2 P<br />
t ' )(det R) 112 /1- P<br />
2<br />
d ır. (Graybil1,1976). Burada R matrisinin rj elemanlar ı,<br />
q+n- p<br />
1 ene) 2<br />
r<br />
ı ij<br />
,j v .11
206<br />
olmak üzere, R matrisi L nin korelasyon matrisidir. Bu da ğı l ıma q,n- p,R<br />
parametreli çok de ği şkenli t da ğı l ım ı denmek üzere- tq p. R biçiminde<br />
gösterilir. q =I için ıi.n _py ın _ p dır.<br />
j c c —fe cf p,R)d( 1 .•-de q =1- a<br />
olacak şekilde belirlenen c say ı s ı c = ı i _ a/2;qn _ p , R ile gösterilsin. O<br />
zaman<br />
< -<br />
1 ( < ,<br />
-11-a12:q.n- - --I-a12:q,n-p<br />
-<br />
= 1,2, ...,9) = 1- a<br />
(32 vıı<br />
d ır. Bu e ş anl ı güven aral ıklar ında -1-a12;q,n- p,1? değerlerini hesaplamak<br />
sorun yaratmaktad ı r. R yerine ı birim matrisi g eldiğinde,<br />
ıl-a12;q.n- p.1? -5 11-a124,n-p,1<br />
olduğu ispatlamn ışt ır. Buna göre,<br />
yada,<br />
P( -11-a12;q.n- p,I - Bf - ıl-a12;q,n- p,1 a<br />
1'(4 ıl-a17 ;q,n- p,I 5-. 0ı 5- 4 + 11-a12;q,n- p,1 11-1.--<br />
17a (4) = 1,2, .•• , q) a<br />
yaz ı labilir. Parametrelerin baz ı değerleri için ıi _cd2;q , n _p., tablo de ğerleri<br />
Graybill (1976) da bulunabilir.<br />
Ayrıca,<br />
olduğu gösterilmi ştir.<br />
11-cx12:n- p 5 p,<br />
-a;(1 P
4.4.3 TAM RANKLI OLMAYAN <strong>MODELLER</strong>DE GÜVEN<br />
ARALIKLARI<br />
207<br />
Modelimiz,<br />
Y = XII+ e , 6- N(0,0 21) , rank(X: ıtx p)=- k (k < p
208<br />
4.5 BAZI L İNEER MODEL UYGULAMALARI<br />
Uygulamalarda lineer modellerin hangi tür olgular ı modelleyebileceği<br />
konusunda baz ı örnekler bu bölümün birinci k ısm ında verildi.<br />
Belli bir olgu ile ilgili lineer model kurmadaki amaç de ği şik olmakla<br />
birlikte genellikle bu amaçlara parametre tahmini, l ıipotez testi ve güven<br />
aral ıklar ı çerçevesinde ula şmak mümkündür. Bu konular önceki üç k ısımda<br />
ele al ınd ı . Bu k ı s ımda kendine özgü bir tak ım özellikleri olan baz ı lineer<br />
model uygulamalar ı alt ba ş l ıklar halinde ele al ınacakt ır.<br />
4.5.1 ONGÖRÜ (Prediction) ARALIKLARI<br />
Modelimiz,<br />
Y = X13+ , e- N(0,a2 1) , rank(X:n x p) p (p
noktalar ı olup, Y vektörünün bile şenleri olan Y rasgele<br />
deği şkenleri bu noktalardaki<br />
209<br />
,0,a2 ) (i =1,2,...,n) dağı l ımlarından<br />
örneklemler olarak dü şünülebilir. Örne ğin, K ıs ım 4.1.2 de belirtildi ği gibi<br />
uygulamalarda tasar ım noktalar ı belli D c RP bölgelerinde<br />
bulu ııabilmektedir. Şimdi belli bir x'o E D tasar ım noktas ında (bu nokta<br />
önceki tasar ım noktalar ından, yani X rnatrisinin sat ır vektörlerinden birisi<br />
de olabilir) yap ılacak k tane Yo , Yo 2 , , Yok ek gözlemin ortalamas ı ,<br />
—yo<br />
Yol<br />
YO2 +.•• +Yok<br />
k<br />
için öngörü aral ığı bulmaya çal ışal ım. Yo bir rasgele de ği şken olmak üzere<br />
Yo için I- a güven katsay ıl ı bir öngörü aral ığı oluşturmak demek, Yo<br />
rasgele de ği şkeni 1 - a olas ı l ıkla bu aral ığa dü şecek şekilde bir aral ık<br />
oluşturmak demektir. Dikkat edilirse güven aral ıklarında, güven aral ığı<br />
oluşturulan parametre bilinmeyen bir sabittir ve güven aral ığının bu<br />
parametreyi 1- a olas ıl ıkla kapsamas ı sözkonusudur.<br />
o noktas ında al ınacak Yol Yo 2 , • • • Yo k ek gözlemlerinin<br />
x e D<br />
= (Y1 ,Y2 ,...,Y,,) den ba ğıms ız olduklar ı varsay ım ı alt ında fi x o , Yo<br />
rasgele de ği şkenleri ba ğıms ız ve<br />
fi x 0<br />
N(fl x_ 0<br />
,o2 .1 0 (X'X) -I x )<br />
' o-2<br />
Yo - N(fi )<br />
170 -13 x o - N(0, Cr: 02 X .0 X0 )<br />
( ı1— p) 2<br />
U2 X(n-P)
210<br />
d ır. Buradan,<br />
cf2<br />
k --- () (X',10-1x o Yo—fl<br />
(n - p)iy2 1(n-p) ( x o -/ u ^c...,1 ı —+.vo ı,..r.v)- ' s. 0 sir() S s n +t 6-1, 1 +4(.‘"X) -1 xo ) = I - a<br />
ı -,.n-p) k v 1- 2<br />
,n p) k<br />
olmak üzere, Yo rasgele degiskeni için 1- a güven katsay ıl ı öngörü<br />
(prediction) aral ığı ,<br />
olarak elde edilir.<br />
ı 1- ;n- p)<br />
\11+ X O<br />
(X'X) 1 x O<br />
2<br />
k =1 olmas ı dunımunda, .şo E D tasar ım noktas ında yeni al ınacak bir<br />
Y() gözlemi ile ilgili olarak, Yo gözlemi için 1-- a güven katsay ılı öngörü<br />
aral ı ğı,<br />
d ır.<br />
x T- İ u 6-. İi ı +x (rx) -1 o<br />
x<br />
1— p o<br />
o<br />
2<br />
Basit lineer,<br />
Y; = flo+filx ; + s; , i
modelinde bir xo noktas ında al ınacak Yo ek gözlemi için 1- a güven<br />
katsay ı l ı öngörü aral ığı ,<br />
211<br />
d ır.<br />
/30+fitx0 _ a 6.<br />
1— :n-2<br />
2<br />
1 (5c- -- x0) 2<br />
1+ +<br />
n<br />
(x i - V)<br />
2<br />
i=1<br />
4.5.2 TOLERANS NOKTALARI<br />
Belli bir dağı l ım ile ilgili olarak, dag ıl ımın p kadarl ık bir kısmı bir<br />
y p değerinin sol tarafında kal ıyorsa, y p noktas ına p-inci alt tolerans<br />
noktas ı (p-inci kantil, pth quantile) denir. p-inci üst tolerans noktas ı, y ı _p<br />
ğı l ım ın p kadarl ık bir k ısm ını sağında bulunduran noktad ır. Örneğin,<br />
da<br />
= flo+fli xi + , = 1,2,...,n , 6- N(0,0-2 /)<br />
basit lineer modelde, xo noktas ında al ınacak Yo gözlemlerinin dağılımmı<br />
göz önüne alal ım.<br />
olmak üzere,<br />
Yo N(Po+P ı xo ,a2 )<br />
z = Yo - ıgo+Pı xo - N(0,1)<br />
o-<br />
p =fio+Qixo +zper<br />
d ır.<br />
Y I- p = 130+filx0 zi-per
212<br />
Bilinmeyen y p , y i _ p değerlerinin UMVU tahmin - edicileri,<br />
Y I) fio+filxo + rpci= fio+16 ı xo - p 6-<br />
* I- p fio+fiixo p<br />
olmak üzere bu tahmin edicilerin verdi ği tahminler da ğıl ımı tolerans<br />
noktalar ı olarak kullan ıldığında uygulamada arzu edilmeyen durumlar<br />
ç ıkabilir. Örneğin "Y i _ p n ın ald ığı değerler y i _ p den küçük de olabilir.<br />
Ny l _ p < y i _ p )= I- a<br />
olacak şekilde y ı _ p nin bir Y i _ p tahmin edicisine, daha do ğrusu Yi _ p nin<br />
verdi ği tahmin de ğerine I- a güven katsay ı l ı p-inci üst tolerans noktas ı<br />
denir. Benzer şekilde,<br />
p < y p ) =1- a<br />
olacak şekilde jl' p ye ı - a güven katsay ı l ı p-inci alt tolerans noktas ı denir.<br />
1 - a güven katsay ı l ı p-inci alt ve üst tolerans noktalarm ın,<br />
2 ,,<br />
Po+P ı xo g P'?3-<br />
y ı _ p = fl04,1X0 +gp6 -<br />
biçiminde seçileceğini belirtelim.<br />
Şimdi,<br />
Y = X13+ ,<br />
- N(0,02 1) , rank(X:n x p) = p (p
213<br />
için<br />
.3:„-13 )co - z ı-pa<br />
N(<br />
- z ı-p<br />
,1)<br />
\i- „2 -ok (x ı v\-1 •=0<br />
— x o (X'XY<br />
,,, ,<br />
Nicr2 x. (rX)-1x — O o ___<br />
p x<br />
o<br />
- p<br />
_<br />
_x__-x<br />
o<br />
i _ p o-<br />
T= - ı<br />
\i( ıı - p&2 )<br />
cı 2 / (ti - p)<br />
dağı l ıml ıdır. Buna göre,<br />
â.<br />
- x o (X'X) -1 _x o (n—p,5= , )<br />
x o (XX) -1 x o<br />
yani,<br />
P(T><br />
-g )=1- a<br />
-o<br />
(X'X) -1 x<br />
-o<br />
d ır.<br />
g p = II—a;n— p,(5.1x0(XW) -1 Lco<br />
4.5.3 KAL İBRASYON PROBLEMI<br />
Basit lineer,<br />
Y; = ,80+13i x; + 6; , i=1,2,...,n<br />
modelinde, ba ğıml ı deği şkenin Yo gözlemine kar şı l ık gelen x = xo değerinin<br />
belirlenmesi sözkonusu olabilir. Örne ğin K ıs ım 4.1.1 deki,<br />
s, = po+fi ı ıi + , i =
214<br />
modelinde al ınan yol miktar ı s = so olarak gözlenmi ş ise bu yol miktann ın<br />
ne kadar bir t (r e ) zaman ında al ındığm ın belirlenmesi istenebilir.<br />
Basit lineer modelde, ba ğı ml ı deği şkenin Yo = yo verilen (gözlenen)<br />
değerine kar şı l ık x (x0 ) de ğerinin belirlenmesi problemi kalibrasyon<br />
problemi olarak bilinmektedir. Kalibrasyon sözcü ğü ölçü aletleri ile ilgili<br />
bir kavramd ır. Örneğin bir tennometrenin (yeni bir tür termometre olabilir)<br />
kalibrasyont ında, standart ölçekle ölçülmü ş s ıcakl ıklarında yeni<br />
termometre ile Yi (i = 1,2,.. ,n) gözlemleri (okumalan) yap ılmakta ve<br />
+ , i 1,2,..., n<br />
varsaynn ı alt ında, yeni termometre ile gözlenen Yo = yo değerine kar şılık<br />
standart ölçekte kar şıl ık gelen x (x 0 ) değerinin belirlenmesi istenmektedir.<br />
Kalibrasyon probleminde, modeldeki ba ğıms ız deği şken bir rasgele<br />
deği şken olarak görülmemektedir.<br />
fl ı<br />
O olmak üzere,<br />
=fio+fiı xt + E/ i=1,2,...,n , e— N(0,0-2 /)<br />
modelinde, Yo gözlemine kar şı l ık gelen xo değerini tahmin etmek isteyelim.<br />
Tahmin problemini biraz daha geni ş çerçevede ele al ıp, xo noktas ında k<br />
tane Y()) ,Y02 ,..., Yok gözle ıninin al ındığını düşünelim.<br />
(xl , Y1) , (x2 , Y2) , ••• , (rn,Yn),(xo, Yol ),(xo ,Yo2),•• ,(xo,Yok)<br />
için olabilirlik fonksiyonu,<br />
1.(Yi , ) 2 ,.••, rn YO1 4)2 , Y0k ;PO , X0 ) n+k e<br />
— { (); —fio —fil-vi ) 2 + 1<br />
—filxoj ) 2<br />
--<br />
2 -L- a 2 ,,<br />
(YOreflO i=i<br />
(2 ıro2 ) 2<br />
olmak üzere en çok olabilirlik tahmin ediciler,
215<br />
n n n<br />
E(Yi — Y )(xi<br />
ijl =1=1<br />
y i=1 i=1<br />
n<br />
iri<br />
fio = - fil<br />
xo =<br />
-fi() „<br />
ve yans ızl ık için düzeltilmi ş,<br />
— "k'- ) 2<br />
k<br />
•<br />
Yı) - j=<br />
k<br />
YO j<br />
Il<br />
I [<br />
=<br />
ıı + k —3 İ =1<br />
Z(Yi >60 — PlXi) 2 + Z (Y0 j — Y0) 2<br />
j= ı<br />
olarak bulunur.<br />
k = i için Y bağıml ı deği şkenin Yo gözlemine kar şılık xo değerinin en<br />
çok olabilirlik tahmin edicisi,<br />
xo =<br />
Ya —,go<br />
dır. fro ve Q1 n ın ortak dağı l ım ı,<br />
N (roi ,u2<br />
d ır.<br />
1=1 i =1
216<br />
6O nin da ğilimi ile ilgili,<br />
S1 =<br />
( }7i<br />
a2<br />
A- (n-2)<br />
s2 =<br />
k<br />
(-V() - Y0) 2<br />
=1<br />
cr2<br />
A (k -1)<br />
olmak üzere S i ile S2 nin ba ğıms ızl ığından,<br />
( ıı + k — 3)3- 2<br />
X (n +k -3)<br />
o2<br />
d ır. 20 nın da ğı l ımı karma şık olmas ı sebebiyle burada ele al ınmayacakt ır.<br />
„S' İ<br />
, S2 ve Yo ba ğıms ız olduklar ından 302 ile (fio,;61, 5 o)'<br />
rasgele vektörü ba ğıms ızd ır. Buna göre,<br />
olmak üzere,<br />
02 7 (X0 - 7) 2<br />
Yo - /30 - x o -- N(0,—<br />
k + o- ( ))<br />
ıt n<br />
i = 1<br />
- 7) 2<br />
d ı r.<br />
T =<br />
Y() — Po fl ı xo<br />
2 - (n + k -3)<br />
1 + (xo — x)<br />
o<br />
I +<br />
k ıı<br />
()C, - 7) 2<br />
= 1
217<br />
ifadesindeki e şitsizlikler,<br />
P(- t a < T < t a ) 1 - a<br />
I- 2<br />
:n+k -3 I- 2<br />
n+k -3<br />
olup,<br />
1 ,2 < (t ) 2<br />
1- a ;n+k-3<br />
2<br />
(i') - Â) - ııxo) 2<br />
- 2 1 1 (X0 - 7)2 , (t 1-- a .n+k-3<br />
o- ( + + ) 2'<br />
" k it n<br />
Z(xi - )7) 2<br />
i=1<br />
N2<br />
)<br />
ax2 +2bxo +c, O<br />
O<br />
biçiminde düzenlenip ozüldüğünde, xo için 1- a l ık güven aral ığt,<br />
(Y0 —Y) 2<br />
'620<br />
a<br />
c( — 1 I- —) +<br />
1- ;n+k-3 C ri k n<br />
2 (xi - -X- ) 2<br />
i =1<br />
olarak elde edilir. Burada,<br />
)2<br />
o() (t a<br />
fr 2 2 I- ;n+k-3<br />
1<br />
d ır (Graybill, 1976).<br />
( — ) 2<br />
i=1
218<br />
4.5.4 L İNEER <strong>MODELLER</strong>IN ÖZDE ŞL İĞİ<br />
m tane lineer model,<br />
Y k = X k + ck , ran k( X:nk x p)= p,ck - N(0 a2 1) k -12<br />
,nı ve Ek lar bağıms ız<br />
olmak üzere,<br />
Ho :fil=<br />
1_34„<br />
en az bir eşitlik doğru değil<br />
hipotez testini, yani nı<br />
tane modelin özde ş (birbirine e şit) olmas ın ın test<br />
edilmesini gözönüne alal ım. n = D ık için<br />
k =1<br />
Y:<br />
Y _1<br />
Y 2<br />
X =<br />
XI 0 0<br />
O X2 •• • 0<br />
,P=<br />
131<br />
, 6 =<br />
Ei<br />
E2<br />
O 0 ••• _)-7-ıı7<br />
Xk<br />
-nxt nx ınp _Em<br />
Qk<br />
gösterimi alt ında,<br />
Y= X13+c<br />
modelinde Ho :fiı = fi2 = hipotezini test etmeliyiz.<br />
1 -11 0 •-• 0<br />
I 0 -11 ••• 0<br />
H = , rank(H)= (m -1)p<br />
I 0 0 • -• -11 ( ın-I) pxn ıp
219<br />
olmak üzere hipotez Ho Hfl= o biçiminde yaz ılabilir. Olabilirlik oran ı test<br />
fonksiyonu,<br />
ve,<br />
W(Y)=<br />
- tnp<br />
) -<br />
(in -1 )p "62<br />
"Q<br />
_<br />
(/ - xxlr<br />
,<br />
k(1—XkX;:)yk<br />
d ır. o- 2 yi bulmak için Ho :fii =fi2<br />
model,<br />
=fini hipotezi alt ında indirgenmi ş<br />
Y=<br />
0 ••• 0 -<br />
0 X2 ••• 0<br />
/A -<br />
2 + C<br />
gözönüne al ındığında,<br />
o o • •• x„,<br />
fi<br />
rıı<br />
ıı6-2 = min (Y k — Xh.fii )'( y k - Xk fil )<br />
al fil k=1<br />
III ı M ,<br />
= min[ (Y k Y k -2P 1 Xk Yk +P ı ( xkxk)131]<br />
k=1 k=1 k=1<br />
olur.<br />
II? ,<br />
13 1 =(E Xk Xk) `( XkYk)<br />
k=1 k=1<br />
Ho hipotezi alt ında,<br />
PV(I')<br />
dağılunl ıd ı r.<br />
ni nr r rn , nı ,<br />
--1<br />
kYk — (Y kXk)(X Xk Xk) (E XkYk)<br />
k=1 k=1 k=1 k=1<br />
It<br />
n-l)p •n-n ıp
220<br />
4.5.5 BASIT LINEER <strong>MODELLER</strong>DE PARALELL İK ve KESİŞME<br />
HİPOTEZLER İ<br />
n ı tane basit lineer model gözönüne alal ım.<br />
Yk i = ak + fikxki + eki , , k =1,2,...m , = ıt<br />
j=1<br />
Ek i - N(0,0-2 ) ve E k; ler bağıms ız<br />
modellerinde, modellerin deterministik k ısm ın ı olu şturan,<br />
dogn ılann parelelligi,<br />
E( Yk (x)) = ak + fikx , k =1,2,...,m<br />
1) H():fil - 132 -•••-•<br />
en az bir eşitlik doğru değil<br />
veya bu n ı tane dogn ınun belli (önceden belirlenen) bir xo noktas ında<br />
kei şip kesi şmedigi,<br />
2) Ho :ai + fli xo = a2 + p2x0 =....= a,„+p,„xo<br />
H 1 : en az bir eşitlik doğru değil<br />
hipotezlerini test etmek isteyebiliriz.<br />
Basit lineer modeller, k = 1,2,...,m için,<br />
Yk = Xk fik<br />
Y - k -<br />
Yk ı<br />
Yk2<br />
,Xk=<br />
xk I<br />
xk 2<br />
'<br />
aki<br />
- [fik<br />
Yknk<br />
Xknk
olmak üzere K ısmı 4.5.4 deki gibi,<br />
221<br />
Y =<br />
Y _1<br />
- Y 2<br />
, X -,-<br />
Xı 0 0<br />
0 X2 - • 0<br />
P= fiı<br />
gösterimi alt ında,<br />
Y -k<br />
0 0 Xk<br />
P<br />
Y = X fi+<br />
olarak yaz ıls ın. Parametrelerin en çok olabilirlik tahmin edicileri,<br />
;6 =<br />
"21<br />
;62<br />
=x+Y=<br />
X+<br />
-1<br />
Y<br />
X 2 + Y 2<br />
Qk<br />
X + Y _ k —k<br />
ve yans ızl ık için düzeltilrni ş ,<br />
d ır.<br />
İş k (I Xkx<br />
L"(1 - X+ X)Y -1<br />
ıı -2m ıl -2m<br />
k<br />
Yukar ıdaki hipotezleri özel hal olarak bulunduran a şağıdaki hipotezi<br />
gözönüne alal ım.<br />
Ho:aaı + hQi = aa2 +hfi2 =....= aak +hfik<br />
1/1: en az bir eşitlik doğru değil<br />
Burada a ile h sabit say ılard ır. a =0,b = t için 1) deki hipotezler ve<br />
a = 1,h = xo için 2) deki hipotezler ortaya ç ıkmaktad ır.
222<br />
k = 1,2, tır içi ıı ,<br />
1<br />
Zk =ai3tk + - N (aak +lıfik,c 2dk) , dk =[a,1)](4 r b Xk<br />
Ve Z1,Z2 ,...,Z„, ler bagı ıns ızd ır. .<br />
olmak üzere,<br />
M _* m<br />
(7..1, -Z )dk<br />
*<br />
EZkdk<br />
= k=1 Z = k=1<br />
2<br />
o-<br />
k<br />
k=1<br />
tI<br />
X ın- 1,2.)<br />
d ır.<br />
ı<br />
n A<br />
= (aa k + k p) 2 uk ,<br />
20- 2 k=1<br />
rn<br />
(aak + b fl k)d k<br />
* = k=1<br />
ıır<br />
Edk<br />
k=1<br />
( ıı -2 ııt)Cr2<br />
= y?<br />
"(n -2m)<br />
02<br />
ve t/ ile t' nin ba ğıms ızl ığından,<br />
(Zk -Z )<br />
I I 1(m - I) k _ İ<br />
W -= _ -<br />
V I(I- 2m) (m _1)62<br />
d ırmo hipotezinin dogru olmas ı varsay ım ı alt ında,<br />
W F( ın-1,rı-2nı )<br />
d ır. W nin gözlenen w de ğeri,<br />
"I- ıx; ın-<br />
-2 ın<br />
ın t 2<br />
olduğunda Nt1 hipotezi reddelilecektir.
4.5.6 KES İŞME NOKTASININ TAHM İNİ<br />
223<br />
Önceki k ı s ımda basit lineer modellerde deterministik k ısmına<br />
karşı l ık gelen do ğrulann belli bir xo noktas ında kesi şip kesi şmedikleri<br />
hipotezi ele al ınd ı. Bu k ı s ımda iki basit lineer modelde, deterministik<br />
k ısm ına kar şı l ık gelen do ğrularm kesi şmeleri halinde kesi şme noktas ının<br />
absisi olan,<br />
yani,<br />
ai +flix * = a2 + /32x*<br />
al -<br />
a2 = (Q2 )<br />
P2 - A<br />
noktas ı için tahmin edici ve güven aral ıklar ı elde edilecektir.<br />
Basit lineer modeller,<br />
Yi = al +figu + eli , i =<br />
Y2 j = Bt2 +P2x21 4- B2i<br />
611 ,612 ,-,elni ,B21• 622,••• ,62n2 ler ba ğıms ız ve herbiri N(0,02 ) dağılımlı<br />
olmak üzere,<br />
1 xii 0 O 611<br />
Y12 1 x ı 2 0 0<br />
al<br />
•,n2<br />
612<br />
Ylni 1 xlni 0 0 A el ni<br />
Y21 O O 1 x21 a2 e21<br />
Y22 O O 1 x22 fl2 _ 622<br />
Y2n2 -<br />
• •<br />
O 0 1 X2„ 2 _ _ e2 n2<br />
biçiminde yaz ıls ın. Parametrelerin en çok olabilirlik tahmin edicileri,
224<br />
n ] n ı n ı<br />
( }/li -- Yı)(x ı i -371) Yi ı ..r.b.<br />
/31 = i= ı yı = i =1 , ki _ i= t<br />
Ili<br />
(3(1 = Yı- - 731iı<br />
( XI i — xi )2<br />
i= I<br />
ni<br />
İll<br />
n2<br />
(Y2i - Y2)(x2j- ,v2)<br />
1<br />
132 = j<br />
n2 2<br />
(x2 J - -v2)<br />
i= I<br />
= Y2 -;q2..v2<br />
ve yans ızl ık için düzeitilmi ş ,<br />
n2<br />
Y2<br />
j =<br />
Y2 =<br />
112<br />
n2<br />
3-‘2 j=<br />
1<br />
1<br />
72<br />
x2 j<br />
n2<br />
;;_r2<br />
(}71i "31x1i) 2 + Z (Y2 j<br />
1 i=1<br />
a2 — ;02x2 • ) 2<br />
ni+ n2— 2<br />
d ır. Buna göre x* ın en çok olabilirlik tahmin edicisi<br />
d ır. Ayr ıca,<br />
x = âl<br />
â2<br />
fl2 -A<br />
n ı<br />
Xi<br />
[ âl - N ([ afii, l 02 n nı ı =1<br />
i= 1 i =1 _<br />
a2<br />
_132<br />
— N( a2<br />
fl2<br />
112<br />
n2<br />
x j<br />
j =1<br />
n2<br />
xj<br />
j=1<br />
n2 -,<br />
E xj<br />
i=1
225<br />
(ni +112 - 4)â2<br />
o-2<br />
L(n i +n2 -4)<br />
ve [ 6: 11r2 ] 62bağııns ızd ır.<br />
Qı Pı<br />
x* için güven aral ığı elde etme konusunda,<br />
= ("al - â2)+ x* Cl32-11)- Iv (0,0 2 [Var(âi+ x*;6.1)+Var(a2+ x*,32)1<br />
W<br />
f<br />
Z<br />
'ar(âi + x*;qi)+Var( â2 X*P2<br />
((n i +n2 -4)<br />
ve<br />
W2 1`(1;ni +n2 -4)<br />
P( W2 1- +n2 -4)) = a<br />
olmak üzere,<br />
W2 ,ı<br />
I I- a;Ini +n2 -4<br />
eŞltlil x* a göre,<br />
akx*) 2 + 2..bx * + o<br />
şeklinde düzenlenip çözülürse güven aral ığı elde edilir.<br />
1 1<br />
a = (;q1-;62)2 (<br />
) 6217(1-a;1,ni +n2-4)<br />
n2<br />
(Xli - - X1) 2 (X2 J • - X2)<br />
i=1 j=1<br />
b = (âi- .:
226<br />
c = ( al -<br />
;:'(2 )2<br />
2<br />
i=1 1<br />
ni<br />
■ 2 n2<br />
-xl) 112 (X2 j -X2)<br />
i=1<br />
21"1-aW 2 -n +n 4<br />
olmak üzere, a > 0,h2 -ac> o durumunda x* için ı - a l ık güven aral ığı,<br />
-b -ac -b +.42 -ac )<br />
d ır.<br />
(<br />
4.5.7 OPTİMAL TASARIM<br />
Bir lineer model,<br />
Xfi+c<br />
biçiminde olmak üzere x ınatrisine tasanm matrisi veya aç ıklay ıc ı<br />
deği şkenlerin gözlem matrisi denir. Baz ı durumlarda X ınatrisinin sat ır<br />
vektörlerine kar şıl ık gelen tasar ım noktalar ın' seçmek uygulamac ın ın<br />
elindedir. Bu tasar ım noktalar ında 4, >72 , ..,Y„ gözlemleri al ınmaktad ır.<br />
Bundan sonra yürütülen istatistik sonuç ç ıkarma i şlemlerinde baz ı iyilik<br />
ölçütleri sözkonusu olabilir. Örne ğin, belli bir Ç:İ! tahmin edicisinin<br />
varyans ı<br />
Var = V(X'X) -1 1"<br />
olmak üzere, X matrisinin e(X'Xy lf' değeri en küçük olacak şekilde<br />
seçil ınesi istenebilir. Bu tür problem optimal tasar ım problemi olarak<br />
isimlendirilmektedir. Bu k ı s ımda bu problemlerden baz ılarına değinmeye<br />
çal ışaca ğız.<br />
Y= Xfi+c , c- N(o,cs21) , rank(X:n x p) = p<br />
modelinde fi para ınetre vektörünün belli f'12 lineer bile şimi ile ilgili<br />
istatistiksel sonuç ç ıkar ıma s ıkça rastlan ır.
227<br />
d ır.<br />
efi n ın UMVU tahmin edicisi<br />
ar(66') e(x90 -1 P'<br />
2) tv için 1- a l ık güven aral ığı,<br />
d ır ve<br />
ıı-a ı2:n-p&N/e(X'X) -l e‘ 1:";q+i ı-a ıı ;n-p&Nle'(XX)<br />
olmak üzere bu aral ığın uzunluğunun beklenen değeri;<br />
E(21 1-a12:n-?1fr (X 'X) -1 0=<br />
d ır.<br />
23/2 rez-13+ 5<br />
3) 110:efl= , 111 :ep ( 0 hipotezleri için<br />
a "4 e ( tl- al2;n- p<br />
pF( 11-,-) P )<br />
f o)[_e(X'X) -1 _Ç_] fo)<br />
W(Y)=<br />
â2<br />
test fonksiyonunun a anlam düzeyindeki güç fonksiyonu<br />
2 = I (If - f- o 4.e(rX) -1 (Ç;q - ( o)<br />
2 cr2<br />
merkezi olmama parametresinin monoton artan bir fonksiyonudur.<br />
Bu üç durumda da x matrisi e(x'x) -1 e küçük olacak şekilde<br />
seçilirse istatistiksel sonuçlar daha iyi olacakt ır. Ancak problem her zaman<br />
bu kadar basit de ğildir. Örneğin, ayn ı anda iki tane e'fi i , e'fi2 lineer<br />
bile şimi için yukar ıdaki istatistiksel sonuç ç ıkar ımlar istense lineer<br />
bile şimlerden birisi için iyi olan matris di ğeri için iyi olmayabilir.<br />
Optimal tasar ım konusunda genellikle yap ılan şey, X matrisinin<br />
elemanlar ının bir fonksiyonunu al ıp bu fonksiyon minimum olacak şekilde<br />
x matrisini seçmektir. Minimize edilecek olan fonksiyon bazen<br />
istatistiksel sonuç ç ıkar ımdaki iyilik ölçütünün kendisidir.
228<br />
Optimal tasar ım proble ınlerinden bir kaç tanesine k ısaca değinelim.<br />
1) fi vektörüntin fi tahmin edicisinin hata kareleri ortalamas ı<br />
n/ısb; (14= 1.;6-<br />
=a2tr(rX)-1<br />
olmak üzere tr( X'X)-1 fonksiyont ınu minimize eden X matrisi MSE(71) yı<br />
da minimize edecektir.<br />
2) Q tahmin edicisi ıı i ıı genelle ştirilmi ş varyans ı olarak isimlendirilen<br />
det(o2 (X'X) -I ) değerinin minimizasyonu başka bir optimal tasar ım<br />
proble ınidir.<br />
3) Var (e'') = a2 e' (X 'X) -1 e ve 2p X 'Ar Y 1 matrisinin en büyük özde ğeri<br />
olmak üzere,<br />
max<br />
Ite e =1}-<br />
P<br />
d ır. Buna göre (X'Xy' matrisinin en büyük özde ğeri 2 , yi minimize<br />
edecek şekilde seçilen x ınatrisi ayn ı zamanda (' f.4olan tüm eifi's tahmin<br />
edicilerinin varyanslarm ın maksimumunu minimize etmektedir.<br />
Bu üç tasar ım problemi genel olarak ayn ı optimal X matrisi ile<br />
sonuçlanmamaktad ır. Ancak model basit lineer model oldu ğunda her üç<br />
optimal tasar ım problemi de ayn ı sonucu vermektedir.
4.5.8 VARYANS ANALIZI TABLOSU<br />
229<br />
Al ışılagehni ş olarak Lineer Model uyg,ulamalanndaki ç ıktılarda<br />
varyans analizi tablolar ı yer almaktad ır. Bu k ı s ımda varyans analizi<br />
tablolann ın k ısa bir aç ıklamas ı yap ılacakt ır. Aç ıklamaya geçmeden önce,<br />
varyans analizi tablosu haz ırlaman ın kesin bir kural ının olmadığını ve<br />
amac ına yönelik olarak de ği şik kaynaklarda ve bilgisayar paket<br />
programlar ında deği şik tablolann yer ald ığın ı belirtelim.<br />
Varyans analizi (analysis of variance, ANOVA) tablolannda hipotez<br />
testlerindeki W(Y) test istatisti ğini oluşturan karesel formlar, bunlar ın<br />
serbestlik dereceleri, beklenen de ğerleri gibi ç ıkt ılar toplu halde<br />
bulunmaktad ır. Tablonun her sat ırı bir karesel form ile ilgilidir. Herbir<br />
tabloda Y' Y karesel formu ve "62 ile ilgili olan Y' (/ - XX 4 )Y karesel formu<br />
için birer sat ır bulunmaktad ır. Bu iki sat ır ın dışındaki sat ırlarda Y' Y<br />
karesel fonnun ım,<br />
k<br />
Y'Y = EY' A f Y<br />
.1= 1<br />
gibi parçalanmas ındaki y' A .İ Y , j= 1,2,...,k karesel formlan yer almaktad ır.<br />
Belli bir sat ırdaki karesel form ille ilgili bilgiler sütunlar halinde<br />
verilmektedir. Birinci sütun karesel formun ismini belirtmektedir. Birinci<br />
sütunun baş l ığı Deği şkenli ğin Kaynağı (Varyasyonun Kayna ğı,Source of<br />
Variation) ismini ta şımaktad ır. İkinci sütunda serbestlik dereceleri, üçüncü<br />
sütunda kareler topla ınlar ı (karesel formlann kendileri yada ald ığı<br />
değerler), dördüncü sütunda ortalama kareler toplamlan ve F değeri ismini<br />
taşıyan sütünda test istatisti ği ile ilgili ç ıkt ılar yer almaktad ır. Örneğin,<br />
Y = X fl+ e , e— N(0,cr2 /)<br />
modelinde,<br />
o<br />
hipotez testi ile ilgili varyans analizi tablosu a şağıdaki gibidir.
230<br />
Varyasym ıt ın kayna ğı<br />
Source of variation<br />
(S.V.)<br />
Toplam (fotal)<br />
Serbestlik derecesi<br />
Degrees of<br />
frcedom<br />
(d.f.)<br />
Ir<br />
Tab o 4.5.8.1<br />
Kareler toplam ı<br />
S ıım of squares<br />
(S.S.)<br />
Y'Y<br />
Ortalama kareler<br />
toplam ı<br />
Mcan sqııares<br />
(M.S.)<br />
F değeri<br />
13 dan dolay ı aıal ııııı<br />
(Reduction due to fi)<br />
Hatt ın ın varyt ıns ı<br />
(Error variance)<br />
P<br />
n-p<br />
Q ı = ii‘x.y<br />
Q2 = TV — XX + )).<br />
Ol I P<br />
Q2 / (t ı — p)<br />
Q, n — P<br />
Q2<br />
P<br />
Tablonun ç ıkt ılar k ısm ında ikinci sat ırdaki karesel form ile ilgili "fi<br />
dan dolay ı azalma" (Reduction due to /3) isimlendirmesi değişik<br />
kaynaklarda farkl ı olmakla birlikte, böyle bir isimlendinr ıenin sebebini<br />
aç ıklayal ım. fi= o , yani p modelde bulunmasayd ı, model Y= e olmak<br />
üzere 62 nin yans ız tahmin edicisi —Y'Y karesel formu olurdu. fi modelde<br />
olduğunda o-2 nin yans ız tahmin edicisi,<br />
= t (rY—;YX'Y)<br />
ıı —p<br />
olmak üzere, p dan dolay ı Y' Y karesel formunda x' Y kadar bir azalma<br />
olmaktad ır. Bu azalmaya, toplam varyasyonun model ile aç ıklanan kısmı<br />
da denmektedir. fi dan dolay ı azalma k ısaca R(f)ile gösterilmektedir.<br />
Buna R— gösterin,' de denmektedir. R(ffikaresel formu,<br />
vektörü olarak yer ald ığı ,<br />
modelinde, X' X<br />
Y= Xj3+<br />
karesel fonnudur.<br />
= X' Y olmak üzere,<br />
R(fi) = yxx +Y<br />
,(3 n ın parametre<br />
R— gösteriııii ile ilgili olan ba şka bir gösterim de R(H 0 )= R(fil y)<br />
gösteri ınidir. R(/3/ y) gösteriminde iki model sözkonusudur.
231<br />
Birincisi Ii' y ı içeren,<br />
Y= Xfi+e , R(I32 ) 2 X 1 K<br />
ikincisi de Ho : H fi = h hipotezi ile indirgenmi ş (K ısım 4.3.1),<br />
Z = By+e , R(y). Y' B 1 7,<br />
modelidir. R(I31 y) karesel formu,<br />
"fil r)= R(13) - R(Y)<br />
olarak tan ımlanmnaktad ır.<br />
R(fil y) = R(fi)- R(y) 73 1 X' Y - B' Z<br />
=Y' XX + Y - Z' BB + Z= r(XX + -BB + )Z.<br />
olmak üzere R(fil y) karesel formu 110 :1 fi = h hipotezi ile ilgili W(Y) test<br />
istatistiginin pay k ısm ındaki karesel formdur. R(fil y) karesel formu y dan<br />
dolay ı azalma gözönüne al ınd ıktan sonra fi da ıı dolay ı toplam<br />
deği şkenlikteki azalmad ır.<br />
K ıs ım 4.3.3 de,<br />
Y = X fi+ e<br />
modelinde,<br />
= Xifii + X2132 + Ş<br />
H0 :fil = bi<br />
H i<br />
hipotez testi ile ilgili varyans analizi tablosu a şağıdad ır (Tablo 4.5.8.2).<br />
Burada,<br />
"ffi = xx+ Y<br />
R(o 2 ) =(Y- x121 ). x2 x2+<br />
x120<br />
d ır.<br />
mllo)= "fil fi2 )= R(P) - "fi2)
232<br />
Tablo 4.5.8 . 2<br />
Varvasyonun kayna ğı Serbestlik derecesi Kareler toplam ı Ortalama kareler<br />
Toplam (Tutal)<br />
R(P)<br />
n<br />
P<br />
Y' Y<br />
rxx+r<br />
toplam ı<br />
l' değeri<br />
W2)<br />
R(H0 ). R(I1113,)<br />
ilatan ın v ını ans ı<br />
(1:sror variance)<br />
p-q<br />
q<br />
n-p<br />
o' .vb,y A' 2 x; Q ,k1,,)<br />
Q1 = R(11) — R (fi )<br />
— 2<br />
Q2 = YV — Li. + )Y<br />
(21 1 q<br />
Qı / (iz - p)<br />
Qi n — P<br />
Q2<br />
q<br />
Hipotezler Ho :fii o ,<br />
o biçiminde ise,<br />
ve<br />
im2)= /-<br />
.2 x2 Y<br />
olacakt ır.<br />
R(P/P2 )=fl X'Y 202 = ( XX - x 2 x;f•pi<br />
R(O I y) gösterimi çok s ık ollarak,<br />
L' = +fil +fl2 X2 +••• + p - 1 p 1 +<br />
modelinde, y vektörü fi n ın bile şenlerinin bir k ısm ından oluşmak üzere,<br />
Ho :y<br />
H İ :y0<br />
hipotezleri ile ilgili olarak kullan ılmaktad ır. Örne ğin,<br />
1) Ho :fio = o için,<br />
R(fl İ fl1 ,Q2 ,.• • >P p- ı )= R(fl) - R(131,P2 •••, p- ı )<br />
2) Ho :fi i = fi2 = o için,<br />
R (P/ A) ,P3,P4 • • • fip-<br />
ı )= R ( f°) R (P O ıe 4 ,...,flp-1)<br />
d ır. Bu durmda R(GI y) gösteriminde fi yerine sadece H o hipotezinde yer<br />
alan bile şenlerin yaz ılmas ıyla, örne ğin 1) için R(fii13 ı ,132,•••,fip- ı ) yerine<br />
R(130 1 111,fi2 ,••,, p- ı ) ve 2) için R(fi/fi o ,fi 3 ,fi4 ,...,fip _ i ) yerine<br />
R(131 '132 gösteri ınleri kullan ılmaktad ır.
4.5.9 BİR FAKTÖRLÜ ve İKİ FAKTÖRLÜ DENEY TASARIMI<br />
233<br />
Tasar ım modelleri Lineer Modeller içinde en geni ş uygulama<br />
sahas ına sahiptir. Bu k ıs ımda ilk önce bir faktörlü bir tasanm modeli ve<br />
daha sonra iki faktörlü etkile şimsiz bir tasar ını modeli için istatistiksel<br />
sonuç ç ıkarma i şlemleri özetlenecektir.<br />
Bir faktörlü tasar ım modeli (K ısım 4.1.3),<br />
Yl = p+ a1 , i = 1,2,...,I , j= 1,2,...,ni , , =n<br />
ve parametre kümesi,<br />
eii —N(0,cr2 ) , sii ler bağıms ız<br />
olmak üzere bu model için:<br />
= ER,o-2 e(0.00)}<br />
1)Normal denklemler,<br />
= Y.<br />
i=1 i=1<br />
=Yi , 1,2,...,1<br />
2) Modelde katsay ı olupta bilinmeyen parametre say ısı p= I +1 Clir.<br />
X tasar ım matrisinin her sat ırı veya normal denklemlerin katsay ı matrisi<br />
X' X in her sat ın ile oluşturulan, efi , e e S(x' x)lineer bile şimi tahmin<br />
edilebilirdir. x' x in son 1 sat ın lineer bağımsız ve son / satınn toplamı<br />
birinci sat ırı verdiğinden rank(X` X) = I dır. ,u + ai , i= 1,2,...,/<br />
fonksiyonlan tahmin edilebilir lineer bile şimler için bir bazd ır. Bu baz<br />
fonksiyonlar ının UMVU tahmin edicileri,<br />
d ır.<br />
A<br />
p+ai =7/A- âi = Y ,<br />
=1,2,...,1<br />
3) z lineer bile şiminin tahmin edilebilir olmas ı için gerek ve<br />
i=1<br />
yeter şart z = O olmas ıd ır.<br />
i=1
234<br />
4) Normal denklemlerin bir çözümü,<br />
Y<br />
= = Y.<br />
ıı<br />
d ır.<br />
„ Y Y — —<br />
a• - Y i=1,2,...,/<br />
i1 il<br />
/ y.2<br />
5»"X'Y =rXX + Y--= L.<br />
ı =1 ni<br />
d ır.<br />
6) 0 2 nin UMVU tahmin edicisi,<br />
I ni<br />
(Yi<br />
62 i=1j=1 i-<br />
n--<br />
7) Ho :ai = a2 =-...= a<br />
Hi :enaz bir eşitlik doğru değil<br />
hipotez testi için varyans analizi tablosu a şağıdadır (Tablo 4.5.9.1).<br />
8) p-ı- ai , i =1,2,...,1 için bireysel 1- a güven katsay ılı güven<br />
aral ığı ,<br />
d ır. Burada,<br />
+ âi +t a ,i12ar(,^u+Ezi )<br />
It+ai = 2.1fr<br />
olmak üzere,<br />
VarCit-i-ai )= o2 2 1 (X' X) -<br />
ve<br />
.2ar(2u+âi )=- 3-2 ıl' (X' X)- 1<br />
d ır.<br />
2<br />
-I
1<br />
9) s ci ai tahmin edilebilir lineer bile şimi için 1- a güven katsay ılı<br />
ı = ı<br />
güven aral ığı ,<br />
235<br />
d ır.<br />
xc i 'ai / a<br />
i=i<br />
Var(ciâi)<br />
2 ;n-I i=1<br />
Tablo 4.5.9.1<br />
S.V. d.f. S.S. M. S. F<br />
Toplam<br />
ıi<br />
I nı<br />
Z<br />
Y 2<br />
i=1 j=1 i'i Qi n— I<br />
R(p,a)<br />
R(P)<br />
1<br />
1<br />
/<br />
Y.<br />
_... t<br />
ı =1 ni<br />
y 2<br />
n<br />
R(hro )<br />
i-i<br />
,<br />
1, y2 y2<br />
Q İ _, .....—_—__ Qı<br />
i= ı ni n I —1<br />
Q . I-1<br />
Q<br />
Hata 11-1 Q = '. (yi _T.; ) 2<br />
i= ı 1=1 i it — /<br />
Şimdi iki faktörlü etkile şimsiz dengeli bir model gözönüne alal ım.<br />
Yij,„=,u+a; +flij +eu„, , i = 1, 2,,. , , / , j = 1, 2,..., J , ın= 1, 2,..., M<br />
olmak üzere:<br />
eġ„,— IV (0,0 2 ) , eijııı ler bağıms ız
236<br />
1)Normal denklemler,<br />
IJM:u + + IM fl j. =Y,.<br />
ı =1 j=1<br />
J<br />
JM:ıt + JMai + M Z fisi =Vi , = 1,2,...,1<br />
j=1<br />
d ır.<br />
IM:u + M E 'izi +/M;qi = Yj. , j = 1,2,...,J<br />
i=i<br />
2) Normal denklemlerden i indisli olanların toplam ı birinci<br />
denklemi ve j indisli olanların toplamı da birinci denklemi verdi ğinden<br />
katsay ılar ınatrisi x' x olmak üzere,<br />
rank(X' X) 5_ I + J —1<br />
d ır. Di ğer taraftan birinci denklemi M ye bölüp, i indisli denklemlerde<br />
=1 denkleminden s ıra ile i = 2,3,...,1 denklemlerinin ç ıkarılması ve j<br />
indisli denklemlerde benzer şekilde birincisinden diğerlerinin ç ıkarılması<br />
sonucu,<br />
1 J y<br />
14+JZai +I Z fil<br />
i=1 j=i M<br />
Y<br />
= 1.. 4 ..<br />
JM<br />
, i = 2,3,...,1<br />
„ Y.1. - Y j<br />
P ı - Q -<br />
• j = 2,3,...,J<br />
/M<br />
elde edilir. Bu denklemlerin her birinde digerlerinde olmayan parametre<br />
bulundugundan bu I+J- 1 tane denklem (bu denklemlerdeki katsay ılar<br />
matrisindeki sat ır vektörleri) lineer ba ğıms ızd ır. Böylece x' x matrisinde
en az / +.I -1 tane lineer ba ğıms ız sat ır bulunmaktad ır, yani<br />
rank(X' X). +J -1<br />
d ır. Buna göre rank(X' X) = I + J-1 olup lineer bağıms ız tahmin edilebilir<br />
fonksiyonlarm (lineer bile şimlerin) say ıs ı 1 + J-1 dır.<br />
J<br />
'ip+ J Zai +1<br />
i=1 j=1<br />
a l - aı , i = 2,3,...,1<br />
fil<br />
, j = 2,3,,.., J<br />
237<br />
lineer bile şimleri tahmin edilebilir fonksiyonlar için bir bazd ır ve bunlarm<br />
UMVU tahmin edicileri yukar ıdaki denklemlerdeki sağ taraftaki<br />
terimlerdir.<br />
3) Eci ai lineer bile şiminin tahmin edilebilir olmas ı için gerek ve<br />
1=1<br />
yeter şart Ec 1 = o olmas ıd ır. E ci a1 nin UMVU tahmin edicisi,<br />
İ =1<br />
i= ı<br />
Zci a; ,<br />
ı =1 ı =i<br />
Y<br />
JM<br />
d ır ve<br />
c 2 .<br />
)<br />
ı =1 i=1 ı = ı iM<br />
dağıl ıml ıd ır.<br />
yeter şart<br />
J<br />
4) z cjfii lineer bile şiminin tahmin edilebilir olmas ı için gerek ve<br />
I<br />
J<br />
J<br />
ci = o olmas ıdır. z cifii nin UMVU tahmin edicisi,<br />
j=1 j=1
238<br />
d ır ve<br />
da'g ı l ımlid ır.<br />
J J Y,<br />
cj,o, = E cj iıi =<br />
•<br />
j=1<br />
İ • 1M<br />
1=1<br />
c" - N( Z cifij , Q2 E )<br />
j=1 j=1 j=1<br />
2<br />
5) 6 2 nin UMVU tahmin edicisi,<br />
d ır.<br />
I J<br />
I J M<br />
E E M( şij. —YJ.+Y..) 2 +E E E (Yum—i-;;.) 2<br />
(T<br />
^ 2 =<br />
i=1j=1 ı =1 j=ı m=1<br />
L/M- (/ + J-1)<br />
1<br />
6) Tahmin edilebilir Eoi cri lineer bile şimini için 1- a güven<br />
ı =1<br />
katsay ıl ı güven aral ıgi,<br />
d ır.<br />
1<br />
EcX . T- t a Q.<br />
ı =i ' I----;r<br />
2<br />
/ c. 2<br />
z_, —<br />
= JM<br />
r = IJM - (1 + J - 1)<br />
J<br />
7) Tahmin edilebilir E c jQj lineer bile şimini için 1- a güven<br />
j=1<br />
katsay ı l ı güven aral ıgı,<br />
d ır.<br />
J J C 2<br />
.<br />
Z ciY .j . T- t a .%; r . Z --/- -<br />
I= I<br />
I - -,.r \ j=1IM<br />
2 '<br />
r = IJM - (1 + J - I)
8) Ho :a i = a2=...= a✓<br />
Hi :enaz bir eşitlik do ğru değil<br />
için olabilirlik oran ı test istatisti ği Tablo 4.5.9.2 de Wa dır.<br />
239<br />
9) Ho:131 = flı =.-=<br />
H İ :enaz bir eşitlik doğru değil<br />
için olabilirlik oran ı test istatisti ği Tablo 4.5.9.2 de Wp d ır.<br />
Tablo 4.5.9.2<br />
S.V. d.f. S.S. M.S. F<br />
Toplam<br />
L/A//<br />
/ ' i M<br />
Z Z Z Y hn<br />
2<br />
1=1 j=lnı =1 i<br />
'<br />
R(Ho )oc lar için<br />
/-/<br />
İ y2<br />
y2<br />
Q1 = Z -L- - ...<br />
irsi itti L✓M<br />
Qı Ql r<br />
Wa = Q I — İ.<br />
I — i<br />
R(H0 )fl lar için<br />
J-1<br />
✓<br />
y 2. y 2<br />
Q2= z '' - -.<br />
j , IM LIM<br />
Q2<br />
J –1<br />
WA =<br />
Q2 r<br />
—.<br />
t- Q J –1<br />
Hata<br />
r<br />
1 .1<br />
Q= Z Z (Y„ -- -17; ) 2<br />
ı =1 ) =1 - .
240<br />
4.5.10 VARSA YIMLARIN SINANMASI<br />
Rasgelelik olgusunun modellenmesinde gerekli bilgi ve yöntemleri<br />
sağlayan istatistik biliminin u ğraşı sahas ının önemli bir k ısmı ölçümlere<br />
karşı l ık gelen rasgele de ği şkenler aras ındaki bağıml ıl ık yap ısını<br />
incelemektir. Rasgele de ği şkenler aras ında fonksiyon biçiminde bir ba ğıntı<br />
olmas ı bağıml ılığın basit hallerinden birisidir. Bunlar aras ında Lineer<br />
Modeller teorik aç ıdan birçok yönleri ile incelenmi ş olup geni ş bir<br />
uygulama sahas ına sahiptirler. Bu k ısımda lineer modellerin uygulamalar ı<br />
s ıras ında dikkat edilmesi gereken baz ı noktalara k ısaca değinmeye<br />
çal ışaca ğız.<br />
Belli bir olgunun modellenmesi ba şl ıba şına bir problemdir.<br />
Modelle ıne, olgunun ait olduğu bilim alan ının problemidir. Model kurma<br />
veya model seçiminde de istatistik bilgi ve yöntemlerine ihtiyaç vard ır. Bu<br />
konulara değinmeyeceğiz. Şimdi, belli bir olgunun modellenmesi s ıras ında<br />
Lineer Model'de karar k ıl ındığını düşünelim. Herhangi bir i şleme<br />
geçmeden önce amac ımızın, yani problemimizin çok iyi belirlenmi ş ve<br />
istatistik dilinde ifade edilmi ş (örneğin hipotezlerin kurulmu ş) olmas ı<br />
gerekir. Bu, verilerin analizi sonucunda ilgimizi çeken baz ı sonuçlarm<br />
kullan ılmayacağı anlam ına gelmez. Amaçlar belirlendikten sonra<br />
gözlemlerin al ınmas ı s ıras ında aç ıklay ıc ı değişkenler için baz ı modellerde<br />
mümkün olan optimal deney tasar ımları düzenlenmelidir. Optimal deney<br />
tasar ım ı yap ılamayan durumlarda aç ıklayıc ı değişkenler aras ında çoklu<br />
bağlant ı (iç ili şki, multicollinearity) olup olmad ığı araştınlmal ıdır.<br />
Aç ıklay ı c ı deği şkenler aras ında yakla şık olarak lineer ili şkilerin varl ığı<br />
olarak bilinen çoklu ba ğlant ı korelasyon matrisinin özde ğerlerinin analizi<br />
sonucu ortaya ç ıkanlabilmektedir. En büyük özde ğerin en küçük özde ğere<br />
oran ı olan ko şul say ısın ın 30 dan büyük olması ileri derecede bir çoklu<br />
bağlant ın ın göstergelerinden birisidir.Çoklu ba ğlant ı problemi Lineer<br />
Modellerin en ciddi problemlerinden birisidir. Çoklu ba ğlantmm en<br />
tehlikeli olduğu durum aç ıklay ıc ı deği şkenler aras ında gerçekte lineerli ğe<br />
yak ın bir ili şkinin olmad ığı ama örnekleme sonucunda böyle bir ili şkinin<br />
ortaya ç ıkmas ıdır. En küçük kareler yöntemini ara i şlem olarak kullanan<br />
birçok istatistiksel teknik çoklu ba ğlantıdan dolay ı yanl ış sonuçlara<br />
gidebilir. Lineer Modellerde istatistiksel sonuç ç ıkanma başlamadan Önce<br />
çoklu bağlant ı olup olmadığına karar verip, varl ığı durumunda gerekli
241<br />
tedbirleri almal ıy ız. Bu tedbirler de ği şken seçimi, gözlemleri ço ğaltma<br />
veya yanl ı tahmin ediciler kullanmak olabilir.<br />
Amaçlar ı tesbit edilmi ş, gözlemler al ınm ış ve çoklu bağlantı analizi<br />
yap ılm ış bir Lineer Model var olsun. Bu model için önemli sorunlardan<br />
birisi de varsay ımlann sağlan ıp sağlanmadığıd ır. Şimdi bu konuyu k ısaca<br />
ele alal ım.<br />
modeli için varsay ımlar:<br />
Y = Xfi+ , (0,62 1)<br />
1) E(c)= o yani i = 1,2,. ., ıı için E(si )= o,<br />
2) E l , E2 , , ler bağıms ız,<br />
3) Ei , EZ ,..., lerin herbiri sabit 62 varyansına sahip,<br />
4) e i , 82 , , e, lerin herbiri normal da ğıl ıma sahip,<br />
dır. Parametreler için nokta tahmin, güven arali ğı, hipotez testi gibi<br />
istatistiksel sonuç ç ıkarımlann doğruluk derecesi varsay ımlann doğruluk<br />
derecesine ba ğl ı olduğu aç ıkt ır. Bu varsay ımlar uygulamalarda<br />
sağlanmayabilir. Varsaym ılann sağlan ıp sağlanmadığının belirlenmesi<br />
sonucunda, e ğer varsay ımlar geçerli ise hipotez modelleri içi ıı geli ştirilen<br />
istatistiksel sonuç ç ıkarma yöntemlerini kullanmak, varsay ımlar geçerli<br />
değilse istatistiksel ç ıkanmda hangi yöntemin kullan ılacağma karar vermek<br />
zorunday ız.<br />
Ara şt ırmac ı varsaynnlardan birinin yada daha ço ğunun aykınlığma<br />
karar verirse a şağıdaki yollardan birini izleyebilir:<br />
a) Dağılundan ba ğıms ız istatistiksel sonuç ç ıkarma yöntemlerini<br />
kullanmak.<br />
b) Eğer mümkün ise bir (yada daha çok) varsaynn ayk ırı bir durum<br />
gösterdi ğinde doğru varsay ım ın ne olduğuna karar verip bu yeni varsay ım<br />
alt ında geçerli olan yöntemi kullanmak. Örne ğin, .8; nin (i = 1,2,...,n)<br />
normal dağı l ım yerine ba şka bir dağıl ıma sahip olduğu belirlenmi ş ise bu<br />
dağı l ım için parametre tahmini veya hipotez testini yürütmek gerekir. gi<br />
lerin ( ı = 1,2,...,n) bağıms ız olmad ıklan ve aralannda bilinmeyen ancak<br />
sabit bir korelasyon (p) olduğu belirlenmi ş ise yeni varsaymu içeren<br />
geçerli istatistiksel sonuç ç ıkarma yönternini kullanmak gerekir.
242<br />
c) Mümkünse tüm (4 tane) varsay ımlar sağlanacak şekilde veriler<br />
üzerinde uygun dönü şüm yapmak veya aç ık bir şekilde yanl ış ölçümler<br />
varsa bu gözlemleri ç ıkarmak.<br />
d) Varsay ımlann geçerli olmayanlar ın' ihmal ederek tüm<br />
varsay ımlar sağlan ıyonnu ş gibi i şlemlere devam etmek.<br />
Varsay ımlar gözlenemeyen e hata vektörü ile ilgilidir. Bu<br />
varsaynnlar ın geçerlili ği ııin s ınanmas ı,<br />
c = _ Y- Xfi<br />
olmak üzere, art ıklar ın (residuals) vektörü denen,<br />
vektörü ile yap ılmaktad ır.<br />
modeli için,<br />
r =Y = (I - XX + )Y = (./ - XX + )e<br />
Y = , ( 0,621)<br />
r- N(0,a2 (I - XX + ))<br />
d ır ve r ile 13 bağıms ızd ır.<br />
Art ık Analizi çok geni ş kapsaml ı bir konudur. Burada sadece bu<br />
k ısm ın ba şında geçen 4 tane varsay ımm geçerlili ğinin smanmasmda<br />
art ıklar ı!' nas ıl kullan ıld ığına değineceğiz.<br />
Birinci varsay ım hatan ın beklenen de ğerinin s ıfir olmas ı ile ilgilidir.<br />
Örneğin bir araşt ırmac ı modelin,<br />
Yİ = 'go +fliX; +si , =1,2,...,n , E(6İ )= o<br />
olduğunu kabul etsin, fakat gerçek model,<br />
Yi +fl i X i + p2x 2 + , = 1,2,...,n , E( ) = O<br />
olsun. Bu takdirde kabul edilen modelde ei nin beklenen değeri s ıfir<br />
değildir.<br />
E(ei)= E(132 X 2 77i) = fl2 Xi2<br />
Kabul edilen model için,<br />
olmak üzere:<br />
=(I-XX + )Y
dır.<br />
I) Bu model (kabul edilen model) geçerli ise art ıklar için,<br />
E(r) = O<br />
2) Di ğer model geçerli ise art ıklar için,<br />
243<br />
d ır.<br />
E(r) fi2 X İ2 , i =<br />
Kabul edilen model geçerli ise xi , i = 1,2,..., ıı gözlemlerine karşıl ık<br />
iki boyutlu bir koordinat sisteminin ordinat ında r , i = 1,2,.. ,11<br />
artıkları<br />
i şaretlenirse absis etrafında geli şigüzel bir serpilme ortaya ç ıkacakt ır.<br />
Örneğin di ğer model geçerli ise art ıklann serpilme diyagram ı absis<br />
etrafında geli şigüzel olmay ıp, modele karesel terim kat ılmas ına işaret<br />
edecektir. Böyle bir terimin modele eklenmesinden sonra )32 katsay ısı=<br />
s ıfıra e şit olup olmad ığın ın test edilmesi gerekecektir. Basit Lineer Model<br />
için yap ılan bu aç ıklamalar genel halde de geçerlidir.<br />
İkinci varsay ım hata terimlerinin ba ğıms ızl ığı ile ilgilidir. Bu<br />
varsay ım ın geçerlili ğini s ınamak için art ıklara nın testi uygulanabilir.<br />
Üçüncü varsay ım hatalar ın varyanslar ın ın e şit olmas ıdır. Bu varsay ımın<br />
geçerlili ğini s ınamak için kabaca art ıklann serpilme diyagram ındaki şerit<br />
geni şliginin deği şimine bak ılabilir veya ilgili testler uygulanabilir. Üçüncü<br />
varsay ım hatalar ın normal dağıl ıma sahip olmas ıdır. Bununla ilgili olarak<br />
art ıklara normal da ğıl ıma uyumluluk testleri uygulanabilir veya normal<br />
dağı l ıma ııyumluluk s ınamas ı için haz ırlanmış grafik ka ğıtlar ı kullanılabilir.<br />
Varsayl ınlann geçerliligini ıı s ınanmas ı art ıkların analizine<br />
dayanmaktad ır. Art ıkların hatalar için bir örneklem yani hatalar ın gözlenen<br />
değerleri olmad ıklar ın ı Midenin. Bir varsay ım ın geçerli olmadığı ortaya<br />
çıktığında bunun yerini neyin alaca ğı da aç ık değildir. Ayrıca baz ı<br />
varsay ımlann geçerlili ğini s ınamada ba şka varsay ımlar yap ıldığını da<br />
vurgulayal ım. Herşeye rağmen Lineer Model uygulamalar ında art ık analizi<br />
çok iyi sonuçlar vermekte ve mutlaka yap ılmas ı gerekmektedir.
244<br />
PROBLEMLER<br />
4.1 A) Y; =p+6.; , i=1,2,...,n , - N (O, a-2 ) , ler bağıms ız<br />
modelinde p ve o-2 parametrelerinin UMVU tahmin edicilerini bulunuz.<br />
= Po<br />
hipotezleri için W(Y) olabilirlik oran ı test istatisti ğini elde ediniz ve<br />
sonuçları na, o2 ) dağıl ım ı için yap ılan istatistiksel sonuç ç ıkanm ı ile<br />
kar şılaşt ırınız.<br />
B) Yii = +eij , =1,2 , , N(0,02 ) , eij ler b ığunsız -<br />
modelinde pi ,p i , o2 parametrelerinin UMVU tahmin edicilerini bulunuz.<br />
Ho:P ı = P2 Ht:pi #p2<br />
için W(Y) olabilirlik oran ı test istatisti ğini elde ediniz ve sonuçlar ı<br />
yorurnlay ın ız.<br />
4.2 Y = Xfi+ e , e- (O, cr2 I) , ratık(X:nx p) = p modelinde fi nın iki<br />
yans ız tahmin edicisi 7j ( Y) ve T2 (Y) olmak üzere Cov(Tİ (Y))-Cov(T2(Y))<br />
matrisi pozitif yar ı tan ıml ı (negatif tamml ı olmayan) ise Ti (Y) tahmin<br />
edicisine T2 (Y) den daha iyidir denir.<br />
= {AY +b: A ERI'"" ,b ERPx 1 }<br />
s ınıfında fi n ın en iyi lineer yans ız tahmin edicisinin,<br />
olduğunu gösteriniz.<br />
= (X' X) -1 X' Y<br />
4.3 Y = X fl + , e - N(0,0 -21) , rank(X:n x p)= p<br />
modelinde, Q:q x q , rank(Q) = q olmak üzere,<br />
1-10 :QH/3= Qh , rank(H:q x p) = q<br />
11 1 :QH Qh<br />
için W(Y) olabilirlik oran ı test istatisti ğini elde ediniz.
245<br />
4.4 Y = Xfl+s , e- N (0,u 2V) , V bilinen bir matris , rank(X:n x p) = p<br />
modelinde,<br />
Ho :Hfl= h , rank(H:q x p) = q<br />
111: HP<br />
hipotezleri için W(Y) olabilirlik oran ı test istatisti ğini elde ediniz.<br />
4.5 A) K ıs ım 4.3.1 de,<br />
W(Y)<br />
Z (I-BB +)Z-Y (I-XX + )Y n-p<br />
Y ' (I - XX 4- )Y<br />
ile K ı s ım 4.3.2 deki<br />
W(Y)_<br />
(11 ft- . h)°[II(X'<br />
Y (I - X X 4- )Y<br />
, H'i<br />
-1 (Hfl-12.) n p<br />
q<br />
test istatistiklerinin birbirine e şit odui,-;unu gösteriniz.<br />
B) K ısım 4.3.4 deki,<br />
ile<br />
Y' (XX + -u2u 2± )r_<br />
W(Y) =<br />
Y'(I - XXIV<br />
q<br />
1<br />
(H)111(X' X) - H'i (HP) n _ k<br />
W(Y)=<br />
y(1 xxly<br />
test istatistiklerinin birbirine e şit odugunu gösteriniz. (Graybill (1976),<br />
sayfa 223)
246<br />
4.6 Yi =flo +flixi +,62 x 2 + , = 1,2,..,n , N(0, (72/)<br />
modelinin detenninistik k ısm ı ,<br />
ii(x)=130 +flıx+Pı x 2<br />
, x E R<br />
fonksiyonu olmak üzere bu fonksiyonun ekstremum (maksimum yada<br />
minimum) noktas ının en çok olabilirlik tahmin edicisini bulunuz ve güven<br />
aral ığı olu ştunmuz.<br />
4.7 Y bağımlı deği şken ile x açıklay ıc ı deği şken aras ında polinom<br />
biçiminde,<br />
= Po flıxi + P2 Xı +.-.+fipX13 i = 1,2, ..,n , - N(0,021)<br />
modeli sözkonusudur, ancak polinomun derecesi bilinmemektedir.<br />
Polinomun derecesini nas ıl belirlersiniz?<br />
4.8 Yuk = ,u + ai + + + sijk , = 1,2 , j = 1,2 , k = 1,2,3<br />
euk N(0,0 2 ) , eijk lar bağıms ız<br />
modeli için normal denklemleri elde ediniz. aı - a2 tahmin edilebilirmi?<br />
Tahmin edilebilir fonksiyonlar için bir baz bulunuz. Baz fonlcsiyonlann ın<br />
en çok olabilirlik tahmin edicilerini bulunuz ve iki tanesini ele al ıp bunlar ın<br />
kovaryans ını hesaplay ınız.<br />
4.9 Basit bir lineer model ile bir faktörlü deney tasar ımı modelinin<br />
karışım ı olan,<br />
Yıf = ,u+ + , i = 1,2 , j = 1,2,...,n<br />
eij - N (0,a2 ) , eij larbağıms ız<br />
modelini gözönüne alal ım. Burada Yif ler bağıml ı deği şken ile ilgili<br />
gözlemler, xii ler aç ıklayıcı deği şken (concominant variable) ile ilgili<br />
gözlemler, ,u, al, a2 ,fl, o2 model parametreleridir.<br />
a) Tahmin edilebilme sorununu ara ştınnız. Parametrelerin tahmin<br />
edilebilir lineer bile şimlerinin ve /3, 0 2 nin en çok olabilirlik tahmin<br />
edicilerini bulunuz.<br />
b) Aşağıdaki hipotezler için a anlam düzeyli test istatisti ği elde<br />
ediniz.<br />
i) 1-10 :fi= O ii) Ho: a1 = c€2<br />
: a2
247<br />
4.10 Türkiye buğday üretimini (Y) aç ıklayan de ği şkenler olarak, ekilen<br />
alan (x ), mevcut traktör say ıs ı (x2), tüketilen gübre miktar ı (X3) ile<br />
çifiçiye ödenen bu ğday fiyat ı (X4 ) gözönüne al ınıp,<br />
=flo +fli X ıi +,62 X2i +fi3 X3i +fi4 X4 i +Ei , i =1,2,...,n<br />
gibi bir model dü şünülsün. Bu model için a şağıdaki gözlem değerlerine<br />
dayalı olarak:<br />
a) Çoklu bağlantı olup olmadığını ara ştirımz.<br />
b) Hata teriminin normal da ğılıma (e - N(0, 0-2/)) sahip olup<br />
olmadığını irdeleyiniz.<br />
c) Parametrelerin en küçük karaler tahminlerini bulunuz ve<br />
yorumlay ınız.<br />
d) Hata terimini normal da ğıl ımlı varsayıp,<br />
Ho :fi= o<br />
Hİ :fio<br />
ve bireysel parametreler (i = 1,2,3,4) için,<br />
Ho:fli =O<br />
14:fli # o<br />
hipotezlerini test ediniz ve sonucu yorumlay ınız.<br />
e) Çoklu bağlantıdan dolayı aç ıklayıcı değişkenlerden bir k ısmının<br />
modele al ınmamas ı düşünülürse de ğişken seçimi nas ıl yapılır?<br />
f) Ridge yöntemini kullanarak parametre tahmini yap ınız. Ridge<br />
yöntemi ile de ğişken seçimi nas ıl yapılabilir?<br />
g) Uç değerler, etkin gözlemler ve robust tahmin hak ında neler<br />
söyleyebilirsiniz?
248<br />
1960-1991 y ı llar ı aras ı bu ğday üretimi ile ilgili<br />
gözlem de ğerleri<br />
Y ı llar<br />
Üretim<br />
Y<br />
(binton)<br />
Ekilen alan<br />
X,<br />
(binhektar)<br />
Traktör<br />
X,<br />
(bintane)<br />
Gübre<br />
X,<br />
(binton)<br />
Fiyat<br />
X.<br />
(kr ş /kg)<br />
1960 8450 7700 42 187 59<br />
1961 7000 7717 42 217 73<br />
1962 8450 7800 43 295 82<br />
1963 10000 7850 50 426 82<br />
1964 8300 7870 51 532 81<br />
1965 8500 7900 54 802 86<br />
1966 9600 7950 63 1027 90<br />
1967 10000 8000 74 1538 90<br />
1968 9250 8250 85 2116 92<br />
1969 10000 8660 96 2448 97<br />
1970 10000 8600 105 2217 101<br />
1971 13500 8700 118 3284 105<br />
1972 12200 8730 135 3284 110<br />
1973 10000 8850 156 3720 133<br />
1974 11000 8750 200 3136 235<br />
1975 14750 9250 243 3691 271<br />
1976 16500 9250 281 5944 276<br />
1977 16650 9325 320 6577 292<br />
1978 16700 9300 370 7474 357<br />
1979 17500 9400 402 7666 528<br />
1980 16500 9020 436 5967 1081<br />
1981 17000 9250 458 6686 1853<br />
1982 17500 9000 491 7451 2385<br />
1983 16400 9230 513 8402 2839<br />
1984 17200 9000 556 8198 4574<br />
1985 17000 9350 583 7252 6600<br />
1986 19000 9350 612 7691 8400<br />
1987 18900 9415 637 8977 9800<br />
1988 20500 9435 654 8114 15800<br />
1989 16200 9351 673 9070 33800<br />
1990 20000 9450 692 9509 52700<br />
1991 20400 9630 704 8981 69700
249<br />
KAYNAKLAR<br />
Albert, A. ; Regression and the Moore-Penrose Pseudoinverse,<br />
Academie Press, New York, 1972.<br />
Arnold, S.F. ; The Theory of Linear Models and Multivariate<br />
Analysis, John Wiley and Sons, New York, 1981.<br />
Ben-Israel, A. and Greville, T.N.E. ; Generalized Inverses: Theory and<br />
Applications, Wiley, New York, 1974.<br />
Campbell, S.L. and Meyer, C.D. ; Generalized Inverses of Linear<br />
Transformations, Pitman, London, 1979.<br />
Dobson, A.J. ; An Introduction to Generalized Linear Models,<br />
Chapman and Hall, London, 1991.<br />
Eaton, M.L. ; Multivariate Statistics. A Vector Space Approach, John<br />
Wiley and Sons, New York,1983.<br />
Graybill, F.A. ; An Introduction to Linear Statistical Models, McGraw-<br />
Hill, New York, 1961..<br />
Graybill, F.A. ; Theory and Application of the Linear Model, Duxbury<br />
Press, North Scituate, Mass., 1976.<br />
Graybill, F.A. ; Matrices with Applications in Statistics, Wadsworth and<br />
Brooks, Pasific Grove, California, 1983.<br />
Hac ısalihoğlu, H.H. ; Lineer Cebir, Gazi Üniversitesi Yayn No:152,<br />
4.Bask ı, Ankara, 1985.<br />
Hocking, R.R. ; The Analysis of Linear Models, Brooks/Cole Publishing<br />
Company, Monterey, California, 1985.
250<br />
Hoerl, A.E. and Kennard, R.W. ; "Ridge Regression: Biased Estimation<br />
of Nonorthogonal Problems", Technometrics, 12, 55-67, 1970.<br />
Judge, G.G. , Griffits, W.E. , Hill, R.C. and Lee, T.C. ; The Theory and<br />
Practice of Econometrics, John Wiley and Sons, New York,1980.<br />
Pantula, S.G. ; Linear Models and Variance Components, Unpublished<br />
class notes, NCSU, Raleigh, NC27695.<br />
Pringle, R.M. and Rayner, A.A. ; Generalized Inverse Matrices with<br />
Applications to Statistics, Griffin, London, 1971.<br />
Rao, C.R. ; Linear Statistical Inference and its Applications, Wiley,<br />
New York, 1973.<br />
Theobald, C.M. ; "Generalizations of Mean Squared Error Applied to<br />
Ridge Regression", Journal of the Royal Statistical Society, B, 36, 103-<br />
106, 1974.<br />
Toro-Wizcarondo, C. and Wallace, T.D. ; "A Test of the Mean Square<br />
Error Criterion for Restrictions in Linear Regression", JASA, 1968.<br />
Wallace, T.D. and Toro-Wizcarondo, C. ; "Tables for the Mean Square<br />
Error Test for Exact Linear Restrictions in Regression", JASA, 1969.