LÄ°NEER MODELLER

More documents

Recommendations

Info

90 ve f (Y 1 1 Y 2 ) 1 I (y-p)'S (y-p) - - e- (-,F2Jr)",/det(S) 1 ,jdet(E22) -1 - (v y s, (v -u 2 2 2 -2 -2 E -I -= [Ell Z12 Ez ı E2z - 11.2 - E ı 1' 2E ı 2E 2 1 11 1 .2 '11 12 22.1 E 22.1 1 E21 11 22.1 E 11.2 = E11 12E22E21 E22.1 = E22 s ıı It z ıı ve ayr ıca, det( E) = det(i i)det(22 E21E- 1i2) olduğundan, det( E22)det(E11 -11 - ) - - Q e 2 f(Yil () k .,/det( ı 12) elde edilir. Burada, d ır. Q =[(Y İ - Pd-s ııs 221 (Y 2 - li2)]Eıll.2[(Y1 - Pi) - E12E(Y2 - 112)] Y2 = y 2 verildi ğinde Y İ in koşullu dağıl ım ına kar şılık gelen rasgele vektör , ile gösterilirse bu rasgele vektör,
asgele de E(Y — )= P + Ei2E —I (Y — P ) 2 - .1 2 I 22 --2 -2 beklenen değeri ve 91 )= sil 2 varyans-kovaryans matrisi ile nonnal da ğı l ıma sahiptir, yani d ır. K ııı ,-_- y2 N(P İ +/, ı 2Z221 (Y2 - P2 ),E11.2) EQ1/} . 2 =y2 ) = + E12;21 ( V_2 P2) denklemine regresyon denklemi denir. Y 1 vektörü bir bile şenli, yani Yi ği şkeni oldu ğunda, k(Yi ır, =y 2 ) = PI+ zuz221(y2 - P2 ) denklemine Y2 vektörü üzerinde Y1 rasgele de ği şkeninin denklemi denir. regresyon ÖRNEK 3.2.2 y = [4 ],..,N([1'1 1 [crı ı 012 Y2 P2 621
Page 1 and 2:
A.O.F.F. Döner Sermaye I şletmesi
Page 3 and 4:
İÇ İNDEK İLER Gösterimler 1.B
Page 5 and 6:
4.3.4 Tam Rankl ı Olmayan Modelde
Page 7 and 8:
I.Boıtim GENEL B İLGİLER 1 Bu b
Page 9 and 10:
Bildiğimiz gibi R reel say ılar,
Page 11 and 12:
Rix" nin elemanlar ın ı a'= (ai,a
Page 13 and 14:
ÖRNEK 1.2.2 R" standart vektör uz
Page 15 and 16:
ÖRNEK 1.2.6 Rnxin de A, B E R' iç
Page 17 and 18:
vektörleri (2,2,0) , (0,0,3) e R 3
Page 19 and 20:
olmak üzere Şekil 1.3.1 deki gös
Page 21 and 22:
olmak üzere, f, ya v vektörünün
Page 23 and 24:
v, = 1 —2 / — < X2,1, 1 > 1,111
Page 25 and 26:
19 /i4(M'M) -1 M'v = 3 0 = d ır. G
Page 27 and 28:
Tersine, bir An „,„ matrisi ve
Page 29 and 30:
TANIM 1.4.2 (6',lı bir lineer dön
Page 31 and 32:
25 olmak üzere M üzerine dik izd
Page 33 and 34:
27 (D: Rn x ın x Rn x ı» IZn x
Page 35 and 36:
5) A:n x n , A' A = I ise A matrisi
Page 37 and 38:
3) A: ıı x n matrisi için singü
Page 39 and 40:
A: ıı x matrisi simetrik olduğun
Page 41 and 42:
2.1.3 PARÇALANM1 Ş MATR İSLER ve
Page 43 and 44:
37 Pozitif tan ıml ı veya pozitif
Page 45 and 46: 1) A ve Bnxn tipinde iki matris ve
Page 47 and 48: 41 2.1.7 KARESEL ve L İNEER FORMLA
Page 49 and 50: ISPAT: a) x = x'a = a1x1+a2x2+...+a
Page 51 and 52: 45 1 -1 112 x i 2X1 — 2X2 + X3 f
Page 53 and 54: 2.1.8 FONKS İ YONLAR1N MAKS İMUM
Page 55 and 56: 4? 2.2 L İNEER DENKLEM SISTEMLERIN
Page 57 and 58: AA - A x o = AA - g 51 Ax o = AA -
Page 59 and 60: 6) (A'A); ve (A' A)7 matrisleri A'A
Page 61 and 62: 55 2.3 B İR OPTİMİZASYON PROBLEM
Page 63 and 64: 57 z = lim (A+ 81) -1 AA x o ' 6-4.
Page 65 and 66: 59 Şimdi b) şıkk ın ın ispat
Page 67 and 68: 2) A: ıı x nı ve rank(A) = m , y
Page 69 and 70: 63 14) A: ıı x ın ve I>: ıı x
Page 71 and 72: 24) Moore-Penrose genelle ştirilmi
Page 73 and 74: Bu dört ko şulu sağlayan G ınat
Page 75 and 76: 2.4.2 {1,2}-KO ŞULLU İNVERSLER 69
Page 77 and 78: 71 2.4.4 {1,3}-KO ŞULLU ve { ı ,4
Page 79 and 80: 73 A * • I?'" --> I?" ıs' biçim
Page 81 and 82: 75 wi ı xi ı pozitif tatmini' bir
Page 83 and 84: (A' A) 77 d ır. P = , Q = A 1-1 A2
Page 85 and 86: 79 PROBLEMLER 2.1 A bir matris olma
Page 87 and 88: 81 3.BÖLÜM NORMAL DA ĞILIMLI RAS
Page 89 and 90: Çok de ği şkenli normal da ğı
Page 91 and 92: Y vektörüntin yoğunl ıık fonks
Page 93 and 94: 3.2 ÇOK DE ĞİŞKENL İ NORMAL DA
Page 95: 89 Y - nıı,Z) Yl Y2 olmak üzere
Page 99 and 100: 93 Y1 Y 1 TANIM 3.2.1 Y -= Y2 rasge
Page 101 and 102: 3.3 Ki-KARE DA ĞILIMI 95 Bir X r.d
Page 103 and 104: 2 X i 4n) i = 1 d ır. rasgele def,
Page 105 and 106: 99 jjı J .( ıı , ) {fv(v)..fu o
Page 107 and 108: • • 101 fz (z)= ı =o e -n İ 2
Page 109 and 110: X -(r) olmak üzere, 103 d ır. E(X
Page 111 and 112: 105 ıl +2j 2j + +12 ri PG( )( ) 2
Page 113 and 114: Y - N(0,1,) ve A reel simetrik bir
Page 115 and 116: idempotent olsun. C- !Be - I C- IBE
Page 117 and 118: k = r,2 111 Anx , reel simetrik bir
Page 119 and 120: 3.7 KARESEL FORMLARIN BEKLENEN DE
Page 121 and 122: 115 Coehran Teoremi karesel formlan
Page 123 and 124: 11Y11 2 Y 2 = Y ' Y de bir karesel
Page 125 and 126: karesel fondan]] da ğı l ımlan,
Page 127 and 128: 121 11 - N( ııp 0 , 02 1) 0 oldu
Page 129 and 130: 123 Birinci ve ikinci durumdaki var
Page 131 and 132: 125 olan elmadaki meyve suyu miktar
Page 133 and 134: S ıcakl ık ile bas ınc ın, sert
Page 135 and 136: görmek isteyece ğiz. Böyle durum
Page 137 and 138: 131 Y Yl - Y2 , X 1 1 c= El Yn _ _E
Page 139 and 140: I i 133 X = 1 1 1 ı 1 1 ı -n ı I
Page 141 and 142: 4.1.4 VARYANS B İLEŞENLER İ VE K
Page 143 and 144: ile ilgili üç farkl ı yöntem (d
Page 145 and 146: 139 1,4 X if3+ Xi 8i + , =1,2,..,m
Page 147 and 148:
141 4.2 PARAMETRE TAHM İNİ modeli
Page 149 and 150:
143 = X + Y + (I - X + X )z , z E R
Page 151 and 152:
145 = g(13, 62 „G, 02 )h(Y) biçi
Page 153 and 154:
olmak üzere, x 4- (0 2 1)(1 - xx+)
Page 155 and 156:
149 ÖRNEK 4.2.1.1 Y = el Y2 e2 , X
Page 157 and 158:
151 c) E(&2 )= cr2 olduğundan '62
Page 159 and 160:
153 4.2.2 2.DURUM (c- (0,021)) Y =
Page 161 and 162:
155 (Ip n ın lineer yans ız tahmi
Page 163 and 164:
Y = Xfl+ e , e- N(0,) , E pozitif t
Page 165 and 166:
4.2.4 KARAR KURAMI AÇISINDAN PARAM
Page 167 and 168:
161 /3 n ın bir tahmin edicisinin
Page 169 and 170:
tahmin ediciler vard ır. Ridge tah
Page 171 and 172:
165 r[XR]fl+[l cov( [ş_vl)_ 02 [01
Page 173 and 174:
167 ÖRNEK 4.2.5.1 Tasarım modelle
Page 175 and 176:
169 () 2' ES(X) /V= c'X , 3c ER" E(
Page 177 and 178:
171 Var (.1_:_:( S3) = G'ar(2.'(X'X
Page 179 and 180:
F(X'Y)= X'Xfi olmas ı sebebiyle, x
Page 181 and 182:
Şimdi G2 için UMVU tahmin edicisi
Page 183 and 184:
177 ÖRNEK 4.2.5.2 YR 110100 0- fi
Page 185 and 186:
Şimdi sorumuza dönelim. Görüld
Page 187 and 188:
181 e) H= o 0 0 1 1 1 -t 0 0 0 -1 0
Page 189 and 190:
t ı (Y) istatisti ğinin paydas ı
Page 191 and 192:
185 d ır. max L (Z „ e 2 6Q. yı
Page 193 and 194:
4.3.2 OLAB İL İRL İK ORAN İ TES
Page 195 and 196:
189 = X + Y-(x•x) -1 HIll(x'x) -
Page 197 and 198:
191 Cov(Hfl-h)=6-2H(X'X) -1 H' oldu
Page 199 and 200:
2. N o :13=h , h: p xl bilinen bir
Page 201 and 202:
195 > tl - a/2 (1 )9- a) 2 -1 1-a/2
Page 203 and 204:
197 W(Y) = 22 Q * £ -2 ıl— p ve
Page 205 and 206:
matrisi elde edilsin. raıık(L' :k
Page 207 and 208:
4.4 Go VEN ARALIKLARI 201 Bu k ıs
Page 209 and 210:
o2 parametresi için al ışılm ı
Page 211 and 212:
H fl+Vq1..1 _ a.q p ‘frar(e' H fl
Page 213 and 214:
4.4.3 TAM RANKLI OLMAYAN MODELLERDE
Page 215 and 216:
noktalar ı olup, Y vektörünün b
Page 217 and 218:
modelinde bir xo noktas ında al ı
Page 219 and 220:
213 için .3:„-13 )co - z ı-pa N
Page 221 and 222:
215 n n n E(Yi — Y )(xi ijl =1=1
Page 223 and 224:
217 ifadesindeki e şitsizlikler, P
Page 225 and 226:
219 olmak üzere hipotez Ho Hfl= o
Page 227 and 228:
olmak üzere K ısmı 4.5.4 deki gi
Page 229 and 230:
4.5.6 KES İŞME NOKTASININ TAHM İ
Page 231 and 232:
225 (ni +112 - 4)â2 o-2 L(n i +n2
Page 233 and 234:
227 d ır. efi n ın UMVU tahmin ed
Page 235 and 236:
4.5.8 VARYANS ANALIZI TABLOSU 229 A
Page 237 and 238:
231 Birincisi Ii' y ı içeren, Y=
Page 239 and 240:
4.5.9 BİR FAKTÖRLÜ ve İKİ FAKT
Page 241 and 242:
1 9) s ci ai tahmin edilebilir line
Page 243 and 244:
en az / +.I -1 tane lineer ba ğım
Page 245 and 246:
8) Ho :a i = a2=...= a✓ Hi :enaz
Page 247 and 248:
241 tedbirleri almal ıy ız. Bu te
Page 249 and 250:
dır. I) Bu model (kabul edilen mod
Page 251 and 252:
245 4.4 Y = Xfl+s , e- N (0,u 2V) ,
Page 253 and 254:
247 4.10 Türkiye buğday üretimin
Page 255 and 256:
249 KAYNAKLAR Albert, A. ; Regressi
show all

LÄ°NEER MODELLER

Create successful ePaper yourself

Delete template?

Save as template?