ANKARA NVERSTES SYASAL BLGLER FAKLTES YAYINLARI: 543

Prof. Dr. UUR KORUM

A. . Siyasal Bilgiler
Fakltesi

Ankara, 1985

eemdersnotlari.com

eemdersnotlari.com

ANKARA NVERSTES SYASAL BLGLER FAKLTES YAYNLAR: 543

Prof. Dr. UUR KORUM

A. . Siyasal Bilgiler
Fakltesi

MATEMATKSEL
STATSTE

GR

(III. Bas)

Ankara, 1985

eemdersnotlari.com

 Copyright: Siyasal Bilgiler Fakltesi, 1985

Ankara niversitesi Siyasal Bilgiler Fakltesi Ynetim Kurulunun 15.11.1984

tarih ve 84-34 say,
Ankara niversitesi Yayn Komisyonunun 19.11.1984 tarih ve 8-42 sayl kararlar
ile 3000 adet baslmtr.

A.. S.B.F. ve BASIN YAYIN YKSEKOKULU BASIMEV, ANKARA 1985

eemdersnotlari.com

ANNEM'e ve BABAM'
tten

sevgi

ve teekkrlerimle

eemdersnotlari.com

eemdersnotlari.com

NSZ
"Matematiksel istatistie Giri", uzu saylabilecek bir dnemin
rn. 1963-1965 yllarnda ABD'de Michigan niversitesinde statistik
ve ekonometri ile ilgili almalarm ve 1965-1966 akademik ylnda
yazlm ve oaltlm ders notlarm kitabn temelini tekil etti. 1965
1969 arasmda SBF III. snf ve DE Eitim Merkezi'nde bu yaklam
ile istatistik okutmak, bir ders kitabnn yazlmas srasnda byk
lde yararlandm bir tecrbe oldu. Baka deyile kitabn nvesi
snfta test edildi. 1
Kitabn 1969 ve 1970 yllarnda tamamiyle yeniden yazlnda,
amacn esas itibariyle sosyal bilimlerle ilgili rencilere temel bir istatistik formasyonu vermek olduunu dikkate alarak matematik ngereini,
yabanc dillerde bu tip kitaplarda aklagelmi seviyenin altda tutmaya
altk. ktisatlar iin zel nemini dikkate alarak Regresyon ile ilgili
iki blm, ders kitabnn hacmine oranla geni tuttuk.
Kitabmzn temel istatistik ve ekonometri ile ilgili kurlarda, bu
derslerin okutulduu muhtelif niversite ve akademilerde, lisans ve
lisans st seviyede faydal olabileceini umuyoruz.
Akademik ynden kitaba ilikin olarak, ABD'deki hocalarma,
zellikle D. B. Suits. S. H. Hymans, L. Kish ve W. A. Erickson'a ve
bibliyografyada belirttiim kitaplarn yazarlarna teekkr borluyum.
Dier almalarmda olduu gibi bunda da deerli eim Sevil'in
byk destei bana yardmc oldu. Uzun saylabilecek bir kitabn daktilo
iini, aylarca sren sabrl ve titiz bir alma ile baararak, kendi almalarna ayrabilecei deerli zamanndan byk fedakrlk yapt.
Kendisine minnettarm.
Son derecede titiz ve baarl almalar ile kitab, ekil olarak,
yabanc dillerdeki yaynlarn seviyesine ulatran Ankara niversitesi
Matbaas'nn deerli elemanlarn tebrik etmek ve iten teekkrlerimi
sunmak isterim.
V

eemdersnotlari.com

Kitapta phesiz var olabilecek hatalarla ilgili olarak ve geel

deerlendirme ve kritik eklinde yardmlarn meslekdalanmdan bekliyorum. Yazarn inanc, ancak byle deerli tenkitler sonucu kitabn
arzu edilen nitelie ulaabilecei eklindedir.
Ankara, Haziran 1971

Uur KORUM

VI

eemdersnotlari.com

NDEKLER
Sayfa

GR

1-3

BLM I
" SETLER

4-20

Set kavranlan
Eitlik, Elenildik
Set ilemleri
Set cebri ve kurallar
Sral ikililer ve kartezyen arpm
liki ve fonksiyon kavramlar
Setlerle ilgili problemler

*....

4
6
7
10
13
14
17

BLM II
OLASILIK

21-47

Giri
Olaslk aksiyomlar
artl olaslk
Stokastik bamszlk
3 olayn artl olasl ve bamszl
n tane olayn artl olaslk ve bamszl
Bayes forml
Sralama ve birletirme
Olaslk ile ilgili problemler

21
23
2S
28
29
31
^2

00

38

BLM III
TESADF DEKENLER
I. Tek boyutlu tesadfi deikenler
1. Kesikli tesadfi deikenler
YII

eemdersnotlari.com

48-88
50
50

Birikimli dalm fonksiyonu

2. Devaml tesadfi deikenler
.
II. ok boyutlu (bileik) tesadfi deikenler
1. Kesikli bileik tesadfi deikenler
2. Devaml bileik tesadfi deikenler
artl dahmlar
(Bileik tesadfi deikenlerde) Stokastik bamszlk
ikiden ok boyutlu bileik tesadfi deikenler
Tesadfi deikenlerin fonksiyonlarnn dalmlar
Tesadfi deikenlerle ilgili problemler

j..

53
55
59
59
62
70
72
72
73
77

BLM IV
BEKLENEN DEER Ve MOMENTLER
Beklenen deer cebri
Korrelasyon katsayu
artl beklenen deer
Momentler
Moment karan fonksiyon . j
Beklenen deer ve momentlerle ilgili problemler

89-128
94
103
108
113
117
118

BLM V
BRKA NEML D A I L I M :

129-168

(BNOMAL, POISSON, NORMAL)

I. Binomial dalm
...'.,
II. Poisson dahm
III. Normal dadm
i) Tek deikenli normal dalm
Birikimli normal dalm .
Standart normal dabm
ii) ki deikenli normal dadm
Binomial dabma normal eri yoluyla yaklama
Dadrnlarla ilgili problemler
I . Binomial dadm
II. Poisson dabm
III. Normal dalm
VIII

eemdersnotlari.com

129
132
135
136
138
140
145
148
153
153
164
167

BLM VI
RNEKLEME

169-192

rnek momentleri
Byk saylar kanunu
Chebyshev eitsizlii
Merkezi limit teoremi
rnekleme ile ilgili problemler

174
178
179
181
187

BLM VII
S T A T S T K TAHMN

193-263

Giri: Karar alma problemi

193
I . Nokta tahmin
203
f
i) Sapmaszlk
204
ii) Minimum varyansl sapmaszlk
207
iii) Tutarbbk
208
iv) Asimptotik etkinlik ve n iyi asimptotik normallik (BAN) 209
v) Yeterlilik
210
Maksimum likelihood metodu .
211
ML tahmin metoduna rnekler
215
Nokta tahmin ile ilgili problemler
219
II. Normal dalm ktleler iin biraz daha dahm teorisi . . . .
X1, t ve F dalmlar
y} dalm
t dalm
F dalm

229
230
234
235

III. Aralk eklinde tahmin

238
Normal dalmn ortalamas (i. iin gven aralklar
240
i) a 2 biliniyor
240
2
ii) a bilinmiyor
244
Normal dadm ktlelerde ortalamalar arasndaki fark ile ilgili
gven aralklar . . . . '
* i248
Normal dalmn varyans iin gven aralklar
250
Ortalama ve varyans iin gven blgeleri
252
Oranlarla ilgili gven aralklar
254
Oranlar fark ile ilgili gven aralklar
.->
256
Aralk eklinde tahmin ile ilgili problemler
257
IX

eemdersnotlari.com

BLM VIII
HPOTEZLERN TEST'
i

264-318

I. Hipotez testine genel bir yaklam

264

Basit ve karmak hipotezler . . . >

.
Test'in kuvveti
Likelihood oran test'i

264
270
274

II. Pratikte ok kullanlan birka hipotez test'i

279

1. Normal dalmn ortalamas p ile ilgili testler

a) Ktle varyans er2'nin deerinin bilinmesi hali
b) Ktle varyansnn bilinmemesi hali
2. Ortalamalar arasndaki farkn test'i
a) Ktle varyanslarnn bilinmesi hali
b) Ktle varyanslarnn bilinmemesi hali
3. Normal dalmn varyans, a 1 ile ilgili testler
4. Normal dalm iki ktlenin varyanslar arasndaki farkla
ilgili testler
5. Oranlarla ilgili testler
6. Oranlar fark ile ilgili testler
7. k tane oran arasndaki fark
8. "Contingency" tablolar
9. Uyma iyilii (baars) test'i
Hipotez testleri ile ilgili problemler

280
280
287
290
291
292
295
297
299
301
304
307
310
311

BLM IX
B A S T REGRESYON
Giri
!
iki deikenli dorusal regresyon modeli
Basit dorusal regresyon modelinin stokastik tanm
LS tahmin edicilerinin zellikleri, Gauss Markov teoremi
Esneklikler
Regresyonda istatistiki istidlal
Korrelasyon katsays
Uyma baars test'i
r* ile F arasndaki iliki
nceden tahmin ve yeni gzlemler
Stokastik tanm artlarnn kritii
X

eemdersnotlari.com

319-390
319
321
323
332
341
343
348
353
357
360
366

i) X ve e'n bamsz olmas lali

ii) Homoscedasticity
iii) Otokorrelasyon
iv) Deikenlerde lme hatalar
Basit dorusal regresyon ile ilgili problemler

367
369
370
375
376

BLM X
OKLU REGRESYON

391-439

oklu regresyon modelinin stokastik tanm

392
GM teoremi
394
X'lerin tesadfi deikenler olmas hali
395
a 1 iin tahmin edici
395
2
R , oklu determinasyon katsays
397
oklu regresyonda istatistiki istidll
399
oklu regresyonda hesaplama ilemleri
403
i) Direkt matriks evirimi metodu .
406
ii) Ksaltlm Doolittle metodu
414
1. ne doru zm
414
2. Geriye doru zm
415
nceden tahmin
422
Stokastik tanm artlarnn kritii: oklu bant
423
oklu bantnn varl kabul edildiinde alnabilecek tedbirler;
Regresyona kaytlar koymak
427
oklu regresyon ile ilgili problemler

428

BBLYOGRAFYA

441-443

KAVRAM NDEKS

445-148

OLASILIK TABLOLARI:
Standart Normal Dalm: Birikimli Dalm Fonksiyonun . . . 156 L->7
Standart Normal Dalm: Sklk Fonksiyonu
158-159
Birikimli V- Dalm
232
Birikimli t Dalm Alan Yzdesi
236
.95 Birikmi olasla Tekabl Eden F Deerleri
237

XI

eemdersnotlari.com

eemdersnotlari.com

GR
istatistik teorisi ve teknii, eitli bilim dallarndaki gelimeye
paralel olarak, zamanmzda bilim metodunun ortak teknolojisi haline
gelmi bulunuyor. Esas itibariyle matematiin bir alt ihtisas dal olan
istatistik teorisi, pek ok bilim dahnda aratrmalarn yapdabilmesi
iin kullanlmas zorunlu temel bilgileri kapsyor. Belirsizlik ve tesadfliin hakim olduu artlar altnda karar vermede kullandabilecek
aletleri gelitiriyor.
Teorik ve uygulamal istatistik eklinde yaplan ayrm, uygulama
alanlarnda aratrmalarda ulalmas gereken seviye ve kullanlacak
aletlerin gerektirdii bilgiler karsnda eski kesinliini kaybediyor.
Bugn herhangi bir bilim dalndaki (Bu bilim dal fizik, kimya, meteoroloji, tp, psikoloji, eitim, iktisat, sosyoloji, endstri mhendislii, botanik ... olabilir) aratrc, baarl olabilmek iin istatistik teorisi ile ilgili
asgari bir temele sahip olmak zorunda, istatistik teorisine yaplan pek
ok katknn, eitli alanlarda almalar yaparken kardalan problemleri zme abasnn rn olduu grnyor. Bu kitabn amac
aratrma iin zorunlu ngerei salamaya yardmc olmak.
istatistiin en baarl ekilde kullanld alanlardan biri iktisat.
Iktisat'n bir alt ihtisas dal olan ekonometride son yllarda Trkiye de
dahil, byk gelime grnyor. Regresyon analizinin iktisatta kullanlan teknikler arasnda ayr bir yeri var. Kitabmzda bu durumu dikkate alarak regresyon'a zel bir arlk tandk. Fakat bu, kitabn hibir
zaman sadece iktisatlara h'tap ettii anlamna gelmiyecek. Aksine,
belirsizlik ve tesadflik unsurlarnn rol oynad her yerde geerli
olabilecek ortak bilgileri verme amacna ynelecek.
Kitabmzn bah muhtevasn ve hitap ettii seviyeyi belirtiyor.
"Giri" szcn kullanmamzn nedeni, matematiksel ngerek olarak
sadece bir miktar "Calculus" ve matriks ilemleri hakknda bilgiyi gerektirmesi ve ok deikenli istatistik teorisini aa yukar tamamen ihmal
1

eemdersnotlari.com

etmesidir. Ayrca olaslk teorisi ile ilgili alternatif yaklamlar (1) ve

bu yaklamlara dayanan istatistik! tahmin metotlar kitabmzda yer
almamaktadr. Kitaba girecek konularn seiminde, regresyon analizi,
daha geni olarak ekonometri'ye bir balang amac hakim olduu iin,
zellikle laboratuar deneylerine dayanan bilim dallarnda kullanlan
deney dzenleri, varyans-kovaryans analizleri, dizisel (2) ve parametrik
olmyan teknikler kapsam d tutulmutur.
Matematiksel olarak konuya yakladd iin de uygulamal istatistiin baz standart konulan (istatistiklerin derlenmesi, okluk dalmlar, zaman serileri, indeksler, iktisad istatistikler gibi) zerinde
durulmamtr. Yaklam, kapsam ve ngerekleri ile yle samyoruz ki
kitabmz, ekonometri alannda yaplanlar takip etmek ve bunlara kendi
abasnn rnlerini eklemek iin zorunlu olan temeli, aratrc ve
potansiyel aratrclara (renciler) vermeye alacaktr.
imdi ok ksa olarak kitabn kapsamna deinelim.
Birinci blm, modern matematik ve mantkta nemli bir yeri olan
set'leri ve set ilemlerini tamtyor. Olaslk iin en uygun giri set'lerden
balamak.
kinci blmde olaslk aksiyom ve teoremleri zerinde duruluyor.
Bu blmde, genellikle kabul edilen objektivist yaklam srdryoruz.
ve drdnc blmlerde tesadfi deikenleri ve dalmlarnn
parametrelerini (beklenen deer, varyans ... gibi) gryoruz. Tesadfi
deiken ve dalm kavramlar, iyi anlalmas gereken nemli kavramlar.
Beinci blm'de pratikte ok iimize yaryan binomial, poisson
ve zellikle normal dadmlar zerinde duruluyor.
Altnc blm rnekleme balm tayor, fakat bu balk kapsam
ile ilgili olarak bizi yanltmamah. Bu blmde esas itibariyle ktle
hakknda, daha dorusu ktle parametreleri ile ilgili olarak bilgi elde
etmek iin rneklemeden ve rnek statistiklerinden nasl faydalanabileceimizi zetliyoruz.
Yedi ve sekizinci blmler istatistik! tahmin ve istidll ile ilgili
nemli blmler. Bir karar alma teorisi yaklamnn hakim olduu bu
blmlerde nokta ve aralk eklinde tahmin ve pratikte en ok kullanlan hipotez testleri zerinde duruluyor.
1 Siibjektivist gr veya Bayes'ci yaklam gibi.
2 Se<uetial.

eemdersnotlari.com

Kitabn son iki blm regresyon analizine ayrlmtr. Basit ve

oklu regresyon analizi ile ilgili blmler, hem istatistiki tahmin ve
istidlalin kullanmna bir misl tekil ediyor hem de ekonometriye gei
iin bizi optimum bir noktada brakyor. Ekonometri iin ok deikenli
matematik ve istatistik bilgileri dnda asl gerekli olan iktisat bilgisi
ve daha da nemlisi saduyu, objektiflik ve ihtiyathhk. Bunlar ise dar
anlamda kapsam d kalyor.
ok ksa olarak zetlediimiz bu muhteva, blmler eklinde birbiri ile ilintisiz bilgi kmeleri deil. Aksine, blmler arasnda, istikameti genellikle blmlerin sralannda beliren ilikiler mevcut. Mesel
regresyon analizi iin istatistiki tahmin ve istidllin bilinmesi gerekli.
Bu teknikleri uygulamak iin ktlenin tamamnn deil bir ksmn
(rnek) kullanmak zorundayz, rneklerden elde etmemiz sz konusu olan
deerler, birer tesadfi deiken. Tesadfi deikenler ise olaslk bilgilerini gerektiriyor. Set'ler ise olaslk iin iyi bir sembolizm ve anlatm
arac.
Kitabmzda metin ii misller ve blm sonlarnda yer alan zlm ve zlmemi problemler, istatistik kitaplarnn zorunlu unsurlar olmas gereken eyler. Kitapta toplam olarak 88 metin ii misl,
74 zlm problem ve 77 problem yer alyor. Tavsiyemiz, bibliyografyada yer alan baz kaynaklardan yararlanarak veya kendi kuraca
problemlerle okuyucunun, konu zerinde dnme yeteneini arttrma
abasn gstermesi.

eemdersnotlari.com

BLM I
SET'LER

Set teorisi, matematiin gelitirilmesi ve retiminde gittike daha

fazla yararlanlan konulardan biridir. Ayrca olaslkla ilgili ikinci blmn temel aracdr. Bu blmde amacmz, kitapta kullanlaca
kadar ile, setlerle ilgili kavramlarn ve set ilemlerinin aklanmasdr.
SET KAVRAMLARI
Tarif: Set, kendisine ait olan elemanlar ayrdedici bir kural ile birlikte herhangi bir ey'ler topluluudur.
Set kavramna pekok misl herkes tarafndan verilebilir. Siyasal
Bilgiler Fakltesinde okuyan renciler, kitapln en st rafnda yer
alan kitaplar, nfus skl Trkiye ortalamasnn zerinde olan iller,
alfabedeki sesli harfler, 1 ile 2 arasndaki reel saylar, bir ember zerindeki noktalar ... birer set tekil ederler. Bunlarn herbirinde set tarifinin iki unsurunu aka grebiliriz:
i) Bir araya gelmi eyler,
ii) Bunlar baka eylerden kesin ekilde ayran ve set'in snrlarm
tayin eden kural.
A bir set olsun:
A = { eylerin veya "eleman"larn ismi : Set yelii iin kural}
x, A setinin bir eleman ise, x eA eklinde gsterilir. Aksi durum ise
x
olarak ifade edilir.
Yukarda verilen rneklerden bazlar snrl sayda eleman ihtiva
eder. Bu tip setlere s n r l s e t ( l ) denir.
1 Ya da snrsz fakat saylabilir sayda. Bundan sonra snrl dendii zaman "snrl, ya da
snrsz fakat saylabilir sayda" ibaresi anlalmaldr.

eemdersnotlari.com

A = { x: x alfabedeki sessiz harfler}

Snrl sete rnektir. Buna karlk son iki mislde set elemanlarn
saymaya imkn yoktur. Bu tip setlere de s n r s z set diyeceiz.
A = {x: 1 ^ x ^ 2} setinde olduu gibi.
Hi bir eleman olmayan sete bo set denir ve 0 iareti ile gsterilir. Bo set ancak bir tanedir, yani birden ok bo set dnlemez (2).
Setlerle ilgili dier nemli bir kavram, U n i v e r s a l Set, U'dur.
Bo set'in tekliine karlk, universal set, her konu veya misl ile ilgili
olarak ayr ayr dnlmesi gereken bir kavramdr. Mesel sadece SBF
rencileri zerinde yaplmas dnlen bir aratrma bakmndan SBF
rencileri universal set'i tekil ederler. Halbuki konu mesel Trkiye'deki btn yksek okul rencilerinin serbest zaman faaliyeti olsayd
universal set'i de oha gre geniletmemiz gerekecekti.
Herhangi bir konuda universal set belli iken, ayn konuda dnlebilecek dier btn set'ler bit set iinde kalrlar. Bu durum bir setin
baka bir seti tamamen kapsamas veya baka bir setin tamamen iinde
bulunmas hallerinin incelenmesini gerektirir.
Tarif: Eer x>-xeB -ise A,B nin a l t set'idir. (3)
A c B ( A ieri B) eklinde gsterilir. Her set kendi kendisinin alt seti
olduu iin bunu A S B eklinde gstermeliyiz.
Her set universal setin alt setidir. A U , Bo set her setin bir alt
setidir. 0 A.
Set'leri VENN d i y a g r a m l a r ile gstermek ou zaman faydal
olur ve set ilikilerinin kolaylkla kavranmasn, set ilemlerinin sonularnn anladmasn salar. Venn diyagramlar iin belli bir ekil sz
konusu deildir. Biz kolaylk olsun diye U'yu bir dikdrtgen, U iindeki
dier setleri de daire eklinde gstereceiz.
2 Bo set'in tek oluunu gstermek iin, 0 ve 0'mn birer bo set olduunu far/edelim.
0'nun d iinde bulunmayan herhangi bir eleman olmadndan 0 c 9 dr. Benzer ekilde 9 C 0
da yazlabilir. Oysa bu iki ifadenin ayn anda salanmas ancak 0 = 0 olmas, yani bo setin
teklii halinde mmkndr.
3 "*" iareti tek tarafl bir nermeyi ifade ediyor; yani sonraki ifadenin nceki ifadenin
zorunlu bir sonucu olduunu gsteriyor.

eemdersnotlari.com

A C H

A c

ETLK, SLENKLK
A ve B gibi iki set, tamamiyle ayn elemanlar ihtiva ediyorlarsa
eit saylrlar. Elemanlarn sralan fark set eitliini bozmaz.
r n e k : 3 karde var, isimleri Ali, Aye, Ama. Orta okulda ngilizce dersinden birinci karne ders notlan 8, 7, 5. Matematik notlan ise
5,8,7.
A ngilizce dersinden alnan notlar set'i, B matematikten alnan
notlar set'i olsun.
A = {8,7,5},

B = {5,8,7}

A= B

Set eitliinin zellikleri:

i) A = A Her set kendisine eittir ve bu btn setler iin dorudur.
ii) Simetri:

A = B <-> B = A

iii) Geililik:

A= B )
B= C )

>- A'= C

Ayn zelliklerin altset'ler iin varln incelersek;

i) A S A Her set kendisinin bir alt setidir.
ii) Genel olarak A B-tBA yazlamaz, yani simetri yoktur. Ancak A ve B setleri eit ise bu art salanabilir.
iii) Geililik:

A B

BC)

-As C

E l e n i k l i k : Elemanlan arasnda bire bir (11) karlama olan

setler eleniktir. Ayn sayda elemana sahip olan setler eleniktir. Fakat
6

eemdersnotlari.com

bu, ayn sayda elemana sahip olmalarnn iki setin eleniklii iin gerekli
art olduu anlamna gelmez. Bunu gstermek iin her ikisi de snrsz
olan
R = {1,2,3,4,...}
setlerini alalm.

ve

E = {2,4,6,8,...}

R setindeki her tabii sayya E setinde 2 misli bir say tekbl etmektedir, bu sebeple R ve E setleri eleniktir. Halbuki eleman saysnn
eitliini kriter olarak alsaydk bu iki set'in elenik olduunu gsteremezdik.
K u v v e t s e t ' i : A, snrl sayda eleman ihtiva eden bir set olsun. A'nn btn alt setlerinin tekil ettii set'e Kuvvet set'i denir ve
P 4 eklinde gsterilir.

A = {1,2, C} olsun.
P A = {0,{I},{2},{q,{I,2},{I,q,{2,q,{I,2,q }
Belli bir snrl setten ka tane alt set retilebilecei aadaki teorem'den anlalr:
Teorem: A, n eleman ihtiva eden snrl bir set ise PA'nn 2 n tane
eleman vardr, baka deyile A'nn 2 n tane alt set'i vardr (4).
Teoremi mislimize uygularsak, A'nn 3 eleman olduuna gre 8 tane
alt set'i akla gelebilecektir.
SET LEMLER
i) Tamamlayc set, A'
Tarif:

A' = {x : x A\

Tamamlayc set, universal set iinde A nn eleman olmyan btn

elemanlar kapsayan settir. A ve A' birlikte universal set'i tekil ederler. A' nn belirlenebilmesi iin U'nn tarif edilmi olmas gerekir.
Siyasal Bilgiler Fakltesi rencileri U setini, nc snftaki renciler A setini tekil etsinler. A' seti bu durumda SBF'nin 1,2, ve 4'nc
smflanndaki rencilerden meydana gelecektir.
ii) Kesiim:
4 Teoremin ispat iin baknz: S. H. Hymans, "Probability Theory With Applications to
Econometrics and Decision Making" Prentice Hail, 1967 sh. 311.

eemdersnotlari.com

A ve B setlerinin kesiimi A n B (A kep B) eklinde gsterilir ve

aadaki ekilde tarif edilir:

AnB={x:xeA

ve

xeB }

yani A fi B seti her iki sette de ortak olan elemanlardan meydana

gelir.
Set kesiimi iin nceki misle devam edelim. nc snf rencileri A setini tekil ediyordu. B seti ise SBF'deki kz renciler olsun.
A D B seti, nc smftaki kz rencilerden meydana gelecektir. Bu
setin elemanlar, hem nc snf rencisi olmalar dolaysyla A, hem
de kz olmalar dolaysyla B setinin elemanlardr.
Eer iki set hi ortak eleman ihtiva etmezse bu iki set a y r k veya
ayn anda imknszdr. Byle iki setin kesiimi hi bir eleman ihtiva etmediinden bo seti verir. A f| B = 0 , A ve B nin ayrk oluunun gerekli
ve yeterli artdr.
Ayrk set'ler iin SBF 1 ye 3'nc snf rencileri birer rnek olabilir, nk bu fakltede snf geme usul yrrlkte olduundan bir
renci ayn anda iki snfn birden rencisi olamaz.
iii) Birleim:
A ve B gibi iki setin birleimi A U B (A kap B) eklinde gsterilir
ve aadaki gibi tarif edilir:
A u B = { x : x eA

veya

x eB }

Szle ifade edilirse, A veya B (yada A n B) setlerinin elemanlar A U B

setini tekil ederler. nceki mislde A U B seti nc snf rencilerini ve dier snflardaki kz rencileri kapsar.

iv) Fark, simetrik fark:

A ve B setleri arasndaki fark, A B aadaki ekilde tanmlanr:
A B = A (A

n B) =

A n B' = { x : x eA, x

A B setinin elemanlar A mn eleman olan B nin eleman olmayan

birimlerden kurulur. Baka ekilde ifade edersek, B nin eleman olmayan
elemanlar arasndan A ya dahil olanlarnn tekil ettii settir. A setinden,,
her iki sette ortak olan elemanlar ayrt edersek geriye A B kalacaktr.
nceki mislde nc snftaki erkek renciler A B setini
tekil edecektir.
8

eemdersnotlari.com

A ve B nin simetrik fark', AB ise A veya B den sadece bir tanesinin elemanlarndan meydana gelecektir. Baka deyile, A U B den
A n B nin kardmas suretiyle bulunur.
Formel olarak tarif edilirse;
AB = { x : (x 6 A ve

x B) veya

(x eB ve

A) }

AB = (AB) u (BA)
Mislimizde AB seti; nc snftaki erkek rencilerle dier snflardaki kz rencilerden meydana gelir. Yani ya nc snftaki bir
erkek renci olmak veya dier snflarda bir kz renci olmak bu setin
eleman olmak iin yeterlidir.
imdi, buraya kadar deindiimiz set ilemlerini Venn diyagramlar yardm ile 'gsterelim. Her ekilde taral alan sz konusu olan seti
gstersin.

AD B

A'

A-8

A- 6

B-A

Set ilemlerini aadaki rnekte bir defa daha tekrar edelim:

U = {1,2,3,4,5,6,7}
A -

{1,2,3}
9

eemdersnotlari.com

B = {2,4,6}
C = {1,3,5,7}

olsun.

A' = {4,5,6,7}

B' = {1,3,5,7} = C

C = {2,4,6} =- B
Au B =,{1,2,3,4,6}
Au C= {1,2,3,5,7}
Bu G = U
.A n B = {2}

AnC={l,3}

BnC = 0

(A')' = A
(Au B)' = {1,2,3,4,6}' = {5,7}
(B nC)'= 0' = U
(A nB)u C = {2} U {1,3,5,7} = {1,2,3,5,7}
(Au C) n(A nC) = {1,2,3,5,7} n {1,3} = {1,3} = A nC
A nCcAuC
A0B = {1,3,4,6}
AC = {2,5,7}
BC = {1,2,3,4,5,6,7} = U
Set Cebri ve K u r a l l a r :
Set cebrinin kurallar, set eitlii tarifini ve 0 , U , ' , fi, U iaretlerini kullanmak suretiyle bulunabilir.
A, B ve C setleri universal set'in birer alt set'i olsunlar. Aadaki
tablo set cebri kurallarn birleim ve kesiim iin ayr ayr gstermektedir. Bu tablodaki ilikiler, set cebrinin zelliklerini ve allm cebirden
farkl olan taraflarn anlamamz salayacaktr.
Bu kurallar Venn diyagramlar yoluyla gzle grmek mmkndr,
ancak bu diyagramlar bir ispat arac sayamayz. Bu kurallarn lojik
olarak ispatlar yaplabilir.

10

eemdersnotlari.com

Kural
Kapanma

Birleim

Kesiim

(la) A,B U'nun alt setleri ise A (J B

(lb) A,B U'nun alt setleri ise A fi B

de U'nun alt setidir.

de U'nun alt setidir.

Idempotent

(2a) A (J A = A

(2b) Afi A = A

Assosiyasyon

(3a) A U (B (J C) = (A (J B) U C

(3b) An(Bnc) = (AnB)nc

Komutatif

(4a) A (J B = B U A

(4b) A f i B = Bf)A

Hudut'lar

(5a) A U 0 = A

(5b) A f| U = A

(6a) A U U = U

(6b) A fi

Distribsyon

(7a) A fi (B U C) = (A f| B) U (A fi C)

0 = 0

(7b) A u ( B n C ) = ( A u B ) n ( A U C )
Tamamlama

(8a) A U A' = U

(8b) Af| A' = 0

De Morgan

(9a) (AljB)' = A ' n B '

(9b) (A fi B)' = A' U B'

Involsyon

(10) (A')' = A

Burada set cebrinin nemli bir zelliini belirtmemiz gerekli:'

k i l i k . Yukarda yer alan kurallardan birinde U ile fi'in ve 0 ile
U'nun yerleri deitirilirse baka bir set kural elde edilir.
rnekler:

Au 0 = A
Au A' = U

AfiU=A
A n A' = 0

(Au B)' A' fiB'

(AnB)' = A'u B'

Set cebri ilemleinde kat ve s yoktur ve ikilik zelliinin daima

korunmu olmas sebebiyle de simetriktir.
Set lojii ile ilgili bir altrma mahiyetinde olmak zere (7b) ve
(9a) y ispat edelim.

A u (Bfi C) = (A U

B) n (A U

C)

s p a t : ki tarafn birbirine eit olduunu gstermenin yollarndan

biri her iki tarafn da ayn anda birbirinin alt seti olduunu gstermektir.
x e[Au (B fiC)] olsun. Bu durumda: xeA veya xe(B n C) dir.
x eA >- x e(A u B)
Halbuki

x e(A u B)

xe(Au C)

ve

x e(Au C)

x e [(Au B)fi (Au C)]

x e(B fiC) >- x e B, x e C

x eB >- x e(A u B)
x eC >- x e(A U C)
U

eemdersnotlari.com

x e(A u B) J
xe[(Au B) n(Au C)]
x e(A u C) 5
Bylelikle, x e [A U (B nC)] - > x e[(Au B) n(AU C)]
o halde

[Au(BnC)]c [(Au B) n(Au )] olur.

imdi dier taraf alalm.

y e [(A U B) n(Au C ) ] - > y e(Au B),ye(Au C) i) y eA

ii) y eA, y GC
iii) y eB, y eC

i) y eA >- y e [A u (B nC)]
ii) y eA, y eC * y e [A u (B nC)]

iii) y eB, y eC y G(B nC)->y e[Au (B nC)].

Bylece

ye[(Au B) n(Ay C)]->ye[Au (B nC)]

Yani [(Au B) n(Au C)] c [Au (B nC)]

ki tarafn ayn anda birbirinin alt seti olabilmesi ise ancak eit
olmalar ile mmkndr. | (5)

(A u B)' = A' n B'

s p a t : XG(AUB)'

olsun.

x G(A U B)' x

x.$B

x ^A > x eA' \
xe(A'nB')

x ^B > x eB' )

G(AyB)'-+x e(A' n B')

(AB)'cA'nB'

Bylece x

imdi de dier taraf ele alalm.

y G(A' n B')
y eA', y eB'
y eA' ^ y A )
O halde,

, -y^(AuB)-.ye(AuB)
y eB' > y B )
e(A' n B') > y e(A U B)'
A'nB'c(AuB)'
(AuB)' = (A'nB')|
y

S | iareti ispatn bittiini gsterir.

12

eemdersnotlari.com

SIRALI KLLER YE KARTEZYEN ARPIM

Sral ikililer, iki eleman ihtiva eden (bu elemanlar birbirinin ayn
olabilir) ve elemanlarnn srasna dikkat edilen setlerdir ve ( ) eklinde
gsterilir.
(a,b) ve (c,d) gibi iki sral ikili "eer ve ancak" birinci ve ikinci
elemanlar kendi aralarnda eit ise eit saylrlar. Formel olarak ifade
edersek
(a,b) = (c,d)

\
(b= d
Analitik geometride dzlem zerindeki noktalar koordinatlar ile
belirleriz. (5,1) noktas absis'i 5, ordinat 1 olan, (1,5) ise absisi 1, ordinat 5 olan birbirinden farkl iki noktadr.
A seti m, B seti n tane eleman ihtiva etsin. A'nn elemanlar sral
ikilide birinci, B'ninkiler de ikinci elemanlar olsun. A'nn birinci olan
her elemanna karlk ikinci eleman n farkl ekilde yerletirilebilir.
A'nn verecei birinci eleman iin de m farkl hal dnlebdeceine
gre mn tane sral ikili tekil edilebecek demektir.
Buradan kartezyen arpm kavramna kolayca geebdiriz. A ve
B iki seit olsun. Bu iki setin elemanlarndan tekil edilecek btn sral
ikdiler kartezyen arpm setini tekil ederler. Formel olarak;
AXB = {(a,b) : a eA, b eB}
Kartezyen arpm bir set olduuna gre sral ikililerin sras bir
fark meydana getirmeyecektir.
R reel saylar seti olsun. R X R, dzlem zerindeki btn noktalar ihtiva edecektir.
A = {a, a 2 , a 3 } , B = {b, b 2 , b 3 , b 4 , b5} olsun. A X B nin elemanlar aadaki ekilde gsterilebilir.

\
A

\\

b2

b4

b3

b5

(a, b)

(a, b 2 )

(a,b 3 )

(a, b 4 )

(a, bs)

a2

(a 2 , b)

(a 2 , b 2 )

(a 2 , b 3 )

(a 2 , b 4 )

(a 2 , b 5 )

a3

(a 3 ,b.)

(a 3 , b 2 )

(a 3 , b 3 )

(a 3 , b 4 )

(a 3 , b 5 )

13

eemdersnotlari.com

Sral ikili ve kartezyen arpm kavramlarn n boyuta genelleyebiliriz. (a,a 2 , . . . a n ) n boyutlu uzayda bir noktann koordinatlar, ve
A reel saylar seti olmak zere A X A X . . . X A da n boyutlu uzayn
kendisidir.
Aj. . .A setleri sras ile m,. . .m n eleman ihtiva ederse A X A 2
X . . .XA n kartezyen arpm seti m m 2 . . .m n sayda sral n'li ihtiva
edecektir.
LK ve FONKSYON KAVRAMLARI
A ve B iki set olsun. R ilikisi A X B kartezyen arpm setinin bir
alt setidir ve a,b elemanlarnn belli bir kurala gre birbirleri ile ilikili
olduu sral ikilileri kartezyen arpm setinin dier elemanlarndan
ayrd etmeyi salar.
A = {1,2,4,6,8} , B = {1,2,3,4} olsun. R ilikisinin a = 2b artnn
saland sral ikilileri bir araya getirdiini dnelim. Bu durumda,
A X B kartezyen arpm seti, sral ikililer eklinde 20 eleman ihtiva
ettii halde R sadece 4 tane sral ikili ihtiva edecektir. R c A X B. Bu
mislde,
R = {(2,1), (4,2), (6,3), (8,4)}
ilikiyi tarif etmek iin nce A ve B gibi iki seti belirlememiz ve
sonra da hangi (a,b) sral ikililerinin R'ye dahil olduunu belirtmemiz
gerekir.
R'ler birer set olduuna gre, ilikiler btn set ilemlerine tbi
tutulabilir. Mesel R ilikisi ab nin 3'e blnebildii (a,b) sral ikililerini; S ise ab nin 7'ye blnebildii (a,b) sral ikililerini ihtiva etsin.
Bu taktirde R fi S ab nin hem 3 hem de 7'ye blnebildii sral ikilileri ve R (J S ise ab nin ya 7 veya 3'e blnebildii sral ikilileri kapsayacak ve R f | S < R < R u S olacaktr.
A ve B iki set v e R c A X B ise, R' aadaki gibi tanmlanr.
R' = {(b,a), a eA, b eB}
Aralarnda bir R ilikisinin sz konusu olduu setlerden A ya genellikle "domain" B ye de "range" ad verilir.
S, R X R de (yani kartezyen dzlem zerinde bir iliki olsun. S'in
grafii, kartezyen dzlem zerinde koordinatlar (sral ikililer olarak)
S'e dahil olan noktalarn geometrik yeridir.
14

eemdersnotlari.com

rnek: x S y : 4 x 2 + 9 y 2 = 36
x S' y : 9 x 2 + 4 y 2 = 36

olsun,
olacaktr.
V4

Ya

= 3<:

4-*- +f

Fonksiyon ilikinin zel bir eklidir. Eer A setindeki her a iin

F(a) bo veya sadece tek bir eleman ihtiva ederse A X B iindeki F ilikisine fonksiyon ad verilir.
F : a v b = F(a) veya

F
A >- B

eklinde gsterilebilir.

Fonksiyon kavramnn formel tarifini aadaki gibi yapabiliriz:

Tarif: E e r F c A X B x eA, y eB

ve

( * * , ) eF
(*.y2
olan bir fonksiyondur.

)eF

=> y, y,

ise F, domain'i A ve range'i B

Kavramn geometrik bir yorumunu yle yapabiliriz: R X R dzlemi zerinde bir F ilikisi "eer ve ancak" F'in grafiini herhangibi
dikey hat 1 den fazla noktada kesmiyorsa fonksiyon saylabilir. Mesel
y = \/9x2 veya y = x birer fonksiyon olduu halde x 2 -f- y 2 = 9
bir ilikidir. (6)
6 Eski tarihli matematik kitaplarnda son rnek "iki deerli fonksiyon" olarak adlandrlr. Modern matematikte yeni eilim fonksiyon kavramm daha dar tutmak eklinde beliriyor.

eemdersnotlari.com

V 4

(fonksiyon)

(fonksiyon)

(iliki)
A setinin a.elemamna B setinde tekabl eden ve tek olan b elemanna
" i r n j " denir v e b = F(a) olarak gsterilir.
er hem F hem de F' birer fonksiyon ise bu taktirde aralarnda
"bire bir karlkllk" hali var demektir. Bu taktirde F' ye F in tersi
denir ve {?- olarak gsterilir.
bt ln a e A iin: (FF~ l ) (a) = F

(F(a)) = a

ve btn b e B iin: ( F ' F ) b = F(F '(b)) = b

olur.

Aadaki ekilde y = y/9x2 ve y = x 3 fonksiyonlarnn tersleri grlmektedir.

16

eemdersnotlari.com

>

V7

SET'LERLE LGlL PROBLEMLER

1. A ve B, U'nn alt setleri ise A = (A U B) f| (A U B') olduunu
gsteriniz.
Cevap:

(AuB) n(AuB') = A U (B n B')

= Au 0
= A

(7b)
(8b)
(5a)
17

eemdersnotlari.com

2. A ve B set'ler olsun.
a) A(AB) hangi settir?
b) C n (AB) = (C n A) (C n B) ifadesi doru mu?
C e v a p : a) A(AB) = {x : x eA, x (AB)}

AB = AnB'cB'
x eA n B' => x B' => x eB

A(AB) = {x : x eA, x eB} = A n B

(7)

b) cn(AB) = CnAnB' = CnAn(UB)

= CnAnU CnAnB
= CnA CnAnB
( C n A ) - ( C n B ) = (CnA)n [ C n B ] '
= (C n A) n (C' U B') (de Morgan)
(7a ya gre)

= CnAnC'nCnAnB'

Dairesel permutasyon yaparak,

= C'nCnAuCnAnB'
= CnAnB' = c n (AB)
o halde ifade dorudur.
3.

(a,b) = ({a} X B) n (A X {b}) olduunu gsteriniz,

s p a t : A = {a, a 2 , . . .a m }
B=

{b,b 2 ,...b n }

{a,}XB = {(a,b) : a a^beB}

{(a I ,b),(a i ,b 2 )...(ab n )}
A X (b,) = {(a,b) : a eA, b = b,}

= {(ab1),(a2,bi)...(am,bi)}
(a i ,b 1 ) = ({a1|XB)n(AX{bi}).
4. A seti n elemanh bir set olsun. Aadaki setlerin her biri ka
tane eleman ihtiva eder?
7 Baka bir zm yola: A (AB) = A n (A fl B")' = A Q (A' U B)

= (AnA')u(An)= 0U(AnB)
= AnB
18

eemdersnotlari.com

a)

AX A

b)

{x,y : x eA, y eA, x ^ y |

c)

A X A X A

d)

{(x,y,z) : x eA, y eA, z eA, x ^ y , x ^ z , y ^ z }

C e v a p : a)

n2

b)

n 2 n = n (n1)

c)

n'

d)

n3 _ 3 n 2 + 2n = n(n1) (n2).

5. a) A = B A X B = B X A yazlabilir.
A X B = B X A >- A = B yazmak doru olur mu ?
b)

A C
BD

> => A X B C X D olduunu gsteriniz. Ters ifade

)

doru olur mu?

Cevap:
a) A X B = B X A - B A ifadesi ancak A X B ^ 0 yani ne
A ne de B bo set ise dorudur. A veya B den biri 0 olduunda, A = B
olmad halde 0 0 salanr.
b) A X B = 0 i s e A X B C X D dir, nk bo set her setin
alt setidir.
A X B ^ 0 ise A X B = {(a,b) : a eA, b eB}
AC
BD

i
a eC \
[ olduuna gre
5 (a,b) e(C X D)
)
beD)

A X B s CX D
Ters ifade ancak

(i) A = 0 , B = 0
(ii) A ^ 0 , B

0 halinde doru olur.

6. A c B farzederek aadaki setleri bykten ke doru sralaynz.

A' n B', A'UB', A',B'

7. A<=B \
5>- A c C olduunu gsteriniz.
BcC )

19

eemdersnotlari.com

8. B = (B n A) u (B n A') olduunu gsteriniz.

B ve A H B' nn ayrk olduunu gsteriniz.

9. AnB = 0 =>(AnD)n(BnD) =

0 ispat ediniz.

10. U btn insanlarn tekil ettii bir set olsun.

M = Erkekler
A = Amerikahlar
E = Avrupallar
W = Zenginler
I = Aklllar

H = Yakkllar.
Set teorisi sembollerini kullanarak aadaki ifadeleri set notasyonu ile
gsteriniz.
a)
b)
c)
d)
e)
f)
g)
h)
i)

Btn Amerikallar zengindir.

Baz Avrupallar aklldr.
Sadece Amerikallar zengindir.
Hi bir Avrupal akll deildir.
Amerikal olmayanlar ne akll ne de yakkldr.
Baz akll Avrupallar yakkldr.
Eer bir insan zenginse ayn zamanda yakkldr.
Bir insan eer ve ancak Avrupal ise yakkldr.
Btn zengin insanlar ya Amerikal ya da Avrupaldr.

11. Bir snfta 200 renci var.

M = Erkek renciler (110 renci)
B = Sarn renciler (70 renci)
E = Mavi gzl renciler (85 renci).
Erkek rencilerin 30 tanesinin sa sar, 45 inin gz mavi. Mavi
gzl kzlarn % 60 nin sa ak renk.
Bu bilgileri kullanarak aadaki sorular cevaplandrnz ve her
durumda sz konusu olan seti belirleyiniz.
a) Ka renci ne erkek ne de sar saldr?
b) Ka renci ya erkek veya sar sal ve mavi gzldr?
c) Ka renci kzdr ve ya san sah ya da mavi gzldr?
20

eemdersnotlari.com

BLM II
OLASILIK
GR
Olaslk teorisi, eitli bilim dallarnda pek ok kullanm olan bir
matematik daldr. Tesadflik, evremizin belirgin niteliidir. Olasla
ksaca tesadfliin ilmi demek yard olmaz.
Olaslk, istatistiin de temel kavramlarndan biridir ve istatistik
geliimini byk lde buna borludur. XVII. asrdan zamanmza
kadarki geliimin sonucu olan klsik olaslk teorisi esas itibariyle az
sayda aksiyoma dayanr ve bu aksiyomlar da belli olasbk ilikilerini
(teoremleri) ortaya koymamz temin eder.
Matematiksel st yaplar ayn olmakla beraber olaslk teorisyenleri arasnda iki farkl yaklamdan sz edilebilir. Klsik teori ve nisbi
okluk teorisi.(l) Klsik teori a priori bilgiye, nisbi okluk teorisi ise
gzleme dayanr. Aksiyomatik yaklam klsik teoriyle daha iyi badar,
buna karlk pratikte elde edilen olaslklar nisbi okluklar veya oranlardr. Biz bu blmdeki izahlarmzda teorik plandaki gr farkllklarna daha fazla atf yapmadan olaslk ilikilerini belirlemeye alacaz. Ayrca bu seviyedeki bir ders kitabnda ad geen grlerin
tartlmasna yer vermeyi de gerekli grmyoruz.
Olasl matematiksel olarak inceleyebilmek baz kavramlarn
anlalmasn gerektirir. Bunlardan biri rnek uzay'dr. Herhangi
bir reel veya farazi deney ile ilgili bir rnek uzay, S, bir settir, yle ki;
i) S'in her eleman deneyin bir sonucunu gsterir,
ii) Deneyin herhangi bir sonucu S'in bir ve sadece bir elemanna tekabl eder.
1 Bu konuda daha fazla bilgi iin baknz: G. P. Wadsworth, J. G. Bryan, Mosteller,
Rourke, Thomas.

21
v

eemdersnotlari.com

rnek uzay, set teorisinde grdmz U, universal set yerini tutar

ve ayn anda imknsz ilkel olaylardan meydana gelir, hu ilkel olaylarn
her birine rnek noktas d verilir. Bu ilkel olaylardan bir ksm A olayn tekil ederler ve A; S ilikisi S iindeki btn A olaylar iin sz
konusudur. A, S'in bir alt: setidir. A olay, deney sonucu A'nn bir elemanna tekabl ediyorsa olmu saylr.
rnek: (2) Elimizde iki zar olsun, yeil ve krmz. Bu iki zar attmz zaman 36 tane sral ikili ile kardaabiliriz.
x krmz zarda gelen say
y yeil zarda gelen say olsun.
x,y aadaki D setinin elemanlarndan biri olabilir:
D = {1,2,3,4,5,6}
rnek uzay S = D X D {(x,y) : x eD ve y eD}.
ki zarda toplamn 7 veya daha byk olmas bir olaydr, buna kar1
lk (2,1) gelmesi olasl
olan bir ilkel olaydr. lkel olayda, daha
36
kk birime indirgenemezlik hali aka grlmektedir. Oysa olaylar
ilkel olaylara indirgenebilirler.
rnek uzay yukardaki mislde olduu gibi snrl veya sonsuz
incelikte bir okla bir daireye nian almada olduu gibi snrsz sayda
ilkel olay ihtiva ederler.
imdi de formel olarak olaslk kavramn tarif edelim:
O l a s l k : domain'i S ve range'i 01 arasndaki reel saylar olan
bir fonksiyon'dur. Olaslk fonksiyonu, rnek uzay ile olaslk deerleri arasnda fonksiyon tipinde bir iliki kurar ve her ilkel olaya, o olayn
olasdn tekil eden 0 ile 1 arasnda bir reel say tahsis eder. Ancak
olaslk fonksiyonunun belirtildii rnek uzaylarnda herhangi bir olayn olaslndan sz edilebilir. Bu tip rnek uzaylarna o l a s l k u z a y
diyeceiz. Olaslk fonksiyonunu P ile gsterirsek: P : S O 1.
Olaslk uzay ilkel olaylar ve bunlarn bir araya gelmesinden meydana gelen olaylar kapsar. Bunun tmne F diyelim.
*

2 Olaslk ile ilgili misllerde para, zar ve 52 lik kt destesinin ok kullanlmas birer
tesadf deildir, aksine olasln ilk geliiminde ans oyunlarnn etkisi phe gtrmez bir gerektir.

22

eemdersnotlari.com

1.
2.
3.
4.
5.

0 ve S yani bo olay ve kesin olay birer olaydr.

Saylabilir sayda olayn kesiimi de olaydr.
Saylabilir sayda olayn birleimi de olaydr.
A bir olay ise A' de bir olaydr.
A ve B olaylar ise AB de olaydr.

Bir olaslk uzaynda her A olayna tekabl eden bir P(A) reel says da bulunur ve bu saynn 0 ile 1 arasndaki deeri P fonksiyonu tarafndan tayin edilir.
OLASILIK AKSYOMLARI
I
A . l ) Btn A olaylar iin P(A);0 yani olaslk pozitif veya sfr
olan yani negatif deer alamayan bir saydr.
A.2) P(S) = 1. Kesin olayn olash l'e eittir.
A.3) Saylabilir sayda ayn anda' imknsz olayn birleiminin
olasl olaslklar toplamna eittir.
\
A J , A 2 , . . . A n olaylar olsun.
A ; n Aj = 0 i j i,j = 1 , 2 , . . . .N ise

= SPM

(3)

A; n A. = 0 i # j i,j = 1, 2.... ise

/ co

co

P ( u A i ) j = SP(A.)
rnek uzay ayn anda imknsz e olaslkl N tane ilkel olaydan
meydana gelmi olsun. S = {Dj,... DN}
1
P(D) = ' . , = P ( D n ) =
N
n(A)
A'nin hacmi (A'ya dahil ilkel olaylar says)
P(A) =
=
N rnek uzaynn hacmi (rnek uzaymdaki ilkel olay toplam)
3

N
U

i=l

A. =

A.U^U---UA

n A^A.nA^.-.nAN

i=l

'
23

eemdersnotlari.com

Olaslk ile ilgili olarak yukardaki 3 aksiyomdan yararlanarak eitli teoremleri ispat edebiliriz.
1. P ( 0 ) = O
i s p a t : S ve 0 ayn anda imknsz olaylardr.
Su0 = s
(5a)
1 = P(S) = P(S U 0 ) == P(S) -f P ( 0 ) (2 ve 3'nc aksiyomlardan)
P ( 0 ) = O.
2. Bir olasbk uzaynda A ve B setleri arasndaki farkn, yani
A B = A f| B'

nn olasl.

P(AB) = P(A n B') = P(A) P(A n B).

i s p a t : AfiB' ve A n B ayn anda imknsz veya ayrktr, nk

n B') n (A n B) ='A n (B n B') (A n B') u (A n B) = A n (B' u B) =

(A

n0 = 0
AnS= A

3'nc aksiyomu kullanarak,

P(A) = p [(A n B') U (A n B)] - P(A n B') + P(A n B)

P(A n B') = p(A) P(A n B)
Benzer ekilde,
P(BA) = P(B n A') = P(B) P(A n B)
3. Bir olayn tamamlaycsnn olasb.
P(A') = 1 P(A)
P(B') = 1 P(B).
i s p a t : A ve A' ayn anda imknszdr, A f| A' = 0

A u A' = S
P(A u A') - P(A) + P(A') = P(S) = 1
P(A') = 1 P(A).
4. Bir olasbk uzaynda A ve B gibi iki olayn birleiminin,
A U B nin olasl.
P(A U B) = P(A) + P(B) P(A

n B).

i s p a t : Au B = Al) (B fi A') yazlabdir, nk (7b) ye gre

A u (B

n A') =

(A u B)

n (A U A') =

(A u B)

24

eemdersnotlari.com

n (S) =

A u B dir.

te yandan A ve B fi A' aynk olduundan

P(A U B) = P(A) + P(B n A') yazlabilir. Halbuki
P(B

n A') = P(B) P(A n B) idi.

P(AuB) = P(A) + P(B)-P(AnB)|

zel bal olarak, eer A ve B aynk ise A fi B = 0 ve P(A n B) = 0

olacandan P(A U B) = P(A) + P(B) bulunur ki bu 3 nc aksiyomdan
baka birey deildir. Bu nemli teorem set bileimi olaslnn genel
kuraldr. (4).
5. Bir alt olayn olasl. A ve B ayn olaslk uzaynda tanmlanm olaylar ve B c A olsun.
P(A n B') = P(A) P(B) ve

P(B) g P(A)
i

dr.

spat:

P(A n B) = P(A) P(A n B)

BcA => P(AnB) = P(B)
P(A n B') = P(A) P(B)
P(A n B') ^ 0 (1 inci aksiyom)
P(A) P(B) ^ 0
. A

P(A)^P(B)
P(B) ^ P(A)

6. 0 ^P(A)
ispat:

P(A) ^ 0
A c S => P(A) ^ P(S)
P(S) = 1
0 ^ P(A) ^ 1

ARTLI OLASILIK
artl olaslk, olasbk ile ilgili en nemli kavramlardan biridir. Bir
ksm olaylar veri olarak, baka olaylarn cereyan, gnlk hayatta pek
ok defa karmza kar. Mesel, siz grmeksizin bir arkadanz iki
4 Bu ve dier teoremlerin sa duyuya uygunluunu Venn diyagramlarnda grebiliriz.
/

25

eemdersnotlari.com

zar atsa bu zarlardan birinde 3 dierinde 4 gelmesi olasl

dir. Fa-

18

kat size arkadanzn iki zar att ve toplam olarak 7 geldii bildirilirse,
7 veri olarak zarlarn birinde 3 dierinde 4 gelmesi artl olasl
2
1
=
tr.
6
3
Bu misl zerinde biraz daha duralm. ki zarn atlmas halinde
sral ikili eklinde e olaslkl 36 ilkel olay dnlebilir.

A
i

b/ 'H
/
/
6/ /
' 8

5
/

<1 S

''9

s ' ' i
/

5
/

lo

(> rV>

lo

//

//

A, iki zar atldnda 7 gelmesi olay olsun.

P(A) =

v n(A)

n(S)

36

1
6

B, zarlardan birinde 3 dierinde 4 gelmesi olay olsun.

P(B) =

dir.

18

A'nn gerekletii bilindii zaman A veri olarak B'nin artl olasl

ise P ( B \ A ) = J tr. nk nce 36 ilkel olay ihtiva eden bir olaslk
uzayndan bu defa 6 ilkel olay ihtiva eden bir olaslk uzayna geilmi
oluyor.

eemdersnotlari.com

A = {(6,1), (5,2), (4,3), (3,4), (2,5), (1,6)}

5 de 36 sral ikili olduuna gre bu sral ikililerin her birinin olasl
eit ve
P =

1
36

dr.

P(A) = 6p =

6
36

1
6

dr.

p'lere mutlak olasdklar diyebiriz. A olayna dahil sral ikililerden

1
her birinin A olay veri olarak artl olash ise p+ =
dr ve 6p+1
6
dir. artl olaslklar daima mutlak olaslklara eit veya daha byktr.
p+ : p. Mislimizde p+ = 6p dir.
1
P
6 p+ = 1 = 6 (6p) = 6 P(A) 6=
= 6p =
bulunur.
p(A)
p(A)
P ( B \ A ) = 2p+ =

2p

p(A)

2p

6p

- -

elde edilir.

imdi artl olaslk kavramm formel olarak tarif edebdecek bir

durumdayz. A ve B ayn olaslk uzaynda tanmlanm olaylar olsun.
A veri olarak B'nin artl olash, P(B\A),
P(B\A) =

p(A n B)
P ( A ) > 0 eklinde tanmlanr.
p(A)

P(A) = 0

olduunda P(B\A) tanmlanamaz, belirsiz olur. Benzer ekdde,

p(A n B)
P(A\B) =

p(B)

P(B)

> 0

n sayda denemede B olaynn ortalama olarak m defa ve bu m tane

deneme iinde de k tane denemede A olaynn gerekletiini farzedelim.
m
k
P(B) = , P ( A \ B ) =
olacaktr.
n
m
i
artl olaslk ile ilgili olarak verilen formller set kesiimi olaslnn genel kuraln da ihtiva etmektedir. yle ki;
P(A n B) - P(A\B) P(B) = P ( B \ A ) P(A)
27

eemdersnotlari.com

Bu kural P(A) ve P(B) nin her deeri iin dorudur. P(A) veya
P(B) sfr olduu taktirde P(A n B) = 0 olur. Gerekten yukardaki
1 1 1
misle dnersek P(A fi B) = -.
=
deeri kolaylkla elde
edilir.
3 6
18
x
STOKASTK BAIMSIZLIK
artl olaslk ile ilgili izahlarmz srasnda, bir olayn artl olasl
ile mutlak veya artsz olasl arasnda genellikle mevcut olan farkll ve artl olaslk kavramnn kapsad rnek uzay deitirme fonksiyonunu belirtmeye almtk.
Eer A olaynn olmu olmas B'nin artl olaslnda mutlak olasla gre bir deiiklik meydana getiriyorsa A ve B olay stokastik
baml saylr. Aksi durum sz konusu olduu taktirde ise A ve B stokastik bamszdr denir. Bamszlk halinde,
t

P ( A \ B ) = P(A)
P ( B \ A ) = P(B)
olur. Bamszlk karlkl olaca iin A, B den bamsz ise B de A
dan bamsz olur.
Stokastik bamszlk halinde set kesiimi olaslnn alaca ekli
grebilmek iin artl olaslklar yerine yukardaki eitlerini yazarsak,
P(A n B) = P(B\A) P(A) = P(B) P(A)
= P(A\B) P(B) = P(A) P(B) olur. O halde,
Tarif: Eer ve ancak P(A f| B) =.P(A) P(B) ise A ve B olaylar
stokastik bamszdr.
Bu tarifin eer ksm: P(A D B) = P(A) P(B) ise A ve B bamszdr.^)
Bu tarifin ancak ksm: A ve B bamsz ise P(A n B) P(A) P(B)
dir.
Bamszlk halinde olaylardan birinin olmas veya olmamas dierinin olaslm etkilemez. Acaba ayrk ya da ayn anda imknsz olaylar bamsz mdr?
5 Bundan sonra kitapta aksi belirtilmedike "bamszlk"tan, stokastik bamszlk anlalmaldr. Stokastik bamszlk yerine baz yazarlar istatistiki bamszlk tabirini de kullanmaktadrlar.
'

28

eemdersnotlari.com

Teorem: Eer A f| B = 0 ve P(A) > 0, P(B) > 0 ise A ve B

stokastik bamsz d e i l d i r .
s p a t : Burada iki ihtimal dnlebilir:
i) A ve B bamsz.
ii) A ve B bamsz deil.
nce (i) yi doru farzedelim. Bu taktirde P(A f| B) = P(A) P(B)>0
olacaktr. Halbuki A fi B = 0 olduuna gre P(A n B) = 0 olmaldr.
A ve B yi bamsz saymamz bizi bu elikiye gtrd. O halde A ve
B bamsz olamazlar. Ayrk olaylar bamldr.
3 OLAYIN ARTLI OLASILII ve BAIMSIZLII
A,B ve C ayn olaslk uzay S de tarif edilmi olaylar olsun.

P(C\A,B) =
P(A\B,C) =

P(B\A,C) =

P(A n B n C)
P(A n B)
P(A n B n )
P(B n C)

P(A n B n C)
P(A n C)

P(A n B) > 0
P(B n C) > 0

P(A n C) > 0

artl olashklardan 3 olay iin set kesiimi olaslnn genel kuraln elde edebiliriz.
'
i

P(A n B n C) = P(C\A,B) P(A n B) = P(B\A,C) P(A n C)

-

P(A\B,C) P(B n C)

P(A n B n C) = P(C\A,B) P(A n B) = P(C\A,B) P(B\A) P(A)

= P(C\A,B) P ( A \ B ) P(B)
Dierleri iin de benzer formlleri yazmak mmkndr.
3 Olayn Bamszl:
Tarif: A,B ve C gibi olay eer ve ancak aadaki iki artn bir
arada gereklemesi halinde stokastik bamsz saylrlar.
i) P ( A n B n C ) = P(A)P(B)P(C)
29

eemdersnotlari.com

ii) P( n B) == P(A) P(B)

P(A

n C) =

P(A) P(C)

P ( B n C ) - P ( B ) P(C),
Bu artlardan sadece bir tanesinin gereklemesi 3 olayn Bamszlna yetmez. Bunu aadaki iki mislle saysal olarak gsterebiliriz.^)
(i) artnn tek bana yeterli olmamas ile ilgili olarak u misl
zerinde durulabilir: Hatasz bir zarn atmnda; A ift gelmesi olay,
B 2'den byk bir say gelmesi olay, C 3 Veya 5'e tam blnebilir bir
say gelmesi olay olsun.
A = {2,4,6}

P(A) = |

B = {3,4,5,6}

P(B) = |

C -

P(C) =

{3,5,6}

1
1 2
1
A n B n C = {6} P(A n B n C) = = ( ) ( ) ( ) Grld
6
2
3
2
gibi (i) saland. Fakat acaba bu durum (ii) nin salanmasn garanti
eder mi?
1

1
2
= ()(

A n B = {4,6}

P(AnB) =

A n C = {6}

1
1
1
P(AnC) = ^ ( ) ( )

B n c - {3,5,6}

P(B n C) = ^ () ()
2
3 2

Grld gibi bu mislde (ii) salanmad.

imdi de (ii) saland halde (i) in gereklemedii duruma bir
misl verelim: 1 den 9'a kadar olan saylar arasndan tesadfi olarak bir
1
say ekiliyor. Her say iin ekilme ihtimali eit ve
.
6 5. H. Hymans a.g.e sh. 57.

30

eemdersnotlari.com

A tam olarak 3'e blnebilen bir say ekme olay

A = {3,6,9}

P(A) =

B 6'dan byk bir say ekme olay

B = {7,8,9} P(B) =
C tek veya tam kare olan bir say ekme olay
C ,= {1,3,4,5,7,9} P(C) = |
ve

n B = {9}

P(A n B) = A- =

A n C = {3,9}

P(A n C) = =

Bf|C = {7,9}

P(BnC) = =

Halbuki,

^^j

)
)

()

A n B n c = {9} P(A n B n C)= #

)
1

) () ()

n TANE OLAYN ARTL OLASL ve BAMSZL

AJ, A 2 , . . . AN ayn olaslk uzaynda tarif edilmi olaylar olsun.
P(A, n A 2 n . . . n A N )
P ( A B \ A 1 , A 2 , . . . AN_J) =
P(A, n A 2 n . . . n AN_J)
p (AJ n A 2 n . . . n AN_,) > o
Bamszlk: Tarif; A P . . .A N gibi ayn olasbk uzaynda tanmlanm n tane olay eer ve ancak aadaki iki artn bir arada gereklemesi halinde bamsz saylrlar:
i) P(A, n A 2 n . . . n A J = P(A,) P(A 2 ). .,P(A N )
P(NA,) = LP(A I )
ii) (n1) lik terkipler halinde btn olaylar bamsz olmaldr(7).
A v e B iki olay gurubu olsun. Bu guruplar eer ilerinden seilen btn
7 Tabii n1 olayn bamszl iin de kesiim olasl olaslklar arpmna eit olmal
ve (n2) lik terkipler halinde bamszlk art salanmaldr...

31

eemdersnotlari.com

A ve B olaylar (A eA, B eB) kendi aralarnda bamsz iseler bamszdr.

A:=

{V..AJ

= {B p .. .,Bm}
AX B = {(A Bj) AsA, B} eB

i=l,...,n

j = l,...,m j

Bu sral ikilerin her birindeki olaylar birbirinden bamsz ise

A ve B olay guruplar bamsz olur.

BAYES FORML
\

Partisyon:

AJ,A2,...An aadaki zellikleri tayan olaylar olsun.

i) AjCS

i=l,2,...n

ii) A, n Aj = 0
i^ j
iii) A, u A2 u U An S
Bu zelliklere sahip olmalar halinde Aj'ler bir partisyon tekil
ederler. Szle ifade edersek, A,'ler ayrk ve birleimleri de S'in tamamn
kapsayan alt setlerdir. Aadaki Yenn diyagram partisyon'u gstermektedir.

Bayes forml: A,,A 2 ,...A n , rnek uzay S'in bir partisyonu

olsun ve P(A,)>0 i 1,2,.. .n olduunu farzedelim.
32

eemdersnotlari.com

K, pozitif olaslkla herhangi bir olay olsun.

P(Aj\K) =

P(Aj) P(K\Aj)
S P(A,) P(K\A,)

Bu forml, bu kitapta kapsam d tutulmu olan Bayes'ci yaklamda nemli bir yer tutar.
s p a t : artl olasln tarifi gereince,

P( A J \K)=

P(Aj n K)
P(K)

K olay ya A ile birlikte gerekleir . . . ya da A n ile birlikte. A/ler

ayrk olduu iin (A n K ) , . . . (A f) K) da ayrk olaylardr.

K = S nK= (A u A 2 . . . u A J n K
= (A nK)u (A2nK)u ... u (An nK)
=

(Aj n'K)
1=1

P(K) =

P(Ai fi K)

O halde,

P(Aj nK)
P(Aj\K) =
i P(A, n K)
i=l

P(A, nK) = P(A,\K) P(K) = P(Aj) P(K\Aj)

P(A nK) = P(A,\K) P(K) = P(Aj) P(K\Aj) yazdabileceinden
bir nceki formlde bu ifadeler yerine konmak suretiyle Bayes formlne ulahr.
Bayes forml esas itibariyle netice bilindiinde sebeplerden bir
tanesinin bunu salam olmas olasln bulmamza yarar. A,A 2 ,... A
olaylarna hipotezler ad verilebilir ve bunlarn ayn anda imknsz
hipotezler olduu ve bunlar dnda hipotez dnlemeyecei farzedilir.
P(Aj), Aj hipotezinin a p r i o r i olasldr. P ( A j \ K ) artl olaslna
33

eemdersnotlari.com

ise A, hipotezinin a p o s t e r i o r i olash ad verdir. Grld gibi

Bayes teoremi veya formlnde neticeden sebebe gitme gibi allann
aksi ynde bir mantklama vardr.
Misl 1: nmzde 3 tane torba olsun. I, II, III numaral torbalarda beyaz ve krmz toplar yle dalm:
I : 1 beyaz 3 krmz top
II : 2 beyaz 2 krmz top
III : 3 beyaz 1 krmz top
Tesadfi olarak bir torba seiliyor ve seilmi olan torbadan da bir top
ekiliyor. Eer kan top beyaz ise, bu topun I numaral torbadan ekilmi olmas olash ne kadardr? Bu mislde, A beyaz bir top ekilmesi; B, I numaral torbadan
ekilmesi olaylar olsun.
P(B,) = J,

P(A\B.) = i

n A) +

P(A) = P(B,

P(B 2

n A) + P(B3 n A)

= P(B) P ( A \ B ) + P(B 2 ) P ( A \ B 2 ) + P(B 3 ) P ( A \ B 3 )

1 1

3 4

3 2

P^VA)^

=
1

3 4

12

12

Benzer ekilde P ( B 2 \ A ) =
P ( B 3 \ A ) = \ elde edilir.
Misl 2: Tam anlamda gvenilir saylmamas gereken bir sna
kontrol ileminin gvendirlii hakknda elimizde yle bir bilgi bulunsun: Kabul edilir nitelikteki paralarn %95'i kontrolda kabul edilmekte
ve % 5'i reddeddmektedir. Bozuk paralarn ise % 90 kontrol sonucu
reddedilmekte ve % 10'u kabul edilmektedir. % 1 bozuk para ihtiva
eden bir kmeden tesadfi olarak bir para ekilmi ve bozuk bulunmutur. Bu parann gerekten bozuk olmas olasl nedir?
34

eemdersnotlari.com

A kontrol edilen parann gerekte bozuk olmas A 2 ise salam olmas olaylarn gstersin. P(A t ) = .01, P(A 2 ) = .99.
K parann kontrol sonunda reddedilmesi olay olsun.
Mevcut bilgimize gre,
P(K\A) .90, P ( K \ A I ) = .05
Bayes formln kullanarak,
P(A,\K) =

P(A) P(K\A)
P(A) P(K\A) + P(A 2 ) P(K\A 2 )
(.01) (.90)
(.01) ( . 9 0 ) + (.99) (.05)

= .1538

SIRALAMA(PERMUTASYON) ve BRLETRME (KOMBNASYON)

Herhangi bir olayn olasln bulabilmek iin ou zaman sayma
ilemi gereklidir ve rnek uzaynda bulunan ilkel olay says arttka
bu i gleir. Bu gl yenmek iin belli kombinatorial formller
gelitirilmitir. Bunlar esas itibariyle sralama ve birletirmelerle iglidir. Fakat nce iki prensibi belirtelim:
i) Eer herhangi bir A olay m, B olay da n farkl ekilde olabilirse
A ve B ayn anda olmamak art ile A veya B olay m + n farkl ekilde
karmza kabilir. Mesel A bir deste bri kadnda sinek ekme, B de
kupa ekme olay olsun. A ve B olaylarnn her biri 13 farkl ekilde
olabileceine gre 26 farkl ekilde bir sinek veya kupa ekilebilir.
ii) A olay m, B olay n farkl ekilde olabilirse (A fi B) olay mn
farkl ekilde olabilir. Mesel, bir deste bri kdndan 2 kart ekilmi
ve biri sinek dieri kupa km olsun. Bu mislde 13 X 13 = 169 farkl
ekilde dnlebilir.
Bu prensiplerden ikincisini sralama iin kullanahm. a,b,c harfleri
ka farkl ekde sralanabilir ? Birinci unsur iin3 harften birini, ikinci
unsur iin Iralan ikisinden birini, nc iin de kalan alacaz. Bu
ayr olayn olma ekillerini arparsak 3 . 2 . 1 = 6 farkl sralama yapabileceimiz anlabr.
abc, acb, bac, bca, cab, cba
35

eemdersnotlari.com

Genel olarak n tane Unsurun farkl sralanma says

n ( n - l ) ( n - 2 ) . . . ( 2 ) (1) = n!
n!
(n1)! =

yazlabilecei iin 0! = 1 kabul edilir ve n = 1

n
olmas halinde de (n1)! = 1 olmas salanr.
n unsurdan sadece r tanesini kullanarak sralama yapmak istersek,
sralama saysn dadaki forml gsterecektir:
f
P n , r = n(n1) (n2).. . ( n - 1 + 1 ) =

(n-r)!

zel hal olarak r = n ise o zaman P n , n = n! elde edilir, bu ise biraz

nce grdmz formldr.
Baz elemanlarn ayn olmas halinde sralama forml,
n!

eklini alr. Burada k tane eleniklik snf dnlm ve

n! n 2 ! . . .n k !
eleniklik snflar iinde n ; ! i = l . . . k kadar farkl sralama yaplabilecei dikkate alnmtr.
Bazen sralamaya gitmeden unsurlarn sadece seilmesi yeterli
olabilir ve problem n unsurun iinden r unsurun ka farkl ekilde
seilebilecei eklinde verilir. ki birletirme eer ayr elemanlardan
meydana geliyorsa farkl saylr.,Mesel abc ve acb farkl sralamalar
olduu halde farkl birletirmeler deildir.
\
Birletirme forml:

Pn.r
Cn,r = ( n )
r!

n!
(nr)! r!

r tane unsur kendi iinde r! kadar farkl ekde sralanabilir. Birletirme formlnde unsurlarn sadece seimi ile yetinildii ve sralanmas da gerekmedii iin sralama formln r! ile blmemiz gerekir.
(j 1 ), binomial dalm katsaylardr.
Binomial teorem: a ve b iki reel say ve n pozitif bir tam say olsun.
(a+b) n = ( r n ) a n - r b r
r=o
36

eemdersnotlari.com

eemdersnotlari.com

spat: ( A ) + O )=

(rl)!(nr+1)!

(nr)!r!

r n ! + (nr+1) n!
(nr+l)!r!
'

rn!+[(nfl)-r]n!
(nr+1)! r!
r n ! + (n+1)! m !
(nr+1)! r!
(n+1)!
(nr+1)! r!

Halbuki tarif gerei;

(n+1)!
,
(\+1) = (8)
(nr+1)! r! 1

OLASILIK LE LGL PROBLEMLER

1. Bir olaslk uzaynda tarif edilmi A,B ve C olaylar iin,

P(A U B U C) = P(A) + P(B) + P(C) P(A n B) P(A n C) P(B n C)

+ P(A n B n C)
olduunu gsteriniz.
spat:

P(AuBuC) = P[(AuB)uC]
= P(AuB) + P(C) P[(AuB)nC]

Halbuki,
(A u B) n C = (A n C) U (B n C)

(7a kuraln kullanarak)

P[(AuB)nC] = P(A n C) + P(B n C) P(A n C n B n C)

= P(A n C) + P(B n C) P(A n B n C)
8 Kombinatoryal matematik ile ilgili bir Trke kaynak:. M. Emin Altan, "iktisatlar
iin Genel Matematik, X" ktisat Fakltesi Yayn, 151, 1964.

38

eemdersnotlari.com

Bulduumuz sonular yerine koyarak,

P(A U B U C) =' P(A) + P(B) + P(C) - P(A n B) P(A n C) - P(B n C)

-f P(A n B n C).
2. A ve B ayn olaslk uzaynda tarif edilmi iki olay olsun. P(A),
P(B) ve P(A fi B) cinsinden aadaki olaslklar ifade ediniz:
i)
ii)
iii)
iv)

k = 0,1 ,2 iin; A ve B olaylarndan tam k tanesinin olma olasl.

k 0,1,2 iin A ve B olaylarndan en az k tanesinin olma olasl.
k = 0,1,2 iin A ve B olaylarndan en ok k tanesinin olma olasl.
A'nn olmas ve B'nin olmamas olasl.
Cevap:

)k = 0
k=l
k =: 2
ii) en az
" "
" "

1 P ( A u B ) = l P(A) + P(A-nB)
P(A n B') U (B n A') = P(A) + P(B) 2P (A n B) (9)
P(AnB)
k= 0
k= 1
k= 2

iii) en" ok k = 0
" " k= 1
" " k= 2

P(A U B)
P(A n B)
1 P(A u B) = 1 P(A) P(B) + P(A n B)
l-P(AnB)
1

iv) P(AB) = P(A n B') = P(A) P(A n B)

3. P(C) > 0 farzederek, A,B ve C olaylar iin aadaki ilikileri
ispatlaynz.

i) P(S\C) = 1

ii) P(A\C) = 1 eer C c A ise

iii) P(A\C) = 0 eer P(A) = 0 ise

iv) P(A u B\C)

P(A\C) + P(B\C) P(A n B\C)

v) P(A'\C) = 1 P(A\C)
9 Bu olasln iki olaydan sadece birinin olmas olasln gsterdii Vem diyagramlarndan da kolayca grlebilir.
P(A N B - ) U ( B N A-) = P(A N BO + P<B N AO -

Halbuki A n B ' n B n A ' = A n 0 n A ' = 0

= P(B) P(AflB) -

. .

P<A N B ' N B

n A')

ve P(A D B') = P(A) P(A n B) ve P(B n A')

P[(A n BO U (B n A')l = P(A) + P(B) - 2P(An B).

39

eemdersnotlari.com

Cevap:
P(s n C)
i) P(S\C)

P(C)

P(C)

P(C)

P(AnC)
P(C) . '
ii) P(A\C) = - =
1
P(C)

iii)

P(A\C) =

P(C)

P(AnC)

P(A) = O => P(A n C) = O

Halbuki

P(C)

= O

P[(AuB)nC[
P[(AnC)u(BnC)]
iv) P(A u B\C) =
P(C) "
P(C);
P(A n c) + P(B n c) P(A n B n C)
<

P(A n c)
=

P(C)

P(C)
P(B

n C)

P(C)

P(A n B r c)
P(C)

= P(A\C) + P(B\C) - P(A n B\C)

v) P(A'\C) =

P(AnC),

P(C)

Oysa: P(A' n C) = P(C) P(A n C)

P(C) P ( A n C )
P(A'\C) =

P(AnC)
= 1

P(C)

P(C)

= 1 P(A\C).

'

4. P(A) > O, P(B) > O kabul ederek aadaki ifadelerin doru veya
yanl olduunu gsteriniz.
i) P ( A \ B ) + P(A'\B) = 1
ii) P ( A \ B ) + P(A\B') = 1
iii) P ( A \ B ) + P(A'\B') = 1
40

eemdersnotlari.com

Cevap:

P(A n B)

)P(A\B)=

' p(A' n B)

P(A'\B)

P(B)

P(A\B) + P(A'\B) =

P(A n

P(B)
B) + P(A' n B)
P(B)

P(A n B ) P ( B ) P(A n B)

P(B)

P(B)

O halde ifade dorudur.

P(A n B')

P(A fi B)
ii) P ( A \ B ) + P ( A \ B ' ) =

P(B)

+
P(B)
P(A

P(B')

n B)

P(A)

P(A

n B)

P(B)

P(B')

P(B')

P(B')P(A n B)+P(A)P(B)P(B)P(A n B)
P(B) P(B')
P(A n B) [P( B')P(B) ]+P(A)P(B)
P(B) P(B')
P(A n B) [1 - 2P(B)] 4- P(A) P(B)
P(B) P(B')
P ( A \ B ) [12P(B)] + P(A)
P(B')
fadenin l ' e eit olmas ancak pay ve paydann eit olmas de mmkndr. Pay ve paydann eitliini zorunlu klan bir art verilmediine
gre ifade genellikle doru dedir.
|
i) P ( A \ B ) + P ( A ' \ B ) = 1
P(A'\B') + P(A\B') = 1

f-

Bu eitlikleri yle yorumlayabiliriz; Bir B olay olduu zaman A

olay artl olarak ya olur ya da olmaz. Benzer yorumu B olaynn gereklememesi hali iin de dnebiriz. Bu iki eitlie dayanlarak,
41

eemdersnotlari.com

P(A / '\B) = P(A'\B')

veya
> olmadka ifadenin yanl olduu sonuP(A\B') = P(A\B)
) cuna varlr.
5. Aada iki olay grubu verdmektedir.
A = {A,A',S,0}
B = ' {B,B',S,0}
A ve B bamsz olduklar taktirde A ve B nin bamsz olacan
gsteriniz.
s p a t : A ve B nin bamszb, bu iki setin meydana getirdii
A X B Kartezyen arpm setinin, srab ikili eklindeki her elemannn
bamszln ispat etmek suretiyle gsterilebilir.
Aadaki tabloda yer alan 16 sral ikili iin elemanlarn bamszb, kesiim olaslnn olaslklar arpmna eit olduunu gstermek
suretiyle ispat edilebdir.

A'

B
B'
S
0

BnA
B'nA
SnA
0 nA

B n A'
B'nA'
SnA'
0 nA'

BnS
B'nS
SnS
0 nS

Bn0
B' n 0
Sn0
0 n0

A ve B bamsz olduuna gre P(A n B) = P(A) P(B)

P(A n B') = P(A) P(A n B) = P(A) - P(A) P(B) = P(A) [ l - P ( B ) ]
= P(A) P(B')
A ve B' bamsz. (Benzer mantk ile B ve A' bamsz.)

A n s = A, P(S) = 1
P(A n S) = P(A) = P(A) P(S)
A ve S bamsz. (B ve S bamsz.)
An

0 = 0 P(0) = o
P(An 0) = P(0) = P(A)P(0) = o
.'.

A ve 0 bamsz. (B ve 0 bamsz.)

P(A') = 1 - P ( A )
P(B') = 1 P(B)
42

eemdersnotlari.com

P(A')P(B')= [1-P(A)][1-P(B)]=1-P(A)-P(B)+P(A)P(B)
= 1 [P(A) + P(B) P(A n B)] = 1 P(A u B)
= P(A u B)' = P(A' n B')
A' ve B' bamsz.

P(S) = P(0) = P(S\0) P(0) = P(S n 0) = o

.. S ve 0 bamsz.
p(s n s) = P(s\s) P(S) = = p(s) P(S)
.. S ve S bamsz.
P(0 n 0) = P ( 0 \ 0 ) P ( 0 ) = P ( 0 ) P ( 0 ) = o
.. 0 ve 0 bamsz.

P(B' n S) = P(B'\S) P(S) = P(B'\S) = P(B')

P(B') = P(B')P(S)
P(B' n S) = P(B') P(S), B' ve S bamsz. (A' ve S bamsz.)

P(B' f| 0) = P(B'\0) P(0) = 0 = P(B') P(0)

B' ve 0 bamsz. (A' ve 0 bamsz.)
Bylece kartezyen arpm tekil eden 16 sral ikilinin herbirinin
kendi ilerinde bamsz elemanlardan meydana geldii grlmektedir.
Bundan karlacak sonu A ve B olay gruplarnn bamsz olduklardr.

.i"

6. A^AI,.. .A n olaylar bamsz ise,

P(A UA2U . . . U A n ) = 1 P(A') P(A' 2 )...P(A' n ) olduunu gsteriniz. Bir zarn 6 atmnda 3 saysnn en az 1 defa grnmesi olasln bulunuz.
s p a t : spat iterasyon yolu ile yapabiliriz. lk kademe olarak,
P(A U A 2 ) = 1 P(A') P(A' 2 ) olduunu ispat edelim.

P(A!UA2) = P(A) + P(A2) P(A n A2)

= P(Ai) + P(A2) - P{A) P(A2)

r
-f .

= P(A) [1-P(A 2 )] + P(A2)

= P(A) P(A' 2 ) -f P(A 2 )
-

P(A) P(A' 2 ) + 1 - P(A' 2 )

= 1-P(A' 2 )[1-P(A,)]

= 1 P(A'2)P(A',)
43

eemdersnotlari.com

eemdersnotlari.com

8. Arkadamz ziyaret etmek zere A, B ve C illerinden birini

1
1
1
seti. A'da yamur yamas ihtimali
, B'de
ve C'de
idi.
3
4
6
Seyahatten dndnde arabas amurlu olduuna gre C ilini ziyaret
etmi olmas olaslm bulunuz.
Cevap:

A A iline gitmesi olay

A2 B "
"
"
A3 C "
"
"

olsun.

P(A,) = P(A 2 ) = P(A 3 ) =

K havann yamurlu olmas olay olsun.
P(K\A,) =

1
3

, P(K\A 2 ) =

1
, P(K\A,) =

1
6

Bayes formln kullanarak istenen olasl aadaki gibi buluruz.

P(A3\K)

P(A3) P(K\A 3 )
P(A) P(K\A,) + P(A 2 ) P ( K \ A 2 ) + P(A 3 ) P(K\A 3 )

(T)(T).-
=

(T) (T) + (T) (T) + (T) (T)

= 9

9. Elimizde birbirinin ayn kutu var. Birinde 2 tane 5 kuruluk,

dierinde 1 tane 5, 1 tane 10 kuruluk, sonuncuda da 2 tane 10 kuruluk
var. Tesadfi olarak kutulardan bir tanesi ekiliyor. (Her kutunun ekilme olasd
Kutudan bir para alnyor (Her parann k ihtimali
ve kutudaki dier paraya baklmyor. Eer kan para 5 kuru ise ayn
kutudaki ikinci parann da 5 kuru olmas olasl ne kadardr?
Cevap:
P(A) = P(A 2 ) = P(A,) = i
P(K\A) = 1, P(K\A 2 ) = i , P ( K \ A 3 ) = 0
(K tesadfi olarak semi kutudan ekilen parann 5 kuru olmas
olay).
45

eemdersnotlari.com

stenen olaslk
J.l

P(A,\K) =

1/3
2
:
= = _ tr.
i-l+M+M
3/6
3

10.

i) (n )

==

(?) veriliyor, n'i bulunuz,

) C") f) veriliyor, r' bulunuz.

Cevap:
i) (n"k) (k)

yazlabilir,

nk = 11
k = 7

n =

18

ii) Burada da ( n ? k ) = () y kullanalm,

nk = r
k = r2
n =18

olduuna gre

18 k = r
k+ 2 = r

k + 2 = 18 k
2 k = 16

k = 8

r = k = 18 8 = 10
Gerekten:

() =

(g 8 )

11. Bir derginin 1000 abonesi zerinde yaplan bir aratrmada cinsiyet, medeni hal ve eitim duru mlar incelenmi ve aadaki veriler bilgi
olarak verilmitir: 312 erkek, 470 evli, 525 niversite mezunu, 42 erkek
niversite mezunu, 147 evli niversite mezunu, 86 evli erkek, 25 evli
erkek niversite mezunu. Bu bdgder birbiri de tutarh m? Niin?
12. Chevalier de Mere, 17 inci asrda Pascal'dan aadaki iki
olaslktan hangisinin daha byk olduunu sordu.
i) Hatasz bir zarn 4 atmnda en az 1 defa 6 gelmesi olash.
ii) Hatasz iki zarn 24 atmnda en az 1 defa 6 - 6 gelmesi olash.
Siz Pascal'n yerinde olsaydnz ne cevap verirdiniz?
13. Kapal poker'de Bay T tek kart ald ve ful bularak oyunu kazand. Rakipleri tek kart almadan nce elinde dper mi olduunu yoksa
46

eemdersnotlari.com

3'e tek mi aldn bilmek istiyorlar. Tek ala bir kimsenin elinde ya
dper veya 3 olduu kabul edilirse, bunun dper olmas olasl .696 ve
dper'e tek kart ahndmda fur bulma olasl .085, 3'e tek akndmda
ise ful bulma olasl .064. Bay T'nin elinde balangta dper olmas
ihtimalini bulunuz.
14. ki torba var. Birinin iinde 3 beyaz, 7 krmz, 15 siyab top
var. Dierinde ise 10 beyaz, 6 krmz, 9 siyah top bulunuyor. Her torbadan 1 top ekiliyor. Her iki topun da ayn renk olmas olasln
bulunuz.
15. Her odaya 3 veya daha fazla insan koymak art ile 8 kiiyi
iki oda arasnda ka farkl ekilde yerletirebilirsiniz?
i

'

47

eemdersnotlari.com

BLM III
TESADF DEKENLER
Stokastik olu evremizdeki ilikilerin ortak bir zelliidir. (1)
Belli olaylara ilikin olarak gzlediimiz deerler stokastik vetirelerin
sonulandr. Tesadflii incelemek istatistiin en nemli urasdr
demek herhalde fazla mbalaa olmaz.
Tesadfi deikenler bir olaslk uzayndaki ilkel olaylarn almas
muhtemel olan deerleri gsterir. Kavramn formel tanmn aadaki
gibi yapabiliriz.
Tarif: Tesadfi deiken, bir olashk uzaynn ilkel olaylar zerinde, her ilkel olaya, tesadfi deikenin o olay iin kymetini tekil
eden reel bir say tahsis eden bir fonksiyon'dur.
X fonksiyonu olaslk uzayndaki noktalar (iAel olaylar) ile X ekseni (reel saylar) arasnda bir iliki kurar. Olaslk fonksiyonunun ilkel
olaylar ile, 0 1 arasndaki reel saylar arasnda iliki kuruu gibi.
Bunu aadaki ekilde ifade edebiliriz.

P"
P

1 Deikenler arasndaki ilikilerin stokastik olu nedenleri ile ilgili olarak baknz:
U. Koram, "Ekonometrik Modeller ve Trk Ekonomisi iin Bir Deneme" SBF Yaynlan, No. 268,
Sh: 5-6.

48

eemdersnotlari.com

Bir olaslk uzaynda tarif edilmi X tesadfi deikeninin ald

deerler, reel saylar seti zerinde ayr bir olasbk uzay meydana getirir.
Bu olasbk uzaynda tek tek reel saylar ilkel olaylar, arahklar da olaylar tekil ederler.
Her a reel says iin {X = a} ilkel olaylar seti, yani tesadfi deikenin a deerini ald btn dkel olaylar, bir olay tekd eder. Her b ve
e reel saylar iin aadaki setler de olaylardr:
{b <X <c}, {b<X^c}, {bXfgc}, {X<c}, {X=c}, {X>b}, {X^b}.
Tesadfi deiken kavramm bir rnekle aklamaya devam edelim.
r n e k : Arkadamz Bay A ile birlikte para atyoruz. Eer attmz parada A'nn sonucu gelirse 10 kuru kazanyoruz, aksi halde
kayb ediyoruz. (2)
Burada olaslk uzaynda 4 ilkel olay var: YY, YT, TY, TT. X,
kazanacamz paray gsteren bir tesadfi deiken olsun. X, olasbk
uzaynda reel deerli bir fonksiyondur. YY, TT iin 10, TY, YT iin
10 deerini alacaktr.'
/ P(X = 10) = J
P(X = 10) = i

P(X = 7) = 0
P(20 <X <7) = i

Bu misl zerinde tesadfi deikenlerin olasdk fonksiyonu, bir

fonksiyonun olasbk fonksiyonu olabilmesi iin karlamas gereken
artlar, bir olayn olasln hesaplanmas gibi konular kolaylkla izah
edilebilir. Biz imdilik bu konular daha sonraya brakarak blmn
genel bir plnn vermeye alalm.
Tesadfi deikenler esas itibariyle 2 farkh kritere gre iki farkl
ekilde snflandrlabilir. Bir kriter boyut. Buna gre deikenleri, tek
boyutlu ve ok boyutlu (en basiti iki boyutlu) ya da beik tesadfi
deikenler eklinde gruplandrabiliriz. Dieri ise devamllk. Bu bakmdan da deikenleri kesikli ve devaml olarak ayrabiliriz. Biz de bu
ayrmlar dikkate alarak nce tek boyutlu sonra da bileik tesadfi
deikenler zerinde duruyor ve her bir tip iin kesikli ve devaml olanlar ayr ayr inceliyoruz. Blm tesadfi deikenlerin fonksiyonlarnn
dalm konusuna deinerek bitiriyoruz.
2 Bu oyunun dil bir oyun olup olmad hakknda ne dnrsnz?

49

eemdersnotlari.com

I. TEK BOYUTLU TESADF DEKENLER

1. Kesikli Tesadfi

Deikenler:

Kesikli tesadfi deikenler s a y l a b i l i r s a y d a muhtemel deer

alan deikenlerdir. Bu snrl, ya da snrsz fakat saylabilir sayda muhtemel deer alan deikenleri kapsar.
Eer x, x 2 , . . .x N gibi N tane veya x 5 x 2 . . . saydabilir say iin
X'in bu deerlerden birini almas olash l'e eit ise (veya X'in bu deerler dnda bir deeri sz konusu deilse) X kesikli bir tek boyutlu tesadfi deikendir.
Kesikli X tesadfi deikeninin almas muhtemel deerleri ve olaslklarn gsteren fonksiyona o l a s l k fonksiyonu diyoruz.
Pl

= P(X=x,)
veya

1 =
t

1,2,...N

= 1,2...

Bu olaslklar, tesadfi deikenin alabecei x, deerlerinin fonksiyonu

olarak dnelim.
Pi = f(x;)
A x , x 2 . . . x N noktalarnn bir alt seti olsun.
P(A) = 2 f(xj)
A

Mesel A olay X'in a de b arasnda bulunmas ise (a <b)

P(a<X<b)=

2 f(x,)
a< Xi <b
X'in olaslk dalmnn f(x) olduunu gstermek iin X ~ f(x)
"X, f(x) olaslk fonksiyonu ile dalmtr" notasyonunu kullanrz.
Herhangi bir fonksiyonun, kesikli bir tesadfi deiken iin olasbk
fonksiyonu olabilmesi, aadaki artlara baldr.
)f(x,)^0
ii) Sf(x,) = 1

i = 1,2,...
(3)

Olaslk fonksiyonuna misller:

3 Bu artlar olaslk blmnde grdmz 1 ve 3 numaral aksiyomlarn zorunlu sonucudur. f(x;) 1er olaslklar olduuna gre negatif olamazlar. Bir deikenin muhtemel btn deerlerinin olaslklarnn toplamnn da 1 olmas zorunludur.

50

eemdersnotlari.com

Misl 1: Biraz nce verdiimiz para atma rneinde olaslk

fonksiyonu:
f(X = 10) -- f(10) = i
f(X = - 10) = f(10) = \
f(X = x) = 0

dier btn x deerleri iin.

Grld gibi burada hem birinci hem de ikinci art salanyor.

Bu misl iin f(x)'in grafiini izelim.

-f (x)j
i "

-o

-IO

ekilde her noktaya tekbl eden olaslk dikey uzunluklar cinsinden ifade edilmitir. Olaslk fonksiyonunun bilinmesi halinde eitli
sorular cevaplayabiliriz.
Mesel

P(15<X<0) =
P(X<15) = 1 gibi.

Misl 2: Elimizdeki paray 3 defa veya 3 paray ayn anda atarak tura gelme saysnn kaydedelim. X tesadfi deikeni tura gelme
saysn gstersin. X; 0,1,2 veya 3 olabilir. Her parann atlnda 2 ihtimal olduuna gre 3 para 2 3 = 8 farkl ekilde atlabilir. 3 at veya 3
parann atlnda x tane tura gelme says
farkl ekilde gerekleebileceine gre;

f(x) =

23

= 0,1,2,3 yazabiliriz. f(x)'in bir olaslk fonksiyonu ol-

duu x'in btn deerleri iin negatif olmamas ve f(Xi) lerin toplamnn
l'e eitlii ile grlebilir.
51

eemdersnotlari.com

3
2f(x)=
o
o
8

f(0) =

, f(l) =

1
= _

(1+3+3+1) = 1
8

, f(2) =

, f(3) -

1
, f(x) = O dier btn

x'ler. 3 paray sonsuz sayda attmzda tura gelme saylar ile ilgili
nisb okluMarn limit deerleri yukardaki olaslklar olacaktr.
imdi bu deiken iin olaslk fonksiyonunu izelim. Burada da
eitli sorulan olaslk fonksiyonu yardm ile cevaplandralm.

S/8-

P(X<3) = f(x) = f(0) + f(l) + f(2) =

x=o
P(X l ) - 2 f(x) = f(l) + f(2) + f(3) =
P(1^X<3) - f(l) + f(2) =

imdi de yle bir soruyu cevaplyalm: Tura gelme saysnn 3 ten

az olduunu veri kabul ederek, 2 den az tura gelme artl olasln
bulunuz.
A, 3 ten az tura gelme olay, B 2 den az tura gelme olay olsun.

eemdersnotlari.com

A = {x~: x = 0,1,2}

A n B = {x : x = 0,1}

B {x : x = 0,1}

P(B\A)

P(AnB)
P(A)

f(0)+f(l)

f(0)+f(l)+f(2)

+ +
8
8
8

1/2

7/8

(4)

BlRlKML DAILIM FONKSYONU, F(x)

Birikimli dalm fonksiyonu hem kesikli hem de devaml tesadfi
deikenler iin sz konusudur.
F(x) = P(X<x) Szle ifade edersek F(x), x e kadar birikmi olan
olash gsterir. {X<x} bir olaydr ve bu olayn olash x reel saysna bal olarak deiir, yani F(x), x'in fonksiyonudur.
nceki 2 misl ile ilgdi birikimli dadm fonksiyonlarnn grafiklerini izelim.
,

FCO
1-

10

i Ayn sonucu, artl olaslklarla mutlak olaslklar arasndaki ilikiyi kullanarak da elde
edebilirdik. 3 ten az tura geldii veri olunca yeni rnek uzaymz 0,1 ve 2 yi kapsyacak, mutlak
olaslklar P = 1 /8, P, = 3/8, P, = 3 /8 olduu halde, artl olaslklar bulmak iin, bunlarn
her birini 8/7 e arpacaz. P 0 * = 1/7, P,* = 3 /7, P,* = 3 /7 ve ZP* = 1. Bu olaslklar bilinince artl olarak 0 veya 1 tane tura gelmesi olash, P 0 * + P,* = 1/7 + 3/7 = 4/7 den ibaret
olacaktr.

53

eemdersnotlari.com

Rx)"

1/8..

<18
o

F(x) = 0
F(x) = 1/2
F(x) = 1

-t
3

x < 10
X < 10
X ^ 10

F(x)
F(x)
F(x)
F(x)
F(x>

=
=

=
=

.X
0
1/8
4/8
7/8
1

X<
x <
X<
x <
x ^

0
1
2
3
3

Birikimli dalm fonksiyonu verildiinde olaslk fonksiyonunu,

bundan yararlanarak kolayca karabiriz. Birikmi olaslkta belli bir
noktadaki zplama o noktaya tekabl eden olasd gsterecektir. Bylelikle olaslk veya birikimli dabm fonksiyonlarndan biri mevcutsa
dieri bulunabilecektir.
Birikimli dalmn X'in hangi deerleri iin 0, hangi deerleri iin
1 olduunun da mutlaka belirtilmesi gerekir. ekil zerinde belli bir
noktaya tekabl eden birikmi olasl bulmak iin o noktadan klan
dikmenin F(x) in grafiini kestii noktadaki deerini birikmi olasd
gsteren F(x) ekseninden okumak kfidir.
imdi birikimli dabm fonksiyonu ile ilgili nemli bir eitlie temas
edelim:
P(a

<b) = F(b) F(a)

(a <b)

spat:
a <b

ise,

{X<a} => {X<b} yani

{X<a} S {X<b} ve P(X<a) < P(X<b)
54

eemdersnotlari.com

dir.

F(a) == P(X <a) < P(X<b) = F(b)

a <b.olduu iin {X<b]> olay ayn anda imknsz {X<a} ve
{aX<b} olaylannn birleimidir.
{X<b} = {X<a} u {a<X<b}
3'nc olaslk aksiyomunu uygulayarak,
P(X<b) = P(X <a) + P ( a ^ X < b )
F(b) - f(a) + P ( a ^ X <b)
P ( a ^ X < b ) = F(b) F(a) j
P(Xga) = 1 P(X<a) = 1 F(a) kullanabileceimiz bir baka
nemli ilikidir.
Olaslk veya birikimli dalm fonksiyonunu kullanarak ayn soru6

lan cevaplayabiliriz. Mesel 3 para atm mislinde, P(lX<3) =

idi.
8
7
1
6
P(1 X <3) = F(3) F(l) =
=
8
8
8
2. Devaml T e s a d f i

Deikenler:

Devaml tesadfi deikenler snrsz sayda muhtemel deer alabilen tesadfi deikenlerdir. Byle olunca P(X=x) = 0 eitlii devaml
deikenler iin geerli yani tek bir nokta iin olaslk sfrdr.
Kesikli deikenlerdeki olasdk fonksiyonu burada s k l k fonks i y o n u olarak karmza kacaktr. Herhangi bir f(x) fonksiyonunun
devaml bir X tesadfi deikeni iin sklk fonksiyonu olabilmesi aadaki iki artn gereklemesine baldr.
i) f(x) g 0

<x<

00

ii)

f f(x) dx = 1.
J co

f(x) bilindiinde belli bir A olaynn olasb o olay iin f(x) in

entegrali alnarak bulunur.
P(A) = f f(x) dx
JA
55

eemdersnotlari.com

Mesel,

A {x : a <x <b}
b

= J f(x) dx = j f(x) dx

P(A) =

(5)

imdi sddk fonksiyonu kavramn "bir mislle aklayabm.

. Misl: f(x) =
=
=
veya
f(x) =

0
x^l
c(3x-f2) 1 < x <3
0
x ^ 3
c(3x-f-2)

l<x<3

= 0

aksi halde

fonksiyonunun bir sklk fonksiyonu olabilmesi iin c ne olmakdr?

c'nin pozitif olmas halinde f(x) iin gerekli olan (i) kk kardanacaktr. Bir defa bu mislde c pozitif olmaldr. kinci kk salayabilmesi
iin;
;
1 c(3x-f-2) dx 1 olmaldr.

C J (3x+2) dx=c

x 2 + 2 x|3 ^ = c ^

+ 6

2^

= c(16)
Buradan da,
1
c =

bulunur.

16

O halde,
f(x) =

1
16

(3x+2) =

x H

16

1<x <3

= 0
aksi halde,
X iin bir sklk fonksiyonudur.()
/
5 Devaml tesadfi deikenler iin P(X=x) = 0 olduundan < ile ^ ve > ile ^ arasnda fark olmaz, nk belli bir nokta iin entegral deeri (alan) sfrdr. Herhangi bir aralk
ak, kapah, solda veya sada ak olsa olasl ayn olur.
6 Bunun salanmas (1,3) aralnda f(x) in ^ 0 olduunu ve
| (3
(3x f 2) dx=l'i
F
gstermek suretiyle yaplabilir.
16

16 J,

56

eemdersnotlari.com

f(x)'in grafiini izelim.

H/ti.

P(1<X<2)=

f2
i
(3x+2)dx =
16 J ,
16
1

13
/3 2
P"\
(
x + 2x ) =
V2
/
32

Devaml tesadfi deikenlerde b i r i k i m l i d a l m l a r .

F(x) = P(X^x) = f X f(x)dx

=e <x<co

J-CO

Devamb tesadfi deikenlerin birikimli dalm fonksiyonlar da

devambdr. Olasdk devamb olarak birikmekte olduu iinF azalmayan
bir fonksiyondur. co 'dan + co 'a giderken ya olaslk olmad iin
birikmi olasbk ayn kalr ya da pozitif olasbk varsa birikmi olasdk
pozitif olur.
F( co) = O

lim F(x) = O
x -* - co
lim F(x) = 1
X--OO

F( co) = 1

Yukardaki misl iin birikimli dahm bulalm ve grafiini izelim.

F(x) = 0
x ^ 1
rx

3
1
( x + ) d x =

J, 16

3
32

x2+

1
8

x
37

eemdersnotlari.com

7
32
= 1

32

1 <x <3

x ^ 3

P(1 <X<2) = P(X <2) P(X <1)

= F(2)-F(l)
52

13

128

32

Son soruya verilen cevap "calculus"un temel teoreminin bir ifadesidir.(7)

F(x>

Kesikli deikenlerde olduu gibi devaml deikenlerde de sklk

veya birikimli dalm fonksiyonlarndan yalnz birinin vermesi halinde
dieri bulunabilir. Devaml deikenlerde trev almak suretiyle birikimli dalmdan sklk fonksiyonu elde edilebilir. yle ki;
d
f(x) = f(x) = F'(x)
dx
7 Bu teoremin ifadesi: Eer f fonksiyonu a, b aralnda devaml ve F, fin herhangi bir
fb
ilkeli ise bu taktirde, I f = F(b) F(a) dr.

58

eemdersnotlari.com

Misl:
F(x) = 0

x ^ 1
3

- c(

7
x 2 + 2x

2
= 1

)
1 <x <3
2
veriliyor, c ve f(x)'i bulalm.

d
F(x) = 3 cx + 2c = c(3x+2)
dx
r3

/3

(3x+2)dx=c(
J

|3\

x2+2x
\2

2 7

) =
1 / 2

2 =16 =>c =

1-6
2

16

1
f(x) =

(3x-|-2)
16

= 0

1 <x<3

aksi halde. (8)

Buraya kadar tek boyutlu tesadfi deikenlerin olaslk, sklk ve

birikimli dalm fonksiyonlarn, bunlarn kullanlmas yoluyla olaylarn olaslklar ile ilgili cevaplarn nasl verilebileceini ve ayn soruya
verilecek cevapta birikimli dalm ya da olaslk veya skhk fonksiyonlarnn kullanln grm bulunuyoruz. imdi benzer bir pln dahilinde ok boyutlu tesadfi deikenleri grelim.
ok boyutlu tesadfi deikenler iinde iki boyutlu olanlar ok
deikenli istatistik bilgisini gerektirmeden incelenebilecei ve iki deiken arasndaki ilikiler, istatistikte zerinde nemle durulan ve teorisi
en tam ekilde geitirmi bulunan ilikiler olduu iin bu tip izahlarmzn arln tekil edecek ve iki boyutlu kesikli veya devamk bileik
tesadfi deikenlerin incelenmesi artl dalm, bamszlk gibi kavramlar renmemize imkn verecek.
II. OK BOYUTLU (BLEK) TESADF DEKENLER
1. Kesikli B i l e i k T e s a d f i D e i k e n l e r
Tek boyutlu tesadfi deikenleri incelerken herhangi bir tesadfi
deikenin reel saylar set'i R iinde bir olaslk uzay tekil eden, ya da
I
'
8 Grld gibi birikimli dalmda da c arpan olarak mevcut olsa deeri yukardaki
metot uygulanarak bulunabilir.

59

eemdersnotlari.com

rnek uzayndaki noktalar ile reel saylar seti arasnda iliki kuran bir
fonksiyon olduunu grmtk. Benzer ekilde (X,Y) bileik kesikli
tesadfi deikeni de reel say sral ikililerinin ilkel olaylar tekil ettii
R 2 seti zerinde bir olaslk uzay meydana getirir. R 2 kartezyen
dzlemindeki her aralk veya dikdrtgen bir olaydr. ( a < X < b,
c < Y < b) dikdrtgeni bir olaydr ve olasl da kendi iindeki ilkel
olaylara den olaskklarn toplamna eittir.
v
Herhangi bir nokta iin olasbk f(x,y) = P(X=x, Y = y ) eklinde
gsterilir ve bu olaslklar dzlemi zerinde dikmeler eklinde bilinir.
Bileik bir (X,Y) tesadfi deikeni iin b i r l e i k o l a s l k fonksiyonu f(x,y) srah ikililerinin tekil ettii rnek uzayndaki noktalar ile
0 1 arasnda fonksiyonel bir iliki tekil eder ve her (X,Y) sral ikilisinin olasbn gsterir.
imdi kesikli bileik tesadfi deikenler ile ilgili bir misl zerinde
durabm.
Misl: Bir para atkyor. Tura gelirse daha sonra bir zar atlyor,
yaz gelirse para yeniden atlyor. Tura 1 yaz 0 olsun. X birinci atta,
Y de ikinci atta gelen sayy gstersin. X ve Y nin birleik olasbk
dahmn veren bir tablo yapabm ve bunu grafik ile gsterelim.
Birinci at bir para at olduuna gre X, 1 veya 0 olabilir. kinci
at iin ya tekrar bir para ya da bir zar atlmas sz konusu. Birinci
atda yaz gelirse yeniden para atbyor, o halde 0 veya 1 gelebilir. Birinci atda para tura ise, zar atlyor yani 1,2,3,4,5 veya 6 dan biri gelebilir fakat 0 gelemez.
imdi her iki at iin dnlecek ihtimalleri ve bunlara tekbl
eden olaslklar aadaki tabloda gsterelim.

\\

f(x)

1/4

1/4

1/2

1/12

1/12

1/12

1/12

1/12

1/12

1/2

1/4

1/3

1/12

1/12

1/12 1/12

1/12

g(y)

60

eemdersnotlari.com

Bu tablodaki olaslklarn f(x,y) nin bir birleik olaslk fonksiyoml

olmas iin gerekli artlan salad grlyor.
Gerekten,
i) f(x,y) ^ 0 btn (XY) 1er iin.
ii) S x 2 y f ( x , y ) = l
imdi f(x,y) nin grafiini izelim.

f(x,y) bilindii taktirde X ve Y nin olaslk fonksiyonlann bulabiliriz. Eer X ve Y bir kesikli bileik tesadfi deiken tekil ediyorsa
X veya Y den sadece birinin olaslk fonksiyonu M a r j i n a l o l a s l k
d a l m adn alr.
{X

= x} = U y {X=x} n {Y=y}

P(X=x) = y P( {X=x}

{Y=y}) = Z y P(X=x, Y = y ) = Z y f(x,y)

f(x) = S y f(x,y)
ve benzer ekilde
g(y) = S x f(x,y)
Szle ifade edersek marjinal olaslklar bulmak iin birleik olaslk
dabm tablosunda sralar veya stunlar itibariyle toplama yapmamz
gerekecek. X sra, Y de stun eleman olarak gsterilmise sra toplaml 1

eemdersnotlari.com

lan X in, stun toplanlan da Y nin marjinal dadmn verecek. Sra

toplamn yaparken stunlar itibariyle (deien y'Ier); stun toplamn
bulurken de sralar itibariyle (deien x'ler) toplama yaptmz aikar.
f(x) ^ 0
2xf(x)=l
ve g(y)
0, 2 y g(y) = 1 olaca da tabiatiyle tesadfi deikenlerle
ilgili bilgilerimizin bir gerei. Nitekim tabloda da X ve Y iin marjinal
olaslklann toplam l'e eit.
f(0) + f (1) = 1 ve 2 g (y.) = 1
i=0
Tek boyutlu tesadfi deikenlerde olduu gibi bileik tesadfi
deikenler iin de birikimli dalm tarif edebiliriz.
F(x,y) = P ( X < x , Y < y )

= 2

X<x

F(x) = P(X <x) =

2
X<x

G(y) = P(Y<y) =

f(x) =

S
X<x

2 g(y)= 2
Y<y

f(x,y)

Y<y

Y<y

2 f(x,y)
y

2 f(x,y)
x

nceki mislimize dikin olarak olaslk fonksiyonu ve marjinal

dalmlar iin birikmi olaslk fonksiyonlarn yazalm.
0
0
0
1/4
1/4
7/12
8/12
9/12
10/12
11/12
1

x < 0 , y <0
x<0
y<0
x<l, y<l
x 2:1, y <1
" y<2
" ,y<3
" ,y<4
" ,y<5
" ,y<6

F(x) = 0 x < 0
= 1/2 x < l
- 1

G(y) =
=
' =
=
=
=
=
-

0
1/4
7/12
8/12
9/12
10/12
11/12
1

y<0
y<l
y<2
y<3
y<4
y<5
y<6
y^6

2. D e v a m l B i l e i k Tesadfi Deikenler
Ayn olaslk uzaynda tanmlanm (X,Y) tesadfi deikenleri
ifti eer f(x,y) gibi bir fonksiyon R 2 zerinde tanmlanm bir A olay
62

eemdersnotlari.com

iin P((x,y) eA) = J J f(x,y) dydx eitliini salyorsa, bileik devamh

tesadfi deiken saylr ve f(x,y) de b i r l e i k s k l k fonksiyonu
adn abr.
Herhangi bir f(x,y) nin birleik skkk fonksiyonu olabilmesi iin;
i) f(x,y)^0 co <x<co , co <y<co
ii) | |

. f(x,y)dydx = 1 olmas gerekir.

f(x,y) nin grafii (x,y) dzlemi zerine izilir ve bir hacim meydana
getirir. Bu hacim l'e eittir. Herhangi bir A olaynn olask da, birleik
sklk fonksiyonunun grafii altnda kalan hacmin xy dzlemi zerindeki
A olayna tekabl eden ksmdr.

Birleik sklk fonksiyonundan yararlanarak tek tek deikenlerin

m a r j i n a l s k l k fonksiyon'lann aadaki formllerle bulabiliriz.
f(x) =

f
J

g(y) =

f(x,y)dy
00

f(x,y)dx.
63

eemdersnotlari.com

Szle ifade edelim: X'in marjinal dalm, birleik skbk fonksiyonunun absis deeri x olan dikey doru zerinde Y'ye gre entegrali
ahnarak, Y'nin marjinal skbk dalmda ordinat y olan yatay bir doru
zerinde f(x,y)'nin X'e gre entegrali ahnarak bulunur.
f(x,y) bdindiinde birikimli dadmlar,
F(x,y) = P(X <x, Y <y) = [*
J _<a

F(x)==H

f
f(x,y)dy dx
J oo

[1M f(x^)dy]dx=L fwdx

G(y) = T
T f
f(x,y)dxl dy = f y
g(y)dy
J _co
J _a>
oo

Birikimli dalm verildiinde birleik sklk fonksiyonu aadaki

iliki yardm ile bulunabdir.
f(x,y) =

S 2 F(x,y)
8x 8y

P(a<X<b)=J

[J

f(x,y)dy ] d x = J

f(x)dx

P ( a < X < b , , a 2 < Y < b 2 ) = P(X<b,, Y<b 2 ) P(X<a Y < b 2 )

v

P(X<b,,Y<a2) + P ( X < a , Y < a 2 )

= F(b, b 2 ) F(a, b 2 ) F(b, a 2 ) + F(a,, a 2 )

Bu son dikiyi ekil yardm ile grmeye alalm.
imdi buraya kadarki izahlarmz kullanan bir misli gelitirelim:
Misl: x y + 4 l < x < 3 , 0 < y < 2 verilmi olsun. Bu
bir (X,Y) devaml bdeik tesadfi deikeni iin birleik sklk fonksiyonu
olabdir mi? nce birinci art irdeliyelim. Fonksiyon x,y iin verden
aralklarda pozitif. O halde birinci art salanm. kinci art
olarak;
v

(x~y +

d x =

I! [

(x y + 4 ) d y ] dx

64

eemdersnotlari.com

t,

Kademeli entegralin ce i ksmnn deerini bulalm.

[
Jo
J

y+4) dy = xy
(2x+6)d>x = x 2 + 6x

4y

= 2x 2 + 8 = 2 x + 6

9 + 1 8 1 6 = 20

1
O halde (xy+4)' c = gibi bir say ile arparsak sonu 1
kacaktr. Yani,
20
f(x, y ) =

(xy+4)

1 < x < 3, 0 < y < 2

20
aksi halde
= 0
bir birleik sklk fonksiyonudur. imdi bu fonksiyonu kullanarak eitli
A olaylar iin olaslklar bulalm, ayrca birikimli dalmlar elde edelim.
65

eemdersnotlari.com

P(X<2,Y<1)

1
= "T

(x-y+4)dydx

r
J , (* +

7
>

1 v
1
= (5) =
20
4

p(Y< -io 1!
1 , 25

F(x,y) =

(9)

[ 1!

20

ly
\2

I
-y 2

23

23

20

40

P(X<2\Y<1) =

d x

&]ioll

P(X<2, Y<1)

F(2,l)

1/4

10

P(Y<1)

G(l)

23 /40

23

(T

* ry
f | (xy+4) dy dx
>n J , J

Birikimli dalm fonksiyonunu bulmak iin aadaki ekilden

yararlanalm.

1.

2.
3.
6>
7.

F(x,y)
F(x,y)
F(x,y)
F(x,y)
F(x,y)

=0
=0
=0
=0
=0

x
x
x
x
x

F(x,y)

^1
^1
^1
>

y
y
y
y
y

^ 0
>0
^ 2
^0
^0

-y+4)dy | dx
+ 4y | )

y2
2

d x

9 P(X<2, Y < 1 ) + P ( X < 2 , Y > 1 ) + P ( X > 2 , Y > 1 ) + P ( X > 2 , Y < 1 ) = 1 olduunu gsteriniz.

66

eemdersnotlari.com

2 Y

D Y

rx /

20- 1 !

I xy
\

+ 4xy

y2

,x 2 y

/y

h 4y ) dx =
'
20

xy2
+ 4xy

20

^ 2

20

y
20

+ 4x+

/X2xy+y9

.
V

y2
+

y /x2y xy2

(
x2
V2

y2*

4y)
'

2 '

+4x
/

y
(x 2 +8xxy+y9)
40
67

eemdersnotlari.com

4.

F(x,y) =

1
40
1
40

(x2y+8xyxy2+y29y)

(2 X 2+16X4x+418)

l<x<3,
1

0<Y<2

(2x2+12x14)

40

1
=

(x+7)(x1)

1 < x < 3,

y^2

20
Bu deeri 5 iin yazdmz F(x,y) de y yerine 2 koyarak elde ediyoruz.
1
8.

F(x,y) =

1
(9y+24y3y+y29y) =

40

(24y2y 2 )
40

= (12-y)
20
x ^ 3, 0 < y < 2.
Bu deeri 5 iin yazdmz F(x,y) de x yerine 3 koyarak elde ediyoruz.
9.

F(x,y) = 1

x ^ 3, y ^ 2.

Bu deeri 5 iin yazdmz F(x,y) de x yerine 3, y yerine 2 koymak

suretiyle elde edebiliriz.
imdi de marjinal dabmlar zerinde duralm.
f(x) = f f(x,y) dy =

20
1

20
= 0

f2

f ( x - y + 4 ) dy =

20 J 0

(2x2+8)

(2x+6)
I

1 <x <3
aksi halde

68

eemdersnotlari.com

(xy

20

y2

+ 4y
n

r3
g(y) =
| ( * - y + 4 ) d x = - ( 1
20 J,
20 \ 2
1

(12 2y)

20 ^ - - 3 y + 12

x y + 4 x

\
+ y-4

0 <y < 2
--

20
= 0

aksi halde

X'in birikimli marjinal dadm.

X

F(x) = j

f(x,y)dy] ]

rr

(x+3)dx =

10 >,
F(x) = 0
=

10

dx =

f(x)dx

R \
(
+3x
) =
V2
I, /
10
X 2

/X2
(
+3x
\ 2

2-'

1
20

(x2+6x7)

1 <x <3

= 1

x >3

1 < x < 3 iin bulduumuz F(x) deeri 4. nmarab alan iin F(x,y)
deerine eittir.
G(y) = 0
1
=

10

y ^0
11

fy

(6 y) dy =
Jo

(12y)

10
n

(6y

y2 y

) = (6y
10

y2
2

0 <y <2

20
= 1

y ^ 2

Bu da 8 numaral alan iin bulduumuz F(x,y) den baka bir ey

deildir.
69

eemdersnotlari.com

x2y

Eer F(x,y) =

40

-f-

8xy

xy 2

40

40

f(x,y) yi bulmak isteseydik;

1

x
d
3y

F(x,y) =

20

y2
40

9y
40

"

8
xy -)

F(x,y)] =

4"

dan hareketle
,

1
y

40

0 2 F(x,y)

8y 3x

40

y*

20

(x+4y) bu ise f(x,y) den

baka bir ey deddir.

3
Mislimizde son olarak P ( 1 < X <
, l < Y < 2 ) n e olduunu bulalm.
2
P(1<X <

3
2

, 1 < Y < 2 ) = F(
=

17
80

3
2

, 2) F(l,2) F (
0

19
160

3
2

, 1) + F ( l , l )

h 0

3
32
artl

Dalmlar:

Olaslk ile ilgili blmde artl olaslk kavramn grm olmamz

bu konuda yeni aklamalar gereini byk lde azaltyor, ister kesikli
ister devamb olsun iki boyutlu bir (X,Y) bdeik tesadfi deikeni iin
artb dalm,
P(X = x, Y = y)
P ( Y = y \ X = x) =
P(X=x)

^ f(x,y)
g(yV) =
f(x)
Benzer ekdde,

f(x\y) =
70

f(x,y)

f(x) > o

g(y) > 0

g(y)

eemdersnotlari.com

Misl 1: Kesikli bileik tesadfi deikenlerle ilgili mislimizde,

P(Y = 1, X = 0)

P(Y = 1 \ X = 0) =

G(1\0) =

P(X = 0)

f(l,0)

1/4

f(0)

1 /2

Misl 2: Devamd bileik tesadfi deikenlerle ilgili mislimizde,

f(x,y)

g(y V) =

f(x)

1/20 (xy-f 4)
1 /20 (2x+6)

s y + 4
l<x<3,

2x + 6
= 0
f(x\y)

0<y<2

aksi halde.

f(x,y)

l/20(x-y+4)

g(y)

1 /20 (122y)

x y + 4
2(6y)
= 0

1 <x<3,

0<y<2

aksi halde.

artl dalm ile ilgili formller zerinde ilem yaparak:

f(x,y) = g ( y \ x ) f(x) = f(x\y) g(y) yazlabir. Marjinal dalmlarda f(x,y) yerine eitini koyarak, kesikli deikenler iin;
f(x) = 2 y f ( x , y ) = S , f ( x \ y ) g(y)

g(y) = f(x.y) = g(y)\x) f(x) yazabiriz.

X tesadfi deikeninin a x . . . a N deerlerini P , , . . . P N olashklar
ile alabileceini farzedelim.
f( a i) = P,
f(x) = 0

i = 1 . . .N
aksi halde.

A bir olay olsun. P ( A \ {x = a,}) i = 1 . . .N olaslklar biliniyorsa,

A = [ A n ( X = a 1 } ] u [A n {X = a2} ]U . . . U [A n {X = aN} ]
Sa taraftaki olaylar ayn anda imknsz olduuna gre,
71

eemdersnotlari.com

P(A) = S P(A n(X=a,)) = S P(A\X = x,) f(x,)

1=1 ;
i=l
Yani herhangi bir olayn olasl, artb olaslklarla, veri kabul edilen
deikenin o deeri alma olaslklar arpmlarnn, tesadfi deikenin
(burada X) btn muhtemel deerleri iin toplanmas yoluyla bulunur.
Devaml bileik tesadfi deikenler iin,
P((x,y) eA) =

JJ

f(x,y) dy dx =

II

yazabdiriz. Marjinal dalmlar:

CO

f(x) =

-co

f(x) g(y\x)dx

f(x\y)

dy

g(y)dx dy

f(x\y)g(y)dy

g(y) =
J

JJ

g(y\x) f ( x ) dx
as

B i l e i k Tesadfi D e i k e n l e r d e S t o k a s t i k B a m s z l k :
X ve Y tesadfi deikenleri,
f(x\y) = f(x)
ve g ( y \ x ) = g(y) ise bamszdr. artl olaslk yerine deerleri konarak;

g(y) =

f(x)

f(x,y) = f(x)g(y)

veya

f(x,y)

= g(y)

f(x-y)

= f(x) g(y)

bulunur.

f(x)
Yani stokastik bamszlk artl ve artsz olaslklarn eitlii veya ayni
anlama gelen, birleik olaslk veya sildik fonksiyonunun, marjinal olaslk veya skbk fonksiyonlarnn arpmna eit olmas demektir.
k i d e n ok B o y u t l u B i l e i k Tesadfi D e i k e n l e r :
k boyutlu bir (Xx,...X k ) tesadfi deikeni, k boyutlu bir reel
uzayda snrl veya saylabdir sayda noktada sfrdan farkl bir (k+1)
inci boyuta, yani olasha sahipse bu (X,. . .X k ) deikeni kesiklidir.
72

eemdersnotlari.com

f(x,.. .x k ) = P(X, = x , . . ,X k = x k ) ise birleik olasbk fonksiyonudur. X, nin marjinal dalm,

f1(xi)=2
f(xlX2...xk)
x , x 2" , x i-, x i + r " x k
Xj ve Xj nin marjinal birleik olaslk fonksiyonu,
fi'j(xfxj)

= S
f(xx2...xk)
X l, X 2" , X i-l, Xi+1'Xj-1, Xj+1Xk
Devaml bileik tesadfi deikenlerde,
P { ( X t . . . X k ) eA} = J {

f(x1...xk)dx1...dxk

A
artl olaslk ve bamszbk:
t boyutlu bir ( X ; , . . . X i t ) deikeninin S boyutlu bir ( X j i , . . . X j s )
deikeni veri olarak artl dalm,
fjl,. . .t, ji,. . , j s (Xii. . .X l t ,Xjl,. . . x j s )
g(xji,.. . x l t \ x j , , . . , x j s ) =
fj,...JS(xJ1,...xJs)
Bamszlk halinde,
f ( x , , . . . x k ) = f,(x,)...f k (x k )
=

k
II fi( X i )

>=1.

olur.

kiden ok boyutlu bileik tesadfi deikenlerin incelenmesi ok

deikenli istatistik teorisinin bahca konusudur. Buradaki izahlarmz,
sadece iki boyuttan ok boyuta geiin matematik aletler dnda otomatikliini gsterme amacn gtmektedir.
Bu blmde son alt bahis olarak tesadfi deikenlerin fonksiyonlarnn dalm zerinde durulacaktr.
Tesadfi Deikenlerin Fonksiyonlarnn

Dalmlar:

X ve Y tesadfi deikenler ve Y = u(x) olsun. X'in sklk fonksiyonu bilindiinde Y'nin de sklk fonksiyonu elde edilebdir. Bunun
eitli metotlarndan (10) biri birikimli dalm fonksiyonlarn bu
amala kullanmaktr. Bunu misllerle aklamaya abahm.
Misal 1: X tesadfi deikeni [a,b] aralnda birrnek (veya
dikdrtgen) dalm olsun. Birrnek dalm sz edilen aralkta f(x) in
sabit olmasn gerektirir.
73

eemdersnotlari.com

O halde,
f(x) = k

a <x <b

= O

aksi halde olacaktr. f(x)'in skbk dalm olabilmesi

c
iin | k dx = 1 olmaldr.

k | 1 dx = 1 => kl x

f(x) =

I = 1 => k(ba) = 1 => k =

b a
<x <b

b a

= 0

aksi halde.

Birikimli dalm fonksiyonu: F(x) = P(Xx)

F(x) = 0
x

x ^ a
1

Jfczr)

dx

^b a 1
= 1
x 2b

/
Is
ba ^

x a
x a
=

b a

< x <b
a

f(>

X
b - o

imdi yeni bir deikeni Y = 2X 5 olarak tanmlayakm. Acaba

Y nin birikimli dahm ve sklk fonksiyonunu X'inkilerden yararlanarak nasl buluruz? Birikimli dalm fonksiyonunun tarifinden
giderek;
74

eemdersnotlari.com

F(x) < >

*

G(y) = P ( Y ^ y ) = P(2X5^y) = P(2X=Sy+5) = P(X ^

y+s
2

( y ~r >> \

lmm elde edebiliriz.

G (y)

J koyarak Y'nin birikimli da-

y + 5

= 0

y + 5 2a

y + 5 2a

y + 5
a <

2(ba)

< b

2
y + s

= 1
d

dy

dy V 2(ba) >

v
= 0

2a<y+5<2b
2a 5 < y <2b5

^b > 4-5 2b y 2b 5

, y+52a v

g(y) - G(y)= (

y ^ 2a 5

2(ba)

)=

4(ba)2
4(bi

2(ba)

2a 5 < y < 2 b 5
aksi halde.

g(y) nin bir sklk fonksiyonu olduunu kontrol etmek iin;

10 Bu konuda daha fazla bilgi iin baknz: Wadsworth, Bryan "Introduction to Probability
and Random Variables" ve H. Freeman "Introduction to Statistical Inference".

eemdersnotlari.com

2b5
1
2b5
1
J 1 dy =
(y |
)=
(2b-(-2a+5)
2(ba) 2a5
2(ba)
2a5
2(ba)
1

2(ba)

(2b2 a) = 1

Grld gibi X birrnek dalm olduu ve Y de X'in dorusal

bir fonksiyonu olduu iin Y'de birrnek dalmtr.
1
Misl 2: f(x) ve F(x) nceki mislimizin ayni bu defa Y =
olsun.
X
G(y) ve g(y) yi bulalm.
1
1
G(y) = P ( Y ^ y ) = P ( S y ) - P ( l X y ) = P ( X ^ )
X
y
-

y'

1 P(X < ) = 1 Fv( )

O halde F(x) de x yerine

koyarak ilem yaparken bu deeri

1 den karmamz gerektiini hatrda tutmamz lzm.

1
G(y) = 1 0 = 1
a
1 ^ ay
y ^

= 1

1
y .

ba

by 1
y(ba)

a <

1
y

<b

I"
b

1
= 1 1 = 0

1 ^ by

by1

1
<y <

y(ba)

y ^
b

1
y ^
b

< y<
1

^ b
y

G(y) = 0

76

eemdersnotlari.com

1
a

y^
a

g(y)=

/ by1 v

1
d

b
,

G(y) = _ (
) = _
/
dy \ y(ba)'
dy \ ba
1
1
< y <
b
a
= O
aksi halde.

x
=

'

(ba)y

Bulduumuz g(y) fonksiyonunun Y iin sklk fonksiyonu olduunu

aadaki ekilde kontrol edebiliriz.
r l/a

1
dy =

J 1 /b (ba)y 2

pl/a

l/a

1
(y- 1

y - 2 dy =
l/b
ba J l/b
ba
1
1
[ (a b)] =
(b-a) = 1
(11)
ba
ba

TESADF DEKENLERLE LGL PROBLEMLER

1. W, bir zarn atmnda gelebilecek saylarn karelerini gsteren
bir tesadfi deiken olsun.
a) W'yi bir tesadfi deiken olarak tarif ediniz.
b) Hangi kel olaylar, {W = 25}, {0<W<14}, {17^ W ^42},
{0<W<1} olaylarna girer ve bu olaylarn olaskklan nedir?
C e v a p : Y tesadfi deikeni bir zarn atmndaki ihtimalleri gstersin.
Y = {1,2,3,4,5,6}
W = Y*
W = {1,4,9,16,25,36}
11 u = f(x,y) ve v = f(x,y) olduunda 0 (u,v) yani u ve v nin birleik sklk fonksiyonunun bulunmas dntrmeler ve Jacobian'lar ile ilgili bilgileri gerektirdii iin bileik tesadfi
deikenlerin fonksiyonlarn kapsam d tutuyoruz.

77

eemdersnotlari.com

f(l) = f(4) = f(9) = f(16) = f(25) = f(36) =

{W=25} = {25}

1
6

P(W = 25) =

{O < W <14} = {1,4,9}

P(0<W<14) =

{17<W<42} = {1,4,9,16,25,36} P(17<W<42) = 1

{0<W<1} - 0
2. F(x) = 0

P(0<W<1) = 0
x <0

= c(xz + ^ x)

o^ x < 1

= 1

x > 1

veriliyor, e ve f(x)'i bulunuz.

Cevap:
f(x) = F'(x) =
= 0

d
dx

F(x) = 2 ex H

c
3

= e(2x -\

1
3

) 0<x<l
<

aksi halde.

e ("' (2x + i ) dx = c(X2 + l ) = c(l + 1) = 1

jo
o
3
1
3
1
f(x) =
(2x H
)=
x +
0 g x < 1
4
3
2
4
= 0

c= I

aksi halde.

3., Z, 0,1 aralnda birrnek dalm bir tesadfi deiken olsun.

W = y T ise W nin sklk ve birikimli dabm fonksiyonlarn bulunuz.
Cevap:
W = y/Z

Z= W

F w (w) = P(W<w) = P(VZ <w) = P(Z <w 2 ) = F z (w 2 )

imdi nce Z'nin sklk ve birikimli dalm fonksiyonlarn yazalm.
f(Z) = 0

Z<0

f(Z) = l

O^Z^l

Z>1

F(Z) = 0

Z<0

F(Z) = Z

0<Z<1

F(Z) = 1

Z>1

78

eemdersnotlari.com

F w (w) yi elde etmek iin Z yerine F(Z) de w 2 koyalm.

F(w) = 0
= w2
= 1

w 2 <0
0gw<l
w>l

w2>l

4. Aadaki birleik olasbk fonksiyonu verilmi ve X ve Y tesadfi deikenlerinin marjinal dalmlar bulunmak istenmitir. Tablodaki her gzde bulunan deer (X,Y) noktasnda, birleik olaslk fonksiyonu deerini (olasl) gstermektedir.

\y
X

1
2
3
g(y)

2
1
1/8 1/8
3/8
1/8
1/2 ' 2/8

f(x) = E y f(x,y)

1/2
3/8
1/8
1

2/8

f(x)

2/8

f(l) = f(l,l) + f(l,2) + f(l,3) =

1
8

2
+ _

1
_
2

f(2) = f(2,l) + f(2,2) + f(2,3) =

f(3) = f(3,l) + f(3,2) + f(3,3) =

aksi halde.

f(x) = 0

g(l) = f(l,l) + f(l,2) + f(l,3) = _

g(2) = f(l,2)

g(y) = E,f(x,y)

f(2,2)

f(3,2)

1
8

1
=
8

+ _

3
8

1
_
2

+ 0 +

1
8

1
4

1
g(3) = f(l,3)+f(3,2) + f(3,3) =
g(x) = 0

aksi halde.
79

eemdersnotlari.com

5. f(x,y) -

e -(*+ y )

' x>0, y > 0

= O

. aksi halde, veriliyor. P(X > 2) yi bulunuz.

Cevap:
P(X>2) = 1 P ( X ^ 2 ) = 1 F(2)
r CO

f(x) = I

/CO

e~( x + y )

e - x (e- y

dy = 1

e~x dx ==

P(X>2) =

dy = e - x I e~y dy

e -

~ e - x + e = 11 e~x

o
=

e~y

-) = e-

) = e - x (1
X

F(x) =
P(Xsg2)

/ CO

e~x

e-

1 + e-2 = e-

e2

6. X ve Y kesikli tesadfi deikenlerinin birleik olaslk fonksiyonu, f(x,y) aadaki tabloda verilmitir:

X
1

1/8

a/2

1/8

1/4

a) X'in marjinal olashk fonksiyonunu bulunuz.

b) X = 1 veri olarak Y'nin artl dalmnn deerlerini bulunuz.
Cevap:

a) f x ( - l ) = i
fx(D = I

f(x,y)
f

80

*>) gy/ (y/x) - 1/2

3/4

g(-l\l) =

eemdersnotlari.com

1/4
g(0\l)'= =
3/4

1
_
3

O
= = 0
3/4

g(l\l)

X = 1 veri olarak Y'nin artl olaslk deerlerinin toplamnn 1

olmas, artl dalmn rnek uzaym deitirme niteliinin zorunlu
sonucudur.
7. Bir para atmnda tura geleceine 1 lirasna bahse giriyorsunuz.
Para atlyor. kinci at iin bahse girmeniz sz konusu olduunda,
birinci atta tura geldi ise ikinci atta tura geleceine 1 lirasna, yaz
geldi ise ikinci atta da yaz geleceine 2 lirasna bahse giriyorsunuz.
X birinci, Y de ikinci attaki kazancnz gsteren tesadfi deikenler olsun, iki para atlsnda toplam kazancmzm 1 liradan az veya
1 lira olmas olasln bulunuz.
Cevap:
A = {X+Y^l}
P(X+Ysl) = E x P ( X + Y ^ l \ X = x ) f ( x )
= P ( X + Y ^ 1 \ X = 1 ) P(X=1) + P ( X + Y ^ 1 \ X = 1 )
P(X=-1)
= P ( 1 + Y ^ 1 \ X = 1 ) P(X=1) + P ( 1 + Y ^ 1 \ X = 1 )
P(X= - 1 )
= P ( Y ^ 0 \ X = 1 ) P(X=1) + P ( Y ^ 2 \ X = 1 )
P(X= - 1 )
- i ' l + 1
8. f(x,y) = c(x+y)

i =
0<x<l,

= 0

0<y<l

aksi halde, birleik sklk fonksiyonu

veriliyor.

a) c'yi bulunuz.
b) X ve Y'nin marjinal skhk fonksiyonlarm bulunuz.
c) P(X>Y) yi bulunuz.
d) g ( y \ x ) i bulunuz.

|
81

eemdersnotlari.com

Cevap:
a)

c f f (x+y) dy dx = 1 olmal.
Jo jo
f (x+y)dy = xy + \ y*
Jo

= x+ i

f1 ( x + i ) d x = i x 2 + I
Jo
c = 1 olmal.

1 =
b)

f(x) =

(x+y) dy = x + i

= 0

<K < 1

aksi halde.

g(y) = j (*+y)dy = y + i
-

O <y < 1
aksi halde.

c)

P(X>Y) == \

d) g(y\x)

f(x,y)

x+y

f(x)

x+l/2

= O

0<x<l, 0<y<1
aksi halde.

eemdersnotlari.com

eemdersnotlari.com

d)

f(r) ve g(s) i bulunuz.

b)

R ve S stokastik bamsz m?

Cevap:
a)

f(r) = | e - r e - s d s = e ~ r J e~ 8 ds = e ~ e ~

= 0
Benzer ekilde,

JL)

g(s) = e - 8

| ^

r>0
aksi halde.

s>0

= 0
b)

aksi halde,

Bamszlk art;

f(r,s) = f(r) g(s)

e~( r + s ) = e _ r e - 8

.'.

R ve S bamsz.

11. X tesadfi deikeninin birikimli dadm fonksiyonu,

F(x) = 0
= x(2x)
= 1

xg0
x^l

0<x<l
ve Y = 2 X + 1 olduu bilini-

yor.
Y'nin birikimli dalm ve sklk fonksiyonlarn bulunuz ve grafiklerini iziniz.
Cevap:
Y = 2X + 1
G(y) = P(Y <y) = P ( 2 X + K y ) = P(2X<y 1) = P ( X <

y 1
G(y) = 0

g 0

/y- \ /
y \
- ( ) ( 2 " )

ygl

y
'

0 <

84

eemdersnotlari.com

< 1

1 < y < 3

y - 1

= 1

g(y) =

d
<HY)=
dy
d

7^3

dy V 2

-y

y - 1

dy

4 /
l<y<3

- 2 (3y)
= o
1

)]

aksi halde.

1 /
r3,
j (3-y)dy= (3y
J1
2 V

y2 \ 13
1 /
)
=
9
2 /11
2 V

9
2

v
3+ _ ) = ]
2 /
85

eemdersnotlari.com

12. (Mood, Graybill Sh. 97).

f(x) = e - x
= 0
prnek alnyor.

x>0
ajksi halde, dalml bir ktleden 2 birimlik bir

rnein 1 inci elemannn muhtemel deeri X, ikinci elemannn

muhtemel deeri de X 2 tesadfi deikeni olsun. Y = X + X 2 nin skbk
fonksiyonunu bulunuz.
C e v a p : X ve X 2 nin birbirinden bamsz olarak seddiini (yerine koyarak rnekleme yapddm) kabul ederek,
h(xrx2) = e-'le-^
= 0

x,>0, x2>0
aksi halde

yazabdiriz.

G(y) = P(Y<y) = P ( X , + X 2 ^ y )
G(y) = 0

y^O
y

y-*

y :
e-* (1e-y+x )= e-x e~

(o.y)

86

eemdersnotlari.com

X,

= 1 (1+y) e-y

g(y)

y>0

d
= G(y)
dy

g(y) = O

'

y<0

- - [ e - y + ( - e - " ( l + y ) ) ] = [e"" - e - " ye-"]

= ye~y
y O
13. Bir kutuda krmz ve beyaz toplar var. Krmz toplar beyaz
toplarn 2 misli sayda. Tesadfi olarak bir top ekecek ve rengine bakacaksnz. X tek bir ekite ekeceiniz krmz toplarn saysn gsteren
kesikli bir tesadfi deiken olsun. X'in olaslk ve birikimli dabm
fonksiyonlarm yaznz ve grafiklerini iziniz.
14. Bir torbada 7 top var. 5 tanesi beyaz, 2 tanesi siyah. Yerine
koymadan 2 top ekdiyor. X, birinci ekiteki beyaz top, Y ikinci ekiteki beyaz top saysn gstersin. (X,Y) nin birleik olasbk fonksiyonunu,
X ve Y'nin marjinal dalmlarn, g(y\x)'i bulunuz.
15. f(x,y) = k x y
= 0

0<x<l, 0<y<l
aksi halde
veriyor.

i) f(x,y) nin birleik sklk fonksiyonu olmas iin k ne olmaldr ?

ii) Y'nin marjinal dalmn ve birikimli dalmn bulunuz.
iii) f(x\y) yi bulunuz.
iv) X ve Y bamsz m ?
1
16.

f(x) =

x 2:0

2X
gre, G(y) ve g(y)'yi bulunuz.
17.

F(x) = 0

x<l

= c { 3x H

5)

1 <x<3

x
87

eemdersnotlari.com

x^3

veriliyor,
i) c ve f(x)'i bulunuz.
ii) Y = X 2 + 3 ve Z = 1 X veriliyor. Y'nin ve Z'nin sklk ve
birikimli dalm fonksiyonlarm bulunuz.
iii) Y ve Z'nin bamsz olmas mmkn m?

eemdersnotlari.com

BLM IV
B E K L E N E N DEER VE MOMENTLER
Bir nceki blmde tesadfi deikenleri ve dabmlann grdk.
Bu blmde, tesadfi deikenlerin dabmlarmn parametrelerini, yani
herhangi bir dalm dierinden ayrd etmeyi sakyan sabitleri (1) greceiz. Tarifsel istatistikteki, merkezi eilim, dadma ve arpldk lleri, bir dalm dierinden ayrdetmemizi sakyan ller olarak
incelenmitir. Burada bu lleri daha matematikli bir yaklam ile ele
alacaz.
Merkezi edim lleri iinde (ktle ortalamas, medyan, mod) en
ok kullanlan ortalamadr. Kesikli veya devaml bir tesadfi deikenin dadmnn yani olaslk ya da sklk fonksiyonunun ortalamas
o tesadfi deikenin beklenen deerini verir.
Daha formel olarak, kesikli bir X tesadfi deikeninin beklenen
deeri, o deikenin alabilecei muhtemel deerlerin, o deerlere tekabl
eden olaslklarla arpmlarnn toplanmas yoluyla bulunur.
X, x , , . . . x N (veya x,, x 2 ) deerlerini p t , p 2 . . .p N (veya p, , p 2 - )
olaslklar ile alan bir tesadfi deiken olsun.
X'in beklenen deeri E(X) ile gsterdsin.
E(X) = E x i P i
i=

veya E(X) = 2 x i P i
i-

f(x), X'in olaslk fonksiyonu ise yani x deerlerine tekbl eden olas
lklan gsteriyorsa, p, = f(xj) ve dolaysyla,
E(X) = S , x f ( x )
X'in devamb bir tesadfi deiken olmas halinde ise,
x f(x)dx

olacaktr.

-00

1 Cebirdeki "parametrik sabit" anlamnda.

89

eemdersnotlari.com

Dier nemli bir merkezi eilim ls medyandr. Burada devamb

tesadfi deikenler iin medyamn bulunuunu salyan forml verelim:

/Md

f co

f(x)dx =

f(x)dx = i
J Md
Yani Md, X'in sklk fonksiyonu altnda kalan alam iki eit paraya blen x deeri oluyor.(2)
J -30

Mod ise f(x) = Max.'i salyan X deeridir.

imdi de merkezi edim lleri etrafndaki dalmann bir ls
olarak Varyans kavramm grelim. Bir tesadfi deikenin sadece beklenen deerinin bdinmesi ou kere yeterli deddir. Buna ek olarak bu
merkezi eilimden ne lde sapmalar olabileceini de bilmek gerekir.
X'in muhtemel deerlerinin, beklenen deerden sapmalarnn cebrik
toplam, blmn daha sonraki momentler ksmnda grlecei gibi,
sfr olduundan terimlerin beklenen deerden sapmalarnn karelerini
almak ve bunlar x deerlerinin olaslklar ile arpp toplamak dalmn iyi bir lsn verecektir. te varyansm szle ifadesi budur.
Yani varyans tesadfi deikenin deerlerinin beklenen deerden sapmalarnn karelerinin beklenen deeridir. Yani Var(X) = E [XE(X)] 2
X kesikli ise,
Var(X) = I [x t E(X)] 2 p, =
1=1

[x-E(X)]* f(x)

X devamb ise,
Var(X) = f
'oo

T x E(X) 1 2 f(x)dx

Bu formller varyansn hesabnda en pratik formller deddir.

Daha pratik formlleri beklenen deer cebri kurallarn grdkten sonra
verebileceiz.
Varyansn kare kkne de "Standart Sapma" ad verilir. Yar(X)'i
bazen a 2 eklinde de gstermek eklindeki pratik dadma cinsi olarak
<Tx yani standart sapmaya arlk veren bir yaklamn ifadesidir. Biz
esas itibariyle varyans' dadmn parametresi kabul ediyoruz.
I
2 Medyann bu denklemden bulunuu srasnda ikinci dereceden bir denklemin kklerinin
bulunmas gerektiinde kklerden biri X'in alabilecei deerler iinde kar ve bu medyan deeri
olarak alnr.
I

90

eemdersnotlari.com

Beklenen deer ve varyans kavramlarna kesikli ve devaml tesadfi deikenlerden misller verelim.
V

m m u nc blmde, f(x) 3= ~ (xi) olasbk fonksiyonu ile

8

dalm X tesadfi deikenini grmtk.

X
f(x)

imdi X'in beklenen deerini bulabm. Tarif gerei;

E(X) = S x x f(x) = 0

1-1.

3
8

1-2.

3
8

1-3.

1
8

12
= - = 1 . 5
8

Yani bir paray 3 defa ya da 3 paray 1 defa attmzda tura gelme

saysnn beklenen deeri 1.5 tur. Bu sonu ilk bakta zorlukla kabul
edeceimiz bir sonu olabilir. 1.5 tane tura gelmesi fiziki olarak mmkn deildir. Fakat burda 1.5 deerini baka trl de yorumlayabiliriz.
Mesel 3 paray 1000 defa veya 1 paray 3000 defa atsaydk tura gelme
says 1500'e yakn bir deer olacakt.
imdi de ayn dalmn varyansn bulabm.
1

Var(X) = E [XE(X)]2 = E x [x1.5]* f(x) = (01.5)2

+ (1-1.5)2

3
8

+ (21.5)

3
8

+ (31.5)2

8
1
8

Misl 2: X tesadfi deikeninin olaslk fonksiyonu aada verilmi olsun.

X

f(x)

10

10

10

10

10

10
91

eemdersnotlari.com

E(X) = ( - 2 ) ( ) + ( - 1 ) ( ) + (1) ( ) + 2 ( ) + 3 ( )
MO/
Vio/
V10 /
V 10 / v 10 /

, 2 s 20
+ 5(

) =

V o /

=2

Beklenen deer fizikteki "ktle merkezi" kavramna tekabl eder,

baka deile eer birrnek bir ubuk alsaydk, bu ubuk zerinde
eit amalklarla 2 den 5 e kadar iaretleyip her birine f(x) kadar arlk
koysaydk 2 hizasna yerletireceimiz bir mil, ubuun denge halinde
bulunmasn salyacakt.
imdi de X'in varyansn hesaplyahm.
XE(X)

[x-E(X)]2

16

10

10

10

10

10

10

f(x)

Var(X) = E[XE(X)] 2 =

16+9+2+3+18
10

Misl 3: III. blmde, f(x) =

sklk fonksiyonu verilmiti.

3
16

x -|

= 4.8

1 <x<3

aksi halde.

= 0

E(X) = f
x f(x)dx = f x ( x H \ dx = [ (
x 2 -|
x ) dx
J -co
J , \ 16
8/
J! \ 16
8 '
1
=

X3

16

27
X2

16

16+16

16

34

17

16

16

Gerekten sklk fonksiyonunun ekline dikkat edddiinde 1 de 2

arasndaki olasln 13 /32; 2 de 3 arasndaki olasdm da 19 /32 olduu,
dolaysyla beklenen deerin de 2 den byk kmas gerekecei anladmaktadr. Ayrca E(X)'in, X'in izin verdebdir deerleri arasnda kmasnn da mutlak zorunluluu aktr.
92

eemdersnotlari.com

Var(X) = C [XE(X)]2 f(x)dx = F * / x - V (

J -=
J \
8 ' M6
43

C3

, j
(
X3
j X v 16
3
64

43

X4 -

2907

192

323
xH

1024

64
X3 +

323
x> +

2048

xH
289
512

64

43

323

289

2048

512

64

192.

2048

512

240

1118

64

192

2584
2048

dx

1161

243
=

8 /

289 \
)dx
512'

867

192

578
+

512

= 3.750 5.823 + 1.2617 + 1.1289 = .318

Varyansn negatif bir deer olamyaca aktr, nk sapmalarn
kareleri negatif olamaz. Ayrca yukardaki hesap tarzndan ok daha
pratik hesaplama yollarnn da varln da unutmamalyz.
imdi de ayn devaml X tesadfi deikeninin Medyanm hesaplayalm:
rM<

,3
1\
r3 / 3
(x + )dx =
(x+

j.

V 16

16
3
32

8 '
X+ 1

JMd v

8 '

) dx =
1 / Md
R
X
X2 H

16

^ \
)dx=

yi alalm.
2

3
1
7
(Md)2 + Md
32
8

32

2
93

eemdersnotlari.com

eemdersnotlari.com

spatm yapamyacamz bu teoremde X'in fonksiyonu olan ifade

f(x)'in nnde yer almak zere 2 veya J ilemi uygulanmaktadr.

O
Misal 1:

f(x) =

ve

u(x) = X 2 2

8
1

X2

X22

f(x)

olsun.

E[u(x)] = 2 x (x 2 2) f(x)
1
3
3
1
= ( - 2 ) + (1)(-) + (2) + (7) ( )
8
8
8
8

Misal 2:

23+6+7

f(x) =

16

xH

= 1

1 <x<3

aksi halde,

ve u(x) = 2X 2 + 3 olsun.
3
3
1
E [2X 2 +3] = f ( 2 x + 3 ) (
x +
)dx
Jl
\ 16
8 '
=

, 33 /, 33
1
9
3v
( x- 3' H
x2 H
x -\
)dx
16
h \8
a/
H

9
3
x3 + x2 H
.12
32
8

13
l

eemdersnotlari.com

32

x 4

243
32

27
+

81

12

2432

192

32

32

12

32

38

(4)

Teorem 2: Eer Q(x,y), x,y reel saylarnn bir fonksiyonu ise

ve (X,Y), birleik olaslk fonksiyonu f(x,y) olan kesikli bileik tesadfi
deiken ise,
E[Q(x,y)] = 2 x S y Q ( x , y ) f ( x , y )
(X,Y), birleik skbk fonksiyonu f(x,y) olan devaml bir bileik
tesadfi deiken ise,
-E[Q(x,y)]=

f
-a.

Q(x,y)f(x,y)dxdy

^ -D

Bu teoremin de ispatn yapmyaeaz.

kiden ok boyutlu tesadfi deikenler iin teoremin genel ifadesi:
E [Q(x.. .x k )] = Sx! S x 2 . . . x k Q(x.. .x k ) f(x.. .x k )
E [Q(x...xk)]= j

... J

Q ( x 1 , . . . x k ) f ( x 1 , . . . x k ) j l dx

Misal 1: III. blmde (X,Y) bileik tesadfi deikeni iin aadaki birleik olaslk fonksiyonu verdmiti:
0
0
1

1/4
0

1/4
1/12

0
1/12

0
1/12

0
1/12

0
1/12

0
1/12

Q(x,y) = 2X + J Y olduunu kabul edelim.

t4 Bu beklenen deer 5 den az veya 21 den fazla olabilir miydi? (Hayr. Niin?).
96

eemdersnotlari.com

E [Q(x,y)] = E [2X + Y ] = 2 X 2 y (2x + y ) f(x,y)

= 0.

1 1
1 w
1 v
/
2v 1
.f (2 + ) ( ) + (2 + )
3 4
\
3 / \ 12'
V
3 ' 12

1
4
5
1
/
\ 1
/
\ 1
+ ( 2 + 1 ) + ( 2 + ) + ( 2+ ) + ( 2 + 2 )
12
\
3 > 12 \
3 / l 2
12

5
3
Misal 2: f(x,y)

1
20

(xy+4)

l<x<3, 0<y<2

= 0

aksi halde verilmi olsun.

Q(x,y) = X 2 + Y
E[Q(x,y)] = E [ X 2 + Y ] = f

f (x 2 +y) [ ( x - y + 4 ) ] dy dx
1

20
1

olsun.

2 0

f3 f2
I I (x3x 2 y+4x 2 +xyy 2 +4y) dy dx
1

J0

'

16

(2x3+6x 2 +2xH

9.0 J,
332
=
= 5.533
60

)dx
1
1

1
3 1
r 3 f2
r3
l x(xy+4)dy dx =
(2x 2 +6x) dx =
(5)
20 J 1 J o
20 J ,
15
Teorem 3: Bir sabitin beklenfen deeri kendisine eittir, c bir
sabit olsun. E(c) = c dir, nk
1

E(X)=

E(c) = f

c f(x) dx = e [ f(x) dx = c . l = c
J _ CD

J CO

S Ayn sonuca, dorudan doruya X*in marjinal sklk fonksiyonu f(x)'i kullanarak da
ulaabileceimiz aktr.

97

eemdersnotlari.com

Teorem 4 : X, beklenen deeri E(X) olan bir tesadfi deiken

ve c bir sabit olsun.
E(cX) = c E(X)
s p a t : X kesikli ise;
E(cX) = SjCx f(x) = c 2 x f(x) = c E(X)
X devaml ise, benzer ekilde,
E(cX) = Jcx f(x) dx = c/x f(x) dx = c E(X)
Teorem 5 : X tesadfi deikeninin u(X) ve v(X) gibi iki fonksiyonunun toplamnn beklenen deeri,
E[u(X)+v(X)] = E[u(X)] + E[v(X)]
s p a t : X kesikli ise;
E [u(X) + v(X)] = S x [u(X) + v(X)} f(x)
- Z,u(x)f(x) + S X v(x) f(x)
= E[u(X)] + E[v(X)]

(6)

4 ve 5'inci teoemleri aadaki teorem iinde birletirebiliriz:

T e o r e m : (X, X 2 . . . X k ) k boyutlu bir bileik tesadfi deiken
ve birleik olaslk ya da sklk fonksiyonu f(x 5 .. . x k ) olsun.
C, c 2 . . .c, kadar sabit; uj,uj. u t kadar da bileik tesadfi deikenin fonksiyonunun verilmi olduunu dnelim.
E[c, u , ( X X v . . X k ) + c 2 u 2 ( X . . , X k ) + . + c t u t ( X 1 . . . X k ) ]
= c t E [u,(X 1 .. . X k ) } + e E [u,(X,., . X k ) l + . . . + c , [ * t ( X , . . ^ J ]
Bu teorem E ' n bir perat&r olarak dorusal bir operatr olduunu
g6steriyor.(?)
Teorem 6 : X ve Y tesadf^ deikenlerinin beklenen deerleri
E(X) ve E(Y) olsun.
^
E(X+Y) ~ B(X) + EtY) >
s p a t : (X,Y) devamb olsun.
<00

09

E(X+Y) = I
(x+y)f(x,y)dydx
J 00 ^ 06
6 X devaml ise nasl?

98

eemdersnotlari.com

p05

00
x f(x.y)

y f(x,y) dy dx
J

-00

x[
00

.35

dy dx +
_oo

_oo

f(x,y)dy]dx+

y [I

00

x f(x) dx +

-00
= .E(X) + E(Y)

oo

f(x,y)dx]dy
50

y g(y) dy
j 00

(8)

Teoremi snrl saydaki tesadfi deikenlere genellersek:

E(X,+.. . + X J = E ( X , ) + . . .+E(Xk)
T e o r e m : 7: X,Y bamsz ve beklenen deerleri E(X) ve E(Y) ise
E(XY) = E(X) E(Y) dir.
Devaml deikenler iin ispat:
E(XY) = f
f
xy f(x,y) dx dy
J CO J CO
X,Y bamsz olduundan f(x,y) = f(x) g(y)
E(XY) '= f

xyf(x)g(y)dxdy

j co * co

x f(x) dx
J co

= E(X) E(Y)

y g(y) dy
^ co

(9)

Bu teoremi, snrl saydaki bamsz deikenlerin arpmlarnn

beklenen deerine genelleyebdiriz.
E(X.. X k ) = E(X,)\ . .E(X k )
imdi varyansn da bir beklenen deer olduunu dikkate alarak
varyans ile ilgili nemli kolaylklar salyan birka teorem zerinde
duralm.
7 Dorusal operatrlere baka rnekler verebilir misiniz? (Mesel d vejoperatrleri?).
8 Kesikli (X,Y) deikeni iin ispat nasl yaparsnz?
9 (X,Y) kesikli ulursa ispat nasl yaparsnz?

eemdersnotlari.com

Teorem : X, varyans Yar(X) olan bir tesadfi deiken ve C

reel bir sabit say ise,
Var(c) = 0
Var(X+c) = Var(X)

olur.

spat:
E(e) = c
Var(c) = E [eE(c)]2 = E(cc)2 = E(0) = 0
Var(X+c) = E [X+cE(X+c)] 2 = E [X+cE(X)c] 2
= E [XE(X)] 2 = Var(X)
Teorem 9: X ve o teorem 8'deki gibi ise,
Var(cX) = e 2 Var(X)
spat:
Var(cX) = E [eXE(cX)]2 = E [eXeE(X)] 2
= E [e(XE(X)] 2 = E {e2 [XE(X)]2}
= c 2 E[XE(X)] 2
= c 2 Var(X)
imdi varyansn pratik yoldan hesaplanmasna imkn veren bir
forml grelim.
Teorem 10:
.

Var(X) = E(X 2 ) [E(X)] 2

spat:
Yar(X) = E [XE(X)] 2 = E [X22X E(X)+ [E(X)] 2 ]
Beklenen deer dorusal bir operatr olduuna gre,
= E(X 2 ) 2E(X) E(X) + [E(X)]
= E(X 2 ) [E(X)] 2
E(X 2 ) = Var(X) + [E(X)] 2

'

imdi bu teoremi kullanarak daha nce hesapladmz baz varyanslar yeniden hesaplayalm.
(>)
f(x) =

dabml X tesadfi deikeninin varyansn f olarak

100

eemdersnotlari.com

eemdersnotlari.com

= O

aksi halde verilmi ve Yar(X)

olduka zahmetli hesaplamalardan sonra .3 /8 olarak bulunmutu.

E(X 2 ) = f x2 ( x + ) dx = f (

v 16
8 /
J , v 16
3
1
.3
=

64

X"H

24

= 243
+ 27
64 24
Var(X) =

29
6

X3

xA dx
8 /

l
3

1 = 240
_ + _26 = 29_
24
64 - 24
6

64

/ 17 \ 2

29

289

V 8 '

64

X 3+

) =

18561734
384

122

=.318

384

Bu misl teorem 10'daki ksa formln iimizi ne denli kolaylatrdn gsteriyor. Varyans hesaplamalar d a i m a bu ksa forml
kullanlarak yaplmahdr.
imdi de iki tesadfi deikenin toplam veya farknn varyansn
ve bamszkk halinde teoremin alaca zel ekli grelim.
Teorem 11:
Var(X+Y) = Var(X) + Var(Y) + 2 Cov(X,Y)
Var(XY) = Var(X) + Yar(Y) 2 Cov(X,Y)
s p a t : Tarif gerei,
Var(X+Y) = E [X+YE(X+Y)] 2 = E [ [XE(X)] -f [YE(Y)]] 2
= E [ [XE(X)] 2 + 2[XE(X)] [YE(Y)]
+ [YE(Y)] 2 ]
= E [XE(X)] 2 + E [YE(Y)] 2 +
+ 2 E [XE(X)] [YE(Y)]
Eer E [XE(X)] [YE(Y)] = Cov(X,Y) eklinde isimlendirilirse,
Var(X+Y) = Var(X) + Var(Y) + 2 Cov(X,Y) forml elde edilir.
Cov(X,Y), (Kovaryans(X,Y) eklinde okunmaldr) X ve Y deikenleri arasndaki ilikiyi gsterir.
102

eemdersnotlari.com

Var(XY) iin de benzer bir ispat kolayca yapdabdir. (10)

Eer X,Y stokastik olarak bamsz olursa, Cov(X,Y) = 0 olur
ve teorem bamszlk halinde
Var(X+Y) = Var(XY) = Var(X) + Var(Y) eklini alr.
Bamszlk halinde Cov(X,Y) = 0 olduunu kolayca gsterebiliriz:
E [XE(X)] ] [YE(Y)] = E [ X Y - X E(Y) Y E(X) +E(X) E(Y)]
= E(XY) E(X) E(Y) E(X) E(Y)
+ E(X) E(Y)
= E(X) E(Y) E(X) E(Y) E(X) E(Y)
+ E(X) E(Y)
- 0
Teoremi ikiden ok sayda bamsz deikene de genelleyebiliriz:
X,. . .X stokastik bamsz tesadfi deikenler olsun.
Var(X 1 +X 2 +X3+ . . . + X n ) = Var(X,)
l=
Aralarndaki kovaryans sfr olan tesadfi deikenlere "dikisiz"
ad verilir. Stokastik bamszlk ilikisizlii de otomatik olarak salar.
Fakat ilikisizliin mutlaka stokastik bamszlk anlamna gelecei
sylenemez. Buna bir istisna normal dadm deikenlerdir. Normal
dalm iki deiken ilikisiz ise ayn zamanda stokastik bamszdr.
KORRELASYON KATSAYISI, p
iki deiken arasndaki kovaryans, deikenlerin llmesinde
kullanlan birimlere bakdr. likinin l birimlerinden artlm bir
ifadesi, ktle korrelasyon katsays p'dr ve aadaki gibi tarif edilir:
Cov(X,Y)
PX'Y =

p'nn iareti Cov(X,Y)'ye bal olarak deiir. X ve Y nin l birimlerindeki deiiklikler pay ve payday eit oranda etkiledikleri iin
10 Teoremi daha genel olarak yle ifade edebiliriz:
Var(aX+bY) = aVar(X) + b s Var(Y) + 2ab Cov(X,Y)
Var(aXbY) = a 2 Var(X) + b ! Var(Y) 2ab Cov(X,Y)

103

eemdersnotlari.com

p deimez.. Cov(X,Y) = O olduunda p x , y = 0 olur. p x , Y nin alabilecei minimum ve maksimum deerler de aadaki eitsizlikte belirir.
1

Px,Y 1

imdi de bu eitsizliin nereden geldiini grelim. U ve V gibi iki deiken tarif edelim.
XE(X)

U=

ax

V=

YE(Y)

<7y

U ve V s t a n d a r t l a t r l n tesadfi deikenler'dir. Herhangi bir tesadfi deikenden beklenen deerini karr ve standart
sapmasna blersek o deikenin standartlatrln ekli bulunur. Bu
eldlde isimlendirmenin nedeni; tesadfi deiken hangi beklenen deer
ve varyans ile dadm olursa olsun standart form'unun dadmmn beklenen deerinin sfir ve varyansnm da 1 olmasdr. (11)
Cv(D.V) = E [ - ]
1

[ _ _ ]

JX

Uy

E[XE(X)] [YE(Y)]=

Cov(X,Y)

Px,y

ffX <7y
Teorem ll'den,
Var(U+V) = Var(U) + Var(V) + 2 Cov(U,V)
Var(UV) = Var(U) + Var(V) 2Cov(U,V)
Var(U) ve Var(Y) nin 1 olduunu grmtk,
Var(TV) = 2[l=FCov(U,V)]
ti

E(U) = E

|-XE(X)-

L OX J

Var(U) = Var

1
1
= E [ X - E ( X ) ] = [E(X)E(X)] = 0

<X

X-E(X) -

AX

1
= Var [ X - E ( X ) J

cl

Oysa Var(Xc) = Var(X) ilikisinden (teorem 8) yararlanarak,

Var[XE(X)] = Var(X) = o x bulunur. Dolaysyla,
Var(U) = 1 elde edilir.
Standart hale getirme ilemine, zellikle normal dalm ile ilgili izahlarda tekrar temas
edeceiz..

104

eemdersnotlari.com

Eitliin sol taraf bir varyans olduuna gre negatif olamaz,

o halde sa taraf da negatif olamaz. Bunun iin ise, l + Cov(U,Y)^0 ve
1Cov(U,V)SO olmaldr. Biraz nceki bdgimizi kullanarak, Cov(U,V)
yerine p( K y ) yazabileceimize gre,
. l - f p X Y ^ 0 ve ve 1 p X Y : 0 olmabdr. Bu ise,
l p ^ X Y ^ l olmas demektir. (12)
Ktle korrelasyon katsays p'nun + 1 olmas X ve Y arasnda
d o r u s a l bir fonksiyonel iliki bulunmas anlamna gelir. likinin
form'unun niin dorusal olduunu gstermemiz gerekir.
a v ve <rv bir'e eit olduu iin Cov(U,V) 1 olmas halinde p(U,V)
= 1, Cov(U,V) = 1 olmas habnde ise p(U,V) = 1 olur.
Cov(U.Y) = 1 olduunda Var(UV) = 0 yani UV bir sabit
olur.
XE(X)
a

YE(Y)

c (c bir sabit) Bu ifade zerinde ilem

Gy

yaparsak,
X(7y

Gy

E(X)

CTX Y

-J- <7X E(Y)

C <7X C7y

X = E(X) + c <rx E(Y) + Y bulunur. Eitliin sa

Gy

<Ty

tarafndaki ilk ii terimden her biri birer sabit olduundan bu terimi

a e gstererek,
X = a + bY

B bulunur. b'nin pozitif olmas zorunludur.

ffy
a, pozitif veya negatif olabilir.
Cov(U,V) ==.1 olduunda Var(U+V) - 0 yani U+V bir sabit

olur.

X <7V <Ty R(X) -f

X. E^X) + ^

E(Y) -= c <TX Cfy

E(Y> 4- c o, Y

y
CTy
12 Bu iliki |Cov(X,Y)|^|o x [ (a Y | eklinde Schwartz eitsizliinden gidilerek de
karlabilir. Ad geen eitsizlik iin herhangi bir calculus kitabna baklabilir.
Mesel R. . Buck "Advanced Calculus" II. Edition Mc Graw Hill, 1965 Sh. 11.

105

eemdersnotlari.com

X = a bY

a=E(X)+

X
Y

E(Y) + c a x

Jb =

(13)

X ve Y arasndaki korrelasyon katsaysnn ^p 1 olmas fonksiyonel

ilikinin dorusall anlamna geldii gibi; dorusal bir fonksiyonel
iliki de aradaki korrelasyon katsaysnn mutlak deerinin 1 olduu
anlamna gelir. nk
Y= a

bX ise,

Cov(X,Y) = E[XE(X)] [YE(Y)]

= E [XE(X)] [(aTbX)a=FbE(X)]
= E [XE(X)] [+b [x

E(X)] ]

= + bE [XE(X)] [XE(X)]

= + bVar(X)
Cov(X,Y)
?X'Y

+ b Var(X)
=

Halbuki, varyans ile ilgili teoremler gerei Yar(Y) = b 2 Var(X)

veya a 2 y = b 2 a 2 x ya da a Y = b a x tir. Bu sonucu p x , y denkleminde
yerine koyarsak,
'
T b a2x
px,Y = ,

= ^ 1 elde edilir.
ba2x

X ile Y arasnda dorusal bir fonksiyonel iliki olmas halinde, x, Y

nin mutlak deerinin l'e eit olduunu saysal bir misl ile gsterelim:
13 Benzer ekilde;
Cv(U,V) = 1 olduunda Y = E(Y) c<jy

(Jy

<Ty

E(X) H

AX

Cov(U,V) = 1 olduunda Y = E(Y) + c c Y + E(X)

ax

Dikkat edildii gibi burada sadece X,Y arasndaki ilikinin dorusalb zerinde duruluyor,
bir sebep-sonu ilikisi zerinde deil. Bu konuya, regresyon ile ilgili blmde tekrar dneceiz.

106

eemdersnotlari.com

Misal: X, eit olaslklarla 1,2,3,5,6 deerlerinden birini alabilecek

bir tesadfi deiken ve Y = 2 X olsun. Aadaki tablo bize hesaplamada kullanacamz bilgeri vermektedir.
f(x)

X>

25

36

1.5

.5

.5

Y*

2.25

1.5

.25
I
1.5

XY

E(X) =

E(Y) =

17

2.5

6
75

E(X) =
*

5
1.5

E(Y*) =

=15

5
4.75
5

289
86
\=
25
25

Var(X) = 15

Var(Y) =

.25

4.75

2.25

25

veya
Var(Y) = b 2 Var(X) =

21.50
25
1

86

25

21,50
25

3.5
E(XY)=
5
Cov(XY) = E [XE(X)] ] [YE(Y)] = E[XYX E ( Y ) - Y E(X)
+ E(X) E(Y)]
= E(XY) E(X) E(Y) E(X) E(Y) + E(X) E(Y)
= E(XY) E(X) E(Y)
107

eemdersnotlari.com

eemdersnotlari.com

Misal 1: III. blmde grdmz kesikli bileik tesadfi deiken

ile ilgili olarak,
f(l,0)

g(l\0) =

= _ = __
f(0)
f(0,0)

g(0\0) =

1/4

f(0)
olduunu biliyoruz.
E(Y\X=0) =

1/2
1 /4
= =
112

2
1

y g ( y \ x ) = 1. \ + 0 . * = i

Misal 2: III. blmde yer alan devaml bileik tesadfi deiken

ile ilgdi olarak,
y+4

f(x\y)

1 < x < 3 , 0 < y <2

2(6y)

= 0

aksi halde,

fonksiyonu elde edilmiti.

3
xy+4
E(X\y) =
x
J,
L 2(6Y)

dx

r3

1
v)

I (x 2 xy4-4x)dx =
J,
2(6v)
+ 2x
7412y

/1

(
x3
\ 3

x-

2(6y)
376y
183y
Mesel y = 0 iin E ( X \ y ) =

37

, y = 2 iin E ( X \ y ) =

25

18
12
olacaktr. Veri y deeri formlde yerine konduunde E ( X \ y ) nin bir
sabit say olaca, baka deyile bu artl beklenen deerin y'nin bir
109

eemdersnotlari.com

fonksiyonu olduu grlyor. Benzer ekilde E ( Y \ x ) de x'in bir fonksiyonu olmaktadr.

Y \ x artl dalmnn varyans ise bu dalmn kesikli veya devaml oluuna gre aadaki ekilde tarif edilir:
Var(Y\x) == E [YE(Y\x)] 2 y [ y - E ( Y \ x ) ] 2 g ( y \ x )
devamllk halinde ise,
CO

j
[yE(Y\x)
J -co

g ( y \ x ) dy

benzer ekilde,
Var(X\y) = S , [ x - E ( X \ y ) ] 2 f(x\y)
=

J _co

[x-E(X\y)]2f(x\y)dx

E(Y\x), x'in belli bir deeri iin sabit, fakat x'in deien deerlerine bal olarak deitii iin bir tesadfi deiken addedilebilir.
E ( Y \ x ) in dalmnn beklenen deerine E ( Y \ X ) diyoruz. E ( Y \ X )
regresyon fonksiyonu olarak adlandrlr ve zellikle iktisatlar bakmndan byk nem tar.
Teorem 12:
E(Y) = E [ E ( Y \ X ) ]
spat:

X,Y kesikli olsun,

Teorem 1 den yararlanarak,

E [ E ( Y \ X ) ] = Z x E(Y\x) f(x)
oysa,
E(Y\x)=2yyg(y\x)

f(x) > 0

E[E(Y\X)] = Exf(x)Syy'g(y\x)
= 2yySlg(y\x)f(x)
Halbuki, f(x) g ( y \ x ) = f(x,y)
= Hy y
X, Y devaml ise,
E[E(Y\X)]= f

dir.
f(x,y) =

y g(y) = E(Y)

E(Y\x) f(x) dx

110

eemdersnotlari.com

E(Y\x) = J

E[E(Y\X)] = j ^
g ( y \ x ) f(x)

yg(y\x)dy

=o

f(x) > O

y g ( y \ x ) d y ] f(x)dx
y g ( y \ x ) f(x) dy dx

J 00 J -oo
= f(x,y) olduundan,
= f
J -00

Benzer ekilde,
E [E(X\Y)J = J ^
= f

J -00

f
-as

y f(x,y) dy dx = E(Y)

x f(x\y) dx ] g(y) dy

x f(x,y) dx dy = E(X)

J -00

imdi nceki mislleri kullanarak bu teoremin anlamn daha somut

hale getirelim:
Misl 1: artl beklenen deer iin verdiimiz mislde,
E(Y\X=0) = J

bulmutuk.

Benzer ekilde, E ( Y \ X = 1 ) = 3.5 olduunu da kolaylkla bulabiliriz.

E[E(Y\X)]= 2xE(Y\x)f(x)
1 1
2

21

21

12

Gerekten

1
1 1
1

1
E(Y) = 2 y y g ( y ) = 1 . + 2 . + 3 . + 4 .
+5.
+6.
3
12
12
12
12
12
Misal 2:
E [E(X\Y)] = j

[ |

=2

x f(x\y) dx ] g(y) dy

artl beklenen deer ile ilgili ikinci misalde,

376y
E(X\y) =
bulmutuk.

3(6y)

eemdersnotlari.com

111

tj iincii blmdeki devamb bdeik tesadfi deikenlerle dgdi misalimizde de,

1
g(y)= ( 6 - y )
10
,
elde edilmiti. Bu bdgUerimizi yeni formlmzde kullanrsak,

f 2 376y
f 1
E[E(X\Y)]=
I
(6y) | dy
J
3(6y) L 10
2

376y

30
,1 /
(37y
30 V

1
dy =
30

f2

(376y) dy

,2 x 1
31
3y 2
) = E(X)
'o /
15

nk gene nc blmden,
f(x) =

(2x+6) =

20

(x+3)

bulunmutu.

10

Bu bdgiye dayanarak,
E(X) =

,3

10 J ,

(x 2 +3x) dx =

1 . 1
3
.3
(
x3 H
-x 2
)
10 V 3
2
h '
x

27

31

10

15

E(Y\x)'in deien x deerleri iin dabmmn beklenen deeri"

olan E [E(Y\X)]'i grdkten sonra E(Y\X)'in dalmnn varyansn
da aadaki forml yardm de bulabdiriz: (14)
Var[E(Y\X)] = E x [ E y ( Y \ X ) -

E(Y)] 2

Var(Y) = E [Var(Y\X) ] + Var [E(Y\X) ]

Son eitlii sz ile ifade edersek, Y'nin artsz varyans, iki farkb
varyansm toplam olmaktadr. Bu terimlerden dki, Y'nin deien x
deerleri iin artl varyanslannm beklenen deeri, ikincisi ise Y'nin
14 H. Freeman "Introduction to Statistical Inferece", Addison Wesley 1963, Sh. 56-57.

112

eemdersnotlari.com

deien x deerleri iin artl daslmnn ortalamalarnn varyansdr.

Birinci terim Y'nin deien X deerleri iin artl ortalamas etrafndaki
ortalama yaylmasn, ikincisi ise Y'nin artl dalmnn ortalamasnn
varyansdr. (15)
imdi stokastik bamszlk haline ilikin olarak aadaki teoremi
grelim.
Teorem 13: Eer X,Y stokastik olarak bamsz ise (yani (X,Y)
nin birleik olaslk veya sklk fonksiyonu marjinal dalmlarnn arpmna eit ise veya artl ve artsz dalmlar arasnda farkllk yoksa)
E ( X \ y ) = E(X)
E ( Y \ x ) = E(Y)
spat:

olur.

X,Y kesikli ise,

E(X\y)=.Sxxf(x\y)

g(y) > 0

bamszlk nedeni ile, f(x\y) = f(x)

E ( X \ y ) = Z x x f ( x ) = E(X)
X,Y devaml ise,
E(Y\x)= J

yg(y\x)dy= J ^

y g(y) dy = E(Y)

Bylelikle tesadfi deikenlerin, dalmlarnn eklini tayin

eden merkezi eilim ve dalma ile ilgili nemli parametrelerini ve bunlarn hesaplanmasna ilikin kurallar grm bulunuyoruz. imdi ayn
konuyu, belki notasyon itibariyle biraz farkl grnmde fakat aslnda
elenik bir baka yaklamla inceleyecek ve bir tesadfi deikenin
dabmnn momentlerini ve bunlar bulmann pratik yollarn greceiz.
MOMENTLER
Bir tesadfi deikenin dalmnn kesin eklini belirleyen momentler ya balang noktas etrafnda ya da baka herhangi bir deer
etrafnda olur. Bu nokta genellikle beklenen deer veya ktle ortalamas
olmaktadr.
Tarif: Herhangi bir olaslk ya da sklk fonksiyonunun balang
noktas etrafndaki momentleri dalm verden tesadfi deikenin
kuvvetlerinin beklenen deerleridir.
15 Bu konu zerinde regresyon teorisine ilikin olarak daha fazla durmamz gerekecektir.

113

eemdersnotlari.com

X'in balang noktas etrafndaki r'nc momenti, [i/r

t^'r = E [ X r ] = 2 X x r f(x)
veya
(X r '= [

xrf(x)dx

Balang noktas etrafndaki birinci moment \x\ zellikle nemlidir.

( z' 1

= E(X) = 2 x x f ( x )

veya

(x' = I
J

x f(x) dx

-CO

g' dalmn beklenen deeri veya ortalamasdr.

Bir X tesadfi deikeninin herhangi bir a noktas etrafndaki momentleri aadaki ekilde tarif edilir:
E [(xa) r ] -

(xa) r f(x) dx (kesikli ise x (xa) r f(x) )

J co

Eer a = fj' alnrsa, ortalama etrafndaki momentler elde edilir.

Bunlar u r ile gsterelim. X devaml ise,
|xr -

E [(X[i')r] = f

(x-fx')< f(x) dx

J _oo
00

-co

(xfx') f(x) dx =

(Al

-co

x f(x) dx(X',

J ao

00

f(x) dx
CO

\l'i [i.' = O
Bu tarifsel istatistikten bildiimiz, aritmetik ortalamadan sapmalarn cebrik toplamnn sfr olmasndan baka birey deildir.
(12 = f

( x - y , ) * f(x) dx

co
jL2'ye de X'in varyans diyoruz.
Beklenen deer cebrinde grdmz Var(X) = E(X 2 ) [E(X)] 2
ifadesini momentler cinsinden elde edelim.

[LZ=
=

(xfi',)2 f(x) dx = f

j CO

f
J CO

[x22fi', x + ( l ' 1 ) 2 ] f(x) d>

J co

x 2 f(x) dx2(1', f

X f(x) dx-f~ ((!'| )2

^ -CO

114

eemdersnotlari.com

f
- CO

f(x)dx

(2 = (J.'2([i'O2
[JI' yerine ok kullanld
iin genellikle j kullanlr. Bundan sonra
ktle ortalamas iin fi\ yerine jj. kullanlacaktr.
jj.3, ortalama etrafndaki nc moment arpkln lsdr.
Simetrik dalmlarda (x3 = 0 olur.(I6) Aadaki ekilde dk eri sola
doru arpktr, ve 1x3 <0 tir. Buna karlk ikinci eri saa doru arpk
ve [x 3 >0 dr. Bununla beraber (j3'n bdinmesi dalmn ekli hakknda
bizi kesin bir sonuca ulatramaz.(17) nc eri iin [x3 = 0 olduu
halde simetri sz konusu deildir.

16 M. G. Kendall A. Stuart "The Advanced Theory of Statistics" Vol. I Sec. Ed. 1963
Sh. 85'te arpklk (sk) iin u forml verilmektedir:
.(P.+a)!'/1
v-,
Sk =

Bu formlde P, =
, & =
2(5(3-6(3,-9)
(x'2
Grld gibi (3, de,
= 0 olduunda (3, dolaysyla Sk sfr olmaktadr.
^ = JI/ 3(JL,' (JL/ + 2JI,'

forml ile bulunabilmektedir.

y.2'l'

ye nazaran [J., by-

dke arpklk artmaktadr.

17 Mood, Graybill II. Ed. Sh. 109.

115

eemdersnotlari.com

Pratikte en ok kullanlan momentler 1 ve 2'inci momentlerdir.

Uygulamada zerinde durulan tesadfi deikenin dalmnn kesin
ekli bilinmedii iin genellikle ktle momentlerini hesaplamak mmkn
olmaz. Buna karlk rnekleme yoluyla hi deilse ktle ortalamas
ve bu ortalama etrafnda sz konusu tesadfi deikenin varyans
hakknda tahminler yaplmaya allr. Bu ok nemli konular zerinde ileride etrafl ekilde duracaz. Ayrca bir sonraki blmde bir ka
nemli dalm zerinde durulurken bu dalmlarn momentleri de
bulunacak ve momentlerin nasl elde edilecei konusuna misller verilmi olacaktr.
Moment formllerinde x yerine u(x) koymak suretiyle, tesadfi
deikenlerin fonksiyonlarnn momentleri eklinde formlleri daha genel
hale getirebiliriz.
Moment k a r a n F o n k s i y o n :
Ayn momentlere sahip iki dalm birbirinin ayn saylr. Muhtelif
mertebeden momentlerini bilmemiz, bir tesadfi deikenin dalmnn
kesin eklini anlamamz salar. Teorik olarak ve pratikte nemli olan
momentleri elde etmemizi salyan bir fonksiyon olmas halinde byk
kolaylk salyaca aktr. Moment karan fonksiyon adndan anlald gibi bu ie yarar. X'in moment karan fonksiyonunu, m x ( t ) eklinde gsterirsek;
mx(t)= E[e]
X kesikli ise m x (t) = x e , x f ( x )
/CO

X devaml ise

1 etxf(x)dx
J -CO
t2
t3
e'* = 1 -f- tx -fx2 +
x 3 + eklinde yazlabileceine gre,
2!
3!
r
mx(t) = E l + tx+

t2

x2+...

cc
= S

(i'
J
i=1
2!
i!
(x'r, m x (t)'nin t'ye gre r'nc trevinde t = 0 deeri konularak elde
edilir.(18)
L

18 m x (t), t = 0 iin l'e eittir. Baz dalmlarda t'nin btn deerleri iin m x (t) hesaplanabilir, mislimizde olduu gibi baz hallerde se mv(t) ancak t'nin belli bir aralktaki deerleri
D bulunabilir.

116

eemdersnotlari.com

Misal: f(x) = a
olsun.

a>0 sklk fonksiyonu verilmi

m x ( t ) ve buna dayanarak E(x) ve Var(X)'i bulabm.

m x ( t ) = E [ e , x ] = f"
= af
J0

eu|ae-"dx

e x ( , ~ l ) dx = a S e x < ' - a > " j

( ta
o )

t < a olmas halinde,

mx(t)=a(
V

\ =
ta

t <a
at

'

d / a \
= ( ) U
dt \at'
Var(X) = n'2 ((i') 2
E(X) =

d2
|2 = dt 2

a
=
lt-a =
(at)2
a2

/ a v
d , a
( ) L = (
)
dt \\ at)
at)22 '
'\aV
at'
dt

2a(at)

2a 2

lt=0
(a1)
2
Var(X) =
a2
X

\ a
a

1
a2

a4
=

a2

a2

a 22 '
a

u(x), X'in bir fonksiyonu ise,

(t).= E [<']
X kesikli ise,
X devaml ise,
m u(x) (t) = f
J

e t u ( x ) f(x) dx
ao

117

eemdersnotlari.com

Bileik tesadfi deikenler iin moment karan fonksiyon:

m x ,x 2 (t,,t 2 ) = E [ e ' A r t A ]
8

E(X,) =

m x ,x 2 (0,0) (yani ksmi trev denkleminde t, ve t. yi

Sx2
sfra eitleyeceiz.)
E(X 2 ) =

E(Xj 2 )

mx,x2(0,0)

at 2

81d2
= m x ,x 2 (0,0), E(X 2 2 ) =
m X X 2 (0,0)
at, 2
at 2 2

E(X 1 X 2 ) = _ ! _ m x l X 2 ( 0 , 0 )
at,at 2
a2
Var(X 1 ) =

mx-(xx,,

x - ( i x 2 (0,0)

m<rP],

x 2 -,x 2

at, 2
02
Var(X 2 ) =

(0,0)

K
02
Cov(X1,X2)=

m _ i x
(0,0)
0t 0t 2
Son olarak moment karan fonksiyonlar birbirine eit olan dalmlarn, momentlerinin birbirine eit olmas sebebiyle aynln belirten
aadaki teoremi verelim.
T e o r e m : X,Y olaslk veya sklk fonksiyonlar f(x) ve g(y) olan
iki tesadfi deiken olsn. Eer,
m x (t) = m Y (t) ise f(x) ve g(y) birbirlerinin ayn olan dalmlardr.
Moment karan fonksiyona ilve misaller bir sonraki blmde yer almaktadr.
x

x ( X X ,

BEKLENEN DEERLER YE MOMENTLERLE

PROBLEMLER

LGL

1. Z, [0,1] aralnda birrnek dalm ve W == yfz olsun. W'nin

dalmnn beklenen deerini ve varyansn bulunuz.
118

eemdersnotlari.com

C e v a p : Tesadfi deikenlerle ilgili 3'nc problemde,

f(w) = 0

w <0

= 2w
= 0

w>l

bulmutuk.

E(w) = f 2w 2 dw =
Jo
Var(w) = E [w E(w)] 2 = j" [wE(w)] 2 f(w) dw
= f (w 2 2wE(w)+[E(w)]2)2wdw
Jo
p

Jo
=

(2W3

1
2

w) d w

W4

W' 4"

4
W2

,
o

1
18

Veya yaplmas gerektii gibi ksa yoldan giderek,

E(w 2 ) = f w 2 2w dw = [
Jo
Jo
Var(vv)

2WJ

dW

w4

18

2. iki zar atld zaman grlen saylarn toplamnn beklenen

deerini ve varyansn bulunuz, n tane zar iin beklenen deer ve varyans
ile ilgili bir forml bu bilginize dayanarak verebilir misiniz?
Cevap:
1 zar atlrsa E(X) =

(14-2 + 3 + 4+5 + 6) =

2 zar atlrsa E(X) = 2

7
2

=7

n zar atlrsa E(X) = n

7
2

7n
2

119

eemdersnotlari.com

91

49

1 zar atlrsa Var(X) - E(X 2 ) [E(X)] 2 =

35
=

12

2 zar atlrsa Var(X) = E(X 2 ) 49

1
E(X 2 ) = (4+18+48+100+180+294+320+324+300+242+144)
1974
36
1974

Var(X) =

49 =

36

210
36

35
6

Giderek n zar atlrsa

Yar(X) =

35n
12

3. f(x) = 2 2x

0<x<l

veriliyor. Md(X), E(X) ve Var(X)'i

bulunuz.

Cevap:
r-Md

/Ma
(22x)dx = |
Jo

2xx2

Md

= \

2 Md (Md)2 = |
(Md)2 2(Md) + | = 0
2 + V2
Md,,, =

Bu kklerden

2+V2

sz konusu olamaz, nk X'in

alabilecei (0,1) aralnn dnda kalmaktadr. O halde,

2 y/2
Md =

.295

tir.

120

eemdersnotlari.com

deer

Bulunan sonucun salamasn yapalm.

2 -

y/T
(22x)dx = 2xx 2

_
(2-V2)

(2y/2) -|
=

A.

2 - y/T
2
_
= (2-V2)

(2A/2)2

(2V2) (2+ V2)

42
1
=

d.

2y/2
Grld gibi

istenilen zellie haizdir.

r'
E(X) =

(2x2x 2 )dx = x 2 | X 3
J0

2
E(X2) = f (2X22X3) dx
" l\
3
Var(X)
4.

= 1 = ~ .333
0

1
2

x4

54

f(x,y) = x + y
= 0

0 < x < l , 0 < y <1

aksi halde
121

eemdersnotlari.com

birleik sklk fonksiyonu veriliyor.

a)

E(Y\x)'i bulunuz.

b)

E(Y)'i bulunuz.

Cevap:
a)

E ( Y \ x ) = j" ^ y g(y\x)dy
f(x,y)

g(y\*)=
f(x) = J

f(x)
f(x,y) dy = J (x+y)dy = x + \

f(x) = x-f-

0<x<l

= 0

aksi halde.
x+y

g(y\x)=

0<y<l\0<x<l

x+l/2

= 0

aksi halde.

2
2xy-f
. x-f
x-f-yy
z , 2yx y ^
r
E ( Y \ x ) = I y(
)dy = I
dy =
f (xy+y 2 )dy
J0
x+l/2
J 0 2x+l
2x+lJ0
r

,xy>

2x+l \ 2

ya ,,

3 L'

\2x+l/ \

b) E(Y) = E [ E ( Y \ X ) ] = j ^ [

-r.

, ,3x+2 .
6

3x+2

3(2x+l)

y g(y\x)dy ] f(x) dx

3x+2 2x + l
dx
3(2x+l)

13

p,

1 7
6

7
2

12

(
x*+2x ) =
phesiz E(Y)'yi bulmann6 direkt
V 2 bir yolutoda/ nce g(y) yi bulmak
sonra da bundan yararlanmaktr.
122

eemdersnotlari.com

E(Y) = f

yg(y)dy

J en
x2
r1 /
I1 \
(x+y)dx =
|-xy ) =
Jo V
2
lo /
2y+l
0<y<l

g(y)

)-y
2

aksi halde.

1 ,
1/2
1 ,, x
1 / 2
v
E(Y) =
2y2+y)dy = ( y 3 + _ y 2
)=
( +)
2 J0
2 V3
2
lo / 2 \ 3
2/
7
12

5. Bir ktleden yerine koyarak 2 birimlik bir rnek ekilmektedir.

Yerine koyarak rnekleme rnee girecek birimlerin birbirinden bamsz olarak ekimini salamaktadr. Bu durumda,
Var(X~|-X2) = E(XX 2 ) 2
Cevap:

olduunu gsteriniz.

X,X 2 bamsz olduklarndan

Cov(X X 2 ) = 0 ve

Var(X, + X 2 ) = Var(X) + var (X 2 ) dir. te yandan,

E(XiX 2 y = E(X2X,.X+X>) = E(X,)2 E(X, X 2 ) + E(X22)
= Var(X,)+ [E(X,)]22E(X,) E(X 2 )+Var(X 2 )+ [E(X2)]2
Ayn ktleden alndklar iin E(X|) = E(X 2 ) = E(X) tir.
E(X t X 2 )2 = Var(X l )+[E(X)]22[E(X)]2+Yar(X 2 )+[E(X)]2

= Var(X,) + Var(X 2 )

Var(X,+X 2 ) = E(X,X2)2
6. ki bamsz tesadfi deikenin toplamnn moment karan
fonksiyonunun, deikenlerin her birinin moment karan fonksiyonlarnn arpmna eit olduunu ispatlaynz.
m x+y

(t,t2)= mx(t,)my(t2)

spat:
m I + y (t,,t2) = E [E1'

X+'2Y]

123

eemdersnotlari.com

r CO
= 1

pco

co

e ' ' x + l 2 y f(x,y) dx dy

CO

r CO

CO

e x e , 2 y f ( x ) g ( y ) d x d y
00

J -co

= [
e'"f(x)
j -00

dx

f
J -co

e'2yg(y)dy

= mx(t)my(t2)
7. X, moment karan fonksiyonu m x (t) olan bir tesadfi deiken
olsun. Aadaki eitliklerin doruluunu gsteriniz.
m + cW =
W =

eC

'

mxW

m*(ct)

Cevap:
mx+c(t)=

E [ e ( x + c ) t ] = E [e x t e c t ] = e c , E [ e x ' ] = e c t m x ( t )

mcx(t) = E [ e c ' x ]
ct = a

olsun.
= E [ e a x ] = m x (a) = m x (ct)
x

8. X tesadfi deikeninin sklk fonksiyonu f(x) =

0<x<2
2

olsun. X 2 nin balang noktas etrafndaki r'nc momentini bulunuz.

Y = X 2 olarak tarif edilirse Y'nin r'nc momentinin X 2 nin r'nc momentine eit olduunu gsteriniz.
Cevap:
Tesadfi deikenlerin fonksiyonlarnn momentlerini bulmak iin,
\l' t = E [ u ( x ) ] r =
(x' r =

I
00

/ X

f 2

[u(x)] r f(x) dx eitliini kullanalm.

.

f 2

(x 2 )'

dx = (
.2
\ 2

22r 4

22r

4r

4(r+l)

r+1

r+1

x 2 r + 1 dx=

124

eemdersnotlari.com

(
\2r+2

x2r+2

imdi Y'nin sklk fonksiyonunu, buradan da Y iin r' bulalm.

x

F(x) = P(X<x) = j
F(x) = 0

1
dx = - x 2
2
4

x^0

= x 2

0 <x<2

= 1

x l

G(y) = P(Y<y) = P(X 2 <y) = P(X< VV) = F x ( V f )

G(y) = 0

y^O

G (y)

0<y<4
y^4

g(y)

= (Vy)2=y
= 1
d
=

dy
=: 0
f4

1
G(y) =

0 <y <4

aksi halde.
1

yr

J0

14 v

4r+1

dy =
y- ) =
=
4 \r+l
lo /
4(r+l)
r+1

9. nc blmdeki misalden,
1
f(x,y) =
f(x) =

20

10

(xy+4)

1 <x <3, 0 <y <2

(x+3)

1 <x<3

(6y)

0<y<2

1
g(y) =

10
31

E(X) =

bilinmektedir. p x 'yi hesaplaynz.

15

Cevap:
Cov(X,Y)
P"y

4'

E(XY)E(X) E(Y)
VVar(X) Var(Y)

eemdersnotlari.com

E(Y) =

f (6yy 2 )dy =

10

J"

12

15

46
[* (x 3 +3x 2 )dx =
10 -'l
10
46

961

74

10

225

225

.2
6
1 (6y 2 y 3 )dy =
10 J'o
5

E(Y 2 )

Var(Y) =

16

14

25

25

>

3 - 2
E(XY) = f f xy ( x - y + 4 ) d y dx

1 r3

(x 2 yxy 2 -f 4xy)dy dx

20J, J0
1

,,-33

20 J .

Cov(X,Y)

PX'Y

16
3

x)dx =

29

, 31 v . 4 x

15

V 15 / \ S /

21 /75

21

/V\ V'H

75

V 15 /'
10.

(2x 2 -j

15
29

21

75

75

15

75
sj

124

1036

21

21

32.2

f(x,y) = a 2 e~ a(x+y >

= 0

29

x>0, y > 0
aksi halde,

veriliyor. X + Y nin moment karan fonksiyonunu bulunuz.

126

eemdersnotlari.com

Cevap:

mx+Y(t,,t2) = Efe'^+^j
JC
.O
=

e(t2-a)y

-03

a2

etx+t2y-a-aydxdy

= a2

e(t,-a)xeftl-,)'rdxdy

J -03 J -00
e ( ' r a ) x dx = e ( ' 2 - a ) y ( e ( t l - a > x
o (z- a )y
\ta
ft
s
e
t <a iin.
ta

r
:f
ta 'o

'

1 / 1
(
. e ('2- a > y
ta Vt2a
-a

e(,2-a>J'dy=

= (
\

) (
t!a ' \

))
t 2 a '

t 2 < a iin

(t,a) (t2 a)
mx + Y (t,t 2 ) =

a2
(t,a) (t 2 a)

t,<a, t2<a

11. a) Devaml deikenler iin teorem 5'i ispat ediniz.

b) Kesikli (X,Y) bileik tesadfi deikeni iin teorem 6'y ispat
ediniz.
12 . X,Y,Z bamsz tesadfi deikenler ve,
E(X) = E(Y) = 2, E(Z) = 3, Var(X) = 1, Var(Y) = Var(Z) = 2
olsun.
d)

E(X+Y+Z)

b)

E[X(Y+Z)]

c)

Var(3Y-)-Z) yi bulunuz.

d) Cevaplardan hangileri esas itibariyle deikenlerin bamszlna dayanyor?

eemdersnotlari.com

13. f(x) = 2

0<x< \

= O

aksi halde

verdiyor.

X ve 2X 2 nin beklenen deer ve varyanslann bulunuz.

14. f(x,y) = 8 xy
= 0

Ogxgygl
aksi halde,

veriliyor.

px,Y'yi bulunuz.

15. Problem 10'daki moment karan fonksiyondan yararlanarak,

X + Y'nin dalmnn momentlerinden nemli bulduklarnz elde
ediniz.
1
16. f(x,v) =

(6xy)

0<x<2, 2<y<4

8
= 0
d)
b)
c)

aksi halde

verdiyor.

E(Y\x)'i bulunuz.
E(Y*\x)'i bulunuz.
Var(Y\x) = E ( Y 2 \ x ) [E(Y\x)] 2

bulunuz.

128

eemdersnotlari.com

BLM y
B R K A NEML D A I L I M
(BNOMAL, POISSON, NORMAL)
/

nceki iki blmde tesadfi deikenleri ve dalmlarn grdk.

Bu blmde pratikte en ok kullanlan birka dadm tipini greceiz.
Binomial, poisson ve normal, pratikte enok kullandan dakmlarn tam
listesini tekil etmez. Hipergeometrik, negatif binomial, stel, gamma,
beta . . . gibi baka birok dalm tipini de unutmamak gerekir.(1) Bu
dabmlar iinde normal dalm zellikle nemlidir. Bu sebeple daha
fazla yeri normal dalma ayracaz.
I. BNOMAL DAILIM
Binomial dadm, "dikotomi"lerin analizinde kullandan bir dalmdr. Dikotomder gnlk hayatn nemli grnmleridir. Bir yedek
para ya salam ya bozuktur. Bir insan kadn veya erkektir. Bu misalleri istediimiz kadar uzatabdiriz. Kalite kontrol ve kabul rneklemesi
binomial dalmdan byk lde yararlanr.
Birbirinden bamsz ekilerden meydana gelen bir deney dnelim. Her ekite iki ihtimal sz konusu olsun. "Baarl" veya "baarsz" olmas. Burada baar terimine gnlk hayattaki anlamn yklemek doru olmaz, nemli olan bir dikotominin kelimelerle belirtdmesidir. Her ekite baarldk (dolaysyla baanszhk) olasd da sabit
olsun. Baar olaslna p, baarszlk olasdna da q diyelim. Problemin konu eklinin tabii icab olarak p + q = 1 ve q = 1 p dir.
1 Belli bal dabmlar ve parametreleri ile ilgili bir referans tablo, blmn metin ksmnn sonunda yer almaktadr. Ayrca normal dalmdan tretilen
t ve F dalmlarna da
yeri gelince temas edeceiz.

129

eemdersnotlari.com

Burada cevap vermemiz gereken nemli soru tipi n denemede tam

x tane baar olaslnn ne olduudur. x = 0,1,.. .n olabilir. X baar
saysn gsteren tesadfi deiken olsun. X'in ber deeri ve buna tekabl eden olaslk, kesikli bir tesadfi deikenin olasbk fonksiyonunu
tekd eder. n denemede x tanesinin baard, nx tanesinin baarsz
mas olash p x q n ~ x tir. Fakat n denemede x tane baar, (=) farkl
ekde gerekleebeceine gre, binomial dahml X tesadfi deikeni, yani n denemedeki baar saysnn olaslk fonksiyonunun forml;
f(x) = () p x q n - x

olacaktr.

Bu formln bir olasbk fonksiyonu iin gerekli artlara sahip olduunu kolaylkla grebiliriz. Bir defa olashklar negatif deildir. kinci
olarak,
S x ( ) p x q n - x = (p+q) n = [ p + ( l - p ) ] n = 1

(2)

Binomial dalmn iki parametresi vardr, p ve n.p bdindiinde q

da otomatik olarak bdineceinden q parametre deildir.
Binomial dalmn kullanlna bir misal verelim:
Bir fabrikann mamullerinin %3'nn istenden nitelikte olmad
bdiniyor farzedelim. Bir mteri maldan 4 tane alyor.
a)

4 tanesinin de salam kmas ihtimali nedir?

b)

2 veya daha fazla sayda bozuk kmas olasl nedir ?

a)

P(X=4) - (J) p< <?-< = p< = (. 03)4

b)

P(X ^ 2 ) = 1 [P(X=0) + P(X=1)]

P(X=0) = () po q4-o= q 4

(.97)4

P(X=1) = (J) p 1 q 4 _ l = 4 (.03) (.97)3

P(X ^ 2 ) = 1 [(. 97) 4 + . 12(. 97)? ]

imdi binomial dalm olan X deikeninin beklenen deerini ve
varyansn bulalm. Bunu, dorudan doruya beklenen deer cebrini
kullanarak ya da moment karan fonksiyondan yararlanarak bulabiliriz.
X, birbirinden bamsz n denemedeki baar says olduuna gre,
ber denemedeki baar saysn gsteren X tesadfi deikeni, baar
2 Binomial teoremi kullanarak.

130

eemdersnotlari.com

halinde 1, baarszlk halinde O deerini alan bir tesadfi deikendir.

Xj'ye nokta binomial veya Bernoulli dalml bir deiken diyoruz.(3)
f(x,) = P(X,=x,) = p x l q i - x i Xj = 0,1 nokta binomial dalmn
olaslk fonksiyonudur. Gerekten;
f(x,) ^ 0
ve

p o q i-o

Xj = 0,1

-)-p1q0=q-)-p=l

E(X f ) = S Xj p x ; qi- x i = 0 p qi -f 1 pi q<> = p

X;
beklenen deer ilemi dorusal bir ilem olduuna gre,
E(X) = E(E n X,) = S E(Xj) = 2 n

= np

Benzer ekdde X'in varyansn da Xi lerin varyansndan giderek

elde edelim.
Var(X,) = E(Xi 2 ) -

[E(X )] 2

Xj 2

tesadfi deikeni X, ile ayn deerleri alabilir: yani 0 veya 1.

Dolaysyla
E(X i 2 ) = p dir.
Var(X 1 ) = p p 2 = p(lp) = pq
Var(X) = Var(S n Xj) = 2 a Var(Xi) = Z n pq = npq

(X,'lerin

bamsz ve ayn dadm olmas sonucu)

zet olarak;

Xt

Ber (p, pq)

Bin (np, npq)

(4)

Baz hallerde n denemedeki baar says yerine baar yzdesi bizi

x
daha ok ilgdendirebir. Bu durumda
tesadfi deikeninin dalm sz konusu olur.
n
X v
1
1
) = E(X) = n p = p
E
n '
n
n
. : \
Varl
J=
\ n '

pq

n pq =
nz

3 17'inci asrda yaam ve binomial dalm zerinde ilk almalar yapm olan ahsn
1
ismine izafeten.
.
4 Moment karan fonksiyon kullanarak ayn sonulan nasl elde edebilirdik? (Problem 1).

131

eemdersnotlari.com

n'in byk deerleri iin binomial olaslklarn hesaplanmas byk

aritmetik glkler ihtiva eder. Bu sebeple binomial olaslklar iin muhtelif tablolar tekil edilmitir.(5) Bu tablolarda hem olaslklar hem de
birikimli olaslklar bulmak mmkn olabilmektedir.
F(x) = E
( " ) p* q n _ x birikimli binomial dalmn birikmi
x<x
olaslklarm verecektir. (6)
Blmn problemler ksmnda binomial dadmn pratikteki uygulamalarndan rnekler vermeye alacaz.
II. POSSON DAILIMI
Poisson dalm n'in byk, p'nin kk deerleri iin binomial
dahma baarl bir yaklam tekil ettii gibi, bah bana da ok nemli
kullanmlar olan bir dalmdr. Harekt aratrmas, stok kontrol,
bekleme kuyruklar... gibi i idaresi ile ilgili pek ok konuda bu dalmdan yararlanlmaktadr. Byk bir maazada tezgahtarlar zerinde
mterilerin talepleri, ok ileyen bir hava alannda ini pistlerine uak
inileri, bir telefon santralna telefon edilmesi, bir hizmet istasyonuna
arabalarn gelii... gibi pek ok misal bu dalmn potansiyel olarak
kullanlabilecei yerleri verir. Bunun dnda tabii bilimlerde de eitli
kullanmlar vardr: Kk "partikl"lerin dank hareketleri, nadir
olaylar, kazalar, az grlen bir hastala yakalanmak... gibi konular bu
bakmdan misal olarak kullanlabilir.
imdi poisson dalmn binomial dalmdan faydalanarak elde
etmeye alalm, p kk n 'byk ve np = pozitif bir sabit olsun.
Baar saysn X tesadfi deikeni temsil etsin.
P(X = 0) = (S )p q" = p q" = q n = ( l - p ) n = ( l -

lim ,
X
n - co ( 1 y
\
n
5 B tablolar ile ilgili olarak baknz: Mosteller, Rourke, Thomes a.g.e Sh. 258.
6 H.D. Brunb, Ek Tablo: 2. binomial ve birikimli binamial olaslklar muhtelif n ve p
deerleri iin vermektedir.

132

eemdersnotlari.com

P(X=1) = (-)pi q a ~ 1 = np q n _ 1 = n p q = n P(X=0)

=

P(X=0)

1-p

n -> co , p -> o
>

lim
u-KX>

P(X=0) = Xe
1p

n(n1)
P(X=2) = (f) p* q n _ 2 =
2
n1 p
= P ( X = 1 )
2
q
1

X(1

n1
p 2 q n -2 =
2

p
q

np q a -

)
P(X=1)

n->co,

p ->o

2(1P)
1
X(1

)
n

lim
n ->oo

P(X= 1) =

2(1p)

Xe
'

X2

*
e" X

x k

giderek P(X=k) =

Bu ise poisson dalmndan baka bir

k!
ey deddir.
T a r j f : Eer X tesadfi deikeni,
f(x) =

olaslk fonksiyonu de dalm ise X poisson da-

x!
lml bir kesikli tesadfi deikendir. Dalmn tek parametresi X'dir
ve biraz sonra grlecei gibi X'in hem beklenen deeri hem de varyansdr.
f(x)'in bir olasdk fonksiyonu olduunu yle gsterebdiriz:
f(x)

x = 0,1. . .
133

eemdersnotlari.com

co

05

S
*=0

Xx

f(x) = 2

= e

X*

Halbuki

X*

2
xO
03

22
*=0

= e

(7)

f(x) = e - X e X = 1

Poisson dabnnnn moment karan fonksiyonu:

m x (t) = 2
/x=0
= eX

etx

X! t

= e

(e 1 )"
2
u

X!

(eX-1}

Beklenen deeri elde etmek iin;

dt
d m x (t)
dt

= E(X) = X
t=0

dz m x (t)
d t2

= X+X2
t=0

Var(X) = E(X) [E(X)]* = X+X* (X)2 = X

zetle, X
poisson (X).
Poisson dahm zerindeki izahlarmza kk bir mislle devam
edelim: Ortalama olarak bir ktphane memuru 8 saatlik bir ign
iinde 40 kitap isteyiciye servis yapyor.
a) 15 dakika ay paydosu yapsa, kendisini gitmi grecek kitap
abcdann mit edden says ne kadardr?
b) En az 1 tane alcnn kendisini gitmi grmesi olash ne kadardr ?
7 Maclaurin serilerinden yararlanarak.

134

eemdersnotlari.com

Cevap:
a) 8 saatlik ign iinde 15 dakikalk 32 sre vardr. Herhangi
bir kitap isteyicinin 15 dakikabk bir sre iinde gelmesi olash
1
p =

dir. Fakat gnde ortalama 40 kii geldiine gre,

32
1
A np = 40
32
b)

olacaktr.

P ( X ^ 1 ) = 1 P(X = 0)
X

P(X=0) =

X
X
= e

e~x

e-s/* =

0!

e5/*
1

P(X ^1) = 1 e - 5 / 4 = 1

e=/4

istenen olash vere-

ektir
Binomial dahmda olduu gibi poisson dalm iin de olasbk
fonksiyonu ve birikimli dahm fonksiyonu deerleri yani istenilen olaslklar tablolar yardm ile bulunabilir. (8)
-X

Birikimli Poisson dalm;

F(x) =

E e
x<x

x!

III. NORMAL DAILIM

Binomial ve poisson nemli kullanmlar olan iki kesikli dalmd.
Normal dabm ise bizim en fazla kullanacamz bir devaml dabm
tipi olacak. Normal dalmn ne kadar nemli olduu, sonraki blmlerde greceimiz merkezi limit teoremi ve normal dalmdan tretilen
X2, t, F gibi dalmlarda aka grlecek. Merkezi limit teoremine burada bir cmle de deinelim. Ktlede ilgilendiimiz tesadfi deikenin
dalm ne e k i l d e olursa olsun, bir ktleden alnacak belli bir
hacmin stnde (genellikle 30 veya daha fazla) rnekler iin rnek ortalamas normal dalm bir tesadfi deiken olacaktr.
8 Muhtelif X ve x deerleri iin Poisson ve birikimli Poisson olaslklar iin mesel baknz:
H. D. Brunk a.g.e Sh. 380 Tablo III, IV.

135

eemdersnotlari.com

Normal dalm ile ilgili izahlarmzda nce tek deikenli daha sonra
da iki deikenli normal dalm zerinde duracak, fakat ok deikenli
normal dalm, gerektirdii matematik aletler dolaysyla kapsam d
brakacaz.
i)

Tek D e i k e n l i Normal D a l m :

Normal dalm ilk olarak 18 inci yzyln ikinci yars ve 19 uncu

yzyl balarnda P. Laplace, A. de Moivre ve C. Gauss gibi matematikiler tarafndan lme hatalarnn dalmna ilikin olarak incelenmitir.
Bir an eklindeki simetrik dalmn sklk fonksiyonu aadaki gibidir:
(x-[x)2

f(x) == n(x) =

:
\/2ITG-

co <x < co

fi ve a 2 dalmn parametreleridir, fi. merkezi eilimi, a 2 de bu

merkezi eilim etrafndaki yaylmay gstermektedir. Herhangi bir tek
deikenli normal dahm JJL, a2 deerleri ile belirlenir. X ^ n(JI., a2).
Aadaki ekil normal dalmn genel grnn vermektedir.

Normal dabmn sklk fonksiyonunun grafiinin zelliklerini be

lirtelim.
136

eemdersnotlari.com

1. Devaml bir deikenin sklk fonksiyonu olduu iin normal

eri altnda kalan alan l'e eittir. (9)
2. Dadm fi etrafnda simetriktir. Bunun sonucu olarak ortalama,
Mod ve Medyan birbirine eittir.
3. (JL

| CTve (i.a hizasnda eri bkm noktalarna sahiptir.

4. + co ve oo da X eksenine asimptot olur. Bununla beraber
exrinin X eksenine yaklamas olduka sratli bir ekilde olur.
fi T mesafede eri altndaki alan .6826, (J.+2U mesafede .9546 ve
mesafede .9974 tr.
Simetri zelliinin tabii sonucu ortalamadan eit uzaklktaki olaslklarn eit olmasdr. n([j.a) = n([i-fa)

9 Bunun ispat esas itibariyle kutupsal koordinatlara dntrmeyi iine alan ve her
matematiksel istatistik kitabnda yer alan bir yaklamdr. Eri altndaki alana A diyelim.

A =

y =

r
I

y/lr.a
x[i

olsun.

o
a/2TT(

2 o
e

dy

J- dx

dx

1
o

dx = a dy

e i y 2
I
e
dy
J -

A=
-V/27T
V2TT

A = 1 olduunu ispat yerine A 2 = 1 olduunu gsterip f(x) pozitif olduu iin A = l'e
buradan gidelim.
1
A2 = ( -

f o 5

1
dy) (

y 2

V2jt J-

f 0 0

dz) =

V 2 * *' _ 0

(y'-M')
dy dz

2n

oo

y = r sin 0, z = r cos 9 olsun.

A2 =
A2

2tt J o

f 2re
ir2
I
2jtr e
d dr =
Jo

Jo

ir2
re
dr = 1

= 1, f(x)> 0 => A = 1 | (Mood, GraybiU, a.g.e Sh. 123.)

137

eemdersnotlari.com

B i r i k i m l i Normal D a l m : N(x)

N(x) =

\/27t a

P e
J - co

N( oo) = 0
N( ee) = 1

/< + 2r

/<+3T

Simetri zellii dolaysyla [jt'ye kadar biriken olasbk .5 ve x'in

negatif deerleri iin;
N(x) = 1 N(x')

138

eemdersnotlari.com

Burada x' mutlak deeri x'e eit ve pozitif bir saydr. Mesel
x = 4 ise x' 4 olur.
Sklk fonksiyonu iin verdiimiz bilgileri kullanarak, |x'ye kadar
birikmi olasln .5, [A-fa'ya kadar birikmi olasln .8413, |i.+ 2<r'ya
kadar birikmi olasln .9772 ve (i+3<y'ya kadar birikmi olasln da
.9987 olduunu belirtelim.
[i ve o 2 'nin muhtelif deerleri sonsuz sayda normal dabm akla
getirir, y. ve cr2 nin eksenleri tekil ettii bir koordinat sisteminde belli
bir X
n(u, cr2) deikeni sadece bir noktadr.

Bu durun ilk bakta hakb bir mitsizlik duygusu yaratabilir. Bir

defa eri altnda kalan alanlarn kalkls ile hesab nemli zorluklar
ihtiva etmektedir. Sonsuz sayda [i. ve a 2 rak ikilileri iin de tablolar
yapmaya imkn yoktur. Fakat pratikte durum bu yanltc grnmn
139

eemdersnotlari.com

tam zdd olan bir rahatlktr. Bu rahatl bize sahyan ey okuyucunun

hatrna hemen gelmi olmahdr. Herhangibir deikeni standart hale
Xfi
dntrmek. Deikenin dalm ne olursa olsun
(0,1) olu1
a
X[j
yordu. Eer X
n([L,a2) ise bu taktirde z =
^ n(0,l) olacak
tr.
a
S t a n d a r t n o r m a l d a l m n sklk ve birikimli dadm fonksiyonlar.
/x
0 (z) =

- i Z2
e 2

V2TT

<(z) =

T"

V^T

_ 2i g2

dz

CD(00 ) = 0
0(co) = l

Bylelikle blmn sonuna eklediimiz standart normal dadmm

sklk veya birikimli dalm fonksiyonlar yardm ile her trl normal
dadm de ilgili soruyu cevaplandrabilmi olacaz. Yaplacak i daima
nce standarda dntrmek olacak, nk bu tablolar ancak ve ancak
standart normal dabm iin kullanlabdir. Bir ka misalle konuyu somutlatrahm.
Misal 1: X ^ n(3,9) verdmi olsun.
(x-3)2
1

n(x) =

18

P(2<X<5)'i bulmaya ahahm.

nce standart normale dntrelim.
z =

x(x
<t

x = 2 => z =

x = 5 =? z =

2 3
3
53
3

140

eemdersnotlari.com

=
2
3

5
3

0 halde
P(2<X<5) = P

Bu noktada iki yaklamdan birini seebiliriz. Sklk veya birikimli

dalm tablosundan yararlanmak. Her iki yaklam da gsterelim:
Birikimli Dalm Yolu:
P(a<X<b) = F(b) F(a) eitliini tesadfi deikenler blmnden hatrlyoruz.

K-h-4)(TMr)
eemdersnotlari.com

Simetri zellii dolaysyla,

(D ( _ z ) = 1 O(z) dir.

Eitlikte yerine koyarak,

p(

H"<t)= ""(T)+(T)- 1
V,

= .7486+ .9525 1 = .7011

P(2<X<5) = .7011
Sklk Fonksiyonu Yolu:
stenilen olasbk I ve II alanlarnn toplamna eitti. Simetri zellii sebebiyle sklk fonksiyonu altnda kalan alanlar tablosunda sadece
z'nin pozitif deerleri iin alanlar grlmektedir ve
P^

< z <0^ = P^0< z <

^ tr.

Dolaysyla,
/
P(2<X<5) = P(
V

10

P(

2
< z < ) = P(
3
3

5
3

< z<

\
) = .4525+.2486=.7011 (10)

% '

< z < 0 ) + P(0<z<

2
3

) = P(0<z <

(Olaslk ile ilgili 3'nc aksiyom'da).

142

eemdersnotlari.com

5
3

) + P(0<z<

2
3

Misal 2: X ^ n(5,9) ise n(x)'in sol tarafnda yle bir ( <= , 1) arab bulunuz ki, bu arala tekabl eden olasbk . 10 olsun.
P( < X < 1 ) = .10
Dikkat edddii zere burada aranan ey baka. Misal 1 de belli bir z
deerine tekabl eden olash aryorduk. Bu misalde ise. belli bir olasba cevap veren z deerini bulmaya alacaz. Yani misal l'de nce
tablolarda z deerini buluyor sonra bu deerlere tekabl eden olaslk-.
lara bakyorduk. Misal 2 de ise nce tesbit edilen olasdklara bakacaz,
bu olaslklara tekabl eden z deerleri istendeni verecek. imdi zme
geelim. Tabiatyla Uk i standart normale dntrmek.
X-fx

X5

P( oo <X <1) = P

oo <z <

l -5

90

.90 olasda tekabl eden z deerine birikimli dadm tablosundan

bakabm.
51
= 1.28 => l = 1.16
Sklk fonksiyonunu kullanmak istersek; Sklk fonksiyonunda

143

eemdersnotlari.com

simetri sonucu, P ^

iin, P

< z < co^ = .10 veya tabloyu kullanabilmek

5~l\

z<

j == .40 eitliini salayacak l deerini bulmakyz.

Sklk fonksiyonu de dgili tablodan .40 olasba tekabl eden z

deerinin 1.28 olduu aka grlr. Buradan da l = 1.16 sonucu
elde eddir.
Her iki misalden de grld gibi, doru ekde kullanmak kayd
ile yaklamlardan sadece birini kullanmak sonu iin kfidir. Dieri
ile de kontrol etmek de dnlebdir.
Normal dalmn moment karan fonksiyonu:
Teorem:

X ~ n((i, a 1 )

m x (t) = e

t(x-|

ise

<r2t2
2

(11)

m. . f yardm denladmn beklenen deer ve varyansnn [i. ve <r2 olduunu gsterelim.

11 Mood, Graybill a.g.e Sh. 126 da teoremin ispat yaplmaktadr:

m J C ( t ) = E [ e ] = e ' l i Efe'fT*)] =

t(jt

1- o=
f

[(x[i)2 2crt(x[/,)]
2ct2
dx

oJKeli parantez iindeki ifadeyi tam kareye dntrelim:

(xn) 2 2o I t(x-|i) = (x(i)'2aIt(x n ) + a V a 4 t 2 = (x \J.a2.)2 <j4t!
Yerine, koyarak,

aV
tji
m x (t) = e

1
r oo

e 2o2

V2TC <R

2a'

(x-(za2t)2
_
dx

J-O
O

Burada,

(x(icr2t)2
co
2 er2
e
dx;

J2n ctJ y/2n

ortalamas (i.+a 2 t ve varyans a 2 olan bir

<

normal dalmn sklk fonksiyonunun entegrali olmas sebebiyle l'e eittir.

144

eemdersnotlari.com

E(X) = ^

dmx(t)
dt

E(X 2 ) - (l 2 ' =

d2mx(t)
dt 2

c2t2
t[i +
= [e
2

] ({x+a2t)

= eo( [1 +0)= ! x

a2t2
tjjl-\ -fa 2
= (n+a 2 t) (fi;+<T2t)e
2

t[x+

2 '

a2t2
H

= e

([X+CT2t)2 + a 2 ]

. = e((i,2+cr2) = (i2+(T2
Var(X) = (j2 + a 2 [i 2 = a 2
Bu sonu dadm belirlerken E(X) ve Var(X) yerine moment
notasyonu kullanmamzn da sakncas olmadn gstermektedir.
ii)

ki D e i k e n l i Normal D a l m :

ki deikenli normal dabm ok deikenli normal dadmn en

basit ekli olduu balde, matriks cebrinin kullanlmamas halinde nemli
glkler ihtiva eden bir dalmdr. Bu sebeple blmn bu ksmnda
genel yaklammzn aksine sadece teoremleri ve sonular belirtmekle
yetineceiz.
Tarif: ki boyutlu (X,Y) bileik tesadfi deikeninin birleik
sklk fonksiyonu,

n(x,y)=
2rarxffyV'l-p2

co<X<co, M <y <m , 1<P<1, C7X>0, <Ty>0, co <fix<co

=o <[iy<co olsun. Bu taktirde (X,Y) bileik deikeni, iki deikenli
normal dalm saydr.
Fonksiyonun grafii (x,y) dzlemi zerine konmu bir an eklindedir. (x,y) dzlemine paralel kesit alndnda elips, (x,y) dzlemine
145

eemdersnotlari.com

dikey kesit alndnda ise normal eri ile karlalr.

co
j j f(x,y)dydx=l
(12)

ki deikenli normal dalmn 5 parametresi vardr: [xx, j y , a x , cry, p.

Burada p daha nce rerinde durduumuz korrelasyon katsaysdr ve
p = 0 olmas halinde, formlde p yerine 0 koyarsak hemen grlecei
gibi, n(x,y), tek boyutlu normal dalm iki X,Y deikeninin skhk
fonksiyonlarnn arpm olur. Normal dalm iin cov(X,Y) = 0 veya
p = 0 olmas stokastik bamszln yeterli artdr.
Bu dalma bir misal, ift eksenli hedeflere yaplan atlarn yatay
ve dikey eksenlere uzaklklarnn dalm eklinde verilebilir.
(X,Y) iki deikenli normal dalm ise moment karan fonksiyonu,
tlfJ.x + t2|JT+ \ (t2CTx2+2ptt2CTxcry + t22CTy2)
m x , y (tt 2 ) = e

(13)

12 spat iin baknz: Mood, Graybill a.g.e Sh. 199.

13 spat iin baknz: Mood, Graybill a.g.e Sh. 200.

146

eemdersnotlari.com

cm^tuta)

E(X) =

t.=t.=o ~ ^

at,
^n^^tt.tz)

E(Y) =

8t2

E(X*) =

S2 m I y ( t , , t 2 )
9t 2

, = t 2 = 0 = V-S+c 2

Var(X) = |A2x+2x[>?x = 2 x
Benzer ekilde E(Y*) = [ l 2 y + g \ ve Var(Y) = cry2
cov(X,Y) = E [ ( X - ( z x ) ( Y - [ x y ) ] = E [ X Y - X f J L y - Y ( x x + ! x x [ z y ]
= E(XY)[xx[xy(i.y(xx+[iyHx
= E(XY)[i. x[Ay
=

?axj

(X,Y) nin iki deikenli normal dalm olmas halinde marjinal ve

artl dalmlar, tek deikenli normal dalmlardr.
X

n((i x , ffx2)

Y v^ n(j y , (Ty2)
arth dalmlar:
Px

n(x\y) =

2 f f x 2(l_p2)

e
T/2tc ctx \/lP2

[xfi*

(yUy)]2

n ( x \ y ) ; ortalamas fi.x+p

(yfxy) ve varyans <rx2(lp2) olan

tek boyutlu bir normal dalmdr.

Benzer ekilde,
2ffy2(l-p2)

n(y\x) =

[yiAyP

\/2tz Gy \/lp2

eemdersnotlari.com

( x ~(Ax)] 2

y
n(y\x); ortalamas fi y +p

(x(i.,) ve varyans cr y 2 (lp 2 ) olan

<*x
tek boyutlu bir normal dalmdr.
artl dabmlann beklenen deerleri r e g r e s y o n fonksiyonlarn verir. n ( x \ y ) artl dahmnda X'in beklenen deeri y'nin bir fonksiyonudur. x=g(y) denklemi X,Y dzlemi zerine izildii zaman X'in
regresyon erisini verecektir. Bu eri n ( x \ y ) artl skhk fonksiyonunda
Y'nin muhtelif deerleri iin X'in ortalamalarnn geometrik yeridir,
iki deikenli normal dalmda,
x

= ht+P

<7y

(y

Benzer ekde y = y.y -f- p

(x(j.x) x'in muhtelif deerlerine

tekabl eden ortalamalarn geometrik yerini verir. Bu konuya kitabn

regresyon ile ilgili blmnde tekrar dneceiz.
Bu blmde son olarak, normal dalmn binomial olaslklar elde
etmede bir yaklak deer olarak kullankn grelim.
B i n o m i a l D a l m a Normal Eri Y o l u y l a Y a k l a m :
t
Binomial olaslklarn hesaplanmas tablolar yardm ile daha byk
glkler ihtiva eder. zellikle n'in byk deerleri iin istenilen n ve p
parametrik deerlerine gre tablolar bulunmayabilir. Bu durum binomial
olaslklarn hesabnda yaklak deerleri zorunlu hale getirmitir, n'in
byk, p'nin kk olduu hallerde poisson dalmnn binomial olaslklarn hesabnda baar ile kullanlabileceini daha nce belirtmitik,
n'in byk p'nin ne ok kk ne de ok byk deerleri(14) iin de
standart normal dadm baard bir yaklam olmaktadr.
Kesikli bir dalm iin devaml bir
kullanmadan nce binomial dalml
dntrmeler yapmamz zorunludur,
says X, X
Bin(np, npq) dakml
deerleri iin hem beklenen deer hem
li

dalm yaklak deer bulmada

X tesadfi deikeni zerinde
n bamsz denemedeki baar
idi. Grld gibi n'in farkl
de varyans deimektedir. Bek-

8 S.H. Hymans a.g.e Sh. 149., Veya baka bir l: p ^ olduu zama

n p > 5, p > olduunda nq > S P.G. Hol a.g.e Sh. 109.

148

eemdersnotlari.com

lenen deer cebrinden bddiimiz gibi dntrme ile X deikenini

standart yani beklenen deeri O ve varyans 1 olan bir deiken haline
getirelim ve bu deikene de z diyelim.
XE(X)

Xnp

VVarX

ynpq

z
(0,1) dadmh olacaktr. Bu ise standart normal dalmn
parametre deerlerinin ayndr.
n'in bymesi halinde binomial olasbk fonksiyonu yatay olarak
geniler, ortalama ve mod deerleri ykselir, mod deeri olash azalr,
dalmn u ksmlar nisbi nemlerini gittike kaybeder ve dabm
beklenen deer etrafnda gittike daha simetrik bir grnm kazanr.
Btn bu zellikler normal dahmm sahip olduu zelliklerdir.
Blm VI. da greceimiz merkezi limit teoreminin sonucu olarak,
lim 0 (z) = n(0,l)
n-co
yani z'nin asimptotik dalm normal olacaktr. Bununla beraber n'in
olduka byk (30 veya daha yukar) deerleri iin normal eriyi binomial olasdklar elde etmek iin kullanmamz mmkn olacaktr.(15)
Bir m i s a l de aklamamza devam edelim: Bir torba iinde beyaz
ve krmz toplar bulunsun ve beyaz top ekme olash p = .4 olsun.
Her ekiten sonra ekilmi toplan tekrar torbaya atmak ve bylelikle
ekdiler arasnda bamszl salamak suretiyle 15 top ekelim. X
ekden beyaz top saysn gstersin.
X = {0,1,2... 15}
P(X=x) = (") ( . 4 ) x ( 6 ) , 5 - x
Bu binomial olashklan, binomial dalm ile dgili tablolardan yararlanarak aadaki tabloda gsterelim: n=15, p = . 4 iin;
15

Xnp
z =

nin asimptotik dalmnn standart normal olduunun formel ispat

V^PI
z'nin moment karan fonksiyonunun n -> co iin limitinin, standart normal dalmn moment
karan fonksiyonuna eit olduunu gstermek suretiyle yaplabilir. Bu ispat iin P.G. Hoel
a.g.e Sh. 107.

119

eemdersnotlari.com

X
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

P(X=x)
NOT: Elimizde bir tablo olmad zaman binomial
olaslklardan sadece mesel birincisini hesaplamak daha sonraki olaslklar, binomial
dadm formln kullanmadan elde etmemizi salayabilir.
yle ki;

.0005
.0047
.0219
.0634
.1268
.1859
.2066
.1771
.1181
.0612
.0245
.0245
.0074
.0003
.0000
.0000

f(x+l)
f(x)

(;) p x q n _ x
n!
(x-j-l)!(nx1)!

n!

p x +iq n -*-

pxqn-x

x!(nx)!

1.0000

f(x+l) =

(x + 1 ) px+iqn-<*+>

nx

x+l

x!(nx)!

nx p

(x+l)!(nx1)!

x+l

f(x) misale uygulandnda bu formlle bu-

lunan olaslklarn daha hassas ekde hesaplanm olan tablo olasdklarna ok yakn olduu grlecektir.
Aadaki grafik, tablodaki ordinat deerlerini (f(x)) alanlar eklinde
gstermektedir. Bunu salamak iin, orta noktas 1 , 2 , . . . gibi saylar
zerinde olmak zere taban 1 birim ve ykseklii de bu deere tekabl
eden olaslk deeri olan dikdrtgenlerden meydana gelmi bir histogram
kullanlmtr.
Grafikten aka grld gibi normal eri istenilen olasdklar
olduka baard ekilde verebecektir. imdi normal eriyi kullanarak
aadaki sorular cevaplandralm ve sonular binomial olaslklarla
kardatrahm.
i) P(X>11)
ii) P(X = 2) 150

eemdersnotlari.com

151

eemdersnotlari.com

) P(X = 8)
iv)

P(4<X<11)

(Xnp

11.5np\
>

Vnpq

T = ~

V11??

,
11.56 X
,
5.5\
P(X>11.5)
z > (.4) (.6) )= =3.6P ( z >
) = P(z>2 .89)
np = 6, npq= =P((15)
'
\
A/3.6 /
\
1.9'
11.56\
,
5.5\
Normal dalm ile dgdi sklk fonksiyonu tablosundan P(0 <z <2.89)
= .4981 o halde P ( z > 2 . 8V
9 )O
= " .0019 bulunur. Binomial olaslklarn
toplam da .0019 dur.
ii) P(X=2) = P ( 1 . 5 < X < 2 . 5 ) -

P(

/1.56
1.9

<z<

2.56\
)
1.9 '

= P(2.36 <z <1.84) = P(1.84 <z <2.36)

= 0(2.36) 0(1.84) = = . 9909 .9671 = . 0238
Binomial olasdk: P(X=2) = .0219
,1.5
2.5%
iii) P(X=8) = P ( 7 . 5 < X < 8 . 5 ) = P(
<z<
) = P(.79<z<l.32)
Vl.9
1.9'
= 0(1.32) 0( .79) == .9066 .7852 = .1214
Binomial olasbk .1181 idi.
Ancak btn bu hesaplamalarda olduka byk yuvarlama haatlar olduuna gre normal dalm kullanarak daha hassas sonular
ahnabdecei aktr, n'in 15 gibi kk dolaysyla belki normal dalmdan yararlanmay gerektirmeyecek deerleri iin elde edden yaknlk
dereceleri bde byk lde tahmin edicidir.
iv) P(4<X<11) = P(X=5) + P(X=6) + P(X=7) + P(X=8)
+ P(X=9) + P(X=10) = .7734
Normal eri ile;
1.5
5.5\
P(4.5<X<11.5) = P(
< z < ) = P( ,79<z<2.89)
\ 1.9
1.9'
152

eemdersnotlari.com

= $(2.89) + 0(.79) l = .9981 + .7852 1

= .7833
n bamsz denemedeki baar says X iin olduu gibi baar
oram

iin de normal dadm yaklamm kullanabiliriz, n'in kfi

n
derecede byk deerleri iin,
x

n
X

/ pq \
nl p,
I dolaysyla,
^ n /
P

n
n(0,l)

pq
n

olacaktr.

Normal eri yolu ile yaklam p ve q birbirine ne kadar yakn olursa

o lde baard olur. Ayrca u ordinatlar iin yaklamn baars,
merkezi ordinatlar (olaslklar) iin olduundan daha az olacaktr.
Blmn metin ksmnn sonunda belli bal kesikli ve devaml
tesadfi deikenlerin olasbk veya skhk fonksiyonlar, parametreleri,
beklenen deer ve varyanslar bir referans tablo halinde bir arada verilmektedir.
Ayrca standart normal dadmn sklk ve birikimli dadm fonksiyonu tablolar yer almaktadr.
DAILIMLARLA iLGlLl PROBLEMLER
I. B i n o m i a l

Dalm:

1. X ^ Bin(n,p) olsun. X'in moment karan fonksiyonunu ve

E(X) ve Var(X)'i bulunuz.
Cevap:
m x (t) = S e ' W q n _ x - S () (p e) x q"- x
yn

Y~ nv

153

eemdersnotlari.com

EK T A B L O
I
NEML DAILIMLAR, MOMENTLER VE MOMENT IKARAN FONKSYONLARI
Parametreler

Dalm
KESlKL
Nokta Binomial
(Bernoulli)
Binomial

Poisson

0 ^p ^ 1
n = 1,2. . . -

ogpgl

Olaslk veya sklk

fonksiyonu

f(x) = p"^ 1 -* x = 0,1

0 aksi halde
f(x) =

f(x) = e

0
aksi halde
f(x) = p q x - 1 x = 1,2...
0
aksi halde
=

ogp^l
-

Negatif
Binomial

r > 0
0 =gp

f(x) =

(pe'+q)

pq

(pe,+q)n

np

npq

x = 0,1

x'
Geometrik

Beklenen deer
Varyans
= E(x) a*=E(x2)
[E(x)]2

() p"qn_x

X = 0,1
0 aksi halde

X > 0

Moment karan fonksiyon

m x (t) = E [ e ' x ]

( r + -')p r q x
(Y)pr(q)x
x = 0,1,2
0
aksi halde

eX(el1)

p e*

1qe

P2

<p

Vl qe'^

rq

rq
rp

p/

= rPQ

P2
(Q = - )
\

p '

Hipergeometrik

N = 1,2,,..
n = 1,2.. .N f(x) =
p = 0,1/N,.. .1
=

DEVAMLI
Birrnek
(a,b aralnda)

co <a <b < co f(x) =

=

/ N>

np

x = 0,1.. .n
0 aksi halde

n p q

VN1/

a<x<b
ba
0
aksi halde

e t b -- e t a

a+b

(b-a)2

t(b-- a )

12

(i

CT2

(XYI)*

Normal

stel

Gamma

co < a < co
cr2>0

X > 0

r > 0

f(x) =

\/2na
<x<
f(x) = Xe~Xx
x > 0
0 aksi halde
=
f(x) =
=

r(r)
0

H-t + i

2(J2

X-- t

1
V*

)
X/

X2

X*

- *
(Xx) r - 1 e X

x > 0
aksi halde

(l-\

\"r

X/

Birikimli Normal Dalm

,2
0(z) =
z

.0
.1
.2
.3
.4
.5

.6
.7
.8
.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9

.00
. 5000
.5398
.5793
.6179
.6554
.6915
.7257
.7580
.7881
.8159
.8413
.8643
.8849
.9032
.9192
.9332
.9452
.9554
.9641
.9713

.01
.5040
.5438
.5832
.6217
.6591
.6950
.7291
.7611
.7910
.8186
.8438
.8665
.8869
.9049
.9207
.9345
.9463
.9564
.9649
.9719

.02
.5080
.5478
.5871
.6255
.6628
.6985
.7324
.7642
.7939
.8212
.8441
.8686
.8888
.9066
.9222
.9357
.9474
.9573
.9656
.9726

.03
.5120
.5517
.5910
.6293
.6664
.7019
.7357
.7673
.7967
.8238
.8485
.8708
.8907
.9082
.9236
.9370
.9484
.9582
.9664
.9732

J_oo V ^ T
.04
.5160
.5557
.5948
.6331
.6700
.7054
.7389
.7704
.7995
.8264
.8508
.8729
.8925
.9099
.9251
.9382
.9495
.9591
.9671
.9738

.05
.5199
.5596
.5987
.6368
.6736
.7088
.7422
.1734
.8023
.8289
.8531
.8749
. 8944
.9115
.9265
.9394
.9505
.9599
.9678
.9744

dz
.06
.5239
.5636
.6026
.6406
.6772
.7123
.7454 '
.7764
.8051
.8315
.8554
.8770
.8962
.9131
.9279
.9406
.9515
.9608
.9686
.9750

.07
.5279
.5675
.6064
.6443
.6808
.7157
.7486
.7794
.8078
.8340
.8577
.8790
.8980
.9147
.9292
.9418
.9525
.9616
.9693
.9756

.08
.5319
.5714
.6103
.6480
.6844

.09
.5350
.5753
.6141
.6517
.6879

.7190
.7717
.7823
.8106
.8365

.7224
.7549
7852
.8133
.8389

.8599
.8810
.8997
.9162
.9306

.8621
.8830
.9015
.9177
.9319

.9429
.9535
.9625
.9699
.9761

.9441
,.9554
.9633
.9706
.9767

2.0
2.1
2.2
2.3
2.4

.9772
.9821
.9861
-.9893
.9918

.9778
.9826
.9864
.9896
.9920

.9783
.9830
.9868
.9898
.9922

.9788
.9834
.9871
.9901
.9925

.9793
.9838
.9875
.9904
.9927

.9798
.9842
.9878
.9906
.9929

.9803
.9846
.9881
.9909
.9931

.9808
.9850
.9884
.9911
.9932

.9812
.9854
.9887
.9913
.9934

.9817
.9857
.9890
.9916
9936

2.5
2.6
2.7
2.8
2.9

.9938
.9953
.9965
.9974
.9981

.9940
.9955
.9966
.9975
.9982

.9941
.9956
.9967
.9976
.9982

.9943
.9957
.9968
.9977
.9983

.9945
.9959
.9969
.9977
.9984

.9946
.9960
.9970
.9978
.9984

.9948
.9961
.9971
.9979
.9985

.9949
.9962
19972
.9979
.9985

.9951
.9963
.9973
.9980
.9986

.9952
.9964
.9974
.9981
.9986

3.0
3.1
3.2
3.3
3.4

.9987
.9990
.9993
.9995
.9997

.9987
.9991
.9993
.9995
.9997

.9987
.9991
.9994
.9996
.9997

.9988
.9991
.9994
.9996
.9997

.9988
.9992
.9994
.9996
.9997

.9989
.9992
.9994
.9996
.9997

.9989
.9992
.9994
.9996
.9997

.9989
.9992
.9995
.9996
.9997

.9990
.9993
.9995
.9996
.9997

.9990
.9993
.9995
.9997
.9998

1.282

1.641

1.960

2.576

3.090

3.291

3.891

4.417

0 (z)

0.90

.95

.975

.99

.995

.9995

.99995

.999995

2 (1-<I> (z)]

.20

.10

.05

.02

.002

.001

.0001

.00001

Standart Normal Dalm

Sklk Fonksiyonu:
z

.00

.01

.02

.03

.04

0.0
0.1
0.2
0.3
0.4

.
.
.
.
.

0000
0398
0793
1179
1554

.0040
.0438
.0832
.1217
.1591

.0080
.0478
.0871
.1255
.1628

.0120
.0517
.0910
.1293
.1664

.0159
.0557
.0948
.1331
.1700

0.5
0.6
0.7
0.8
0.9

.
.
.
.
.

1915
2257
2580
2881
3159

.1950
.2291
.2612
.2910
.3186

.1985
.2324
.2642
.2939
.3212

.2019
.2357
.2673
.2967
.3238

.2054
.2389
.2704
.2995
.3264

1.0
1.1
1.2
1.3
1.4

.
.
.
.
.

3413
3643
3849
4032
4192

3438
.3665
.3869
.4049
.4207

.3461
.3686
.3888
.4066
.4222

.3485
3718
.3907
.4083
.4236

.3508
3729
.3925
.4099
.4251

1.5
1.6
1.7
1.8
1.9

.
.
.
.
.

4332
4452
4554
4641
4713

.4345
.4463
.4564
.4649
.4719

.4357
.4485
.4582
.4656
.4726

.4370
.4485
.4582
.4664
.4732

.4382
.4495
.4591
.4671
.4738

eemdersnotlari.com

V2n
.05

.06

.07

.08

.09

.0199
.0596
.0987
.1368
.1736

.0239
.0636

.0279
.0675
.1064
.1443

.1808

.0319
.0714
.1103
.1480
.1844

.0359
.0753
.1141
.1517
.1879

.2088

.2422
.2734
.3023
.3289

.2123
.2453
.2764
.3071
.3315

.2157
.2486
.2794
.3178
.3340

.2190
.2518
.2823
.3106
.3365

.2224
.2549
.2852
.3233
.3389

.3531
.3749
.3944
.4115
.4265

.3554
.3770
.3962
.4131
.4279

.3577
.3790
.3980
.4147
.4292

.3599
3810
.3997
.4162
.4306

.3621
.3830
.4015
.4177
.4319

.4394
.4505
.4599
.4678
.4744

.4406
.4515
.4608
.4686
.4750

.4418
.4525
.4616
.4693
.4758

.4430
.4535
.4625
.4699
.4762

.4441
.4545
.4633
.4706
.4767

.1026

.1406
.1772

eemdersnotlari.com

2.0
2.1
2.2
2.3
2.4

.
.
.
.
.

4773
4821
4861
4893
4918

.4778
.4826
.4865
.4896
.4920

.4783
.4830
.4768
.4898
.4922

2.5
2.6
2.7
2.8
2.9

.
.
.
.
.

4938
4953
4965
4974
4981

.4940
.4955
.4966
.4975
.4982

.4941
.4956
.4967
.4976
.4983

3.0
3.1
3.2
3.3
3.4

.49865
.49903
.49931
.49952
.49966

.4987
.4991

.4987
.4991

3.5
3.6
3.7
3.8
3.9

.49977
.49984
.49989
.49993
.49995

4.0

.49997

.4788
.4834
.4871
.4901
.4925

.4793
.4838
.4875
.4904
.4927

.4798
.4842
.4878
.4906
.4929

.4803
.4846
.4881
.4909
..4931

.4808
.4850
.4884
.4911
.4932

.4812
4854
.4887
.4913
.4934

.4817
.4857
.4890
.4916
.4936

.4943
.4957
.4968
.4977
.4984

.4945
.4959
.4969
.4977
.4984

.4946
.4960
.4970
.4978
.4984

.4948
.4961
.4971
.4979
.4985

.4949
.4962
.4972
.4980
.4985

4951
.4963
.4973
.4980
4986

.4952
.4964
.4974
.4981
.4986

.4988
.4991

.4988
.4992

.4988
.4992

.4989
.4992

.4989
.4992

.4989
.4993

.499
.4993

pe' = 1 olsun. Binomial teoremden,

2 G ) F q n - * = (l + q) n
O halde, m x (t) = ( l + q ) n = (p e ' + q ) n
dm x (t)
= n ( p e , + q ) n - i p e t [ t = 0 = n(peo+q) n -ipeo
dt
= ^p+g)"-1?
Halbuki

p+q = 1 idi.
E(X) = np

d 2 m x (t)
= n(n

1) (pe t -|-q) n ~ 2 (pe t ) 2 -|- n (pe t +q) n "" 1 pe* 1 1 = 0

dt 2
= n(n1) (peo-f q) n - 2 (peo) 2 -f n(pe+q) n ~ 1 pe
=~ n(nl)p 2 + np = n 2 p 2 np 2 -f- np
Var(X) = E(X 2 ) [E(X)] 2 = n 2 p 2 np 2 + np (np)2
= np np 2 = np(lp) = npq
2. Bir dairede 10 sekreter alyor. Her biri 7 haftada bir yeni bir
daktilo eridi istiyor. Levazm memurunun, hafta banda sadece 4 erit
varsa, o hafta iinde erit taleplerine cevap verememe olasl nedir?
Cevap:
n=10, p =

1
7

q =

P(X^5) = 2 O
X^5

- ( ' > ( T )

6
7

(Y
W /

(~Y~X
\ 7 '

( > > ( t ) ' ( T ) '

+ <

'

! )

( T ) ' ( T ) '

.008

160

eemdersnotlari.com

J deikeni iin ayn tip sorulan nasl cevaplandrrsnz?)

3. Bir batarya topusunun 1 atta hedefi tutturmas olasl

olsun. Acaba 3 top birden ate etse hedefe mutlaka 1 veya daha fazla
isabet kaydeddir mi?
Cevap : X, isabet saysn gstersin.
8
P(X >1) = 1 - P(X=0) = 1 - (J) (l)o (f)3 = 1

=
27

19

27

4. (Mosteller, Rourke, Thomas) Uak motorlar bozulmaya ilikin

olarak birbirinden bamsz ve her birinin bozulma olash eit ve q
olsun. Bir uan baarl bir uu yapabilmesi iin motorlarnn en az
yansnn alyor olmas gerekli. Acaba q'nun hangi deerleri iin 2 motorlu bir uak 4 motorluya tercih edilmelidir.
C e v a p : ki motorlu bir uak en az motorlarndan biri alrsa
baarl bir uu yapar. X alan motor saysn gstersin.
P(X >1) = 1 - P(X=0) = 1 - (l) po q 2 = 1 -

q2

4 motorlu uakta ise en az 2 motorun ilemesi gerekli.

P(X2s2) = 1 -

[P(X=0)+P(X=1)] = 1 - (}) p" q 4 - ( ) P 1 3

= 1q44 pq 3 = 1q44(1q)q3 = 14q3+3q 4

1 q 2 ^ 1 4q 3 -f- 3q 4 , q'nun hangi deerleri iin salanabilir ?
Eitsizlik zerinde ilem yapalm. Her iki taraftan (1q2) yi karrsak,
0 ^ q24q3 -f 3q 4

0 ^ q 2 (l4q+3q 2 )

0 ^ q2(l q) (13q)
q = 0, q = 1, q = i iin eitsizliin sa taraf sfr olur.
Aadaki grafik y = q2(lq) (13q) nun deiimini gsteriyor.
0 < q < aralnda eitsizliin sa taraf sfrdan byk oluyor, dolaysyla 4 motorlu tercih eddmeli. Buna karlk J <q <1 aralnda 2
motorlu uaklar daha emniyetli.
161

eemdersnotlari.com

* IM^uUA.

Z A\o~\otLvy*.

4-eiui,

5. Olma olasl p olan bir olayla ilgili olarak birbirinden bamsz

denemeler yapmay plankyoruz. Y tesadfi deikeni olayn ortaya
kmasna kadar yaplacak deneme saysn gstersin. Aklarsak: lav
ilk denemede olursa Y = 0 olacak, ilk denemede olmaz fakat ikinci
denemede olursa Y = 1 olacak... Y'nin olaslk fonksiyonu, E(Yi ve
Var(Y) yi bulunuz.
Cevap:
tik denemede olayn olasb p olduuna gre

P(Y=0) = p

lk denemede olayn olmamas fakat ikinci denemede olmas olasl

P(Y=1) = pq

Giderek;

P(Y=y) = pqy

Olaslk fonksiyonu olabilmesi iin;

Zf(y) = p + p q + . . .pq y = p(l + q + . . .+q") = P (

) = = 1
Vl-q /
p
CO
E (Y) = S
y=o

co
y pq y = pq S
y=o

y qy_1

162

eemdersnotlari.com

Halbuki,

d
S y q'- =
S qy =
dq

/
(

\
) =

dq \lq/

pq

(1q) 2

p,2

E(Y) = 2 ==
p
p
/

Var(Y) = E(Y 2 ) [E(Y)] 2

E(Y 2 ) = ! y ! pq y = pq 2 1 y 2 q y ~ 2
y=0
y=0
Halbuki;
00
d co
S y 2 q y - 2 = S
y=0
dq y=0

co
S VfTy_2
y=0

nk,
d co
S yqydq y=0
d

co
y=0

1 ) q y - 2 = S y 2 q y ~ 2 S y q y -2
y=0
y=0

.1

oo

dq
1

CO

Z y qy-2 =
r

= p

q2

2q2
Var(Y) =

(l_q)3

p3

p3

1 n
+

p2q

2q 2
= _
+

p2

q2

+
p2

2 y qy-> =

p2q

Sonu:

dq L ( l _ q ) 2 J

CO

E(Y 2 )

p2

/q

q \

q(q+p)

=
p

=
p2

p2

I
,
)
\ p
p2 /
6. Ydlar boyunca fizyoloji laboratuvanna gelen 10.000 deney
faresinden sadece 5'inde i kulak dtibab olduu grlmtr. Bu bilgiye
dayanarak, 25 deney faresi iinde 2 veya daha fazla farede i kulak iltihab kmas olasln bulunuz.
163

eemdersnotlari.com

7. Problem 4 teki faraziyelerin aynn kullarak tek motorlu bir

uak ile iki motorlu bir uan performanslarn mukayese ediniz.
8. Binomial dadmn model kabul edildii bir deneyde, 3 ekite
tam 2 baar olasl tam 3 baar olaslnn 12 katdr. Bu bdgiye
dayanarak p'yi bulunuz.
9. X binomial dalm ve E(X) = 45 ve Var(X) = 36 olsun, n ve
p'yi bulunuz.
10. Bir kulbn 20 yesi var, 12 si erkek 8'i kadn. 5 kidik bir
komitenin kura usul ile seilmesi sz konusu.
a) Komitenin 3 erkek, 2 kadndan meydana gelmesi,
b) Komitenin 3 veya daba fazla erkek ihtiva etmesi,
c) Komite yelerinin hepsinin ayn cinsten olmalar
olasdklarn hesaplaynz.
11. Poisson D a l m :
,

11. Beklenen deer cebri kurallarndan yararlanarak Poisson

dadm X deikeninin dahmnn beklenen deer ve varyansnn X
olduunu gsteriniz.
ispat:
03

'

CO

E(X) = 2 x
e
x=0
x!
e
x1 = y

-x S
2
x=0

= e
X*

( x 1)!

~k *
A

2 x
*=0
x!

= Xe

-x

A
2
x=

(x1)!

olsun.

-xA w

E(X) = Xe

2
y=o

yx
yt

CO

Maclaurin ammndan yararlanarak 2

rine koyarak,
y=
E(X) = Xe

X"

y!

eX = X

164

eemdersnotlari.com

= e deerini ye-

Benzer ekilde,
E(X*)=

X*

x2 e

x=0

x=0

eo

2J x(x1)
+ 2 x
x=0
x!
*=0

= e
X

X*

00

-x

= e

x!

= e

OO

] X2 S
*=2

(x2)!

X* ;
x! !

co
X1"1
bX 2
*=1 ( x _ ) t

= e~X {eX X2 + e X X} = e~X e X (X2+X) = X2+X

Var(X) = X2 + X X2 = X
12. Kutu iindeki incirlerde % 1 rk kyor. Herhangi bir kutu
iinde 1 veya daha fazla rk incir kmas olaslm .05'ten aaya
indirmek iin her kutu iinde ka incir olmaldr ?
Cevap:
P = .001
P ( X ^ 1 ) = 1 P(X=0) < .05 olmas isteniyor.
Poisson dadmn kullanarak,
P(X=0) =

0!

-x

= e

-x

P ( X ^ 1 ) = 1 P(X=0) = 1 e~X<.05
e

-x

> . 95 Bu eitsizlik iin

olmab.

ile ilgili tablolardan yararlanarak

e*
X>.051 X = np = .051 = n(.001) => n2>51 olursa istenden olaslk
salanm olacaktr.
13. i) 52 kat de oynanan poker oyununda "ful" gelmesi olasl
ne kadardr?
ii) 5'er kathk 700 elde,
a) Tam bir tane ful kmas olasd ne kadardr ?
b) En az bir tane ful kmas olasl ne kadardr?
165

eemdersnotlari.com

Cevap:
i) nce 5'er ktlk ka farkl terkip dnlebileceini bulmamz
gerekir. Bunu ise ( 5 s) = 2,598,960 binomial dalm katsays verir.
Acaba bu 2,598,960 muhtemel elden ka tanesi ful'dur. Ful olmas iin
elin XXXYY eklinde olmas gerekir. Ayni cins 4 kttan 3', (3) = 4
farkl ekilde, ayn cins 4 kattan 2'si ( 2) = 6 farkl ekde kabdir.
Birinci cins iin 13, birinci belli olduktan sonra ikinci cins iin 12 farkl
ihtimal olabileceine gre ful olan el says 13.12.4.6 = 3744 tr.
O halde 52 kt de oynanan poker oyununda,
P(ful) =

- 3744

2,598,960

700

ii) (a) Bu olasl binomial dalm kullanarak,

/
( ) I

\ /

6 9

) ( ~ )

eklinde cevaplandrabdirdik. Fakat bunun

' \700/ \70<K

aritmetik glkleri ortadadr. Bunun yerine poisson yaklamnn kullanrsak,
X = np = 700.

1
700

Xx

l1

x!

1!

=1
1
e
r

b) P(en az 1 ful) = 1P(0 tane ful) = 1 e

L

_X X _
0!

_X
=1e

1
= 1

.63

14. 500 byk insandan l'inde kulak arzas ktn kabul edelim.
Eer araba ehliyeti alma bakmndan kulak arzas bir mahzur tekil
etmiyorsa,
a) 5000 fr arasnda kulak arzas olanlarn beklenen says ne
kadardr ?
b) En az 5 tane kulak arzas olan fr kmas olasl ne kadardr ?
166

eemdersnotlari.com

15. X, ve X 2 parametreleri X ve X2 olan Poisson dalml tesadfi

deikenler ise (X+X 2 ) nin; parametresi (X + X2) olan bir poisson dalm olduunu gsteriniz.
III. Normal D a l m :
16. X ^ n(3,1) verilmektedir.
d) (5,4) arabnda n(x) altnda kalan alan tablolar yardm
ile bulunuz.
b) n(x)'in sa tarafnda yle bir (a,eo ) aral bulunuz ki, bu araba
tekabl eden olasbk .05 olsun.
Cevap:
d)

P(5 <X <4) = P(2 <z <1) = <D(1) $(2)

= 1 0(1) 1 + (2) = <D(2) <D(1)
= .9772.8413
= .1359

b)

P(X<a) = .95
P ( X + 3 < a + 3 ) = .95
P(z<a+3)=.95
/

Birikimli dalm tablosundan yararlanarak;

a = 1.355.

a + 3 = 1.645 =>

17. Tablolar yardm ile yle bir c says bulunuz ki, ortalamas
sfr, varyans 1 olan normal dalm bir X tesadfi deikeninin c ve
c arasnda deerler almas olasl .8 olsun.
.
Cevap:
X

n(0,l)X standart normal dalm durumda.

P ( c < X < c ) = .80
O(c) [1O(c)] = .80
2<D(c) = 1.80
<>(c) = .90 tabloyu kullanarak => c = l .28.

18. X ^ n(l,2) verdiyor.

i) P(1 <X <3) olduunu bulunuz.
ii) yle bir k says bulunuz ki P(k<X<k) = .90 olsun.
iii) yle bir d says bulunuz ki, P(X>d) = .90 olsun.
167

eemdersnotlari.com

19.
i)
ii)
)
iv)
v)

X ^ n(12,4) veriliyor.
P(X<14)
P(X>15)
P(X<11)
P(14<X<15) '
P(7<X<14)
olaslklarm bulunuz.

20.
a)
b)
c)

Bir para 500 defa atlyor.

P(230 veya daha fazla sayda tura gelmesi)
P(220 <tura says <270)
yle bir c says bulunuz ki P(en az c tane tura gelmesi) = . 90

21. log X
n(l,4) veriliyor.
P(| < X < 2 ) yi bulunuz.
22. z standart normal dalm olsun.
i)
ii)
iii)
iv)

P(z<.3)
P(z<.3)
P(12 <z<3.6)
P(l<z<2).

23. z standart normal dalm olsun, yle bir k says bulunuz ki,
P(|z|<k)
i).4 olsun,
) . 8 olsun.
iii) .9 olsun.
iv) .05 olsun.
24. niversite giri imtihanlarnda alnan puanlarn ortalamasnn
250 ve varyansmn 100 olduu bilinmektedir. (Farzedelim)
a) Tesadfi olarak seilmi bir rencinin 300 veya daha fazla puan
alm olmas olasl nedir?
b) 180 veya daha az olmas olasl nedir?
c) Tesadfi olarak seilen 3 rencinin hepsinin 300 den fazla puan
alm olmas olasl nedir?
d) Tesadfi olarak seilmi 3 renciden en az 2 sinin 300 den fazla
puan alm olmas olash nedir?
25. Yetikin erkeklerin boylarnn dalmnn n(1.70, .30) olduunu kabul edelim. Eer bir kimsenin boyunun 1.75 den fazla olduu
biliniyorsa, 1.80 m. den fazla olmas artl olasl ne kadardr?
168

eemdersnotlari.com

BLM VI
RNEKLEME
rnekleme tabii ve sosyal bilimlerin aa yukar her dalnda aratrcnn ara kutusunun en nemli unsurlarndan biridir. lgili olduumuz
tesadfi deiken veya deikenlerin zerinde dadm olduu ktleler
hakknda bdgi elde etmenin ve ktle parametreleri hakknda istidlaller
yapmann en pratik yolu rneklemedir.
Bu blmde, bugn nemli bir alt ihtisas alan olarak istatistik
iinde ayrcalkl bir yer igal eden rneklemenin sadece teorik prensipleri zerinde ksaca durulacaktr, rnek dzenlemesi hereyden nce bir
seme ve tahmin problemini ihtiva eder. rnek seimi ve muhtelif rnek
dzenleri iin varyans hesaplar konunun esasn meydana getirir.
Ktlelerin tam saym yannda rneklemeye gittike daha ok ba
vurulmasnn eitli nemli nedenleri arasnda; masrafn rneklemede
daha az olmas, sonularn daha abuk alnabdmesi, hem saym hem de
rneklemeler iin sz konusu olabilecek hatalar bakmndan, dikkatli
bir alma ile rneklemede daha baarl sonular elde edilebilmesi, baz
durumlarn (mesel muayenenin tahripkr olmas gibi) rneklemeyi
zorunlu klmas zellikle zikredilebilir.
Bu avantajlar yannda rneklemenin saymdan ayrlan en nemli
yan tam saym halinde sz konusu olmayan "rnekleme hatas"n ihtiva etmesidir. Herhangi bir rnek dzeninde rnekleme hatasnn objektif llerle hesaplanabilmesi gerekir. Bu ise ktledeki elemanlarn
rnee girme olaslklarnn bilinmesini zorunlu klar. Bu zellie sahip
rnekleme tiplerine yani ktledeki her birimin rnee girme olaslnn
bdindii rnekleme tiplerine olaslk rneklemesi diyoruz.
Olaslk rneklemesinin rnekleme hatasnn llmesine imkn
vermesi aratrmalarda kullanlmalar halinde baary garantileyen bir

lf>9

eemdersnotlari.com

unsur deildir. Eer rnekleme hatas ok byk ise, bu tip rneklemeleri baarl ekde istidlallerde kullanamayz. Ayrca rnekleme hatas
dmda sapma unsurunun da dikkate alnmas gerekecektir. Bu noktalar
zerinde istatistiki tahmin ksmnda ayrntl ekde duracaz. Olasbk
rneklemesi dnda ktleler hakknda bilgi elde etme ve istidlller yapma
metotlanmnda varlna ve Trk sosyal bdim literatrnn bu tip almalarla dolu olduunu belirtmekle yetinelim.
Olaslk rneklemesinin eitli tipleri ayr bir alt disiplinin konusunu tekil edecek geniliktedir. Birka kritere gre bir snflandrma
emas gelitirmemiz mmkndr.(l)
1. a) Ktle birimlerinin her birinin rnee girme ansnn eit
olduu rnekleme tipleri.
i) Bu olaslklar ya rneklemenin her safhasnda eit alnr,
ii) veya muhtelif safhalarnda birbirini telfi edici byklkte eit
olmyan olaslklar, sonunda her birim iin eit seme ans verir.
b) Ktle birimlerinin seilme (rnee girme) olaslklarnn farkb
olduu rnekleme tipleri. Bu durum mesel optimum tahsis konusuna
ilikin olarak sz konusu olabdecei gibi, seme ilemlerinin mkemmellikten uzak oluunun zaruri bir sonucu da olabdir.
2. rnek birimlerinin ktlenin tek tek elemanlar olmas veya rnek birimlerinin kmelerden meydana gelmesi. Kme rneklemesi de
eit veya farkl byklkte kmeleri rnekleme birimi olarak kullanabdecei gibi, kme seimini de tek veya ok safhada yapabdir.
3. Ktlenin bir btn olarak rnekleme ilemine tabi tutulduu
haller veya ktlenin kademelere ayrlmas.
4. rnek seimi ileminin tesadfi olmas (Mesel tesadfi saylar
tablolar yoluyla, ya da sistematik rnekleme yoluyla olmas).
5. rneklemenin tek safhal olmas yani nihai rnein tek bir safhada semesi ya da rneklemenin ok safhal olmas.
Grld gibi bu kriterler muvacehesinde pek ok rnek dzeni
dnlebilir. Bunlarn herbiri iin de pek ok formln gelitirdmesi
gerekir.(2)
1 L. Kish Survey Sampling Wiley 1965, Sh. 20.
2 Maalesef bu konu memleketimizde gerei gibi aratnnacdarca incelenememi ve kullanlabilir bir bilgi halinde kullanclarn istifadesine sunulamamtr.

170

eemdersnotlari.com

- Olaslk rneklemesinin istatistik teorisinde en ok ilenmi olan

tipi basit tesadfi rnek veya ksaca tesadfi rnek dediimiz eklidir.
Tarif: X , X 2 , . . . X n tesadfi deikenlerinin birleik sklk veya
olasbk fonksiyonu;
g(xx 2 ,. . . x n ) = f( X l ) f(x 2 ). . . f(x n ) = n

f(x,)

eklinde, yani her Xj deikeninin sklk fonksiyonu birbirinin ayn ve

X,'ler bamsz ise, baka deyile, X 1 'ler bamsz ve ayn dalmlarsa, (X. . . X n ), n hacimli bir tesadfi rnektir.
rnein her terimi x ( , rnee girmeden nce X ( eklinde bir tesadfi
deiken, rnee girdikten sonra ise bir saydr. Dier deyile rnek
ekiminden nce rnek bir tesadfi deikenler silsilesi (sequence), rnek ekddikten sonra ise bir saylar setidir.
. X tesadfi deikeninin ktlenin her birimindeki deeri bir reel
saydr. Bu bakmdan ktle, X tesadfi deikeninin R reel saylar seti
zerinde tekil etmi olduu olasbk uzay eklinde formel olarak tanmlanabilir. Mesel X fertlerin aybk gelirleri ise ve incelenmek istenen ktle
de mensucat sanayii iileri ise her ferdin geliri reel saylar setinin bir
elemamdr.
Bamszln salanmas yani daha nceki rnek ekilerinin daba
sonraki ekileri etkilememesi yerine konarak rnekleme ile mmkndr.
Bu tip rneklemeye kaytlandrlmam rnekleme de denir, rnein
her terimi iin btn birimler eit seilme (bazan da yeniden seilme)
ansna sahiptirler. Bunun kart olan yerine konmadan rneklemede
ise ayn birimin birden fazla defa rnee girmesi sz konusu olmaz.
Ktle N, rnek n birim olsun. Yerine konmadan rneklemede n,
ktle hacmi N'den byk olamaz. Yerine koyarak rneklemede ise n'in
hacmi iin byle bir kayt yoktur.
Basit tesadfi rneklemede herhangi bir birimin rnee girme ans,
n
yerine koyarak veya konmadan, ekim nasl olursa olsun dr. nk, yerine koyarak rneklemede ktledeki her birimin rnein ilk ele1
man olma ans

dir. Benzer ekilde 2 inci, 3 nc rnek eleman

N
1

eemdersnotlari.com

olma anslar da
1
N

1
N

dir. rnek hacmi n olduuna gre,

"'

n
N

n
Yerine konmadan rneklemede dk rnek birimi olarak ekilme
1
olasl
dir. rnein ikinci eleman olabilmesi iin dk ekite rnee
N
girmemesi ve ikinci ekite de girmesi gerekir, tik ekiteki olaslk
1
dir. kinci eki N1 eleman arasndan yaplacana gre ekdme
N
1
N1
olasl
dir. O halde ilk ekilite seilmeme olasd olan
ile
N1
N
bunu arparsak ikinci ekili olasd elde eddecektir, bu ise,
N1
1
1
:
=
dir.
N

N1

Benzer ekilde rnein nc eleman olmas olasd da,

N1 N2
1
1
dir.
N
N1 N2
N
Giderek, her birimin rnee girme ansnn yerine koyarak veya konn
madan rneklemede
olduu gsterilmi olur.
N
Yerine konmadan rneklemede snrl ktle dorultucu arpan adn
n
verdiimiz (1
) ifadesinin tahminlerde kullanlmas gerekir, snrN
n
sz ktleler iin
> 0 olacandan byle bir arpan gereksizdir. Biz
N
bu blmde yerine koyarak rnekleme ile dgdi matematik formlleri

eemdersnotlari.com

gelitireceiz. rneklemenin en basit ekli ile ilgili bu bilgiler bizim iin

gerekli minimum temeli verecek.
Eer ktlelerin ilgi konusu olan tesadfi deikenlerle ait momentleri
bdiniyor olsayd rneklemeye pek az ihtiya kalrd.(3) Oysa ktlenin
parametreleri genellikle bilinmez, rnek yardm ile ktle parametrelerine
ilikin tahmin ve istidlller yapma durumu ortaya kar. Bu amala
r n e k s t a t i s t i k l e r i ' n d e n faydalanlr.
T a r i f : Statistik, tesadfi rnein, bdinmeyen ktle parametrelerinden herhangi birine dayanmayan reel deerli bir fonksiyonudur.
T bir statistii gstersin.
T = T(X,X 2 ,.. . X n )
Tarifin en nemli unsuru fonksiyonel dikide ktle parametrelerinin
kullanlmamasdr. Aksi halde bdinmeyen parametrelerle dgili tahminlerde bu parametrelerin deerlerini kullanmak gibi paradokslu bir durum
ortaya kard.
Mesel X
n([i, a 2 ) olsun. Ne |i. ne de a 2 yi bilmediimiz bu ktleden bir basit tesadfi rnek alarak, fj'y tahmin etmek iin,
1
X =

.
2

S2

Xj yi, a 2 yi tahmin etmek iin de,

i=1

=
n1

(X,x) 2 yi kullanabiliriz. nk hem x hem de S 2

i=1

bilinmeyen ktle parametrelerinden bamszdr. Buna karhk mesel

1

(Xj(i)2

bir statistik olamaz nk ji'y bilmiyoruz.(4)

i=1

rneklemenin temel problemi rnek statistiklerini kullanarak bilinmeyen ktle parametreleri hakknda tahmin ve istidlllerde bulunmak
olunca rneklemeden bulunan rnek momentlerinin daha yakndan incelenmesi gerekecektir. nk sz konusu statistikler ou zaman rnek
momentleri eklinde belirmektedir.
3 Mesel ktle parametrelerinin bilindii Monte Carlo deneyleri.
4 Eer [i'y biliyor olsaydk ve sadece varyans tahmin etmek isteseydik bu tip bir forml
bize faydal olabilir miydi?

173

eemdersnotlari.com

rnek

Momentleri:

Ktle momentlerine paralel olarak rnek iin de balang noktas

veya rnek ortalamas etrafndaki momentler sz konusu olacaktr.
Balang noktas etrafndaki r'nc rnek momenti;
1

.
m' r =
E
X,r
l
n i=
Balang noktas etrafndaki birinci rnek momenti, rnek ortalamasn verir;
1 a
E

m', = x =

X:

rnek ortalamas etrafndaki r'nc rnek momenti;

1

mr =

(X1-x)r

zel olarak, rnek ortalamas etrafndaki ikinci rnek momenti

rnek varyans adn alacak ve,
m2 =

(Xtx)2

EX,*

n
forml de gsterdecektir.(5)
Balang noktas etrafndaki rnek momentlerinin nemli bir zellii birer tesadfi deiken olarak bu momentlerin dalmlarnn beklenen deerlerinin ktle momentlerine eit olmas, yani bir sonraki blmde grlecei gibi, bunlarn ktle momentlerinin sapmasz tahmin
edicileri olmalardr. X t , . . .X n , f(x) dalmh bir ktleden alnmas sz
konusu olan n hacimli bir rnek, m' r da bulunacak balang noktas
etrafndaki rnek momenti olsun.
E(m'r)

= n'r

5 Bu tahmin edicinin beklenen deerinin ktle varyansma eit olmamas dolaysyla yaplan dzeltmeyi istatistiki tahmin blmnde greceiz. Yapacamz ilem n yerine nl'e blmek olacak.

' i

eemdersnotlari.com

spat:
m'r =

n
Xjr

m' r ,

n
sadfi deikendir.

i=1

E(m' r ) = E [ S
L n i-l

X4 r l =
J

X , r larn fonksiyonu olarak bir te-

E E
i=l

Xir =
n

S
=1

E[(X,)r]

Tarif gerei [i', = E[(Xj) r ] olduundan,

1 n
1
E ( m ' r ) = S |x'r = n u ' r = f z ' r
1
n
n
zel hal olarak E(x) = jz'dr. nk,
/ 1

E(x) = E (
S X,) =
S E(X,)
i=l
/
i=l
\n
n
Btn Xj'ler ayn dadm olduundan, E(Xi) = E(X) yazlabilir.

1
n
1
=
S E (X) =
n E(X) = E(X) = fx
n '"=' '
n
Bir tesadfi deiken olarak rnek ortalamas x'm dalmnn
beklenen deerini grm bulunuyoruz. imdi de yerine koyarak ekilen
bir basit tesadfi rnekte rnek ortalamasnn dalmnn varyansn
grelim.
a2

T e o r e m : f(x)'i snrl bir varyans olan bir dalm ve varyansn

farzedersek,
2
Var(x) = 0 - =
x

O2

spat:
Var(x) = Var

= Var

Xj'ler bamsz olduu iin,

1
S
Var(Xj)
2
1
n i17".

eemdersnotlari.com

X I 'ler aym dalm olduklar iin; Var(X,) = Var(X)

Var(x) =

1
n2

. Var(X) =

, 1
n2

n Var(X) =

Var(X)
n

a2
n

(T2
X

rnek ortalamasnn varyans e ilgili forml, rnek ortalamas

varyansmn ktle varyans ile doru, rnek hacmi de ters orantl olduduunu gstermektedir, a~ azaltmanm iki yolu pay azaltmak (yani
rnek dzenini a 2 yi kltecek ekilde deitirmek) veya rnek dzeni
veri ise rnek hacmini arttrmaktr.
rnek hacmi arttka <r| n klmesi byk adetler kanununun
ana fikridir. Bu konuya gemeden nce kullanacamz birka beklenen
deer cebri dikisini ve ispatlarn grelim.
T e o r e m : ( X , . . . X n ) , birleik sklk fonksiyonu f(x,...x) olan
n boyutlu bir bdeik tesadfi deiken ve a,
. .a n de sabitler olsun.
d) E[ E a , X , ] = S a , E ( X , )
i=l
i=l
b) Var [ E a , X , ] = E a, 2 Var (X,) + 2 E a, a, Cov (Xj, Xj)
i=l
i=l
i<j
Cov (XXj) = Cov ( X J t Xj)
ispat:
a) E [ S a , X , ] = J . . . J (a,x,+ . . . + a n x n ) f(x,. . . x n ) fi
i=l
i=l
= /. . . JaX f(x. . .x n ) n dXi
i=l
+ ... + J...Janxnf(x1...xn)

II dxj
i=l

n
Birinci ifadeyi yani j"... / aX f(x t .. .x) II dx, yi alalm.
176

eemdersnotlari.com

dx t

S [ /. . ./ X, f ( x , . . . x n )

^ r r
= a J [x / . . . / f ( x , . . . x n )

n d x , ] dx,
i=2

n dxj] dx
=2

Halbuki tarif gerei; / . . . J f ( X l . . , x n ) dx, = f(xj)

yani

x,'in

>=2
marjinal dalmdr. Formlde yerine koyarak,
= a J" x f(x) d x t = a, E(X)
dier terimlerden de benzer eldlde aj E(X,) ifadeleri kar. Bylece
n

E (E ajX,) = E aiE(Xj)
i=l
i=l .;

elde edilmi olur.

b) Var (S a,X,) = E [S a,XjE (E a ^ , ) ] 2

i=l
i=l
i=l
= E [E a i (X 1 E(X,)]2
i=l
-

E{ S a 1 2 (X 1 E(X i ))z-(-2 E a a j [ ( X 1 - E ( X 1 ) ) ( X j - E ( X J ) ) ]
i=l
'
i<j

= E{ S a i ( X i - E ( X i ) ) 2 } + 2E E a 1 a J ( X 1 - E ( X 1 ) ( X r E ( X J ) )
=1
i<j
= E a, 2 E(X,E(X,)) 2 -)- 2 S a.a, E ( X , E ( X , ) ) ( X J - E ( X J ) )
=l
i<j
= S a, 2 Var(Xj) + 2 a ^ j Cov(X X j )
1=1
i<j
Teoremin sonulan:
i)

Eer X . . . X n bamsz ise ve

E(X.) - fi,

Var(Xj) = o 2 , i = 1 , . . .n ise, bu taktirde,

n

a)

E (S a ^ , ) = E a,

ja.

eemdersnotlari.com

b)

Var (S ajXj) = 2 aj 2 ar,2 (bamszlk nedeni ile

i=l
i=l

kovaryans

sfr olaca iin)

ii) Eer ( X , . . . X n ) bamsz ve ayn dalm ise, f(xj) = f(x)
E(X) = n
Var(X) = (t2
a) E ( a,Xj) = 2
i=l

b)

a E(Xi)

= fi 2 a,

i=l

i= l

Var (2 a , X , ) = <j2 2 a, 2
i=

i=l

iii) (ii)'inci ktaki artlar altnda,

a)

E (x) = (i

b)

Var (x) =

<T2
n

Bu sonucu (ii)'de

a4 =

1
n

koyarak kolayca grebdiriz.

BYK SAYILAR KANUNU

f(x) dabmnn beklenen deeri E(X) = |i. olsun, [x'y talimin etmek istiyoruz, jj., sonsuz saydaki X deikeni deerlerinin bir ortalamasdr ve pratik olarak bunu bulmamza imkn yoktur. Ancak ktleden
alacamz n hacimli bir rnekle, hakknda hata payn bileceimiz
gvenilir bir tahmin yapmamz mmkn olamaz m? Bu soruya olabilecei eklinde cevap vereceiz.
yle bir rnek hacmi, n, tayin edebiliriz ki, ortalamas fj. olan f(x)
dalml bir ktleden aldmz n veya daha byk hacimli bir rnekte
rnek ortalamas x'n (jt'den mutlak farkmn, istenildii kadar kltlmesi mmkn olan bir miktardan daha fazla olmamas olash l'e
ok yaklatnlabir. Bu kark ifadeyi matematik kullanarak basitletirelim: 6>0, 0 < 8 < 1 olsun, yle bir rnek hacmi n, alnabdir ki,
P( | x(X | < e)>lS olabilir. Bu, byk saylar kanununun ifadesidir.
Bu teoremin ispat aadaki nemli teoremin ispatm gerekli klar.
178

eemdersnotlari.com

Chebyshev

Eitsizlii:

T e o r e m : X, f(x) dalml herhangi bir deiken,

E(X) = fx, Var(X) = o 2 ve k > 0 olsun.
1
P( | X j ;>kcr)^ Bu ifadeye chebyshev eitsizlii ad verdir.
k2
spat:
CT2=

E(X14)1=

(x|fx)2 f(x) dx

p(JL-k<7
^[X+kc7
* CO
(x-[x) 2 f(x)dx+
(xft)*f(x)dx-f . ( x - ^ f(x) dx
J -M
J [X_k(7
J [X+k(7
Sa taraftaki ikinci ifade daima pozitif veya sfr olduundan,
<r2 ^

p[l.-k(7

JO
.T
(x|x)2 f(x) dx 4(xfx)2 f(x) dx
J |X+k(T
^ -co

Sa taraftaki birinci ifadede, <X <[xktr

X=g[xka
x(X kd
[Xx ^kc;
(jxx)2 k 2 er 2
Sa taraftaki nc ifadede jx+k(j <X < oo
x|x+ka
xjx ^kff
(x[x)2 ^k 2 c 2

(x_kff
" )dx+ I
V+kcr
(X_kff
-,
feo
Keli parantez iindeki ifade P( |X[x | rkcr) olduuna
gre,

d 2 2:k2<T2 P( |X(x | kcr)

f(x) dx +
1
k2

f(x) dx
-

179

eemdersnotlari.com

Sonular:

1)

P(|Xn|<ka)^l

2)

X . . . X n bamsz ve aym dalm olsun.

k2

(6)

E X,
i=l

E(X) = (x, Var(X) = a* k>0, x =

n
<r
P( | Xy. ^k
V^
e>0
/

a)
b)

1
kz
C2

P( | X(XI ^ e) <

eta
spat:
e=

ka
\/n"

alalm.

ey/n kff
k =

e-^

k2 =

e2n

er2

a1

k2

e2n

3) Sonu 2 de belirtilen artlarda,

d) lim
n-oo

veya,
lim
n-co

P( | xn | ^ e) = 0

P( | Xy. | <

e) =

Bu byk saylar kanunudur. P lim olaslk limitini gsterirse,

P lim (| x(i | < e) = 1, P lim( |x | e) = 0
n-=o

b) e>0, 0 < S < 1 olsun.

P(|x[i|:> e)<:8
|

a2
} olmas iin n ^
P(|x|i|<e)^lS I
8e2

olmaldr.

6 |X-fi | belli bir deer, ka dan ya byk veya eit veya kk olabilir. Ayn anda imknsz
ve birleimleri univer.tal seti veren bu iki olayn olaslklar toplam 1 olmaldr.

180

eemdersnotlari.com

nk, 2 b'de P( | Xfi.|6)^

n yerine

a2
S e2

a2

konursa,
e2

a2

CT2
e2n

<r28
a1

olduunu grmtk.

8 e*

Istatistiki tahmin ile ilgili bir sonraki blmde grlecei gibi, herhangi bir tahmin edicinin rnek hacmi sonsuz iken ktle parametresine
eit olmas zelliine tutarllk diyoruz. |x'nn bir tahmin edicisi olarak
X ile [j. arasndaki mutlak fark gittike azalarak n->-co iin P lim(x) = (X
oluyor.
Dikkat edilmesi gereken nokta, byk saylar kanununun ilemesi
iin f(x)'in, yani dalmn ekli de dgili bir bilgiye ihtiya olmamas ve
sadece varyansn snrh bir deer olduunu bilmenin yeterli olacadr.
Tesadfi deikenlerin dalmlarnn ekli hakknda herhangi bir bdgiyi
gerektirmeyen bir yaklam muhakkak ki ilk bakta pek byk bir
pratik kolayl ihtiva eder. Ancak imdi greceimiz merkezi limit
teoremi ile belli bir bykln stndeki (mesel 30 veya daha fazla)
rnek hacimleri iin rnek ortalamasnn dahmn normal kabul ederek
ok daha etkinlii yksek sonulara ulaabdeceiz.
MERKEZ LMT TEOREM
T e o r e m : f(x), beklenen deeri jj. ve varyans cr2 olan bir sklk fonksiyonu olsun. x, f(x) dalmndan alnacak n hacimli bir basit tesadfi
rnein ortalamasn gstersin.
h m

n-co

g(x) ^ n

^
X[i

veya standartlatrma ilemini uygulayarak, z =

ise,
,
/V n
lim 0 (z) ~ n (0,1)
n->-co
s p a t : (7) X'in moment karan fonksiyonunun mevcut olduunu
kabul edelim. Eer z'nin moment karan fonksiyonunun n->-co iin limi7 Mood, Graybill a.g.e Sh. 150.

181

eemdersnotlari.com

tiin standart normal dalmn moment karan fonksiyonu olan e"'

ye eit olacan gsterirsek n--oo iin z'nin standart normal dalm
olduunu ispat etmi oluruz.
Moment karan fonksiyonun tarifi gerei,
n/
m z (t) = E [ e ] = E[e

\<yl^n/
E [e

KcIVn/
]=J
e
-co

Vtr/Vn/

] = E [e

^
]== E [e

0(x)

dx

\ Ver /
]

X . . . X n bamsz ve ayn dalm olduundan,

g ( x ! , . . . x n ) = Et
i1

r oo

mz(t) = J

-co

f(x,)

roo

...J

-co

Vn
= n

[T

=I

y =

J
f(x,) dxiJ

J - co

[z

\ o

f( Xj )d Xl

,.00

olsun. m y (t) i

J -03

i=r)
e

f(y) dy

Keli parantez iindeki ifade incelenirse bunun my; j

I olduu
grlr.
* \/t\
O halde

m z (t) =

182

eemdersnotlari.com

/ 1 \
M - - ) =

1
l

V' n

/ t \2
1
( - ) + - -

2!

Vn

+
<J VT

fi., / t
()+

3! ff

\ \/n"'

[A = O ve (i2 = CT2 olacandan,

1 / 1
1
fx3
1 (x4
2
= 1+
(
t +
t3 +
n V2
3IVK"
4!n a*
e" =e= lim 11 -|
I olduunu biyoruz.
n-H *
n '
u =

1
2

12 H

1
3!yn"

(i,

13+ . . .

lim m z (t) = lim

(l-\
n ->oo
n -*co \
n

alnrsa,
V = eu
'

n-eo iin u'da dk terim dndaki terimler sfr olacandan,

lim m z (t) = e
n-+eo
Bu
n ->co iin z'nin dalmnn standart normal olacann ispat
demektir.
Merkezi limit teoremi, normal dalmn istatistikteki ok yaygn
kullanmnn en nemli hakl gsterici nedenlerinden biridir. Pratikte
abnan rneklerin hacmi ou zaman normal dadm faraziyesini hakh
gsterici byklkte olur. Chebysbev eitsizliini kullanrken tesadfi
deikenlerin dalm de ilgili herhangi bir faraziye yaplmad iin,
merkezi limit teoreminden yararlanarak daha fazla bdgiyi kullanm
olur ve etkinlii byk lde arttrrz. Burada etkinlik, veri e ve veri
olasl daha kk rnek hacmi de salamak, veri rnek hacmi ve belli
bir olasdkla daha kk bir e elde etmek ve veri e ve n'i daha yksek
olaslkla salamak eklinde belirir.
imdi Cbebyshev eitsizlii ve merkezi limit teoremini kullanan
yaklamlar karlatran bir misl zerinde her iki yaklamn uygulamasn yapalm ve sonulardaki etkinlik farkn mahhas olarak
grelim.
183

eemdersnotlari.com

Misl: Kullanacamz elektrik sigortalarnn dayanma srelerini

kontrol etmek istiyoruz. Daha nceki tecrbelerden dayanma sresinin
varyansmn 10 Ohm olduu biliniyor. 36 birimlik bir rnek almyor ve
rnek ortalamas 52 bulunuyor.
<r2 = 1 0 ,

n = 36,

x = 52

a) "[i." nn 5153 arasnda bulunmas olasl nedir?" eklinde

bir soru sormak doru olur mu ?
b) rnek ortalamasmn ktle ortalamas, fx'den farknn l'den az
olaca ekde rnek deerleri de kardama olasb nedir?
c) Hatann ne kadardan az olmas olasl % 95'tir?
d) Bulduumuz rnek ortalamasmn, hakiki ktle ortalamasndan
farknn l'den fazla olmas olasbn .05 yapmak iin rnek hacmi ne
olmaldr ?
Cevap:
a) P(51 <(jl <53) eklinde bir olaslk, doru bir formle edideddir.
nk, bilinmemekle beraber ktle ortalamas a, bir tesadfi deiken
de bir parametredir, (jl 51 Ue 53 arasnda bir deere sahipse bu olasbk
1; aksi halde sfrdr, rnek verderinden bu soruya kesin bir cevap alnamaz.
b) Tayin eddmek istenen olaslk;
P( | X[x | <1) veya

P(1 < x[x <1)

i) Cheb. eitsizliini kullanarak:

P(|x(i|<e)>l

(t2

e^n

e = 1, a2- = 10, n = 36 olduuna gre: 1

10
36

ii) Merkezi limit teoremini kullanarak:

6 < xjjl < _ o_ \)

-v/ <r/vTff

V10

X(X
z =

^n(0,l)

184

eemdersnotlari.com

26
36

P(/

\/o

\) = P ( 1 . 9 0 < z < l . y o ;

<z<

V '

Standart normal dalm de ilgili tablolardan yararlanarak,

P(1<X{x<l)= .943
c)
i) P(|xjx|<6)^.95

(t2

<t2

"

(t2

P( I Xfi. I < e)

= .95
62n

10
G236

e2n

= .05
e2n

= .05 >- e ^ 2.2

ii) P( | x^ | < e) = .95

P( G<x[L< E) = .95

6e

P(\

6x
<z<

VT

) = .95
V'

Standart normal dabmn sklk fonksiyonu tablosunda

.95

olasla tekabl eden z deeri 1.96 olduuna gre,

6e

= 1.96

e=

VT

1.96VT

= 1.03

.4750

elde eddir.

d)
i) P( I Xfj.j>l)<.05 olmas iin n ^
n^

10

ff2
S e2

gerektiine gre,

05

n^200
ui) yle bir n deeri bulalm ki,
P(| Xfx|>l) 05

veya

P(1<

il < l ) = -95

eemdersnotlari.com

olsun.

y/'

V~

Vn~\

-<z<
j = .95
Vo
\/'

= 1.96

= (1.96)2.10 = 39

y/
zet olarak ifade edersek verdiimiz mislde,
1) Belli bir e deerine tekabl eden olasdk,
2) Belli bir olasba tekabl eden e deeri,
3) Belli bir e deerini, belli bir olaslkla salayan rnek hacmini,
Cheb. eitsizlii ve Merkezi limit teoremini kullanarak hesapladk.
Aadaki kk tablo hesaplamalarmzn sonularn bir arada
gsteriyor:
Cheb.
Merkezi
istenen
Yeri
Eitsizlii
Limit Teoremi
P
e
n

e,n
P, n
P, e

.722
2.2
200

.943
1.03
39

Tablo aradaki etkinlik farkn aka belirtti. Bu farkllk merkezi

limit teoremi yaklam de; veri e, n iin daha byk bir olaslk, veri
P,n iin daha kk bir s deeri ve nihayet tesbit edden P, e deerlerini
salayacak daha kk bir rnek hacmi eklinde belirdi. Bu farkbbn
sebebi normal dalm faraziyesini kullanabmemizdi.
Pratikte, ktledeki dalm normal ise, rnek ortalamalar dalm
da normal olacaktr. Teorem bu hallerde yaklak ded, kesin deerleri
verecektir. Ktledeki dabm normalden ok fazla farkh dedse, olduka
kk rneklerde bde merkezi limit teoremi iyi bir yaklam saylabdir.
Ktledeki dalmn tamamen normalden farkl olduu hallerde orta
byklkte bir rnek maksada yetecektir. Mesel ktle dalm, P = 1 /2
ile binomial olsun, rnek hacmi 30 ise merkezi limit teoremini kullanarak,
rnek ortalamalar dalmn elde etmenin maksimum hatas .07 dir
ve bu baz dzeltmeler kullanlarak daha da drlebdir.
Bu mislde belli sorulan cevaplandrmada her iki yaklam da
kullanmamzn nedeni sonulardaki farkll daha iyi anlamaktr. Gnlk hayatta n 2:30 hacmindeki rnekler iin Cheb. eitsizliini kullanmak
186

eemdersnotlari.com

gereksizdir. Ancak merkezi limit teoreminin uygulanmas iin gerekli

artlarn salanmad hallerde hu eitsizlikten yararlanlmas daima
mmkndr.
RNEKLEME LE LGLl PROBLEMLER
1. Byk bir parti mal geldi. Tesadfi rnekleme yoluyla bozuk
olanlarn yzdesini tayin etmek istiyoruz, yle bir rnek hacmi bulunuzki, rnekten bulduunuz ortalamann hakiki ktle oranndan .l'den
daha az farketmesi olasd .95 olsun. Ayn soruya Chebyshev eitsizliini de kullanarak cevaplandrnz ve farklln sebebini aklaynz.
Cevap:
P(|XP|<.1)^.95
P(l<xp<.1)^.95

E(x) =

Var (x) =

pq

Merkezi limit teoreminden yararlanarak binomial'e standart normal

dahm yolu ile yaklaahm.
P(|xp|<. 1 ) ^ . 9 5

/ 11
n

f j
! / _n_ \ _L f V pq
.1

,lim
n->co \

/_n_
V pq

< z <

pq /

V^j

dz

v pq
Tablolarn herhangi birinden yararlanarak,
.1

/
Hpq
v pq

1.96

n>(19.6) 2 pq
187

eemdersnotlari.com

Halbuki pq = p(lp) g btn p deerleri 0 < p < l

n>(19.6) 2 () = 96
0 halde 96 veya daha fazla birimi ihtiva eden bir rnek almamz,
istenen hatay istenen olaslkla salayabdecektir.
imdi ayn soruyu Cheb. eitsizliini kullanarak cevaplandralm.

PC|xp|<.i)== P(|xpl^.1)
1 ^p | yerine |Snp |de yazabdiriz.

S = X4
1=1

P(|Snp|<.ln)^.95
P(|Snp|^.ln)g.05
Cheb. eitsizliinden yararlanarak,
npq
P(|Snpl^.ln)^

pq<
(n y

npq

(. 1 n) 2

(. l) 2 n

25
n

<.05 ->n^

25
n
25
.05

= 500

Normal dabm faraziyesinden yararlanmamz, gerekli rnek hacminde

ok byk tasarruf salad. Bu tip bir problemde merkezi limit teoremini
kullanmalyz.
2. Standart sapmas 2 olan bir ktleden alnan basit tesadfi rnekte, rnek ortalamasnn ktle ortalamasndan .2'den fazla farkl
olmamas olasl, rnek hacmi 50 ise ne kadardr ?
rnek ortalamasmn ktle ortalamasndan .2 den fazla farkl olmamas olaslnn yaklak olarak .90 olmas iin gerekli rnek hacmi
nedir?
Cevap:
X(A
.2
P( | x - ( z | ^ .2) = P(
<
2 . 2
\Z50~

) = P(z <

y/s"

188

eemdersnotlari.com

.2
2

V^"

.2

= v r = -707

2/VsT
P(|z|<.707) = P(,707<z<.707) = <D(. 707) <&(. 707)
= 2 $(.707) 1 = 2 (.760) 1 = .52
ii) P( | x[i| < . 2 ) {= .90
2
P(|Z|<__)
2/Vn"

y/T
|
|
<
P( Z
10

\/h*

'

.90 = 2 <D() 1
10
vV
. 95 = O (

y/Z
)-

10
n = 100(1.645) 2 .

=1.645
10

3. Yei bir msr cinsinin dnm bana ortalama verimini tayin

etmek iin tecrbe yapmay dnyorsunuz. Yeni tohum ile her biri
1 dnmlk 100 para toprak ekiyorsunuz. Daha nceki benzer aratrmalarda dnm bana verimin standart sapmasnn 10 kg. olduu biliniyor.
a) Cheb. eitsizliini kullanarak, rnek ortalamasnn ktle ortalamasndan dnm bana 2 kg'dan farkl olmamas olasln en az .80
yapacak rnek hacmini bulunuz.
b) Normal dalmdan yararlanarak ayni sorunun cevabn vermeye
alnz.
Cevap:

a 10
9

a)

P( | X |

O
S e ) S

e*

aP( I X[J. | ^ 2 )
4
<4
T2
.2
* o i = .8
= 8
4
n

oo
.8 =

n 125
n
189

eemdersnotlari.com

b)

P( I

X-|JL

I ^ 2 ) = P(2 < X[1 <2) = . 80

2 v V

2 Vn~ \
) = .80
10
10 /
2 0 (.2 VT ) 1 = .80
<z <

O (.2v^") = .9

> . 2 y T = 1 . 2 8 m = 41

4. eklini bilmediimiz bir dabmn ortalamas

P( | Xjx | < . 5 ) ^ . 9 5 olmas iin n ne olmabdr ?
Cevap:
_
P( | Xji. | < e)

S2
S olmas iin n j

ve varyans 1 ise,

olmaldr.

S 2

1 8 = . 9 5 > 8 = .05
n^

'

(.05) (.5) 2

1
(.0125)

= 80

n ^ 80 olursa istenen P ve e deerleri salanm olmaktadr.

/

5. Varyans 9 olan bir ktleden 64 birimlik bir rnek abnyor. rnek ortalamas x'n, j'den mutlak farknn hangi deerden fazla olmas
olash en ok .2'dir? Ayn ktleden alnan rnekte .95 olaslkla, x
ile (X arasndaki mutlak fark .25 ten az yapmak iin rnek hacmi ne
olmaldr ?
Cevap:
P( | x [ < e) >. 80
i) P ( 6 < x ( x < e ) 80
SVn"
<z<
a

6Vn" \
1^.80
a '

8e
8ev
P(
<z<
1^.80
V 3
3 /
8e
3

= 1.28-- e =

3.84
8

olmaldr.

190

eemdersnotlari.com

i) P(|x|i|<.25)'fe= .95
P(.25<x[jl<.25)= .95
/25 yT"
.25v^~
P(
<z<
\
3
3
.95
= .4750 Sklk fonksiyonu tablosundan, . 4750 ye tekabl eden
2

z deeri 1.96.
25\/n"
= 1.96
3
. 25 y/V = 5.88

n = (23.52)* - n ^ 554

olmaldr.

6. Yaryans 10 olan bir ktleden rnek alyorsunuz.

/

a) rnek hacmi 100 ise rnek ortalamasnn olaslk dalmnn

varyans nedir?
b) Cheb. eitsizliini kullanarak, 100 birimlik bir rnein ortalamasmn, ktle ortalamasndan 1 veya daha fazla farkl olmas olaslna
bir st snr bulunuz.
c) yle bir e says bulunuz ki, rnek ortalamasmn ktle ortalamasndan en az e kadar farkl olmas olasl, n=100 ise, .05 ten fazla
olmasn.
7. 14.848 hane ihtiva eden bir ehir kesiminden basit tesadfi
rnekleme yoluyla 30 hane seilmitir, rnekte hane bana den insan
saylar aadaki gibidir:
5,6,3,3,2,3,3,3,4,4,3,2,7,4,3,5.4,4,3,3,4,3,3,1,2,4,3,4,2,4
rneklemenin yapld ehir kesiminin toplam nfusunu bu bilgiyi
kullanarak tahmin ediniz ve bu tahmin ile gerek deer arasndaki farklln gerek deerin % 10'unu amamas olasln hesaplaynz.
8. Eer nfusu 1 milyon olan Ankara ehrinde belli bir gvenilirlik derecesini salayabilecek rnek hacmi 1000 ise, 2 milyonluk stanbul
ehrinde ayn gvenilirlik derecesini salayacak rnek hacmi no olmaldr ?
191

eemdersnotlari.com

Not: Her iki ehirde,

1

N
S (X,ji)2
N *=
rn eit olduunu farzediniz.
<r =

eklinde tanmlanan birin varvansla-

Gvendirliin ls olarak rnek ortalamasnn varyanan kullannz

ve aadaki forml tercih ediniz:
1
2 _
<7

Nn
2
aX

X
n
N1
Nn
\
Burada
snrl ktle dzeltme faktrdr.
N1

192

eemdersnotlari.com

BLM VII
STATSTK

TAHMN

GRt: KARAR ALMA PROBLEM

lgilendiimiz ktlenin bdinmeyen parametresi veya parametreleri
hakknda tahminler yapmak istediimizi dnelim. Bu amala tesadfi
bir rnek alacaz. Bu rnein elemanlar birer tesadfi deiken olarak,
yerine koyarak rneklemeyi farzettiimiz iin, bamsz ve ayn dalm
olacaklardr. X,X 2 . . .X n tesadfi deikenlerdir. f(x,8) dadml ktleden ahnacak n hacimli rnek ve 0 da tahmin etmek istediimiz parametre
(veya parametre vektr) olsun. 0'nn alabilecei btn muhtemel deerler parametre uzayn meydana getirecektir. Parametre uzay fi ile
gsterilirse, 0 e O olacaktr.
0 de dgili ne gibi tahmin ve istidlaller sz konusudur ?
Bunlardan birincisi nokta tahmin dediimiz yaklamdr. Bu
yaklamda rnek deerlerinden yararlanlarak 0 tahmin eddiyor.
0 ( X , , X 2 , . . . X n ) 0'nn rnek deerlerinin fonksiyonu olan tahmin edicisidir.
'
Nokta tahmin yapmak yerine bilinmeyen ktle parametresini belli
bir olaslkla iine almas sz konusu olan iki tesadfi deiken ya da
gven smn belirtmek de mmkn. 0(X,X 2 .. . X n ) ve 0 2 ( X l , X 2 . . . X n )
rnek abnmadan nce birer tesadfi deiken olacak. Bylelikle bir nokta
ded aralk eklinde tahmin yapm oluyoruz.
\

Bdinmeyen ktle parametreleri ile ilgili nc bir yaklam da bir

parametre iin belli deerleri hipotez eklinde ileri srmek ve rnek
deerleri muvacehesinde bu hipotezin test'ini yapmak eklinde beliriyor.
Hipotez test'inde parametre uzayn iki ksma ayryoruz, w ve (2w).
Red hipotezi ve alternatif hipotez eklinde iki hipotez belirtiyoruz.
193

eemdersnotlari.com

Red hipotezi:

H 0 : 0 ew

Alternatif hipotez: H : 0 eOw. ^

Allmz rnekten belli deerler elde edildiinde Ho' red ediyor,
aksi halde kabul etmek zorunda kalyoruz. H 0 ' reddetmeye sebep olan
rnek deerleri rnek uzaynn belli bir alt setidir, n hacimli rneklerin
btn muhtemel deerlerini, birer n boyutlu nokta olarak ihtiva eden
bir rnek uzay S dnelim. H 0 ' kabul etmemize yol aacak rnek
deerleri Sa alt uzaym, Ho' reddetmemize yol aan rnek uzay deerleri de S R alt uzayn tek etsin.
0 ( x . . . x n ) bir test fonksiyonu ya da H 0 ' reddetme olasl olsun.
Eer x . . .x n eSR ise 0 ( x . . . x j = 1 olacak yani H 0 reddedilecek;
x t . . .x n sSa olduu takdirde ise 0(xl.. ,x n ) = 0 olacak yani H 0 kabul
edecektir.
Bu yaklam, istatistiki tahmin ve istidlali meydana getirir ve
istatistik teorisinin merkezini tekil eder. Btn bu yaklamlarn ortak
yn her birinde bir karar alma probleminin mevcut olmasdr. Nokta
tahminde neyi
*tahmin edici olarak kullanacamz, aralk eklinde tah-

minde ise 0 1 0 2 aralm tayin ediyoruz. Hipotez test'inde ise hipotezi

kabul ya da red ediyoruz. Btn bu yaklamlarda bir aksiyon gstermemiz sz konusu. Muhtemel btn aksiyonlar, aksiyon uzay A'nn
birer elfeman olsun, a eA.
Karar alrken bir aksiyona bizi gtrecek yol ne olacaktr? nce
bir karar alna kural ya da stratejisi tesbit etmeliyiz. Bunu d ile gsterelim. Mesel, tesadfi bir rnek alacam, ortalamasn bulacam ve bulduum deeri, bilinmeyen ktle ortalamas fi'nn bir nokta tahmini olarak kullanacam. Veya, rnek ortalamalarnn dalm byk rnekler
iin normal olacaktr. Bir tesadfi rnek alp ktle parametresi iin % 95
gven katsayl bir tesadfi aralk tekil edeceim ve bu tesadfi snrlarn aldm rnekteki deerlerini bulacan. Ya da ktle parametresi
[1,'nn jj.o olduunu farzedecek ve tesadfi bir rnekte rnek ortalamasnn
fio'a yaknlk derecesine gre hipotezi kabul veya reddedeceim.
Karar alma kuraln tayin ettikten sonra bir rnek alyoruz. Aldmz n hacimli spesifik rnek s olsun, s eS. rnekten elde edilen sonuca
gre karar alma kuraln uygulayarak bir aksiyon gsteriyoruz. Grld gibi karar alma kural rnek uzay ile aksiyon uzay arasnda bir
ilikiyi salyor. Formel olarak tarif edersek,
194

eemdersnotlari.com

T a r i f : Karar alma kural, d; domain'i rnek uzay S, range'i aksiyon uzay A olan bir fonksiyondur.
d : S -> A

a = d(s)

Gsterilen her aksiyona ilikin olarak "zarar" sz konusu olacaktr.

Nokta tahmin de 6, 9 ya eit ise zarar sfir, aksi halde pozitif bir deer
olacaktr. Aralk eklinde tahminde 0, tesadfi " d"2 aral iinde ise
zarar sfr aksi halde pozitif olacaktr. Nihayet hipotez testlerinde H 0 '
reddetme veya kabul etmenin zarar sz konusu olacaktr. Zarar doru
olan bir Ho hipotezini red veya yanl olan bir H 0 hipotezini kabul hallerinde pozitif aksi halde sfr olacaktr.
Grld gibi zarar fonksiyonu, l(a,0) a eA, 0 eO, gsterilen aksiyona ve bilinmeyen ktle parametresine bal olacaktr. Ayrca,
l(a,0)>O olacaktr.
Gsterdecek aksiyon belli olmad srece bu aksiyona ilikin zarar
da bir tesadfi deike n olacaktr. Zarar fonksiyonunun beklenen deeri
R i s k ' i verecektir.
a = d(s)
l(a,0) = 1 [d(s), 0]
R(d, 0) = E [l(a, 0)]
eitli karar alma kurallar arasnda tercih sorunu karar teorisinin
cevap vermeye alt ok nemli bir problemdir. Bu konuda matematikiler ve istatistikiler arasnda bir fikir birlii yoktur.(l)
Kullanlabilecek seme kriterleri arasnda, risk'i asgari yapan bir
karar alma kuraln tercih, ilk akla gelenidir. Eer d ve d' kurallar arasnda 0 nin Q iindeki btn deerleri iin,
R(d', 0)^R(d, 0) ilikisi mevcut ise d', d ye b a s k n k y o r
denir. Tabii hi deilse 0 mn baz muhtemel deerleri iin R(d')<R(d)
olmak kaydyla.
Pratikte byle baskn kan karar kurallar bulmak imknsz deilse
ok zordur. Ktle parametresinin baz deerleri iin biri, baka deerleri
1 Bu kitaptaki yaklam esas itibariyle objektivisttir. Sbjektivist, personalist, veya
Bayes'ci yaklam, ki so yllarda nemli hr gelime iindedir, tamamiyle kapsam d tutulmutur. Bu tercih, metodun geersizlii dncesinden ok, giri niteliindeki bir kitapta temelden eliki halindeki yaklamlarn bir arada verilmesinin sakncal olaca dncesinin sonucudur.

195

eemdersnotlari.com

iin de dier bir karar kural daha kk risk verebilir. Herhangi bir
karar kurak, baka bir karar kural kendisine baskn kmad srece
"kabul eddebdir" bir kuraldr. Byk ihtimalle kabul edilebdir karar
kurallar seti pek ok eleman ihtiva edecektir.
imdiye kadar dikkatten uzak tuttuumuz pek nemli bir pratik
glk de zarar fonksiyonunun kesin eklini bdmeye imkn olmamasdr.
Bunun nedeni fonksiyonun bdinmeyen ktle parametresi 0'y ihtiva etmesidir. c(09)2 eklindeki her fonksiyon zarar fonksiyonu olabdir.
nk 0 = 0 halinde bu'fonksiyonun deeri sfr, aksi halde pozitiftir.
Bu kadratik zarar fonksiyonu risk hesaplamalarnda en ok kullanlan
ekdir.
Kabul edilebilir karar kurallar arasndaki tercihte kullanabdeceimiz bir kriter m i n i m a x kural'dr. Her kabul edilebilir kural iin
max R(d,0) y bulur ve max R'i en kk olan kabul eddebdir karar
kuraln seersek bu kurala uymu oluruz. Bu kural dikkati ektii zere,
ktmser bir yaklamla konuya yaklamaktadr. Daha ok oyun teorisinde, rakiplerin birbirleri aleyhinde uurlu olarak davran gstereceklerinin farzedilecei hallerde kullanlmaktadr. Bizim konumuz bakmndan 0'nn belli bir deer olmas bizim dmzda ve ne lehimize ne de
aleyhimize olan bir durum'dur.
Minimax kural dnda birok kural ortaya atlabilir ve atdmtr.
Mesel sapmasz tahmin edicdere(2) arlk tanmak ve bunlar arasndan
risk'i minimum olann semek gibi.
ki karar alma kuralnn risklerinin mukayesesi b i z i n i s b i e t k i n l i k
kavramna gtrr, d in d 2 ye gre nisbi etkinlii r(d,d 2 ) aadaki gibi
tarif eddir:
r(dd 2 ) =

R(d 2 ,0)
R(d0)

r(d,d 2 )>l ise belli 0 deerleri iin d,d 2 den daha iyi bir kural, dolaysyla 0, 0 2 den daha baarl bir tahmin edicidir.
Giri ksmnda, karar teorisi yaklamn kullanarak istatistiki tahmin ve istidllin temel kavramlarm, mmkn olduu kadar basit ekilde,
izaha altk. imdi nokta tahmin zerinde daha ayrntl ekilde durmamz gerekiyor. Fakat bundan nce karar alma problemine ilikin
2 Nokta tahmin ksmnda zerinde durulacaktr.

196

eemdersnotlari.com

olarak anlattklarmz iki misl zerinde biraz daba somutlatrmaya

ababm:
Misl 1: X tesadfi deikeninin olasbk fonksiyonu,
e-n9(n9) x
f(x) =

x = 0,1,2... olsun. Bu tesadfi deikenin dex!

erlerinin dadd ktlenin parametresi 0'y tahmin etmek istiyoruz.
Kabul ettiimiz zarar fonksiyonu l(a,0) = (0O)2 olsun. Karar alma
x
A
kurabmz, n hacimli bir rnek alarak, 0=
deerini 0'mn tahmin
n
edicisi olarak kullanmak.
imdi, bu karar alma kuralna tekabl eden risk'i bulmaya ababm.
x

R(d8) = E[l(d,8)] = E [ (

0) ]

/*

X2

x=0

e-n0
n2
+

e-n0 n 2 0 2
n2

x2

x!
e- n 0 2n0

x!

n2
3

nk,

x!

x!
(n0) x
x!

h2
x
*=

(n0) x_
2
+
x =0
(x1)!

<n0>*= e nO
x!

(n0) x

(n0) x

[ 2
x(x1)
*=0

e-"9 2n0 n0

n2

n2

0^ f(x)

(n 0)*

(n0) x

2
*=0

x!

2
(xn 0)2
x=0

n2

= 1

e-9(n 0) s

e-n9

(n0) x

n202

(3)

n2

dr.

197

eemdersnotlari.com

e-n9
U2

co M r 2
0=
( n 0)2 2
+ n0 S
L
(x2)!
x =0

( x _ l^J

co ( * e r
e-n 20 2 E
x = 0
e -n0

n2

1- 02
(x1)!

[ ( n 0 ) 2 en + n 0 en] _

n 2 02

n0

n2

n2

e-n6

202 e*9 + 02

imdi bir baka karar alma kural, mesel d 2 =

nin Risk'ini bulalm.
x
. x
r
m
R(d 2 ,0) = E (
O)2 = E (
Ln+1
J
x - 0 Hn+1)
co / x 2
= E (
x -O \(n+l) 2

20x

x
b

n+1

e-n0

oo
M)'
E x2
yI
(n+1) 2 LL xy =n0
x!

02)

x
n+1

alalm ve d

v2
(n0) x
0 ) e-n9
'
x!
(n0) x

e-n6

'

x!

co
2(n+l)0 E x
vx.-O
=n
x!

00 M)"-,
+

(n+l) 2

e-"0
(n+1) 2

S
x =0 x !
(n0) x
M
E x2
x =0
x!

+ e-n0 0 2

02

M)"

E
x =0

x!

20 e-"0
n+1

198

eemdersnotlari.com

fn0)x
S x
x =0
r!'

imdi kolaylk olsun diye terimlerin herbirini ayr ayr inceleyelim.

-n
(n+1) 2

oo
(n0) x
S x2
x =0
x!
x!

e-n9
-

=
20e-n9
n+1

S x
x =0

(n0) x
x!

(n+1) 2 L
fn-t-lU
e-9
(n+1) 2

(n 0)2 e"0 + n9 e*>0

J

e0(n2 0 2 + n 0 ) =

e-*0 2n0 2
n+1

E
x =0

n0(n0+l)
(n+1) 2

(n) 1 -'
x!

2n0 2
n+1

O halde,
n0(n0+l)

2n0 2

R(d 2 ,0) =

+ 02
(n+1) 2

n+1

n0(n0+l)2n0 2 (n+l)+(n+l) 2 0 2
(n+1) 2
n 2 0 2 +n02u 2 2 2n0 2 +n 2 0 2 +2n0 2 +0 2
(n+1) 2
n0+0 2
(n+1) 2

O(n+0)
(n+1) 2

Grld gibi, iki farkl karar alma kuraln kullanmann riskleri

0
0(n+0)
sras ile
ve
. Bu iki riskten hangisi kkse o tahmin ediciyi
2
n
(n+1)
sememiz doru olacak.
Burada bir glkle karlayoruz. Risk 0'ya bal ve 0'nn baz
deerleri iin d, dier deerleri iin de d 2 karar kurallar daha kk risk
veriyorlar. Bu durumu aadaki grafikte grebiliyoruz.
Risklerin eit olaca 0 deerini bulmak iin,
0

0(n+0)

(n+1) 2
199

eemdersnotlari.com

Vc -

&(nArG
l
2
)

9
C/j

eitliini verecek 0 deerini bulahm.

0(n+l)2= n9(n+ 0)
0(n+l)2= 0(tf+n0)
(n+l)2=n(n+0)
(n+0)

0 =

0<

0=

2n+l
n
2n+l
n

(n+1)*

(n+l)2
n

n=

2n+l
n

iin d daha iyi.

iin arada bir risk farkll yok.

200

eemdersnotlari.com

COllrft

uj

2n+l
6>

iin d dahakiyi.
n
iki karar kurabndan hibiri dierine baskn kmyor.
Misl 2: Fiyat 500 TL olan bir dayankl tketim maln alp almamak konusunda karar vermemiz gerekiyor. Maln bozuk kmas
mmkn ve garanti eddmi deil. Karar vermeden nce bu aletlerden
birini test etmek imknna sahibiz. Maalesef mal yapan fabrikann bu
mamul iin bozuk yzdesi p bdinmiyor. Test creti de ihmal edilecek
kadar nemsiz.
Ayn ite kullanmak zere daha dikkatli bir ekdde istihsal eddmi,
kalite kontrolundan gemi, bozuk kmayaca garanti edilmii bir
baka firma mamul 1000 TL den sathyor. Eer 500 TL lik mal alr ve
bozuk olduunu grrsek bu takdirde hemen 1000 TL daha vererek br
firmann maln alacaz.
Alc bakmndan kullanlabilecek karar alma kurallarndan 3 tanesi
aada sralanmtr:
Kural 1: Test yapmadan 500 TL lik mal almak.
Kural 2: Test yapmadan 1000 TL lik mal almak.
Kural 3: Bir tane 500 TL lik test etmek, salam ise 500 lii almak,
bozuk ise 1000 TL verip garantdi olann satn almak.
imdi bu kurallar arasnda nasl tercih yapabileceimizi inceleyelim. Cj, j kurabn uygulamann TL cinsinden maliyetini gsteren bir
tesadfi deiken olsun.
Kural l'de alet salam ise maliyet sadece 500 TL, fakat bozuk ktnda 1000 TL lik mal alnmak zorunda kalnacandan maliyet 1500
TL'ye kyor. 500 TL lik maln bozuk kma olasl p olduu taktirde,
C = 500 TL
= 1500 TL

(1p) olaslkla
p olaslkla

Masrafn beklenen deeri,

E(c,) = 500 (1p) + 1500 p = 500 -+ 1000 p = 500 (l + 2p)
Kural 2 iin
c 2 = 1000 TL ve

E(c2) = 1000 TL

Kural 3 iin,
201

eemdersnotlari.com

c 3 = 500 TL. (1p)2 olaslk ile. (Test sonucu ald 500

TL lik mal salam karsa)
= 1000 TL p olaslk de (Test sonucu 500 TL lik mal
salam kmad iin 1000 TL lik mal alrsa)
= 1500 TL (1p)p olasbk ile (Test sonucu ald 500 TL
lik mal bozuk karsa)
,
Tabiatyla (1p)*+p+(lp)p = 12p+p 2 +p+pp 2 = 1
E(c) = 500(1p)2+1000 p+1500(1p)p
= 500(12p+p2)+1000 p-f 1500 p1500 p 2
= 5001000 p+500 p 2 +1000 p+1500 p1500 p 2
= 5001000 p 2 +1500 p
= 500(12p2+3p).
imdi bu karar kuralnn beklenen masraflarn, bdinmeyen ktle
parametresi p'nin birer fonksiyonu olarak bir grafik zerinde gsterelim.

Grafik zerinde grld gibi p = iin her kuraln beklenen

masraf 1000 TL., p < \ iin kural l'in, p > J iin kural 2'nin beklenen
masraf en kk. Kural 3, p < J iin kural 2'den baarl, kural l'den
baarsz, p > | iin ise kural 1 den baarl kural 2 den baarsz.

eemdersnotlari.com

Karar kurallarndan hi biri dierine baskn kamyor. Bu durumda

hepsi de kabul edilebilir olan bu kurallar (statejiler) arasnda ale nasl
bir seim yapabdir?
Mesel her karar kuralnn maksimum maliyetini bulup, bu maksimum maliyetler arasnda en kk olann seebilir, yleyse her bir
kural iin maksimum maliyeti bulalm. 0 p 1
Kural 1:

max E(c,) = 1500 TL (eer p = l ise)

Kural 2:

max E(c 2 ) = 1000 TL

Kural 3:

max E(c3) -= 1062.5 TL Eer p = ise)

O halde sz edilen kritere gre en akllca hareket tarz dorudan

doruya 1000 TL yi verip garantdi mal almak-olacak.
Bu misl belirsizlik halinde tercihin problemlerini ksmen ortaya
koyabiliyor.
I. NOKTA TAHMN
Tahmin eddmek istenen ktle parametresi 6 ve zarar fonksiyonu
1(6,0) olsun. 6 yani tahmin edicinin deeri ktle parametresine eit olduunda zarar fonksiyonunun deeri sfr aksi halde pozitif olduunda
bir nokta tahmin sz konusu olacak.
6 = d(Xj,. . . X a ) rnek alnmadan nce bir tesadfi deiken ve
rnek deerlerinin bir fonksiyonu. Muhtelif tahmin ediciler arasndaki
tercihte, risk kavramndan hareketle risk'i minimum olan tahmin ediciyi
kullanmak akla uygun den bir yaklam. Risk'i bulmak iin zarar fonksiyonunun bilinmesi gerekli olduuna gre, zarar fonksiyonunun niteliklerini haiz bir ifadeyi zarar fonksiyonu olarak adapte etme durumu var.
Birok karar alma probleminde,
1(0, 0) = c(6)(66) 2

c(0)>0
A

eklinde bir zarar fonksiyonu maksada yetiyor. c(0) = 1 alnrsa, 1(00)

= (60)2 eklinde daha basit bir fonksiyon elde ediliyor. Bu basit ifadeyi kullanarak risk'i hesaplayalm. Belli bir karar kural iin risk,
R(d,0) = E [1(0, 0)] = E[(00) 2 ]
203

eemdersnotlari.com

0 halde E[(00)2] deeri minimum olan tahmin ediciyi semek

bizim iin en uygun yol olacak.

E[(0)*]'ye " o r t a l a m a

h a t a k a r e s i " (MSE) (4) diyeceiz.

Gerekten ifadede, 0 ile 0 arasmdaki fark hata olarak alnrsa (ki yledir),
yapdan ilem hata karelerinin dadmmn beklenen deerini yani ortalamasn bulmaktan baka birey deildir.
MSE'yi pratikte hesaplamamz mmkn deildir, nk O'y bilmiyoruz. Ayrca parametre uzayndaki muhtemel btn 0 deerleri iin
MSE'si minimum olan tahmin ediciler bulmak da genellikle mmkn
deddir. Bu durum tahmin edicderde baka zellikler aranmasn zorunlu
klmtr.
Nokta tahmine ilikin olarak tahmin edicderde aranan bahca zellikler:
i) Sapmaszlk
ii) Tutarllk
iii) Etkinlik, asimptotik etkinlik, en iyi asimptotik normallik
iv) Minimum varyansl sapmaszlk
v) Yeterldik'tir.
imdi bunlarn zerinde daha ayrntl olarak duralm,
i) Sapmaszlk:
Ortalama hata karesi, E [(00)2]'yi biraz daha yakndan inceleyelim.
E [ ( 0 - 0 ) 2 ] = E[(0E(0)) (0E(0))]2
= E {[0E(0)]22 [0E(&)] [0E(0)]+[0E(0)]2}
= E[0E(0)] 2 + [0E(6)]22E [000E(0)OE(0)
+ [E(0)] 2 J
Son terimi ele alalm:
0E(0) [E(0)]2 0E(0)+ [E(*0)]2 = 0 olduu iin,
E [(66)2] = E [0E(0)]2+ [0E(0)]2
1 Mean Squaed Error karl.

204

eemdersnotlari.com

Burada, sa taraftaki dk terim bir tesadfi deiken olarak, 0'in

varyansdr. kinci terim ise 'in dalmnn beklenen deeri yani ortalamas de gerek ktle parametresi 0 arasndaki fark yani bir tahmin
edici olarak O'in sapmasdr. Sapmay b(0) ile gsterirsek,
b(0) = 0E(0)
.* i
(
Bylece ok nemli bir eitlii elde etmi oluyoruz.
MSE(0) = Var(0) -f [b(0)p
Ortalama hata karesi negatif olamayan iki terimin toplamdr.
MSE varyans ve sapmaya bab olarak deiecektir. Varyanslar eit
iki tahmin edici arasnda sapmas kk olan tercih eddmelidir. Aadaki ekil MSE, Var ve sapma arasndaki ilikiyi gstermektedir.

Pratikte 0 bilinmedii iin sapmann saysal deerini hesaplamak

mmkn olmaz. Eer sapmann sfr olduu bilinirse yani, E(0) = 0 ise
MSE(0) = Var(0)'e eit olacandan MSE iin Varyans bir l olaca
gibi sapmasz tahmin edicder arasndaki tercih te kolaylaacaktr.
Sapmasz olduklar bilinen tahmin ediciler arasnda MSE (dolaysyla varyans) kriterini kullanarak tercihin kolay olmasna karlk sapmal ve sapmasz tahmin ediciler arasndaki tercihlerde glk vardr.
Aadaki ekil bu gln anlalmasna yardm edecektir.
205

eemdersnotlari.com

iI

ekilde 9 iin 4 tane tahmin edici var; 6, 02, 03, 04. Bunlar iinde
0 ve 03 sapmasz tahmin ediciler. Yani E(0) = E(0 3 ) = 0. 0 2 ve 0 4 sapmal. 0 2 sapmal fakat varyans kk, 0 3 sapmasz fakat varyans byk. Bu tahmin ediciler arasnda O gibi bir talimin edici varsa tabii o
tercih edilir. nk hem sapmasz hem de varyans kk. 04 ok kt
206

eemdersnotlari.com

bir tahmin edici. Fakat ya 0, gibi bir tahmin edici mevcut deil ve tercih
82 ve 0 3 arasnda yaplacaksa durum ne olacaktr ?
Grld gibi sorun'un zm kolay deildir. Bu durum nceleri
sadece sapmasz tahmin edicileri kullanma eklinde kendini gsteriyordu.
Fakat yakn yllarda edim sapmah tahmin edicderi de yerine gre kullanmak eklindedir.
Sapmaszlk kavramn bir misl zerinde aklamaya alalm:
' Misl: (X,,. . -X n ), ortalamas [z(fx'y bilmiyoruz) olan bir ktleden
alnacak n hacimli bir rnek ise, hem x hem de Xj'Ierin herbiri [i'nn
sapmasz tahmin edicileridir. Bunlardan baka mesel,
n

Y= 2

aj Xj ve

E(Y) = E ( S
i=l

a, = 1 olsun.

a, X,) - S a, E(Xj) = S
1i
i=l

a i ( = [i. S
j=l

a, = p

Yani, Y, (i'nn sapmasz bir tahmin edicisidir.

Bu konuya ilikin olarak, derideki izahlarmzda (mesel Maksimum
Likelihood tahmin edicderi) ve problemlerde yeniden durulacaktr.
i i ) Minimum V a r y a n s l

Sapmaszlk:
t
Tahmin ediciler arasndaki seme ilemini sadece sapmasz tahmin
edicdere inhisar ettirdiimiz takdirde MSE kriteri yerine varyans kriterini ikame edebiliriz, nk daha nce de belirttiimiz gibi sapmasz
bir tahmin edicinin varyans, MSE'sine eittir.
Sapmasz tahmin ediciler arasnda varyans minimum olan tahmin
ediciyi semek bize optimum seimi salayacaktr. Pratikte MSE (ya da
sapma) hesaplanamad iin varyanslann mukayesesi byk kolaylk
salar.
Bir tahmin edicinin minimum varyansl sapmasz (MVU) olabilmesi
iin,
i) E (0) = 0
ii) E (6*) = 0

eemdersnotlari.com

Var (0 *) > var (0) btn 0*'ler iin,

artlar salanmakdr.(5)
Gerek sapmaszhk gerekse minimum varyansk sapmaszlk zellikleri
her trl rnek hacmi iin geerli zelliklerdir. Alnan rnek ister kk
ister byk olsun tahmin edicinin bu nitelikleri varsa ya da yoksa sonu
dei meyecektir.
>
Buna mukabd imdi greceimiz dier baz zellikler rnek hacmi
ile yakndan dgi ve ancak byk rnekler iin geerli niteliklerdir.
Byk rnek zellikleri eklinde nitelendireceimiz bu zelliklere sahip
tahmin edicderin deerlendirilmesinde bu husus gzden uzak tutulmamaldr.
iii) T u t a r l l k :
rnek hacmini arttrarak risk'i azaltmann mmkn olmas hallerinde, bu zellie sahip karar kural ve buna bal olarak kullanlan
tahmin edici iyi bir zellie sahip demektir.
1 hacimli bir rnekten elde edilen tahmin edici, 0 = d(X), iki
hacimli rnekten elde eddeni 0 2 = d 2 (X,X 2 ), giderek n hacimli bir rneks
ten bulunan tahmin edici 0 n = d n (X, X 2 . . .X n ) olsun.

0, 02-. .6 n dizisini {0n} eklinde gsterelim.

lim R (d n , 0) = 0 y 0 e ^ ise yani rnek hacmi sonsuz olduunn ->-eo
da ktle parametresi ne olursa olsun, tahmin edicinin riski sfr oluyorsa
tutarllk zellii salanm demektir.
Zarar fonksiyonunu (0 n 0) 2 olarak alrsak ( n = l , 2 . . .co )
lim

n ->co

E [( 0)2] = lim

n -oo

[Yar (0 n ) + [0 E(0)]2] = 0

olmas

yani rnek hacminin sonsuz deerleri iin hem varyans hem de sapmann sfr olmas haline k a r e h a t a t u t a r l l k diyoruz.
5 Matematiksel istatistikte minimum varyansl sapmasz tahmin edicilerin bulunmasna
ilikin olarak esas itibariyle iki yaklam kullanlmaktadr:
i) Cramer - Rao aa snn.
ii) Blackvvell - Rao teoremi.
Kapsam d braktmz bu yaklamlar iin baknz, A. M. Mood, F. A. Graybill a.g.e. Sh. 175.

208

eemdersnotlari.com

Eer herhangi bir 0 n tahmin edicisi iin e > 0 olmak zere,

lin

n->co

P( |e6 | < e ) = lim P( e<00 < e)

n ->oo

= lim
P (0 e < 0 < 0 + e ) = l
n -*co

0gO

ise 0 n b a s i t t u t a r l ' d r denir. Bunu ou zaman sadece tutarblk eklinde belirtiriz. Kare hata tutarlhk, basit tutarlkn da salanm olduu anlamna gelir. Sapmasz bir tahmin edicinin mutlaka tutarl olmas gibi bir zorunluluk yoktur.
Tutarlhk zellii zellikle ekonometri teorisinde simltane denlem
sistemleri ile dgili tahmin edicilere Uikin olarak zerinde nemle durulan
bir zelliktir.(6)
iv) A s i m p t o t i k E t k i n l i k ve En y i A s i m p t o t i k N o r m a l l i k
(BAN)
Etkinlik, giri ksmnda belirtddii gibi tahmin edicilerin risklerinin
karlatrlmasn ihtiva eder. Asimptotik etkinlik rnek hacminin ok
byk deerleri iin ayn mukayeseyi yapar. Elimizde d ve d* gibi iki
karar kural olsun. Bu karar kurallarn uygulayarak rnek hacmini
arttrdmzda {} ve {n*} gibi iki tahmin edici serisi elde ederiz.
Eer,
lim

E[(6 n *6)2]

> 1

0 n *,

0 eft

E[(0n-0)a]
yazlabiliyorsa yani ktle parametresi ne olursa olsun 0 n 'nin riski dier
btn 0 n * tahmin edicilerinin riskinden kkse {0n} asimptotik etkin
bir tahmin edicidir.
6 Snrl bilgi maksimum likelihood, iki safbal en kk kareler... gibi metotlar lehine ne
srlen nemli argmanlardan biri bu metotlarn verdii tahmin edicilerin tutarllk zelliidir.
Pratikte genellikle zerinde allan rneklet fazla byk deildir. Kk rnekler zerinde alrken tutarll bir seme kriteri olarak kullanmak byk sakncalara yol aabilir. Ayrca
rnek hacmi bydke tahmin edicinin nasl bir O'va yaklama oluumu iinde bulunduu da
ou zaman bilinmez. Bu dncelerle; "tutarllk ou kere gerektiinden fazla arl olan bir
nitelik grnmndedir" diyebiliriz.
B kunuya ilikin olarak baknz. U. Kurum "Ekononetrik Modeller i t Trk Ekonomici
iin bir Deneme" Sh. 18-23.

209

eemdersnotlari.com

En iyi asimptotik normallik: BAN

Aadaki artlarn salanmas halinde {0n| en iyi asimptotik normal
tahmin edicidir.
a)

co V(0 n 8)

n(0, a*)

b)

6>0, lim P (|6 n 8|>e) = 0

n--co

c)

{8n*} baka bir tutarl tahmin edici ve,

n -> oo v^(0 n *9) n(0, ff(T )

v e

"

2*
> 1 olsun.
2

Bu artlardan birincisi asimptotik dalmn normalliini, ikincisi

tahmin edicinin tutarlln, ncs de ayn artlan haiz dier tahmin
edicilere stnln (asimptotik normal dalmn varyansnn minimum olmas eklinde) gstermektedir.
Misal: n((i, a 2 ) dahml bir ktleden,

8n

n
S Xj tahmin edicisini (rnek ortalamas) alrsak,
n
i=l
bunun BAN olduunu ifade edebiliriz.
Gerekten, n

co y T ( X[jl) n(0, a 2 )

lim P ([ xfi | > e) = O ve baka btn ayn niteliklere sahip tahnco

min ediciler iin,

> 4 v n6

v) Y e t e r l i l i k :
f(x,8) dalml bir ktleden aldmz n hacimli bir rnekten 8'y
tahmin etmek istediimiz zaman rnek deerlerinin fonksiyonu olan
eitli statistikleri birer tahmin edici olarak kullanabiliriz. Mesel X,, 6
iin bir tahmin edici olabilir. Fakat byle bir durumda n hacimli bir rnek
1

gerekmez. Halbuki rnek ortalamas x =

eemdersnotlari.com

X ( rnekte mev-

Cut btn bilgiyi kullanmamz salar. te bu mislde olduu gibi.

istatistiki tahmin ileminde elde mevcut rnek verilerinin tmnden
yararlanmamz, baka bir ifade ile mevcut btn bilgiyi kullanmamz
salayan tahmin edicilere yeterli tahmin ediciler denir.(7)
Yeterlilik zelliinin fomel tarifi ve tahmin edicilerin yeterli olup
olmadklarnn anlalmasna ilikin yaklamlar kapsam d kabul
ediyoruz. (8)
Buraya kadarki izahlarmz tahmin edicilerde aranlabilecek nitelikler konusunda oldu. imdi bu niteliklerden bazlarna sahip tahmin
edicileri elde etmenin olduka mekanik baz yollarn gstermeliyiz. Bu
konuda kullanacamz balca iki metot maksimum likelihood ve en
kk kareler metotlar olacak. En kk kareler metodunun incelenmesini regresyon analizi ile ilgili blme brakarak imdi maksimum
likelihood metodunu inceleyelim.
MAKSMUM LKELHOOD METODU
Bu metod Gauss ve daha sonra R.A. Fisher tarafndan sistematik
olarak gelitirdmitir. Metodun amac bilinmeyen ktle parametreleri
iin, arzu edden niteliklerden ouna sahip tahmin ediciler bulmaktr.
Hesaplama ileminin pratik oluu ve maksimum likelihood tahmin edicderinin arzu edden pek ok zellii olmas nedeniyle kullanm alan
ok genitir. Tarifsel istatistikte kullanlan bir ok tahmin edicderin
kullanl nedeni bunlarn (kullananlarca bdinmese de) birer ML tahmin
edicisi olmasdr.
ML metodunun kaytlayc bir zellii, tesadfi deikenlerin dalmnn eklinin bilinmesini gerektirmesidir.
ML metodu ile tahminde hareket noktas l i k e l i h o o d f o n k s i y o n u '
dur.
Tarif: X . . . X n gibi n tane tesadfi deikenin likelihood fonksiyonu bu n deikeninin birleik olaslk veya sklk fonksiyonudur, ve
bu fonksiyon ktle parametresi (veya parametre vektr) 0'nn deerlerine bal olarak deien deerler alr.
Likelihood fonksiyonu L(0) = g(X,. . .X n , 0) olsun. Eer X,. X n
deikenleri, f(x,0) dalml (ekli bilinmek artyla) bir ktleden alna7 Mod, yeterli bir statistik midir?
8 Bu konu ile ilgili olarak baknz, A. M. Mood, F. A. Graybill a.g.e. Sh. 197.

211

eemdersnotlari.com

cak r hacimli bir rnek tekil ediyorsa, bamszlk ve ayn dalm

olma nedeniyle,
g(X,.. -X n ,6) = f(x0) . . . f(xn,0) = n f( Xi ,0)
i=
Bir an iin bdinmeyen 0'nn bdindiini ve 0O olduunu dnelim.
Gelmesi ihtimali en yksek olan rnek deerleri, (x/,. . .x n '), g(x' I> . . .
. . .x' n , 0 o )' maksimum yapan deerler olacaktr.
0 bdinmediine ve x . . . x n rnek deerleri belli olduuna gre
sormamz gereken soru ya da renmeyi isteyeceimiz ey, hangi parametre deerine sahip bir skkk veya olashk fonksiyonundan bu rnek
deerlerini elde etmi olmamz olaslnn azami olacadr. Baka bir
deyile, yle bir 0 efi deeri bulalm ki bu, g(X.. .X n ,0)'y maksimum
yapsn. Eer 0 byle bir tahmin edici ise bu tahmin ediciye ML tahmin
edicisi diyeceiz.
X . . .X n

n hacimli bir rnek ise,

L(0)= n f(Xj,o)
' i=l
0'i bulmak iin, nce likelihood fonksiyonunun yazlmas; daha
sonra bir fonksiyonun maksimumuna ilikin belli "regularite" faraziyeleri
d
yapdmak suretiyle,
L(0) = 0 denkleminin 0'i verecek ekilde d0
zlmesi gerekir. Baz hallerde L(0) yerine n L(0)'y kullanmak daha
pratik olur. (9)
n L(0) = n f(x0)
i=l
d
n L(0) = 0
d0
Logaritma dntrmesi sebebiyle arpmlar toplam haline gelince
trev almak daha kolay olacaktr.
9 L(0) ve n L(0), 0'nn ayn deerinde maksimum olacaklar iin, 0 bakmndan bir farkllk sz konusu olmaz.

212

eemdersnotlari.com

' - l k r , l h * " " 1 fonksiyonu k tane parametre ihtiva ettiinde, k tane

tahinin edici, k denklendi bir sistemin eanl (simltane) zm sonucu
bulunur.
L(0...ek)=
ve

n
i=l

f^A.-.k)

8, = d ^ , . . . ^ )

9i e 2
0k = d k ( X , . , . X n )
olsun. Likelihood fonksiyonunu maksimum yapan ( 0 t . . . 0 k ) tahmin
ediciler seti, (belli faraziyelerle) aadaki ksm trev denklemleri setinin eanl zm suretiyle bulunur.
8
L(0,...0k) = O
20,

S
8dk

L(0,...0k) = 0

Burada da logaritma dntrmesi yapmak ilemleri kolaylatrabilir.

imdi ML t a h m i n e d i c i l e r i n i n z e l l i k l e r i n i grelim.
Grld gibi ML tahmin edicderi olduka pratik ekdde elde
eddmektedir. Geerli zelliklere sahip olmalar halinde deerleri artacaktr. Tahmin edicilerde aranan zellikleri srasyla ML tahmin edicileri bakmndan inceleyelim:
i) ML tahmin edicderi bazan sapmasz, bazan da sapmal olabilirler, yani mutlaka sapmasz olacaklar sylenemez. Bununla beraber,
tahmin edici zerinde basit oynamalar yaparak sapma giderilebilir.
Bunu, daha sonra greceimiz misllerde mesel ktle varyans a-'nin
ML tahmin edicisi iin uygdayabdeceiz.
213

eemdersnotlari.com

ii) ML tahmin edicileri, birok byk rnek zelliine sahiptir.

ML tahmin edicileri kare hata tutarldr, yani rnek hacmi sonsuz olduunda 0 = 0 olur.
iii) ML tahmin ediceri asimptotik etkin ve en iyi asimptotik normal (BAN) dadmldr.
iv) ML tahmin ediceri, mevcut iseler, yeterli statistiklerin bir
fonksiyonudur. Daha da iyisi minimal yeterli statistiklerin fonksiyonudur. (10) Bu zellik yeterldik zelliine sahip statistiklerin aratrlmasnda ML metodunun kullandmasna yol aar.
Bu zellikler dnda bir baka zellik I n v a r i a n c e zelliidir. Bu
zellik M tahmin edicderinin fonksiyonlarnn ML tahmin edicilerinin
otomatik olarak bulunmasna imkn verir.
0 = d(X.. .X Q ) 0'nn ML tahmin edicisi ve u(0), 0'nn tek deerli
bir ters'i olan bir fonksiyonu ise, u(0) nm ML tahmin edicisi u(0) tir. Yani
ML tahmin metodu dntrmeden zarar grmez. Nasl L(0), 8 iin
maksimumsa, L[u(0)] da u(0) iin maksimumdur.
Mesel, normal dabmda a 2 'nin ML tahmin edicisi,
1
<2 =
n

(X, x ) 2

i=

a mn ML tahmin edicisi

=Ja2==J

i=1

Xix)2

olacaktr.

n2 mn tahmin edicisi,
A

n ct2 = n

"

1
S

olacaktr.

(Xix) 2 J

Bu zelliin pratik nemi ortadadr. Bylelikle tekrar ML tahmin

ediceri elde etme gerei ortadan kalkmaktadr.
10 Minimal yeterlilik, statatiin bilinmesi halinde Likelihood fonksiyonunun da bilinmesi
anlamna gelir. Bizatihi Likelihood fonksiyonu da minimal yeterli bir statistik olarak dnlebilir.

214

eemdersnotlari.com

ML metoduna ilik i genel izahlardan sonra eitli kesikli ve devaml

dalmlarn parametreleri iin ML tahmin edicilerini bulalm.
ML T a h m i n M e t o d u n a

rnekler:

1. Elimize bir para verildi ve sapmal olduu sylendi. Parann bir

tarafnn gelme ans dier tarafndakinin 4 misli. Fakat hangi taraf
olduunu bilmiyoruz. 3 at yapmamza izin veriliyor. Bu atta parann yaz ya da tura lehine sapmal olduuna karar vereceiz.
X, bir atta gelen tura saysn gstersin: X = 0,1
Bir defa para atldnda, eer tura lehine sapma varsa, yani tura
4
1
gelme olasl 0 =
ise, 0 tane tura gelmesi olasd
tir.
5

P(0) =

, P(l) =
5

da P(l) =

. Aksine para yaz lehine sapmal ise, bu defa

5

, P(0) =

olacaktr.

f(x,0) parametresinin

olmas ve X'in 0 veya 1 deer5

5
lerinden birini almas gereinin bir sonucu olarak,

4 v
1
- ) =
, 5) '
5

ve

,
4 x
f ( l , _ )
f \
( ' ' t5 ) '

/ 1\ 4
(T-) "T

4
=

/1 1 \= 1
( 't) T

imdi at yaptmz ve TYT geldiini dnelim; rnek kymetleri, X 1, x 2 = 0, Sc3 = 1 Likelihood fonksiyonunu yazalm.
L(0) =

f(x,,x2,x3;

0 =

0) = f(l,0,l; 0)

f(l,0)f(O,0)f(l,0)
4

/4 \

/ 4

x /

x /

4 s

16

= (T) (T)(T)-
215

eemdersnotlari.com

0 deerlerinden

iin gzlenen deerlere gre Likelihood fonk5

siyonu daha yksek birleik olasdk verdiine gre 0'nn ML tahmin
4
^
4
edicisi bu mislde - olacaktr. nk, 0 =
, fiilen gzlenen r5
5
nek deerlerinin elde edilme olasdn daha byk yapyor.
2. Birbirinden bamsz olarak [0,0] aralnda seilmi n tane say
var. Tek bdgimiz 0>O olduu, x . . . x n fiden ahnan saylar ise 0'nn ML
tahmin edicisini bulunuz. [0,0] aralnda X tesadfi deikeni birrnek
dalmtr.
,
f(x; 0) =

O<x<0

= 0

aksi halde,

n tane X 1 , nin herbiri bamsz ve ayn dalml olduundan,

1
L(0) = f(x,.. . x n ; 6) = n f(xj 0) = (
i=
0
O halde L(0)'y max. yapan deer 0'nn en kk deeridir. L(0),
0'nn btn x deerlerinden byk olmas halinde (
J , aksi halde s\ 0 /
frdr. yle ise 0'nm ML tahmin edicisi, n tane rnek eleman iinde
deeri en byk olan x ; deeridir.
0 ' m a x . ( x . . .x n )
3. Nokta binomial dadm bir ktleden n hacimli bir rnek seiliyor.
f(x; p) = p x q I _ x

x = 0,1

Ogp^l

X.. .x 0 ve l'lerin sralanndan ibaret olacaktr.

L(p) = ft p x i q 1 " xi = p S q-S"i
i1
Sx, = y

olsun.

216

eemdersnotlari.com

L* = n L(p) = y n p -f (ny) n q
d ^

ny

dp

= O

ny

y(ip) = p(ny)
y = pn
7

= =
Xj = x
n
n i1
rnek ortalamas p'nin ML tahmin edicisidir.
1
1

E(x) =

np = p X, p'nin sapmasz bir

2 E(Xj) =
n

i=1

tahmin edicisi.
4. Normal dalm bir ktleden alnm n hacimli bir tesadfi
rnekten [x ve a 2 iin ML tahmin edicerini bulalm. Likelihood fonksiyonu,
(x(!)2

L([x,

II

2a2

e
1

- ( a2)
n L([i, a 2 ) =

= (3-) e
^y/zeJ

- 2
2c* i = 1

2 (x,(i)2

2a 2
n

n 2tc

2
*

ln<r^

2
1

n L =
dy.

[n 1ln(2ror2)]

2
=

, 1 v 2<J2 =

Vna

v 2

5=1

1
2<t 2

2 ( Xl fi) 2
1=1

2 (x,(z)
a2

i=l
I

eemdersnotlari.com

217

da2

n L =

n
2
<y2 i=l

a2

S (Xi-|x)2
i=l
2 a*

fi) = O
Denklem sistemini zelim.

2a*

=O

2a1

=1

Birinci denklemde,

"

n
2 Xi
S
i=l

(x,(i) = O => 2
i=l

x s = njz => [i. =

= x
n

[z'niin ML tahmin edicisi x, bunu ikinci denklemde jx yerine kullanalm.

1

2a* >=1

(x,-x)2 -

2na*=2a2 2

i=l

na 2

S
i=
s
i=l

2a*

(xt x)2

( X j _ x )2

(x,-x)2

Bu mislde, ksm trev denklemlerinin zellii sonucu, [x'y a2'nin

tahmini olmadan tahmin edebildiimiz halde, a 2 'nin ML tahmini iin
x'm kullanlmas zorunluluu zmn e anhlnn belirtisidir.
x'n (i'nn sapmasz bir tahmin edicisi olmasna karlk a 2 sapmaldr. Fakat kolaylkla rj2'nin sapmasz bir tahmini de elde edilebecektir.
218

eemdersnotlari.com

E(X,) 2 = Yar(X i ) + [E(Xj)] 2 = Var(X) + [E(X)] 2 = <72 +

E(x 2 ) = Var(X)

[E(X)]2

a2

+ ^

XI

E(o) = E [

2
n

1=1

a2
E(<J

+
2

1
(Xi-x)2] =

=1
n
2

E [2 x,2 -nx2]
i=l

1
E(X2)E(X2) =
d2

|x2

n
a

ff2
fi.2 = a 2

a2

2
(<72 +[A 2)_(
+
i=l
n
n
= ,
a2
n
n

a 2, y sapmasz ekle dntrmek iin

S2

'

2 (xs-x)2
i=l

11

n1

de arpalm.

Ktle varyans a 2 nin n hacimli bir rnekten

n1
elde edden sapmasz tahmin edicisidir.
rnekten giderek ktle varyansn tahmin gerektiinde tahmin
edici olarak genellikle S 2 , nin kullanlmasnn sebebi sapmasz oluudur.
NOKTA TAHMN LE LGL PROBLEMLER
1. X X 2 ortalamas bilinmeyen bir jx ve varyans 1 olan normal
dalm bir ktleden alnmas dnlen iki birimlik bir tesadfi rnek olsun, |x'y tahmin etmek istiyoruz. Bu amala aadaki 3 tahmin
ediciyi kullanmay dnyoruz.
[2 = d(X,X 2 ) = X 1 + X 2
[22 = d 2 (X,,X 2 )

i X , -f X 2

[Xj = dj(X,X 2 ) = J X + \ X 2
Kullandmz zarar fonksiyonu

1(jjl,jx) = 3fx- (|x[x)19

eemdersnotlari.com

Bu bilgileri kullanarak;
i) Aksiyon ve parametre uzaylarn tanmlaynz.
ii) R(d,(x), R(d2,[z), R(d3,[x)'y bulunuz.
iii) Bu tahmin edicderden hangisinin risk'i en kktr?
iv) Tahmin edicderin hepsinin sapmasz olduunu gsteriniz.
v) d'in d 2 ve d 3 , d 2 'nin ds'e nazaran nisbi etkinliini bulunuz.
Cevap:
i) Aksiyon uzay A = {j, co <(i< co }
^

A A

><

= |X, (12, (i 3 ;
CO <(Xi < co}
= {p: co <(i<co}

Parametre uzay

ii) X, ve X 2 bamsz ve ayn dalmtr.

f(x)

_1 _

i (x,(i)2
e

VZtc

f(x,x 2 ) = f ( x ) f(x?)
R(d, (j.) = E [ % , * ) ] = // S ^ r - t f f(xx 2 ) dx, dx 2
= 3(j,2 J J (u.122p.(jt+(x2) f(x,x 2 ) dx dx 2
E([i) = (x olduundan, (x = J'J [i, f(x,x 2 ) dx dx 2
E [[ il 2_2(I I (i+ (J L2]

/
E(|A,2)= J'J (

(^2) (1.2
x, +

\ 3
J'J' (

'

4
x|2-l

\
x 2 2 f( X l ) f(x2) dx, dx 2

4
=

1
x xH

4
=

x 2 2) f(x) f(x2) dx dx 2

4
J x,2 f(x,) dxH

J x, f(x,) dx J x 2 f(x2) dx 2
9
1

J" X22 f( X2 ) dx 2
9

eemdersnotlari.com

5
= _Jx2f(x)dx+
9

4
^

Halbuki J x 2 f(x) dx - E(X 2 ) = Yar(X) + ^ = 1 + ja2

5

E(|A,2) =

(1 + |X2) +

R(d,,tl) = 3[A2 (

fA2=

+ {A2

9
15

1_ ^2^2) =

[i.2

R(d2,[i) = 3[i2 [E(jl22)[a2]

E(i^)2 = // (i x , . + | x 2 ) 2 f(x,) f(x2) dx dx 2
V

1
=.

16

1
J" * 2 f(x) dxH

10
16

Jx 2 f(x)dxH

10
=
16
10

15
10

15

<

(A2

16

10
^ =

+ H2

16

<

16

-fp2|a2) =
3

Benzer ekilde R(d3,[i) =

iii)

16

R(d2,fj) = 3(j.2 (

J X22 f(x2) dx 2

16

6
(1+H 2 )+

J X f(x) dx t / x 2 f (x 2 ) dx 2

16
9

jx2

15
8

[i 2

(11)

15
8

R(d3,{i) < R(d,(x)<R(d2,(j.)

L N'asl bulduk?

eemdersnotlari.com

/
Bu duruma gre d 3 yan iki deerin basit ortalamas risk'i en az
olan tahmin edicidir.
iv) E(j) - E(X,) + i E(X2) = |
E(2) =

E(X)

-f

I E(X 2 ) =

+ i pL = y.

i ii + f (X = ji

E & ) - i E(X,) + | E(X 2 ) = i y. + [x =

v)

r(dj, dj) nisb etkinlii gstersin.

r^dj)

r(d, d 2 ) ' =

r(dd,) =

r(d 2 ,d 3 ) =
d, d 2
d 3 , d,

(dj.e)
R(d 6)
R(d 2 , (x)

15

R(d, fi.)

15

R(d 3> ^

15

R(d, ji.)

10 15

10

R(d 3 , |x)

15

R(d 2 , (i)

10

15

10

den daha etkin \

' => d 3 , d 2 den daha etkin.
den daha etkin /

Bu durumda |x3' kullanmak en makul hareket tarz oluyor.

2.

1
f(x) =

0 < x < P dalml bir ktleden 6 birimlik bir

P
rnek aldk ve 1.3, .6, 1.7, 2 .2, .3, 1.1 deerlerini elde ettik. Ktle
ortalamas ve varyansmn ML tahminlerini bulunuz.
C e v a p : f(x) 0<x<(3 arabnda birrnek bir dalmdr.
L(p) = f ( x I . . . x n ; p ) =

1
n f (x (J) =

L(()'yi max. yapan deer (3'nn minimum deeridir, (3'nn en kk

deeri ise ancak max.(x,. . .x n ) olabdir. nk [3<x olursa sklk fonk-

eemdersnotlari.com

siyonu sfr olur. Bu durumda x\lL tahmini p = Max.(x ( .. . x n ) = 2.2

fB
E(Xj) = I x

dx =
2(1
fi
9ft

Jo
Var(Xj) =

Y d * = f ( l ^ + i - ) d*
2 / P
Jo \ p
4. /

Jo \
1

3p

'

p2

pz

12

Ktle ortalama ve varyansnn rnekten bulunan tahminleri,

*-

_ !2=

1.1

I2

(2.2) 2

12

12

= .4033

3. hacimli bir rnek iin Poisson dalmnn parametresi X'nm

ML tahmin edicisini bulunuz ve sapmasz olup olmadn tartnz.
A'in varyansn bulunuz. X2 nin ML tahmin edicisini bulunuz, sapmasn
tartnz, sapmal ise X2 iin sapmasz bir tahmin edici forml veriniz.
Cevap:
f(x,X)

e-V
X!

L(X) - f ( x , . . . x n ; X ) = II

=t

n L =

e-V
x!

' X 2 X,
e~
Xi=l
n X;!
i=l

S n f(xf; X)
i=l

= l n ( e - n X ) + n ( *,) n ( fi x,!)
Xi-1
223

eemdersnotlari.com

 nX +

dnL

= _

n
2
i=l

Xj lnX

=l

X
a
2 x,
i=l

X=

E(X) =

lnXj!

d\

rt
2
i=l

=0

= x

2 E(x f )
>=1

'nn ML tahmin edicisi.

nX

= X Bu sonu X'in sapmasz oldu-

unu gsteriyor.
n

2 x,
1

= 1

Var(X) = Var(

)=
n

2
n2

Var(X,)

i = 1

n Var(X)
n2

Var(X) = X olduunu biliyoruz.

1
Var() =

X
nX =

n2

X2 = u(X) ML tahmin edicilerinin invariance zelliini kullanarak,

X2 u(X)
X2 = X2
X
E (x 2 )

[E(x)] 2

= Var(x) +
=
+ X2 X2
n
.
O halde X2, X2 nin sapmasz bir tahmin edicisi deildir. Eer x 2
X
yerine, (x 2
) eklinde bir tahmin edici kullanrsak,
n
X
1
X
1
E(x 2
) = E (x 2 )
E(x) - +
X = }.-

eemdersnotlari.com

4. hacimli bir rnek iin k t l e o r t a l a m a s n n b i l i n d i i n i

farzederek, ktle varyans iin ML tahmin edicisini bulunuz ve sapma
durumunu tartnz.
.evap:
f(x;n,c2)

2(J2

=
s/2-k a

(i biliniyor.

a 2 0 bilinmiyor ve tahmin eddmek isteniyor.

1

n
S

L(Xj.. , x n ; (x,0) =

2/n

n/2

(2tc)

= (27i)
n L =

n
2

n (2~)

d n L

30

20

S (xi-tx)i
i=l

(Xi_[A)2

20 i=

2(xr-|x)>
20 i=i

n
2

e
1

n 0

S (xfi)2
20 i=l

2 S (Xi-(x)2
i=l
+

402

= 0

02
2

n0 2 = 0 S( X i fi) 2
i=l

=> 0

i=l

(X-(X)2

c 2 'nin ML tahmin edicisi.

n
225

eemdersnotlari.com

E(6) = E [ " S (Xl(X)* 1 = E f S X 2 - 2 [ X S

L n =
J
L i= .
i=
n
1
=
n

x,+V
J

n
2 E(X S 2 ) 2fi2 + [i2 = E(Xj2) [l2
i=l

E(X; 2 ) = Var(X) + |x2 = s 2 -f [i2

E(0) = a 2 + y. jx2 = a 2

Bu durumda, c?2 =

S (x i
i=l

tahmin edicisi, fi, bdindiinde

normal dalmn varyans or2'nin sapmasz bir tahminidir. Pratikte

bdinmeyecei iin genellikle metinde yer alan tahmin edici kullanlmaktadr.
5. n([i 1 , a 2 ) dalml bir ktleden n t ; n(fi2, a 2 ) dalml baka
bir ktleden de n2 hacimli birbirinden bamsz iki rnek almyor,
a=
[X2'nin ML tahmin edicisini bulunuz, n = nj-(-n 2 'yi sabit kabul
ederek, 'mn varyansn minimum yapmak iin toplam rnek hacmi
n, iki ktle arasnda nasl blnmelidir ?
Cevap:
a ^n([ijj.2, ah+dz 1 )
= Xj X2
E(Xl

X2) = {Al [X2

a, 2
az2
Var(xX2) = h
(iki rnein bamszl sonucu)

n
n2
n 2 = n n
(Tl2
22
Ya:(a) =
+
n
nn
d Yar (a)

<i2

a22

d n

n 2

(nn)2

= 0

226

eemdersnotlari.com

<T2

<J2

n 2

(nn) 2

<Tl

<T2

n2

tf2

n
n2
m
a
Bu duruma gre, n tane gzlemi iki ktle arasnda o ekilde blmeliyiz ki, yukardaki eitlikler salanabdsin. Yani, rnek hacimlerinin
oram standart sapmalarn oranna eit olursa, a'in varyansn minimum
yapm oluruz.

1
6.

f(x; a, p) =

xa

a! p a +'
= 0

0<x<p

aksi halde.

sklk fonksiyonu verdiyor. a'y biliniyor farzederek n birimlik bir

tesadfi rnee dayanarak } iin ML tahmin edicisini bulunuz. E(X)
|3(x-i-l) verildii taktirde, bulduunuz tahmin edicinin sapmah olup
olmadn tartnz.
Cevap:
L ( x . . . x B ; a , p) =

ft

= (

f(x; a, p)

) n
a! p a + 1

(xa) e
a

(a!) n

pna+n

( n xa
\

i=l

) e
'

n
n L = a ln(a!) (na+n) n p + l n ( n x )

S x,
i=

227

eemdersnotlari.com

3 n L

na -f

n
S X,

i=

n-f-n

X,

11

P2

p 2

=O

x. =

(axn)

2 x, = p(na-(-n)
i1
n

p =

2 x,
i=l

^'nn ML tahmin edicisi

na 4" n

2 E(xj)

E(P) =

na-f-n

(t-)"

na+n

n[3(a-ri)]

3<a-fl)

n(a-(-l)

*-fl

- P

,'. P sapmasz bir tahmin edicidir.

7.

f(x; 0) = 0 e-6*
= 0

x>0
aksi halde,

verdiyor. ML metodunu kullanarak 0 iin bir tahmin edici bulunuz.

8.

2
f(x,a) = ( a - x )
a2

0<x<a

sklk fonksiyonunda 2 hacimli rnekler iin a'nn ML tahmin edicisini

ve ktle ortalamasnn ML tahmin edicisini bulunuz.
9. [a,b] aralnda bamsz ve tesadfi olarak seilmi n tane
say mevcut olduunda a ve b'nin ML tahminlerini nasl bulursunuz ?
10. Binomial dadm parametresi p'nin, n hacimli bir tesadfi
rnek iin, ML tahmin edicisini bulunuz.
228

eemdersnotlari.com

II. NORMAL DAILMI KTLELER N BRAZ DAHA

DAILIM TEORS: y 2 , t ve F DAILIMLARI

. I

Normal dalm de dgdi mevcut bdgimiz, incelenen deikenin

dad m nin normal olduu ktlelerden ahnan tesadfi rneklerde, rnek statistiklerinin dadmmn daha yakndan incelenmesini hakl gsterecektir. Aralk eklindeki tahmini incelemeden nce normal dalm
ktleler iin sz konusu olacak birka nemli dalm bdmemiz gerekecektir. Bu dadmlar -/2, t ve F dalmlardr. Esas itibariyle Gamma,
T, fonksiyonunun bdinmesini gerektiren bu dalmlarn skbk fonksiyonlar zerinde durmayacak, sadece normal dabmdan nasd tretdmi
olduklarn belirtmekle yetineceiz. Fakat bundan nce normal dalm
ktlelerden alnan tesadfi rneklerin ortalamalar e dgdi nemli bir
teoremi belirtelim ve ispatlyalm.
T e o r e m : X t , . . . X n , ortalamas p ve varyans a 2 olan normal dalm bir ktleden alnacak n birimlik bir tesadfi rnek (X ~ n((x, a 2 ))
a2

""-)'

ve X rnek ortalamas ise, x' n( a,

) olacak, szle ifade eddirse

rnek ortalamasnn dalmnn e k l i normal olacaktr. Bu bdgi, yukarda szn ettiimiz dalmlara gemede en nemli rol oynayacaktr.
ispat:

Y=

n
S X,
i=l

tesadfi deikenini tanmlayalm.

\ i=l
(t) = E [ e

my(t)=mn
S x,
i=l

'
/
]

(x,+ . . . + x n ) t

= E [e

= E [e*'1 e x ' 1 .... e V ]

Xi'ler bamsz olduundan,

= E [exl] E[eV], . . E [ e V ]
Xj'ler ayn dalm olduu iin,

[m x (t)]1

X=

X,

olduuna gre,

eemdersnotlari.com

m_ (t) = m

(t) = m
*
Z

(12)

y
Xj

i=l

Z,

xr

i=l

n
<r2t2
M-t H
2
Normal dalm de dgdi blmden m x (t)= e
b diyoruz.

X,
X =

xn
+ ...+

/t v
m xi/ a

olduunu

W =

m*i

, [At

a2t2 v

(+)
m - ( t ) = e\ n

[At

ff2t2

2n 2

a2t2

2n 2 ' = e

2n

Bu ise ortalamas [a ve

varyans a 2 /n olan normal dalm bir deikenin moment karan fonksiyonudur. Moment karan fonksiyonlar eit olan iki dalm biimce
birbirinin ayn olacandan, x w n^ [A,

^ teoremi, yani x'n dad-

mnn eklinin normallii ispatlanm olur.

X2 D a l m :
X t <*-' n ([A;, <jj2) ve X t 'ler stokastik bamsz olsun.
X(X,
Y, =

dntrmesini yaparsak Y,

dalm standart normal olur.

12 Niin?

230

eemdersnotlari.com

n(0,l) yani Y,'lerin

H-i \ 2

2 (

=1

1 = 2

ff,

Yj 2

deikenini tanmlayalm,

i=l

Szle ifade edersek U, standart normal dalm deikenlerin karelerinin toplamdr. Moment karan fonksiyonlardan yararlanarak(13)
n2

f(n) =

u > 0 sklk fonksiyonu elde eddir.

n
2

n2
[ ] '

U deikeninin bu sklk fonksiyonu /} dalm adn ahr v e ^ f}a

olarak gsterilir. ou kitaplarda,
n / X,[X, \ 2
y2 Z (
) eklinde yer alr.
' v ff, /
n dalmn parametresi ayn zamanda serbestlik derecesidir. Aadaki ekil n'in muhtelif deerlerine gre sklk fonksiyonunun eklini
gstermektedir.
Serbestlik derecesi, bamsz tesadfi deiken says-tesadfi deikenler zerine konan kaytlara eittir, y 2 dalmnda n tane bamsz
Yj tesadfi deikeni bulunduuna ve fi ya da a 2 bdinmedii iin dei-

Z 2

t,

(,

13 Bu konuda baknz: Mood, Graybill, a.g.e. Sh. 226.

231

eemdersnotlari.com

kenlerin deerleri zerinde hi kayt konmam olduuna gre serbestlik

derecesi n olacaktr. Kitabn daha sonraki blmlerinde serbestlik derecesi kavram devaml ekdde kardaacamz bir kavram olacaktr.
ok basit bir misl verelim:
5 tane say olsun. Bu saylardan 4 tanesinin deeri ve bu be saynn
toplam ya da ortalamas bdindiinde 5 inci say da otomatik olarak
hesaplanm olur. Bilmediimiz say iin bir serbestlik sz konusu olmadndan serbestlik derecesi 4'tr. Eer ortalamay bilmeseydik 5'inci
sav iin de serbestlik olacak ve serbestlik derecesi 5 olacakt(14).
Aadaki tablo muhtelif serbestlik dereceleri ve muhtelif birikmi
olaslklara tekabl eden y2 deerlerini vermektedir.
Birikimli y2 Dalm

S. D
1
2
3
4
3

.01
a
.020
.115
.297
.554

.05
.004
.103
.352
.711
1.15

.10
.016
.211
.584
1.064
1.61

.90
2.71
4.61
6.25
7.78
9.24

.95
3.84
5.99
7.81
9.49
11.07

.99
6.63
9.21
11.34
13.28
15.09

6
7
8
9
10

.872
1.24
1.65
2.09
2.56

1.64
2.17
2.73
3.33
3.94

2.20
2.83
3.49
4.17
4.87

10.64
12.02
13.36
14.68
15.99

12.59
14.07
15.51
16.92
18.31

16.81
18.48
20.09
21.67
23.21

11
12
13
14
15

3.05
3.57
4.11
4.66
5.23

4.57
5.23
5.89
6.57
7.26

5.58
6.30
7.04
7.79
8.55

17.28
18.55
19.81
21.06
22.31

19.68
21.03
22.36
23.68
25.00

24.73
.26.22
27.69
29.14
30.58

16
18
20
22
24

5.81
7.01
8.26
9.54
10.86

7.96
9.39
10.85
12.34
13.85

9.31
10.86
12.44
14.04
15.66

23.54
25.99
28.41
30.81
33.20

26.30
28.87
31.41
33.92
36.42

32.00
34.81
37.57
40.29
42.98

25
30
35
40
45

11.52
14.95
18.50
22.16
25.90

14.61
18.49
22.50
26.51
30.60

16.47
20.60
24.80
29.05
33.40

34.38
40.26
46.10
51.81
57.50

37.65
43.77
49.80
55.76
61.70

44.31
50.89
57.30
63.69
70.00

50
60
70
80
90

29.71
37.48
45.44
53.54
61.75

34.76
43.19
51.74
60.39
69.13

37.69
46.46
55.33
64.28
73.29

63.17
74.40
85.53
96.58
107.56

67.50
79.08
.90.53
101.88
113.14

76.15
88.38
100.42
112.33
124.12

100'
120

70.06
86.92

77.93
95.70

82.26
100.62

118.50
140.23

124.34
146.57

135.81
158.95

a = ..00016
S. D. Serbestlik derecesi
14 Saylar 1,3,6,8 ve ortalama da 4 ise beinci saynn 2 olmas zorunludur.

232

eemdersnotlari.com

Mesel 14 serbestlik derecesinde .95 birikmi olasla tekabl eden

X2 deeri 23.68 dir. Serbestlik derecelerini soldan, birikmi olasbklan
da yukardan bulduktan sonra saa ve aaya doru hareket ederek bu
iki deere tekabl eden y} deeri kesim noktasnda verilmi olmaktadr.
-/} dalmnn moment karan fonksiyonu, n serbestlik derecesi
ve t < olmak zere;
n
<>

<

m X 2 (t) = (12t)

dir. (15)

X2 dabmnn nemli bir zellii, yj- dalm bamsz tesadfi

deikenlerin toplamnn da dalmnn y} olmas ve serbestlik derecesinin, tek tek deikenlerin serbestlik dereceleri toplamna eitliidir.
X2> X*2> Xm2> bamsz ve serbestlik dereceleri srasyla n , n 2 . . . n m
olsun.
(Xl 2 +X2 2 + - +X2m) ^ y. 2 n 1 +n 2 +...+n m
Bu teoremin ispatn moment karan fonksiyon yardm de yapabdiriz. Bamsz tesadfi deikenlerin toplamnn moment karan
fonksiyonunun, moment karan fonksiyonlar arpmna eit olduunu
biliyoruz.
X, Y bamsz ve S = X -)- Y olsun.
m,(t) = E [e s t ] = E [e<x+y>1 ] = E ^ ' e " ]
X Y bamsz olduunda X ve Y nin fonksiyonlar olan e*' ve e y 1 de
bamsz olacandan,
m.(t) = E[e]E[e>"] = m x (t) m y (t)
Bu sonucu, matematik endksiyon yoluyla snrl bir toplam iin
genelleyebiliriz.
Bu durumda,

(t) = (12t)

v ..
^ Li
= (12t)

n2

(12t)
m+n2+...+nm

nm
...(12t)

S fi dalmnn moment karan fonksiyonunun elde edilii iin baknz: \lood, Graybill,
a.g.e Sh. 226.

233

eemdersnotlari.com

Bu ise serbestlik derecesi n l + n 2 4- + n m olan y} dalm bir

tesadfi deikenin moment karan fonksiyonudur. |
Normal D a l m K t l e l e r d e
Yaryansn Bamszl:

rnek

Ortalamas

ve

(A yani ktle ortalamas genellikle bilinmedii iin rnek varyans

s 2 'yi ktle varyans a 2 'nin tahmin edicisi olarak kullanrz.
S (X, x) 2
i=t
S2 =
n1
xM-

Y, =

olsun. Y n(0,l)
<T
n

V = S (Yjy) 2
i=1

b)

Y w n(0,

c)

Y ve V

1
n

tesadfi deikenini tarif edelim.

bamszdr.(l)

Normal dahmdan baka hibir dalm iin rnek ortalamalar

dalmnn eklinin normallii ve rnek ortalamas ile varyansmn bamszl ileri srlemez.
t Dalm:
X ~ n([A,<J2), U ~ 2 k

ve

U ve X bamsz olsun.

X-(A
Y=

nn dabm standart normal olacaktr.

a
X (A
<y

T=

Y
=

/T
v

YVT

f~~
V

tesadfi deikenini tanmVTT

16 Teoremin ispat iin bakmz Mood, Graybill a.g.e. Sh. 228.

234

IBmHH

eemdersnotlari.com

larsak, T ~ t k olacaktr. Yani t dalm bir deiken, standart normal

dalm bir deikenin kendisinden bamsz olan y} dadm bir deikenin serbestlik derecesine blmne orandr. Dabmn parametresi,
serbestlik derecesi k'dr. t dadmmn skbk fonksiyonu,

f(t) =

oo < t <00
Vk TC

k2>\

t2

(k+l)/2

-i1

") ! [ 1 + T

t dalm sonraki blmlerde istatistiki istidlal ile ilgili olarak en

ok kullanacamz dalmlardan biri olacaktr. Bunun balca nedeni
bdinmeyen ktle parametrelerinden mstakil t dadm bir statistiin
elde edilebilmesinin mmkn oluudur. Aadaki tablo birikimli t dalm belli serbestlik dereceleri ve olaslklara gre vermektedir. Tabloya
bakld zaman simetrik olmas gerei aka grlmektedir, t dadm
ekd itibariyle normal dalma benzeyen fakat ondan daha yatk bir
dabmdr. Ancak serbestlik derecesinin sonsuz olmas halinde ay
birikmi olasba tekabl eden t deerleri normal dalmn ayn deerlerini alacaktr.
F Dalm:
F dalm (17) birbirinden bamsz iki /} dalml deikenin kendi
serbestlik derecelerine blmnn orandr. U ~ y 2 m , V <> y 2 n ve U ile
V bamsz olsun.
U/m

V/n

F ~ F(m,n) F dalmnn iki parametresi mevcuttur. Pay ve paydadaki y2 dalm deikenlerin serbestlik dereceleri.
F dalmnn sklk fonksiyonu,

(m-j-n2 ,
h(F) =

2
m2 v

)!

m m/2
()
n2X
n

()!(-)!

17 R. A. Fisher'in atlna izafeten.

,m2 \
F

V 2
.

- )

'

mF ,(m+n)/2

( 1+ r)

eemdersnotlari.com

F >O

Aadaki tablo .95 birikmi olaslk ve pay ve paydann muhtelif

serbestlik derecelerine tekabl eden F deerlerini vermektedir.
Birikimli t Dakm Alan yzdesi
75

90

.95

975

.99

.995

1
2
3
4
5

1.000
.816
.765
.741
.727

3.078
1.886
1.638
1.533
1.476

6.134
2.920
2.353
2.132
2.015

12.706
4.303
3.182
2.776
2.571

31.821
6.965
4.541
3.747
3.365

63.657
9.925
5.841
4.604
4.032

6
7
8
9
10

.718
.711
.706
.703
.700

1.440
1.415
1.397
1.383
1.372

1.943
1.895
1.860
1.833
1.812

2.447
2.365
2.306
2.262
2.228

3.143
2.998
2.896
2.821
2.764

3.707
3.499
3.355
3.250
3.169

11
12
13
14
15

.697
.695
.694
.692
.691

1.363
1.356
1.350
1.345
1.341

1.796
1.782
1.771
1.761
1.753

2.201
2.179
2.160
2.145
2.131

2.718
2.681
2.650
2.624
2.602

3.106
3.055
3.012
2.977
2.974

16
18
20
22
24

.690
.688
.687
.686
.685

1.337
1.330
1.325
1.321
1.318

1.746
1.734
1.725
1.717
1.711

2.120
2.101
2.086
2.074
2.064

2.583
2.552
2.528
2.508
2.492

2.921
2.878
2.845
2.819
2.797

25
30
35
40
45

.684
.683
.682
.681
.680

1.316
1.310
1.306
1.303
1.301

1.708
1.697
1.690
1.684
1.680

2.060
2.042
2.030
2.021
2.014

2.485
2.457
2.438
2.423
2.411

2.787
2.750
2.724
2.704
2.690

50
60
70
80
90

.679
.678
.678
.677
.677

1.299
1.296
1.294
1.293
1.291

1.676
1.671
1.667
1.665
1.662

2.008
2.000
1.994
1.989
1.986

2.403
2.390
2.382
2.375
2.368

2.678
2.660
2.648
2.638
2.631

100
200
500
CO

.677
.675
.674
.674

1.290
1.286
1.284
1.282

1.661
1.653
1.648
1.645

1.982
1.972
1.965
1.960

2.363
2.345
2.333
2.326

2.625
2.601
2.586
2.576

(-).25

(-).IO

(-). 05

(-).025

(-).Ol

236

eemdersnotlari.com

<-).005

.95 Birikmi Olasla Tekabl eden F Deerleri

4
225
19.2
9.12
6.39
5.19

5
230
19.3
9.01
6.26
5.05

6
234
19.3
8.94
6.16
4.95

7
237
19.4
8.89
6.09
4.88

8
239
19 4
8. 85
6 04
4 82

9
241
19.4
8.81
6.00
4.77

10
242
19.4
8.79
5.96
4.74

12
244
19.4
8.74
5.91
4.68

15
246
19.4
8.70
5.86
4.62

20
248
19.4
8.66
5.80
4.56

24
249
19.5
8.64
5.77
4.53

30
250
19.5
8.62
5.75
4.50

4. 7b
4.35
4.07
3. 8t>
3.71

t. 53
1.12
3.84
3.63
3.48

4.39
3.97
3.69
3.48
3.33

4.28
3.87
3.58
3.37
3.22

4.21
3.79
3.50
3.29
3.14

4. 15
3 73
3. 44
3,,23
3. 07

4.10
3.68
3.39
3.18
3.02

4.06
3.64
3.35
3.14
2.98

4.00
3.57
3.28
3.07
2.91

3.94
3.51
3.22
3.01
2.85

3.87
3.44
3.15
2.94
2.77

3.84
3.41
3.12
' 2.90
2.74

3.81
3.38
3.08
2.86
2.70

3.98
3.89
3.81
3.74
3.68

3.59
3.49
3.41
3.31
3.29

3.36
3.26
3.18
3.11
3 IK

3.20
3.11
3.03
2.96
2.90

3.09
3.00
2.92
2.85'
2.79

3.01
2.91
2.83
2.76
2.71

2..95
2. 85
2 77
2. 70
2 64

2.90
2.80
2V71
2.65
2.59

2.85
2.75
2.67
2.60
2.54

2.79
2.69
2.60
2.53
2.48

2.72
2.62
2.53
2.46
2.40

2.65
2.54
2.46
2.39
2.33

2.61
2.51
2.42
2.35
2.29

2.57
2.47
2.38
2.31
2.25

4.49
4.45
4.41
4.38
4.35

3.63
3.59
3.55
3.52
3.49

3.24
3.20
3.16
3.13
3.10

3.01
2.'10
2.93
2.90
2.87

2.85
2 81
2.77
2.74
2.71

2.74
2.70
2.66
2.63
2.60

2.66
2.61
2.58
2.54
2.51

2. 59
2 55
2. 51
2. 48
2 45

2.54
2.49
2.46
2.42
2.39

2.49
2.45
2.41
2.38
2.35

2.24
2.19
2.15
2.11
2.08

2.19
2.15
2.11
2.U7
2.04

4.32
4.30
4.28
4.26
4.24

3.47
3.44
3.42
3.40
3.39

3.07
3.05
3.03
3.01
2.99

2.84
2.82
2.80
2.78
2.76

2.68
2.66
2.64
2.62
2.60

2.57
2.55
2.53
2.51
2.49

2.49
2.46
2.44
2.42
2.40

2 .42
2 .40
2.37
2.36
2.34

2.37
2.34
2.32
2.30
2.28

2.32
2.30
2.27
2.25
2.24

2.35
2.31
2.27
2.23
2.20
2.18
2.15
2.13
2.11
2.09

2.28
2.23
2. !9
2.16
2.12

21
22
23
21
25

2.42
2.38
2.34
2.31
2.28
2.25
2.23
2.20
2.18
2.16

2.10
2.07
2.05
2.03
2.01

2.05
2.03
2.01
1.98
1.96

2.01
1.98
1 .96
1.94
1.92

30
ttl
MI
12li
CC

4.17
4.08
4.00
3.92
3 84

3.32
3.23
3.15
3.07
3.00

2 92
2.84
2.76
2.68
2.60

2.69
2.61
2.53
2.45
2.37

2.53
2.45
2.37
2.29
2.21

2.42
2.34
2.25
2.18
2.10

2.33
2.25
2.17
2.09
2.01

2. 27
2. 18
2. 10
2. 02
1. 94

2.21
2.12
2.04
1.96
1.88

2.16
2.08
1.99
1.91
1.83

2.09
2.00
1.92 1.83
1.75

2.01
1.92
1.84
1.75
1.67

1.93
1.84
1.75
1.66
1.57

1.89
1.79
1.70
1.61
1.52

1.84
1.74
1.65
1.55
1.46

m
n 1
2
3
4
5

1
161
18.5
10.1
7.71
6.61

2
200
19.0
9.55
6.94
5.79

6
7
8
9
10

5.99
5.59
5.32
5.12
4.96

5.14
4.74
4.46
4.26
4.10

11
12
13
14
15

4.84
4.75
4.67
4.60
4.54

lt>
17
18
19
20

n pay ili serbestlik derecesi

. paydann serbestlik derecesi

3
216
19 2
9.28
6.59
5 41

F dalmmn nemli bir zellii:

o
O
1

ilikisinin cari olmasdr. Bu diki sayesinde

F
, I
<m>l-
dalmn sol tarafna tekabl eden F deerlerinin ayn tablodan yararlanarak bulunmas mmkn olur.
X2, t, F dalmlar aralk eklindeki tahmin ve hipotez testlerinde
normal dalmla birlikte kullandmz en nemli aralar olaeaktr.(18)
III. ARALIK EKL.NDE TAHMN
Bilinmeyen ktle parametresi 0 iin, nokta tahmin eklinde tek bir
tahmin yapmak yerine, aa yukar snrlar iki tesadfi deiken olan
bir gven aral iinde bulunma olasln belirtirsek aralk eklinde
bir tahmin yapm oluruz. Gven aralnn iki ucu gven snn adn
alr ve rnek deerlerinin birer fonksiyonu olarak bu iki snr, rnek
alnmadan nce birer tesadfi deikendir. 6(X,. . .X n ) ve 6 2 (X. . . X)
arasnda kalan aralk da tesadfi bir aralktr. Belirtilen olaslk gven
katsays adn alr ve 1x ile gsterdir. Anlalaca gibi * parametrenin
gerek deerinin tesadfi aralk dnda bulunmas olasldr.
.-i -

P(8, <8 <0 2 ) = 1 A

02>8T

fS H
020 gven aralma uzunluunu verecektir. Belli bir (1a)
gven katsays ne kadar dar bir gven arak ile salanrsa tahmin o
lde baarl olur.
Birer istatistiki tahmin metodu olarak nokta ve aralk eklinde
tahminler birbirlerinin alternatifi olan yaklamlar eklinde dnlmemelidir. Bir parametreyi aralk eklinde tahmin etmek, yanlma ve
hatay dnce modeline dahil ettii iin bdimsel nitelii nokta tahmine
nazaran daha gl kabul eddebdir. Bir gven aralnn, ya da ileride
grlecei zere, araln tekiline imkn verecek bdgerin verdmesi
halinde nokta tahminin ne lde gvenilir olduu anlakr. Fakat
bu izahlar nokta tahminin gereksizlii eklinde yorumlayanlayz. Pratikte pek ok karar ve politika probleminde ya da nceden tahminlerde
B y 2 , t ve F dalmlarna ilikin teorik nitelikte problem vermeyiimizi nedeni b dalmlar iin L' dalmnn bilinmesi gerei ve ilemlerin gerektirdii matematik seviyesidir. Lygulana ile ilgili altrmalar ise zaten sonraki blmlerde yaplaca iin gereksizdir.

eemdersnotlari.com

parametre tahminleri ya da nceden tahminler birer nokta eklinde

verdmek zorundadr.
Nokta ve aralk eklindeki tahminlerin tamamlayc niteliini birka misalle belirtelim:
1. Nfus saym sonular ge elde edildii iin % 1 rnekleme
sonular kesin saym sonularndan nce yaynlanr. 1965 ylna ait olan
rnekleme sonularn deerlendirirken % 95 gven katsays esasna
gre bulunmu gven snrlarn da bilmemiz gerekir.(19).
2. Bir baka misl olarak, 1970 ylnda zel teebbsn makina
tehizat yatrmm nceden tahmine altmz dnelim. Bu amala
regresyon metodlarn kullanarak bir nceden tahmin elde edelim.
Mesel 4 mdyar TL. Eer bu deer etrafnda bir gven aral tekil etmez ya da hi dedse tahminin standart hatasn belirtmezsek, bu n
tahmine dayanan iktisat politikalar ok yanl bir temele dayanabilir.(20)
Bu iki mislin de gsterdii gibi, nokta tahminleri yapan, hata
llerini (Standart hata, tahminin standart hatas... gibi) de birlikte
verebilir veya aralk eklinde tahminleri de verir ve bu arabklar
kullanc bakmndan nokta tahminin ya da tahmin prosesinin deerlendirilmesinde kullanlabilir.
.';
Aralk eklinde tahmin ile sonraki blmde greceimiz hipotez testleri elenik yaklamlardr. Bir hipotezi kabul ya da reddetmek iin
yaklamlardan biri red hipotezinde ngrlen parametre deerleri
etrafnda gven arahklar tekd etmk ve gzlenen tahminin bu aralk
iine dp dmediine bakmaktr.
Aralk eklinde tahminler ya tek parametre iin veya birden fazla
parametre iin ayn anda gven blgeleri eklinde dnlr. Bir dier
snflama da araln iki tarafl veya tek tarafl olmasna gredir. Baz
hallerde gven aralklar,
19 DE 1965 fus saym % 1 rnekleme sonularnda seilmi byklkler iin gven
snrlar verilmektedir. Mesel Ankara ehrinde serbest meslek sahipleri bir nokta tahmin olarak
tablolarda grlrken ayr bir tablodan, bu rakamn gvenilirlik derecesi, etrafndaki % 95'lik
gven aralnn genilik derecesinden anlalmaktadr. Bir an iin bu saymn 30000 ve gven
snrlarnn da 5000 ve 55000 olduunu dnelim.Byle bir durumda herhalde 30000 rakamn
kullanacak cesareti kendimizde bulamayz. Buna karlk mesel bu snrlar 17400 ve 42600
olsayd 30000 rakamn daha fazla gvenerek kullanabilecektik.
20 Pratikte bu tip nceden tahminler ou zaman nokta tahmin eklinde verilir. Nokta
tahmin yaklam, gven aralnn geni oluu, dolaysyla bu anlamda tahminin gvenilir olmamasnn sonucu ise bilimsellik nitelii ok byk lde kaybolur. Aratrcnn yaynlamasa
bile,, aralk tahmine imkn veren bilgileri de elde etmi olmas icab eder.

239

eemdersnotlari.com

P(e< 2 ) = 1 a veya P(6>0,) = 1 a eklinde

verilebilir.

Normal dalm ktlelerin parametreleri yani jx ve a 2 ile dgili tahminler veya oranlarla dgdi tahminler zerinde ayrca durulmas ve
spesifik arabk formllerinin verilmesi gerekir. Biz de bu uygulamay
izleyerek nce fj. ve a 2 iin (tabii normal dalm ktlelerde) sonra da
oranlar iin iki tarafl ve tek tarafl gven aralklar ve ksaca gven
blgeleri zerinde duracaz.
Normal D a l m n O r t a l a m a s , [i iin Gven A r a l k l a r :
Burada iki hali ayrdedeceiz.
i) a 2 'nin bdindii hal,
ii) Daha realist bir yaklam ile a 2 'nin bdinmedii hal.
lk nce ilk ik zerinde duralm:
i) a 2 b i l i n i y o r .
iin en uygun nokta tahmin pek ok halde rnek ortalamas x'dir.
X

(X

z=

n(0,l) dalmtr.
G

\/iT
<rr
Ktle varyans, dolaysyla standart sapmas (a) bilindiinden |x
etrafnda bir gven arabn kolayca tekil edebiliriz.
Normal dadmn simetri zellii sonucu, gven arabmn boyu
ortalamann iki yanna 1a alannn eit ekilde datld durumda
minimum olur.
Gven .katsays 1a olduu taktirde, iki tarafl bir gven aral
iin,
P( za/2 < z < za/2) = 1 a

yazabiliriz.

240

eemdersnotlari.com

xa
z yerine

koyalm ve j'y ortada yanlz brakmaya alabm:

vV

p ( Za/2 -<Xu. < Za/2

/
P

\ =1 a
G

X Za/2

<IX < X +

Za/2

) =

'

vV

p ( x Za/2

<fX<X+

Za/2

) = 1

rnek aknmadan nce x bir tesadfi deiken olduuna gre gven

snrlar da birer tesadfi deikendir. Gven aralnn boyu ise,
2 Za/2

rs

olacaktr.

v
rnek ahndktan sonra ise gven snrlar birer saydan ibaret olacaktr. Mesel P(.5<[x<2) = .95 eklindeki bir ifadenin yanll
nceki blmde belirtilmiti. [x bu aralk iinde olduunda bu olaslk 1,
dnda olduunda ise sfr olacaktr, rnekleme sonucu elde edden spesifik gven snr deerleri "(1a) gven aral prensibinden yararlanlarak bulunmu gven snrlarnn o rnek iin spesifik deerleri" olarak
yorumlanmak ve bir olaslk ifadesi yerine, mesel (. 5, 2) gibi bir ifade
tercih edilmelidir.(21)
13

Gven aralnn bovunu veren j 2 za/2.

I ifadesi, belli boyda

bir gven araln belli bir gven snn ile elde etmek iin, a sabit iken,
rnek hacminin nasl deitirilmesi gerekeceini de verecektir. Baka
deyile, araln boyu, gven katsays ve rnek hacminden 2 si istenden
seviyede tutularak, a sabit iken, deimesine izin verilen deerin bykl tayin edebdecektir.
21 Bu basit yorum hatas zellikle tarifsel nitelikteki birok istatistik kitabnda ve istatistik
uygulamalarnda grlr. Mesel DE 1965 Nfus Saym % 1 rnekleme sonularnda olduu
gibi.

241

eemdersnotlari.com

'

/
Gven aralnn tek tarafl olmas halinde de benzer ilemlerle,
P(0<0 2 ) = 1 - a

iin

P(V<X+za

P(8>0) = 1 x iin p/pL>Xza

) = 1 a
) = 1 a aralklar te-

kil edilecektir. Burada a'nn tamamnn, dalmn bir tarafna toplandna dikkat edilmelidir.
imdi bir rnek zerinde yaplacak hesaplamalar grelim:

Misl: Varyans 16 olan normal dadm bir ktlenin bilmediimiz

ortalamas hakknda % 95 gven katsayl bir aralk tekil etmek istiyoruz. Bu amala 6 birimlik bir rnek alyor ve .5,1.6, . 9 , 2 . 1 , 3 . 0 , 1 . 5
deerlerini elde ediyoruz.
i) % 95 gven aral prensibinden hareketle bu rnekten elde edeceimiz gven snrlarn bulunuz.
ii) Gven arahnn boyunu 4 yapmak iin gerekli rnek hacmi ne
olmaldr?
iii) rnek hacmi 6 iken hangi gven katsays bize 4'lk gven aralm verecektir?
Cevap:
i) stenden iki tarafl gven aralnn forml,
a
a
P(X za/2
< j i < X + Z a /2 ) = 1
y/n
Va
242

eemdersnotlari.com

fi'nn ML tahmin edicisi x'n bu rnekten bulunan deeri 1.6Mr. % 95

4
4
lik gven snrlar; (1.6 1.96)
) ve ( 1 . 6 + 1.96
) dr. Basit 6
6
letirince 1.6 ve 4.8 deerleri elde edilir. Gven aralnn uzunluu
6.4 olmaktadr.
ii) rnek hacmini elde etmemizi salayacak ifade,
4
1.96

= 2

** 16

iii)
4

v'T
= 2,

Za/2

Za/2

= 1.225

VT
2
1.225 z deerine tekabl eden olaslk, sklk fonksiyonu tablosundan
. 39 olarak bulunur. O halde rnek hacmi 6 iken 4 boyunda gven arab . 78 gven katsays ile elde edilebdecektir.
Tek t a r a f l gven aralklarna misl olmak zere aadaki sorular cevaplandrabm.
i) Yukardaki mislde ktle ortalamas % 95 lik tek tarafl gven
aralna gre hangi deerden kk olacaktr?
ii) Ayn mislde % 95 lik gven snrnn 3 olmas iin gerekli rnek
hacmi nedir?
iii) rnek hacmi 6 iken gven snn 3 olduunda gven katsays
ne olacaktr?
Cevap:
a
i) P(fi.<x+z a

) = 1 x
Vn

1.6+1.65

= 1.6+2.7 = 4.3
VT

4
ii) 1.65

= 1 . 4 - - * V^" = 4.71

23 olmaldr.

V"
4
iii) z a

= 1 . 4 - * z a = 875
243

eemdersnotlari.com

.875 z a deerine tekabl eden birikmi olasdk .809 (?.81) olduuna

gre a = . 19 veya baka ifade ile gven katsays . 81 olacaktr.
ii) CT2 b i l i n m i y o r
Ktle varyans ou zaman bdinmez. Byle hallerde <2'yi biliniyor
kabul ederek uygulayacamz yaklam kullanamayz, a yerine a eklinde bir tahmin koyarsak bu taktirde olasbk ifadeleri kesinliini kaybeder ve kk rnekler iin yank sonular verir. o 2 'den mstakd olan,
baka deyile hesaplamalarnda er2 terimini ihtiva etmeyen tesadfi
gven snrlan formlleri elde etmemiz ve istidlallerde bunu kullanmamz doru olacaktr.
Bu konuda, W.S. Gossett (Student) tarafndan ortaya kanlan t
dalm bize yardm edecektir.
X w" n([x,(T2) ve 0 < a 2 <co ise

Bdindii gibi t dalm, Standard normal dalm bir tesadfi

deikenin, y 2 dalml bir deikenin serbestlik derecesine blmnn
kare kkne orandr. Normal ve y2 dalml deikenlerin bamsz
olmalar da aynca gereklidir.

X|

Vn(x-fi)

' n(0,l)

V*
n

rnek varyans

S2

(X,-X)2
n1

imdi ileride faydalanmak zere,

pat edelim.
(n1) S 2 = X
2
=

(X,x) 2 = 2

(n1) S 2 = 2
(n1) S 2
a2

(X,x) 2

w y}n_t olduunu is-

[(X,jx) - ( x - i x ) ] 2

(X,-(x) 2 + n(x-ix) 2 - 2 2
=

( X , - [ x ) (x-fx)

244

eemdersnotlari.com

Oysa,
S

(X,fx) (x(t) =

(XjXX,ji.|xx+. fx2)
_

X -Xj

(X S X, nx X+na2

i=l
i1
= n X 2 -f nx2x XnuX
= n(x;JL)2
(II1)

S2 = E

(-1)S2

(X,jx)2n(x;x)2

_ |

<r2

(X-V

=;

A = BC

\ a

V
'

/X-;x\2
WVn/

(22)

eklinde eitliin her iki tarafm sembolletirelim.

B = A+ C
m B (t) = m A + c ( t )
S 2 ve x'm bamsz olduunu bildiimiz iin bunlarn fonksiyonu
olan A ve C de bamszdr. Bamsz iki tesadfi deikenin toplamnn
moment karan fonksiyonu terimlerin m..f. lar arpmna eittir. Yani;
m A+cW

= mA(l) m c ( l )
m B (t) = m A (t) m c (t)
mBW
m A (t) =
mc(t)
n
m B (t) = (l2t)
n /X
^l
.5, y
)
22

olduunu biliyoruz. nk

Xjji

->^n(0,l)

dir-

(n1) S*

S(X(n(X(i)1

a'

d2

/ X(x \ 2

/Xfi\2

buradan da metindeki forml elde edilir.

215

eemdersnotlari.com

m c (t) = l - 2 t )

Buradan

- k

m A (t) =

n
(12t)

n_l

2
= (12t)

(l-2t)
Bu

(n1)S2
ise

^ X2n-'

a2

olduunun ispatnn bitmesi demektir.

imdi T deikenini tekU edelim.

VT(x(i)

<7

T =
(n1)S2

J[

(nI)2

X[i

fi

SB (X,X)2
i i=

V^r
j

n(n
(n-1)

Grld gibi, T tesadfi deikeni, bdinmeyen ktle varyans

T2'yi ihtiva etmemekte ve er2 iin bir tahmin yapp kullanma gereini
ortadan kaldrmaktadr. Bunun yerine rnek varyansnn sapmasz
deeri kullandmaktadr. zellikle kk rnekler bakmndan t dalmnn kullandmas yoluyla bulunan sonular normal dalmdakinden
farkl olacaktr. Genellikle 30 ve daha yukar hacimli "byk" rnekler
iin t ve normal dalmlar kullanan sonular birbirlerine yaklaacaktr.
Bu durum, t dalmna baz kitaplarda "kk rnek yaklam" denmesinin sebebini ortaya koyuyor.(23)
23 Bizce bu konuda asl nemli nokta kk rnee uygulamadan ok, t dalm ile tahmin ileminin ktle parametresi a ! 'nin deerinin bilinmesini gerektirme menidir.

246

eemdersnotlari.com

imdi t dalmm kullanarak gven aralnn nasl tekil edildiini

grelim. Yine a hata payn, (1a) da gven katsaysn gstersin.
P(ta/2 <T<ta/2)

/ta/2

J _ta/2

f(t; n 1 ) d t = 1 a

X(i
P(ta/2,n-l <

< t a /2,n-l) = 1 a

2
i=l

(Xl-x)2

n(n-l)
buradan, gerekli ilemleri yaparak,
| S. ( X r x ) 2
P(xta/2. n-1

(n1)
n(n1)

| s
<(JL<X+ta/2,n-l

(X,-x) 2
n(n1)

)=l-a

iki tarafl gven aral elde eddir. Gven aralnn boyu;

2 (X,-x)2
. =1
2ta/2,n-l

n(n1)

Ex ante, birer tesadfi deiken olan gven snrlan iin rnekleme

yoluyla rnek deerleri kullanlarak spesifik deerler elde eddir ve (i)
kkndaki gibi yorumlanr.
Tek tarafl gven arahklan da (i) kknda olduu gibidir.
S

(Xix) 2

, i=l
P(|A<X+ta,n-l

= 1 a

n(n1)
2 (X,x) 2
i=l

P(tl>Xta,n-l

(n-l)
n(n-

247

eemdersnotlari.com

Normal D a l m Ktlelerde O r t a l a m a l a r
F a r k ile i l g i l i Gven A r a l k l a r :

Arasndaki

iki ktle ortalamas arasndaki farkllk pratikte pek ok halde,

incelemeyi istediimiz bir eydir. Mesel kz ve erkek rencderin belli
bir imtihandaki baar farkld, iki tohum cinsinin verim fark... gibi.
Elimizde X ve Y tesadfi deikenlerinin dald iki ktle olsun.
X n([i x , o x 2 )
Y

n(jxy, <ry2)

Burada kesin aralk deerlerinin elde eddebdecei iki hali ayrdetmemiz gerekir.
i) Ktle varyanslarnn b dinmesi hali,
ii) Ktle varyanslarnn saysal deeri bilinmemekle beraber eit
olduklar faraziyesinin yapdmas (ki ou kere realist bir faraziye olabilir)
<TX2 = <Ty2 = d 2
imdi bu iki hali teker teker inceleyelim.
i) X, Y ktlelerinden, birbirinden bamsz olarak aknacak iki rnekten (n x , n y rnek hacimlerini gstersin) bulunacak rnek ortalamalar
arasndaki X Y fark (jxjxy) nin sapmasz bir tahmin edicisidir.
2

<r =
bamszdr.

nx

2
, Gy ~

ny

n* v e ny

bamsz seddiklerinden x, Y

(T 2
Var(xY) = Var(x) + Var(Y) = +
nx
(X-Y) ((*,uy)
n(0,l)

<J

ny

n.
P(Za/2 <

(XY) ([i,{iy)

a2

< Za/2 ) = 1

csy2
n.

248

eemdersnotlari.com

ifadesi bize istenden gven arahn verecektir.

/ffx2

P(X - Y-za/2 ^

<V

+
n

/ crx2

<(jlx_(iy<x_Y+Za/2
n

J
nx

y 2

)= 1_

ny

Tek tarafl gven aralklar iin de tek bir ktlenin ortalamas iin
dzenlenen gven aralklarnda olduu gibi hareket eddecektir.
) <tx2 = cry2 = o 2 deeri bdinmediine gre bundan bamsz
dalm statistikler elde etmemiz gereklidir. Bunun iin t dalmndan
yararlanrz.
( n - 1 ) Sx2

( n y - l ) Sy2

V ,

^P"

Bamsz iki y} dalml deikenin toplam da y} olacamdan,

( n x - l ) S x 2 + ( n y - l ) Sy2
f a x + n y -2

a2

(xY) (ixxfXy)
n(0,l)

+
nx

ny

(XY) (fXx(iy)
a
T=

nn xx

nn y

(nx-l)Sx2+(ny-l)Sy2

t ny+ny-2

a 2 (n x +n y 2)
(nx-l)Sx2+(ny-l)Sy2

Bu ifadede

= S2

ortak varyansn bir

nx+ny2
araya getirilmi tahminidir. S 2 yi denklemde yerine koyarak.
119

eemdersnotlari.com

( x Y ) (fXxFXY)

T=

- -

ax+ny-2

+
P( t
<T < t
) = 1 a dan istenilen ga/2, u x 4-n y 2
a/2, n x -fn y 2
ven aral elde edilir:

P ](x-Y)-t

a/2,n x -)-n y 2

/nx+ny

SJ

nxny

+ t

x +

<(xx-.y

SJ

a/2,nx-f-ny2

<(X-Y)

= l-oc
nxny

Normal D a l m n V a r y a n s i i n Gven A r a l k l a r :
s

(x{-x)2

i=l

Normal dalm ktlelerden alnan rneklerde;

^ y}_
cr2

olduunu biliyoruz, y2 dabmn kullanarak,

P(X2
<
n1,
2

l (X,-x)2
ct2

<X2
n1, 1

) = 1 a gven ara-

ln tekil ederiz. Daha nceki normal ya da t dalmlar simetrik olduklar iin iaret fark ile dalmn iki ucunda ayn mutlak byklk
t veya z deeri olarak alnyordu. Burada ise iki farkl deer bulmak
zorunludur. Mesel a .05 ise x 2 n-i .025 deeri dalmn sol tarafnda
bu deerin solunda kalan alan .025 yapan; y 2 a - u -975 de bu deerin
sanda kalan alan .025 yapan y2 deerleridir.
Olaslk ifadesinde a 2 'yi yalnz brakmaya akarak ileme devam
edelim.
250

eemdersnotlari.com

P(

<

(XtX)2

<

=, 1 -

i=l

(X,-x)a

P(

< 92 <
X2
n 1, 1

) = 1
X2
n1,

a
2

Misl: Normal dalml bir ktlenin bilmediimiz varyans a 1 iin

bir aralk tabmin yapmak amac ile 28 birimlik bir rnek alnm ve
a
rnekten. E {Xjx)2 = 932 bulunmutur, a 2 iin % 98 gven kati1
sayl gven snrlarnn, bu rnek iin deerlerini elde ediniz.
C e v a p : Gven arabnn formln uygulayarak;
937
X2
27,. 99 <

(J2

932

932

< a2 <

932
X2
< 27,. 01

bu rnek iin gven snrlarnn spesifik deer47

12.9
leridir. a* iin tek tarafl gven aralklar gerektiinde,

P(CT2 <

(X,-x)2
i=l
X2n->

veya

) = 1 a

2 (X,x) 2
1i
P( a 2 >

X2n-1'

= 1 a formllerinden birini kullanma-

mz gerekecektir.

eemdersnotlari.com

Normal D a l m K t l e l e r d e O r t a l a m a ve V a r y a n s i i n
Gven B l g e l e r i :
Ne iz, ne de er2 hakknda bir bdgiye sahip deilsek iki boyutlu
dzlem zerinde, snrlar tesadfi olan bir blge, fx ve <r2 nin belli olaslkla iinde bulunaca deerleri verecektir.
Eer gven blgesi iin; fx'ye uyguladmz t ve <r2 iin uyguladmz x 2 dalmlarn olduu gibi kullanmaya kalkar ve,

P(xta/2,n-l

2 (XJX)2

n(n1)
n

2 (Xix) 2
l=i
X2
1

<[X <X+ta/2,n-l

S (XTX)2
I l=i
/
V
n(n1)

2 (Xjx) 2
l=i

.<(j2<
P
X2
P
-,n1
n1,
2
2

S (X,X)2
I ii
S = /
V
n1

) = (1a) ( - P )

i yerine koyarak,

P(Xta/2,n-l

<[X <X+ta/2,D-l
-\/iT

,
-y/n

(n1) S 2

(n1) S 2
-<a2<

X2
n1, 1

) = ( l - ) (1p)
X2
P
n1,

yazarsak yanl olur, nk; byle bir ifade ancak,

(n1) S 2

fx)
X2n->

tf2

i}e

t n _
S

eemdersnotlari.com

deikenlerinin stokastik bamszl halinde doru olur. Bu iki ifade

ise bamsz deddir. Bu yaklam yerine x ve S (X,x) 2 'nin

l=i

ba-

msz olmasndan yararlanmak mmkndr.

I
P (Za/2 <
< Za/2 , X2-l.P/2
- (1-a) (1-)
P(L,^<J 2 <L 2 )

L, =

(n-l)S2
X2
n1, 1

(n1)S 2
2
< <7
< X2n-l.l-|3/2 )

, u =X

(n1)S2
P

n-1,

VS" (x(i)

(Xti)2 ^ z2a/2

^ Za/2
<T2

ekilde taral alan (JJL, cr2) sral ikilisi iin gven blgesini verecektir.
Gven blgeleri ikiden fazla parametre iin sz konusu olduunda
"gven elipsoid" leri sz konusu olur ki bu ok deikenli istatistik teorisi
ve matriks bilgisini gerektirdiinden konumuz dnda kalmaktadr.
253

eemdersnotlari.com

O r a n l a r l a i l g i l i Gven

Aralklar:

Belli oranlarn ktle iin deerleri, uygulamada pek ok defa tahmin

etmek isteyeceimiz deerlerdir. Bir istihsal prosesi sonucu elde edilen
mamullerdeki bozuk oram, bir memleketteki gizli isizlik oran, yl veya
smestir kaybetmi niversite rencerinin oran ... gibi pek ok misl
dnebiliriz. Ktledeki oranlar tahmin etmek iin rnek alr ve ktle
. . .
parametresi p iin p =

SX

>

eklinde bir tahmin edici kullanrz. Bn

yk rnekler iin p 'in dalm merkezi limit teoremi sonucu normal
olacaktr.
M
p ~ n(p, ) standart normale dntrld zaman,
n
X

pp
~ n(0,l)

Bu durumda,

pf
n
pp
P (Za/2 <

< Za/2) S 1 *
^p(lp)

olaslk ifadesi tek edebdecektir.

n
Bu ifade ileme tabi tutulursa,

/p(i-p)
(pp) = Za/2 ^
n
np 2 2npp + np 2 (za/2)2 p+(z/2)2 p 2 = 0
(n + z2a/2) p 2 (2np+z 2 a /2) p + n p 2 = 0
2np + z2a/2 V / (2np+z 2 a /2) 2 4np2(n+z2x/2)
P=
2np+(z a /2) 2

2 (n+Z2a/2)
-Fza/2 \/4np(l p)-f-(za/2)2
her iki taraf 2n'e blersek
2(n + z2a/'i)

eemdersnotlari.com

(za/2)2
PH

P=

2n

p(lp)
Za/2

\f
\J

1 +

(za2y-

4n 2

(Za/2)2
n

n'in byk deerleri iin yaklak olarak,

P
P'P S P za/2\J
> -~
n

yazlabilecektir.

O halde byk rnekler iin;

P(p-Z|2 J i z i l
n

<p<p+z a /2

P)
J ^
n

bize istediimiz gven arabn verecektir.

p p

Bu olaslk ifadesi,

in yaklak olarak n (0,1)

p(i-p)
n

dalm olduu anlamna gelmektedir.

Bu zellik btn byk rnek ML tahmin edicderi iin doru olan
bir zelliktir. Ktle varyans yerine bu varyansn rnekten bulunan
tahmini aralk eklindeki tahminler veya hipotez testlerinde kullanlabilmektedir.
Misl: renci dernei seimleri ncesinde yaplan nabz yoklamasnda 80 renci ihtiva eden bir basit tesadfi rnekte 48 kii adaylardan birine oy vereceini belirtmitir. Bu rnek sonucuna dayanarak
ynetim kurulu bakan aday kendisini emniyette hissedebilir mi ?
Cevap:
n

i=. X,
p =
n

48
=
80

.6

eemdersnotlari.com

'p(l-p)

/ (.6) (.4)

/ .24
i /

80

'V

a .05 alnrsa:

= V -003 = .055

80

.6 ( 1 . 9 6 ) ( . 0 5 5 ) = .49
.6 + (1.96) ( . 0 5 5 ) = .71

. 95 gven aral esas alnrsa bu aday kendisini bu seviyede emniyette hissedemez, nk aralk . 50 nin altnda p deerleri de ihtiva
etmektedir. Buna karlk
a = .10 alnrsa

.6 (1.65) (.055) = .51

.6 (1.65) ( . 0 5 5 ) = .69

Bu sonuca gre bakan aday .90 gven aral prensibine gre

kendisini emniyette hissedebdecektir.
..
t.
Oranlarla ilgili tek tarafl gven arabklar da ncekilere benzeyecektir:
,
_
P(p>pZ

M M
/p(i-p)
/
) = 1 a

veya
p(l-p)

P(p<p + z*

) = 1 a

O r a n l a r F a r k ile l g i l i Gven

Aralklar:

Birbirinden bamsz iki ktledeki oranlar arasnda kayda deer

bir fark olup olmad problemi ile sk sk karlarz. Mesel, kz ve erkek niversite rencileri arasnda yaz dneminde snf geen rencderin
oran birbirinden ne lde farkldr? Her iki ktleden alnan rneklerin
yeteri kadar byk olmas halinde;
p

n(p,,

)
n
p2q2

p2

n(p2,

)
n2

p , p

^ n |

- p

,pq

) , (

V n

pzq2 \ ) i
n2 '

256

eemdersnotlari.com

stenen 2 tarafl gven aral a hata ihtimali veya (1a) gven

katsays iin;
P

" v
|(p>P2)'z/2

/Pl

'

,
1

P2 q2

n2

- .
/P' *
<pp 2 <(p.p 2 )+z/2 /
\
nt

P2
+

n2

= *

olacaktr. Tek tarafl gven aralklarn da ncekilerde olduu gibi kolaylkla yazmamz mmkndr.
ARALIK EKLNDE TAHMN LE iLGLl PROBLEMLER
1. Ortalama ve varyans bdinmeyen normal dalm bir ktlenin
ortalamas u. hakknda aralk eklinde bir tahmin yaplmak isteniyor.
Bu amala 12 birimlik bir rnek alnarak, rnek ortalamas x = 18 ve
. (X,x) 2 = 144 elde ediliyor.
i1
i) .95 gven katsays de aralk eklinde tahminin bu rnekten
bulunan gven snn deerlerini hesaplaynz.
ii) Ayn rnek hacmi ile, 3 birim boyunda bir gven aral hangi
gven katsays ile mmkn olabilir?
Cevap:
i)
P(X ta/2,n-l J
^

/Z(X x) 2
_ J
L
n(n1)

_ ,
/ S(Xjx) 2
.
<(l < X+t a /2,n-l J J _ j
1 = 1a
^
n(n1)

Bu rnek iin;
alt snr:

18t. 02s , J

st snr:

18t'.,.,,

/ 144
^

1 8

(2.20) (1.043) = 15.705

= 18 + (2.20) (1.043) = 20.295

Bu rnek iin tesadf' liver aralnn uzunluu: 4.59

257

eemdersnotlari.com

ii) Ik i tarafl gven aralnn boyu 3 olacana ve bunu (i etrafnda

simetrik olarak datacamza gre,
12
t

= 1.5

t = 1.44

11.5
1.44'e tekabl eden t deeri t dalm tablosundan t 0 9 n olarak
bulunduu iin gven katsays 1 . 1 8 = .82 olur.
Gerekten rnek hacmi deimeksizin daha dar bir gven aral
ancak daha kk bir gven katsays e birlikte dnlebilir.
2. Belli bir sigaradan 12 sigaralk bir tesadfi rnek alnm ve nikotin miktarlar (migram olarak) aadaki gibi bulunmutur:
21.27

16.22

14.32

20.56

18.76

18.85

16.90

22.28

22.99

19.23

19.32

20.01

Bu gzlemler iin;

i2 1 X, = 230.71

ve

i 21

X ( 2 = 4508.66

dr.

i) Bu sigaralarn ihtiva ettii nikotin miktarnn bilindiini ve 20

migram olduunu farzederek nikotin miktarnn bilinmeyen varyans
<7X2 iin .90 gven katsayl bir gven aral kurunuz.
ii) (i) kknda elde ettiiniz aral yorumlaynz.
iii) Bir puro markasndan 10 tane puro alyoruz ve nikotin miktarnn rnek ortalama ve varyansn aadaki gibi buluyoruz:
1
Y =

n
S Y, = 24.7

10 i=
1

2
(Y,Y)2 = 1 5 . 2
n1 >=1
Bu puro markas iin (xy ve a y 2 deerlerini bmiyoruz. Elimizdeki
Sy2 =

btn bilgeri kullanarak

iin .95'lik bir gven aral kurunuz.

a

y2

258

eemdersnotlari.com

Cevap:
i)

bilindiine gre,
v

(Xi-u)2

i=l

(X,-JX) 2

i=l

P(

<ax2<

) = .90
X212"05

X 2 U..95

(Xt(Ji)2 ,= i
i=l

i=l.

X ; 2 2(i S
i=l

Xi+n!2

= 4508.66 40(230. 71) + 12(400) = 80.26

80.26
(

80.26
< X

<

21.03

5.23

3.82, 15.35 crx2 iin .90 gven katsays prensibinden hareketle

bu spesifik rnekten bulunan gven snr deerleridir.
ii) Eer ayn ktleden sonsuz sayda rnekler alp bu tip gven
aralklar hesaplasaydk, bunlardan % 90' (7X2 yi iine alacakt.
(ny-l)Sy2
m

yl

9 Sy2
~ X2
a v2
S

(X,20) 2
2

~ X 12
n 2
ki rnek birbirinden bamsz olduu iin,

i=l

( X P - 20) 2

12 a,2
F,
9Sy2/9 t,2
259

eemdersnotlari.com

2 (X, 20)2
=X

P(F.2,9,.025

<

< F , , 7 5 ) = "95
12 S y 2

12 Sy2 '
P(

l2
2 (X,20)2
" i=

(Jy2
F12;,..025 < <
C7X2

stenilen gven aral

12 Sy2
F 1 2 a . 9 7 5 ) = .95
12

2 (X,20)2
i=

iin kurulacana gre bu ifadeyi ona

V

gre deitirmemiz gereklidir". Bunun iin,

1
Fmn>a
F

Fn'm'l - a
1

ilikisini kullanalm.

F.
^9O
' 12,
,-975Q7r

L 9.12,.025

3 . 07

12
2 (X,20)2
i=
F(

ax2

2 (X,20)2
i=

F9 i2> 0 2 5
12

F 9 , 2 975) -95

Sy2

<7y2

12

Sy2

rnek deerlerini bu ifadede yerine koyarak,

80.26

(12)(15.2)

3.07

80.26

(12)(15.2)

(2.80) gven snrlarnn bu

rnek iin deerlerini verecektir.

3. ki msr tohumunun normal iklim artlarnda verimi mukayese
edilmek isteniyor. Bu amala, her tohum cinsi iin her biri 1 dnmlk
8'er arazi paras ekiliyor. A ve B tohum cinsleri iin dnm bama kg.
olarak verim deerleri yledir:
A :

86

;87

56

93

84

93

75

79

B :

80

79

58

91

77

82

74

66

260

eemdersnotlari.com

Tohum verimlerinin normal dalm olduunu ve bilinmeyen varyans1 arnn eitliini farzederek; iki tohumun ortalama verimleri arasndaki
fark iin % 95'lik bir gven aral tekd ediniz ve bu iki rnekten nasl
bir sonuca ulalabdeceini belirtiniz.
Cevap:

Kullanlacak forml,

P((x-Y)-t

,n x -fn y 2

S J+
-

< [Xxfxy < ( X - Y ) +

2
+t

a
2

-J-

s j ~ + )
ny
n*
-,n x +n y 2

= 1-

E(X-X)2+S(Y1-Y)2
nx+ny2

2(Xix) 2 = SXj 2

(2 X,) 2
n

= 54321 53301 = 1020

x=81.625

(S Y,) 2
2(YY)2

= SY,2
1735

-J-

14

46771 46056 = 715

Y =75.875

= V123 93 = 11.13

t.025,14 = 2.145
JJLX [ly fark iin % 95'lik gven arabmn bu iki rnekten elde
edilen alt ve st snr deerleri:

Alt snr: 5.75 (2.145) (5.565) = 6.19

st snr: 5.75 + (2.145) (5.565) = 17.69
Grld gibi, X, Y dan byk km olmakla beraber, bu fark
tamamiyle rnekleme deimesi nedeni ile ortaya kmtr ve |(AX[iy ]
>0 olduu, baka deyile IJLx ve xy arasnda % 95 seviyesinde bir fark261

eemdersnotlari.com

llk bulunduu sonucuna varamyoruz. Bu rnekler iki tohum cinsi

arasnda bir ak tercih imknn bize vermiyor.
4. Bir parann 40 atmnda 24 tura gelmitir. Bu bdgiyi, tura gelme
oran iin, % 95 lik bir gven aral kurmada kullannz. % 95 lik gven
aralnn boyunun . 10 olmas iin gerekli rnek hacmini bulunuz.
Cevap:
/.
/p (1p)
/p(1-PK
x
PlpZa/2 ^
< p < p + za/2 ^
)
* \
n
n
'
. 6 - 1 . 9 6J
40

<p<.6+(1.96) J
^

40

'

L2
^

.019

40

1.96 X .079 = .155

Bu rnek iin % 95 lik snrlar: .445 .755
Arakn bu rnekte boyu: .31
Gven aral iki tarafl olduunda araln boyuna 2E dersek, z 0 'da
belli bir gven katsaysna (mesel . 95) tekabl eden z deerini gsterirse,
/f(i-f)
z0./
= E olacaktr. Bu ifadeyi n iin zersek;

n =

zo2 p(lp)
E2

bulunur, rnek henz alnmam olduundan

p deerini bdemeyiz. Ancak p(lp) ifadesinin
maksimum deeri .25 olduuna gre,

.25 zo2

bize pratik olarak gerekli rnek hacmini bulma

imknn salayacaktr. Problemde E = .05 ve
zo = 1.96 olduuna gre, gerekli rnek hacmi,

E2
(.25)(1.96)
n =

.97
=

(,05) 2

= 388

olmaldr.

.0025

262

eemdersnotlari.com

Gerekten eer 388 hacimli bir rnekte p = .6 olsayd % 95'lik gven

snrlarnn rnek iin deerleri;
.5
388

388
iin . 10 kacaktr.

10V3.88

.6.05 = .55

.65 olacak ve gven arahnn boyu bu rnek

5. Varyans 16 olan normal dalm bir ktleden 25 birimlik bir

rnek alnm ve rnek ortalamas 21 kmtr.
i) Bu b d giy i kullanarak % 90'lk bir gven aral tekil ediniz.
ii) Ktle ortalamasmn % 95 ihtimalle altnda kalaca bir st
snrn rnekteki deerini bulunuz.
iii) Bu st snrn ortalamadan farkn 3 birim yapabilmek iin
gerekli rnek hacmini hesaplaynz.
6. Bir parann 400 atmnda 175 tura ve 225 yaz gelmi olsun.
Tura gelmesi olasl iin % 95'lik ve % 99'luk gven aralklarnn, bu
rnek iin gven, snrlarn bulunuz. Bu sonulara bakarak parann
hatasz olduunu syleyebilir misiniz?
7. Kz ve erkek rencderin matematik dersindeki baarlar (baar yaz dnemi snavnda 5 veya daha yukar not almak eklinde tanmlanm olsun) arasnda bir farkllk bulunup bulunmadn tahkik etmek isteyen bir eitimci 65 erkek ve 52 kz renciyi tesadfi olarak
semi ve erkeklerden 30, kzlardan 16'snn bu anlamda baarl olduunu grmtr.
Bu bdgiyi kullanarak, % 90 gven katsays de, erkeklerin kz rencilere gre matematik dersinde daha baarh olduunu iddia edebdir
misiniz ?

263

eemdersnotlari.com

;s:

BLM VIII
HPOTEZLERN

TEST'

Istatistiki tahmin ve hipotez testleri konumuzun en nemli blmlerini tekil etmektedir. Bu blmden sonra greceimiz regresyon analizi de dgdi blmler esas itibariyle istatistiki tahmin ve istidllin uygulama alanlarndan biridir.
Hipotez testleri de dgdi blmn pln iki ksm eklindedir, nce
karar teorisi yaklam e hipotezlerin test'inin genel mant izah eddmeye allacak, daha sonra uygulamada en ok kullanlan, zellikle
normal dalm ktlelerin parametrelerine ilikin testler zerinde ayrntd ekilde durulacaktr.
I. HPOTEZ TEST'NE GENEL BR YAKLAIM
statistiki tahmin blmnde parametre, aksiyon, rnek uzaylarm
tammlamtk. Hipotez testlerinde de aym kavramlardan yararlanacaz,
nce hipotez test'inden ne anladmz belirtelim.
Tarif: Hipotez, parametre uzaynn bir partisyonu (bolnm)
dur. parametre uzay, Ho red hipotezi, H alternatif hipotezi gsterirse,
Ho:

6 ew
w(-

Hi :

)-Q

6 ew

Hipotez Q y ayrk iki blme, (w ve 2w), ayryor. H 0 hipotezinde, bdinmeyen ktle parametresi 0'nn w ksmnda deerler aldn,
alternatif H hipotezinde ise w iinde bulunmadn postle ediyoruz.
Basit X Karmak

Hipotezler:

Herhangi bir hipotezin w ya da fiw iinde tek bir deer iin kurulmas halinde bahis konusu hipotez basit bir hipotezdir. Mesel,
264

eemdersnotlari.com

H 0 : (jl = 2

H, : (a=3 de hem H 0 hem de H! basit hipotezlerdir. Dolaysyla

basit bir hipotezin, basit bir alternatife kar test'i yaplmaktadr. Gerek
w gerekse (Qw) alt setleri sadece l'er eleman (deer) ihtiva etmektedir.
Buna karlk;

Ho : [x = [o
H : [x ^ jxo da H 0 basit bir hipotezdir, nk w, parametre
uzaynda tek bir nokta tarafndan temsd eddmektedir. Buna karlk
H, karmak bir hipotezdir, nk fx0 dndaki btn muhtemel (X deerleri bu alt setin elemanlardr.
Daha az rastlanmakla beraber, karmak bir hipotezin basit bir alternatife kar test'i de mmkndr; mesel,
Ho : cr2<4
H : er2 = -4
Nihayet hem H 0 hem de H karmak olabdir. Mesel,
H : (x < [Xo
H : |x g jxo

bu ekdde kurulmutur.

Yaptmz snflamay tekrar edersek; balca 4 tip hipotez test'i

mevcuttur:
i) Basit bir hipotezin basit bir alternatife kar test'i
ii) Basit bir hipotezin karmak bir alternatife kar test'i
iii) Karmak bir hipotezin basit bir alternatife kar test'i
iv) Karmak bir hipotezin karmak bir alternatife kar test'i.
Aadaki hipotez test'ini dikkatle inceleyelim:
X

n([i,a 2 ) dalml bir ktleden n birimlik bir rnek alarak,

Ho : [x = 2

H : [x ^ 2 hipotezini test etmek istiyoruz. Burada dk bakta basit bir hipotez alternatif bir karmak hipotez ile test ediliyor
gibi grnyor. Ht'n karmak olduu ak. H 0 'in basit veya karmak
olmas ise ktle varyans a 2 'nin deerinin bdinmesi veya bilinmemesine
bal, a 2 = (T2O bilindiinde H 0 basit bir hipotez, aksi halde karmak bir
hipotezdir.
2t>

eemdersnotlari.com

>

r
|i = 2 deerine tekabl eden doru zerinde sonsuz a 2 deeri vardr.
Sadece jjl = 2 olduunu bilmek dalmn eklini tayin etmez.
Bu misl basit hipotezlerin bir zelliini anlamamza yardm etti.
Basit hipotezler olaslk veya sklk dahmnn kesin eklini tayin eden
hipotezlerdir, a 2 bilindiinde, X'in dalmnn ekli normal olduundan
[i = 2 dabmn kesin eklini tayin eder. ar2'nin bilinmemesi halinde,
ortalamas 2 olan pek ok dadm olabdeceine gre dalmn kesin ekli
ortaya kmaz.
Dikkat edddi ise, tesadfi deikenin dalmnn eklinin (normal,
binomial, poisson . . . gibi) bdindiini farzettik. Dalmn eklinin bilinmedii ya da bu konuya dikin bir faraziye yaplmad hallerde bu blmdeki hipotez test'i teknikleri uygulanamaz. Bu hallerde bizim kitabmzda kapsam d tutacamz "parametrik olmayan istatistik" yaklam uygulanr.
Test edilecek hipotezlerin kurulmas bal bana nemlidir. Her
bilim dalnn kendi sahasnda salam teknik bdgiyi gerektirir. Hipotezin
rnek alnmadan nce kurulmas gerekir, rnek alndktan sonra mutlaka red ya da kabul edilecek hipotezler kurulabdir. Bunu bir mislle
aklayalm: Belli bir iin ne kadar zamanda yapldn tesbit iin rnek
aldnz, rnek ortalamas 40 sn. kt, rnek standart sapmas da 2 olsun. Camnz belli bir olaslkla reddetmek istediimiz bir hipotez kurmak
isterse (i = 50 der ve red edersiniz. Kabul etmek isterseniz jjl = 42 der
ve kabul edersiniz. Byle bir uygulama gerekli objektiflikten yoksun
olmas nedeni ile tavsiye eddemez.
Neyin red hipotezi olarak konaca da ok nemlidir. Genellikle
rtmek istediimiz hipotezi red hipotezi yaparz. Mesel erkeklerin
266

eemdersnotlari.com

boylarnn kzlarn boylarndan anlaml ekilde farkl olduu dncesinde isek Ho hipotezini arada bir boy fark bulunmad eklinde kurarz.
Red hipotezi; ancak reddi sz konusu olan, reddeddmesi imknn
salayacak rnek verderinin yokluu halinde kabul etmek zorunda olduumuz hipotezdir. Red hipotezini kurarken mutlaka reddeddecek ekde kurmak hi anlaml olmaz. Baz iktisatlar regresyon analizi srasnda katsaydar iin uyguladklar t testlerinde sk sk bu hatay yaparlar.
Buna bir rnek verelim:
C p = f(Y d ) yani zel tketim harcanabilir gelirin bir fonksiyonu
olsun ve fonksiyonel ilikinin eklinin de dorusal olduu kabul edilsin.
C p = {3o -f- (3 Y d denkleminde (1) (3 marjinal tketim eiminin bir
tahminini verir. Marjinal tketim edimi (3 hakknda aadaki gibi bir
hipotez kurarsak hi de anlaml olmaz:
H 0 : (3 = 0

H, : (3 > 0
Marjinal tketim ediminin sfrdan pek anlamk ekdde farkl olaca aktr. H 0 burada mutlaka reddeddecektir. Buna kardk,
Ho : [3 = 3/4
H : (3 > 3/4
eklinde, iinde daha ok iktisat bulunan bir hipotez kurduumuz zaman
Ho'n kabul veya reddi (3'in dadmnn varyansna bal olacaktr.
imdi de t e s t kelimesinin tarifini yapabm:
/

Tarif: Tesadfi bir rnee dayandarak Ho'n H'e kar test'i

tesadfi rnein deerlerinin bir fonksiyonudur.
0(x,...xn)

0 ^ 0 ( x , . . .xn) ^ 1

0 ( x . . . x ) rnek sonularna dayanlarak Ho'n r e d d e d i l m e s i

olasl'dr. Test, rnek uzay S ile 01 aral arasnda iliki kuran
bir fonksiyon oluyor.
n birimlik bir rnek alnyorsa rnek uzay S, n boyutlu bir uzaydr.
Bu uzaydaki her noktann koordinatlar, X . . . X n tesadfi deiAenlerinin X|.. .x deerlerine, baka bir deyile, alnmas muhtemel rneklere tekabl eder.
L Regresyon blmnde zerinde duracaz.

267

eemdersnotlari.com

Test rnek uzayn kendi iinde ikiye bler. S H ve S v

SR= {x...x

: 0 ( x , . . . x n ) = 1}

SA={x...xn

: 0 ( X ! . . . x n ) = 0}

Bu set ifadelerinin anlam aktr: SR hipotezin reddine sebep olacak rnek deerlerini S A da H 0 hipotezinin kabul eddecei (ya da reddedilmeyecei) rnek deerlerini kapsar.
Eer 0 ( x . . . x n ) sadece 0 veya 1 deerlerini akyorsa t e s a d f i l e t i r i l m e m i t e s t , aksi halde t e s a d f i l e t i r i l m i t e s t adn alr.
Pratikte genel olarak tesadfdetirilmemi testler kullandr.
Test rnek alnmadan nce bir tesadfi deiken, rnek alndktan
sonra ise Ho'm reddi veya kabuln gsteren 1 veya 0 gibi bir saydr.
Test, istatistiki tahmin blmnde grdmz karar alma kuralna
bir rnek tekd eder.
;
v
zetlersek; kendi bilim dalmzda incelemelerimiz sonucu test etmek
istediimiz hipotezler elde ediyoruz. Yeterli hacimde bir tesadfi rnek
alyoruz. rnekten elde edden sonuca gre Ho' kabul veya reddediyoruz.
Ho'm kabul veya reddi a ve a 2 eklinde ifade edeceimiz iki a k s i y o n ' dur. Her aksiyona dikin olarak zarar kavram zerinde nceki blmde
durmutuk. imdi a ve a 2 aksiyonlarnn zararm inceleyelim.
S rnek deerlerini gstersin.
S = (Xi.. .xj
Eer s eSA ise a! aksiyonunu gsteriyor, yani H 0 ' kabul ediyoruz,
s eS R ise a 2 aksiyonunu gsteriyor, yani H 0 ' reddediyoruz.
Aksiyonlarmz sonucu uramamz mmkn olan zarar aksiyona
ve bilinmeyen ktle parametresine bahdr.
Eer 6 ew ise l(a t , 0) = 0
0 eQ w ise l(a 2 , 0) = 0 olur.
P(s SSA\ 0) A( aksiyonunu; P(s eSR\0) d a a 2 aksiyonunu gsterme
olaslklardr. Zarar fonksiyonunun beklenen deeri Risk iin,
R(d,0) = E[l(a,0)] = l(a,,0) P(s 6SA\0) + l(a 2 ,0) P ( s e S R \ 0 )
yazabdiriz. Bunun ifade ettii ey udur: Belli bir ktle parametresi 0
bir veri olarak rnekten aknan sonulara gre P(s eS A\0) olask ile
a aksiyonunu, P(s eSR\0) olasd ile de a 2 aksiyonunu gsterir ve bu
davranlarmz karl l(a,0) ve l(a 2 ,0) kadar zarar grrz.

eemdersnotlari.com

Kararlarmzda yanl yapma olasl da karar kuralmza ve ktle

parametresi 0'ya baldr. Hata yapmay, E(d,0) olarak gsterelim.
Acaba ne tip bata yapmamz mmkndr?
Ktle parametresi 0 gerekten w iinde ise ve biz a( aksiyonunu
gsterdiysek, ya da 0,(Q w) iinde ise ve biz a? aksivonunu gsterdiysek
bir bata sz konusu olmaz.
Eer gerekte 0 Ew ise fakat biz rnek sonularna dayanarak a
aksiyonunu setiysek, yani H 0 ' reddetti isek bir bata yapm oluruz.
(Tip I); gerekte 9 sw ise fakat biz a aksiyonunu setiysek yani
Ho' kabul ettiysek gene bir hata yapm oluruz. (Tip II).
e,(d,0) = P(s SSR\0 ew) = P(I)
e 2 (d,0) = P(s GSA\0 etiW) = P(II).
Bunu aadaki gibi bir tablo ile gsterelim:
Parametre 0
0 ew
0 e Ow

a (Ho'm kabul)

Tip II

a 2 (Ho'n reddi)

Tip I

Tekrar edelim: Tip I h a t a , kabul edilmesi gereken bir red hipotezinin rnek sonularna dayanlarak reddedilmesi, Tip II h a t a , red
edilmesi gereken bir red hipotezinin kabul edilmesi halinde sz konusu
oluyor.
Bizim iin ideal olan test prosedr, 0'nn btn muhtemel deerleri iin Risk'i asgari yapan bir test (karar fonksiyonu) bulmaktr. Bu
genellikle r^mkn olmaz. Bir test 0'nn baz deerleri, baka bir test de
0'nn baka deerleri iin minimum Risk'i salayabilir. 6'y bilmediimiz iin, hangi testin belli bir problemde minimum Risk'i verebileceini
tayin eden ak seik bir metot bulunmayabilir.
Risk'i hesaplarken dier bir glk de zarar fonksiyonunun bilinmemesidir. Bu durumda, hata olaslklarn minimum yapan testleri
kullanmak en makul yoldur.
I. tip hataya a(9), II. tip hataya (3(0) diyelim.
Uvgulanamz gereken yol, rnek hacmi veri iken, hatalardan herlanui iin irin belli bir olaslk tesbit etmek ve dier tip hatay minimum
269

eemdersnotlari.com

yapan test'i semektir. Mesel a( 6) = . 05 olarak tesbit edildi ise, bu

art salayan test'Ier arasndan i(0) = minimum olan seilecektir.
rnek hacmi veri iken a ve p hatalarndan sadece bir tanesini kontrol altnda tutabiliriz. Her iki tip hatann birden kontrol ancak rnek
hacmini gerekli olan seviyeye ykseltmekle mmkn olur.
Acaba rnek hacmi veri iken bu hatalardan hangisini kontrol
etmee alalm? Genellikle a(0) hata kontrol eddmeye allr. Bunun
sebebini, red hipotezinin kuruluundaki yaklamda aramak gerekir.
Red hipotezi H 0 , reddetmek istediimiz hipotezdir. H u 'n doru olduu
halde reddi olasl, o(0)'y yksek tutmakla kendi dncelerimizin
doru olmadklar halde doru grnme olasln arttrm oluruz. Bu
sebeple herhangi bir test'in anlamllk seviyesi denince akla (1 maksimum ix(0)) gelir.
Test'in

Kuvveti:

T a r i f : 0 ( x . . .x n ) test'inin kuvveti red hipotezinin reddedilmesi

olasldr. Kuvveti P(0) eklinde gsterirsek;
0 evv
0 eO-w

ise P(0) = a(0)

ise P() = 1 (3(0) olacaktr.

P(0) n ideal deerleri 0 ew iin 0, 0 w iin ise l'dir. Fakat,

pratikte ideal kuvvet deerlerine sahip testler uygulanamaz. Bu durumda veri a(0) iin kuvveti maksimum yapan testleri seme yoluna gideriz.
nk bylelikle doru olan H0 hipotezini reddetme olasln istenen
bir seviyede tutmu, bunu yaparken de yanl hipotezleri reddetme olasln maksimum yapm oluruz.
[1P()] ya da test'in i l e y e n k a r a k t e r i s t i i ad verilir.
imdi birka mislle, imdiye kadar zerinde durduumuz kavramlara biraz daha aklk getirmeye ababm.
Misl 1: Siyasal Bilgiler Fakltesi rencilerinden ou, Trkiye'nin
daha bamsz bir d politika uygulamasn arzu ediyor mu? Bu soruya
cevap arayan bir aratrmac, bamsz politika tarafllarnn ekseriyette
olduu hipotezini test etmek istiyor.
Hipotezini,

H 0 : p 5 .5
H! : p > .5

eklinde kuruyor, p bamsz d politika isteyen rencderin yzdesini

gsteriyor. Bu maksatla yerine koyarak 20 rencilik bir rnek alyor.
Karar alma kural (test) yle:
270

eemdersnotlari.com

X tesadfi deikeni O, 1 deerlerini alabilen binomial dalm bir

deiken olsun. O daha bamsz d politika istememeyi, l'de daha
bamsz politikay gstersin.
Aratrmac
rneine bakacak ve
20

- ,

S Xj > 17 karsa H 0 ' reddedecek aksi halde kabul edecek.

/

S r = {18,19,20}

0 ( x 1 / . . x n ) ^ = l 1 eer
I

SA = {O 17}
Test'in kuvveti:

P(p) = a(p)
20

P(p) =

0 "

S
20

i=Sl

Xj

^18

Xjgl7

(p ew)
2 0

(S,) p S 1

(p e Ow)

x=18

Gerek ktle oran p'nin .5 de 1 arasndaki deerleri iin doru

aksiyon Ho'n reddidir. Acaba .5 ^ p
1 arasndaki eitli p deerleri
iin yanl olan Ho' reddetme olasl," dolaysyla bu test'in kuvveti
nedir ? Bunu anlamak iin denklemde p yerine deerlerini koyarak hesaplama yapabm. Bu hesaplamalar bize dadaki tabloyu verecektir:

eemdersnotlari.com

p
.50
.55
.60
.65
.70
.75
.80
.85
.90
.95
1.00

P(H 0 , n reddi)
.0002
.0009
.0036
.0121
.0355
.0912
.2061
.4049
.6769
.9245
1.0000

ekilde bu test prosedrnn kuvvet erisi ve ideal kuvvet erisi

birlikte gsterilmitir. deal kuvvet erisi (testere eklinde) . 5'e kadarki
p deerleri iin H 0 ' red olasdn 0, . 5 ten byk deerler iin de 1 olarak gstermektedir. imdi aratrmacnn uygulad test'e bakabm.
Ho'n doru olmas halinde birinci tip hata yaparak H 0 ' reddetme
riski a(p) ok kk. Buna karlk J3(p) ok byktr, p'nin, .5 ten yukar btn deerleri iin H 0 ' reddetmemiz gerektii halde mesel p = . 8
iin H 0 ' .7939 ihtimalle kabul edeceiz.
Acaba n sabit kalmak art ile daha kuvvetli baka bir test uygula20

yabilir miyiz? imdi S x,

14 olusa H 0 ' red, aksi halde H 0 '
i=l
kabul etme eklinde bir test'i uygulayalm. Bu test iin de kuvvet deerlerini ve erinin grafiini, nceki ile mukayeseli ekilde gsterelim:
P
.50
.55
.60
.65
.70
.75
.80
.85
.90
.95
1.00

P(H 0 ' red)

.0577
.1299
.2500
.4166
.6080
.7857
.9133
.9781
.9996
1.0000
1.0000

eemdersnotlari.com

kinci test'te a(p) biraz artt, fakat .5 f p < 1 aralnda her noktada ikinci test'in kuvveti ok daha fazla.
Bu mislde bir nokta dikkati ekmi olmaldr: test'in kuvvetini
hesaplamak iin (ya da elenik bir ifade ile ikinci tip hatay hesaplamak
iin) alternatif hipotezdeki parametre deerinin belli olmas gereklidir.
Misl 2: n(fx,l) dalml bir ktlenin bdmediimiz ortalamas {i.
hakknda, belli iki deerden birini veya dierini ald eklinde bir hipotezi test etmek istiyoruz. Parametre uzay:
D = {fi: 0,1}

ve

H 0 : fx = 0
Hj : [i = 1

w = {|x : jx = 0}
O w = {[i : jx = 1}

Zarar fonksiyonunun farzedilen deerleri de aadaki gibi olsun:

l(a, ;

e w) = 0

l(a ; (JL ew) = 2

l(a 2 ; (x eQw) = 0
l ( a 2 ; (x ew) = 3
Test prosedrmz ya (la karar alma kuralmz; t birindik bir tesadili

eemdersnotlari.com

rnek almak ve rnek ortalamas x i 0 karsa Ho' reddetmek, x <0

karsa H 0 ' kabul.etmek eklinde belirleyelim.
Buna gre,
S A = { x : X <0}
SR = {X : X ^ 0}
Bu test'e ilikin olarak risk, I ve II. tip hatalar ve test'in kuvvetini
hesaplayalm:
V

R(d, n ew) = 3P( X

+ 0P( x < 0 V = 0) = 3(. 50)== 1.5(2)

R(d,(i eQw)=2P( x < 0 V = 1 ) + 0 P ( x 0 V = 1 ) = 2 ( . 0227)=. 0454(3)

w

Qw

ja = 0
a H 0 ' kabul
a2

Ho' red

(i. = 1

.50

T i p l i P((i.) = .0454

Tip I
oc(JA) = .50

Test'in kuvveti:

a(u) = .50
(3(u) = .0454

.9546

^ ew

iin

P(;J.)

ii e2w iin P()

= a(|x) = .50
= 1 .0454 = .9546 (4)

Likelihood Oran Test'i(*)

Yukardaki iki mislde grld gibi, karar kural veya stratejinin
seimi, baka deyile test'in tayini, bu seimi kolaylatran bir takm
kriter ve metotlarn bulunmasn gerektirir. Likelihood oran test'i;
basit bir hipotezin alternatif bir basit hipoteze kar test'i yaplrken,
kabul edilebilir stratejiler veren bir yaklam olarak, bu konuda bize
yardmc olacaktr.
* Blmn dier ksmlarna gre daha ii olan bu konu, gert-kli grldnde ihmal
edilebilir.
/X(A

P ( X 0 ) = p(

(A \

P(z20)- .5000

\<JV n a/V n /
X(A
3

z=

01
=

o/yT

= 2

|z| =2-*.4773

P ( X < 0 1 (A = 1)=.5000.4773

=.02"

4 Bu test ileminin bir kritiini yapnz. Alternatif testler ya da karar kurallar teklif ediniz
ve bunlar iin de a^fi), (3(|A), p((A) y hesaplaynz.

274

eemdersnotlari.com

Bu test'in kullanlabilmesi likelihood fonksiyonunun yazlabdmesini gerektirir. Basit hipotezler, tesadfi deikenin olasbk veya skhk
fonksiyonunun kesin eklini anlamamza imkn veren hipotezler eklinde
de tanmlandna gre, basit hipotezlerin birbirine kar test'indebu
metodu uygulayabiliriz. imdi test'i formel olarak tarif edelim.
Tarif: f(x,0) dalml bir ktleden,

Ho : 8 = 9,
H : 8 = 82 hipotezini test etmek iin n birimlik bir tesadfi
rnek alndnda likelihood oran X,
X=

f(x0,)f(x2,0)...f(xn,0)
f(X I ,0 2 )f(X 2 ,0 2 ),..f(X n ,0 2 )

yazalm.

X > k ise Ho' kabul etmemiz,

X ^ k ise Ho' red etmemiz (5) eklindeki test likelihood oran test'idir. Bu test S A ve SR'yi yani hangi rnek deerleri iin Ho'n kabul,
hangileri iin red edileceini tayin eder. Test'in uygulann misllerle
aklayalm.
Misl 1: (6) X,n([x,l) dalml bir ktleden alnacak 1 birimlik
bir tesadfi rnek olsun.

H0 : n = 1
H : fi. =

Likelihood oran: X =

f(x,l)
f(x,0)

-M*+i)2

v^
1
y/c

- J x*
e

\ (x2+2x+lx2)
\ (2x+1)
= e
= e
e

-x

5 Bu tesadfiletirilmemi bir test'i ifade eder. Eer X k halinde belli bir olaslkla
H'n kabul veya reddi sz konusu olsayd, bu taktirde test tesadfiletirilmi olacakt.
6 Mood, Graybill a.g.e. Sh. 86.

eemdersnotlari.com

k= e

alalm.
X > k - e

>e
. *

e~* > e
Hangi x deerleri bu eitsizlii salayacaktr: Her iki tarafn tabii
logaritmas abnrsa, x > 1; Buradan da x < 1 bulunur.
O halde 1 birimlik bir rnekte x < 1 ise H 0 ' kabul edeceiz, aksi
halde red edeceiz. S a = {x : x < 1}, S a = {x : x > 1}
Misl 2: n([x,l) dalml bir ktlenin ortalamas y. de dgili olarak,
Ho : [X = 2
H : (X = 0 hipotezini test etmek iin n birimlik bir rnek ahnvor.

1
n

i=l

f( Xl ,2)

Likelihood oran X =

-JS(Xi-2)2

V2S
=
1

n f(x[,o)

\ [E X l 24Sx 1 +4nS X i 2]
22x t 2n
= e
= e
2n x2n
= e
2n x2n
Eer e
> k olursa Ho' kabul edeceiz. Her iki tarafn
logaritmasn alarak ve basitletirerek;
2n X > n k + 2n
1
1
X >

n k -f- 1

2n

n k + 1 = c

diyelim.

2n

X> c

ise

Ho' kabul edeceiz.

X< c

ise

Ho' red edeceiz.

Bir tesadfi deiken olarak x'n dalmn H 0 ve H faraziyelerine

gre izelim.
276

eemdersnotlari.com

Bu problemde e'nin deeri, a(u.) ve j3(fi) hatalarna vereceimiz

deerlere baldr.

a( fi ) = P(I) = P ( x < c V = 2)
P(|x) = P(II) = P ( x > o V = 0)
Eer rnek hacmi ve P(I)'i belirtirsek mesel n = 4, a([i) = .05 ise
standart normal dadm tablosunda ,4500'e tekabl eden z deeri
1.645'tir. (x = 2 ise;
a
c = |A 1.645 = 2
y/n

1.645

= 2 .8225 = 1.1775

Bu duruma gre test ilemimiz yle olacak; 4 birimlik bir rnek

alacaz, rnek ortalamas 1.1775'ten byk karsa Ho' kabul, aksi
halde reddedeceiz. Bu test iin P(II) ve test'in kuvveti P([i.)'y hesaplayalm:
P(|i) = P(II) = P( x > 1 1775 V = 0) = . 0094
P((a) = 1 p(n) = 1 _ .0094 = .9906
X |X
7

(i = 0 ise 2 =

(7)

1.1775
=

= 2.355 Standart normal dalm sklk fonksis/V~

.5000
yonu tablosundan 2.355'e tekabl eden olask .4906 olduuna gre .5000-4906 = .0094
elde edilir.

277

eemdersnotlari.com

Hem a((x) hem de J3(JA) nn ayn anda kontrol ise ancak rnek hacmini gerekli seviyesine karmakla salanabilir. Mesel, P(I) = .02 ve
P(II) = .01 olmasn isteyelim:
P(I)'in-.02 olmas iin,
2.054
c = [Ao

2.054
=2

olmaldr.

y/n

Vn

P(II)'nin .01 olmas iin,

2.323
c = jxt H

2.323
==

olmaldr.

Va

Vn

O halde her iki tip hatay da istenilen seviyelerinde kontrol edecek rnek
hacmi,
2.054
2

2 ==

V'n

2.323
=

4.377

/.4.37
"v

Vn
2.323

eitliinin zmnden bulunacaktr.

Vn

\ 2
= 1.06

V3
Bylelikle, 5 birimlik bir rnek hacmi iki hatay da istenilen seviyede
tutmamz salayacak ve test,
Kabul

H 0 : [A = 2 eer

X > 1.06

ise,

Red

H 0 : (A = 0 eer

X < 1.06

ise eklinde olacaktr.

Pratikte grlen test'ler bu misllerdeki gibi basit test'Ier deil,

ou kere karmak hipotezlerin birbirlerine kar test'leri eklindedir.
Bunun yannda hipotezler dahmn tek bir parametresine ilikin olarak
ded, bir parametre set'i ile ilgili olarak da kurulabdir. Bu gibi hallerde,
" g e n e l l e t i r i l m i l i k e l i h o o d oran t e s t ' i " kullanlr. Bu konu
esas itibariyle kapsam d brakld iin sadece esasnn ne olduunu
ksaca belirtmeye alalm.
278

eemdersnotlari.com

X t . . . X n : f ( x : 0 . . . 0 k ) sklk fonksiyonuna sahip bir ktleden

alnacak n birindik bir rnek olsun.
H 0 : (9, . . 0 k ) e w
H : ( 0 ! . . . 0 k ) e n w
n
Likelihood fonksiyonu: L == II

i=l

f(x, : 8 . . ,0 k )

Bu fonksiyonun w iindeki parametre deerleri iin maksimum'u

L(w), yani parametre uzaynn tm iindeki maksimum'u da L(Q)
olsun.
L(w)
Genelletirilmi likelihood oran X =

tir.
L(Q)

L(w) ^ L() olduu iin 0 < X ^ 1 dir.

X'nn negatif olamamas iki birleik skbk fonksiyonunun bir oran
olmasnn sonucudur.
Bu metotta bir H 0 hipotezinin test'inde Red blgesi 0 < X < A
alandr. Burada A, j" g(X\H 0 ) dX = a = P(I) olacak ekdde tesbit
eddir.(8)
Blmn bundan sonraki ksmnda hipotez test'lerine pratik ynden yaklaacak ve pratikte en ok kullanlan test'ler zerinde daha ayrntl olarak duracaz. Likelihood oran test'inin nemi, pratikte greceimiz test'lerden ounun esas itibariyle bir L. oram test'i olmas ya
da bu test'e indirgenebilmesidir.
II. PRATKTE OK KULLANILAN BRKA HPOTEZ TEST'
Blmn hu ksmanda normal dalm ktlelerde ortalamalar,
ortalamalar fark, ktle varyans veya varyanslar fark de dgdi test'lerle,
byk rnekler iin oranlar ve oranlar fark de dgdi test'leri ve contingency tablolarn (x 2 test'leri) greceiz.
8 Teoremin belirledii artlar altnda; H 0 : 0, = 0 0 2 = 02 . . . 0 ( = 0, t < k olsun,
rnek byk ve H 0 doru olduu taktirde.2 lnX
y j t ifadesi dorudur. Bu durumda eer
-"lnA, x seviyesindeki yf tablo deerinden bykse H0' reddederiz, aksi halde HQ' kabul
ederiz. Bu konularda daha fazla bilgi iin baknz: Mood, Graybill a. g.e. 290-301.

279

eemdersnotlari.com

1. Normal D a l m n O r t a l a m a s (jz) ile i l g i l i T e s t ' l e r :

X j . . . X n ; f(x) ^ n((x,d2) dalml bir ktleden alnacak n birimlik
bir tesadfi rnek olsun. Ktle varyansmn bdinmesi ve bdinmemesi
hallerinde uygulanacak test'leri ayr ayr inceleyelim:
a) K t l e V a r y a n s <r2'nin Deerinin B i l i n m e s i H a l i :
nce iki tarafl, daha sonra da tek tarafl hipotez test'leri zerinde
duralm.
G2

n(fz,

i) ki tarafl test:
1

H 0 : jz = (Zo

G2 = G02

H : (x

a 2 Go2 biniyor.

[Zo

biniyor.

eklinde ise nce standart normal dabm kullanabmek iin bir dntrme yaparz.
X [Zo

z -

n(0,l)
Gol y/

Test iin bir anlamldk seviyesi ya da gze alacamz birinci tip

hata seviyesi a'yi tesbit ederiz. Bu test'te jza dan hem daha kk hem
de daha byk [z deerleri alternatif hipotez eklinde verildiinden
a'y ortalamas 0 olan normal dalmn iki yanna eit ekde^^ blmemiz gerekir. Bulacamz za/2 deeri yle bir z deeridir ki skkk
fonksiyonu grafiinin sa tarafnda bu deerin sanda kalacak alan z/2
benzer ekde, simetri zellii sonucu, dakmn sol tarafnda da za/2
a
deerinin solunda kalan alan
dir.
2
Tablodan bulduumuz deere t ab z, standart normale dntrme
sonucu elde ettiimiz z deerine de cal z diyelim. Yapdacak i cal z
de tab z'yi kardatrmaktr.
Eer

jcal z | < tab za/2 ise H 0 ' kabul ederiz.

|cal z |

tab za/2 ise H 0 ' red ederiz.

280

eemdersnotlari.com

ve bu karannzda, gerekte kabul etmemiz gereken bir red hipotezini

reddetmemiz risk'i a olur.

Yaptmz test ile gven aral tekil etmenin elenik ilemler

a
a
olduu grlyor, (pu, za/2
) ve ([Ao -f za/2
) eklinde iki
Vn"
Vn
deer arasnda kan bir rnek ortalamas Ho' kabul etmemiz, bu iki
deer dnda kacak bir x deeri de H 0 ' red etmemiz sonucunu douracaktr.
ii) Tek Tarafl Test'ler
1)

Ho : [A

[Ao

A2 = AO2 bdiniyor.

H : [A < fzo

<t2 = ao2 bdiniyor.

Ho : [A ^ [Ao

a 2 a2 bdiniyor.

H : (A > [Ao

a 2 do2 biliniyor,

veya
2)

eklinde ortaya konula-

bdir.
Her iki halde uygulanacak test ilemlerini sra ile grelim.
X

1) Hipotezin kuruluunun mahiyeti gerei; cal z =

(Ao

heCTo / Vn

saplanr.
281

eemdersnotlari.com

cal z < tab z a ise H 0

cal z > tab z a ise

reddedilir,

H 0 kabul edilir.

Burada z a , z'nin sklk dabmnn sol tarafnda yle bir deerdir

ki, bunun solunda kalan alan a'ya eittir.
2) Burada da nce; cal z hesaplanr,
Eer

cal z > tab z a

ise H 0

cal z < tab z a

ise

reddedilir.

H 0 kabul eddir.

z-x, z'nin sklk fonksiyonunun sa tarafnda yle bir deerdir ki

bunun sanda kalan alan oc'dr. Aadaki ekdde (1) ve (2) klar ayr
ayr gsterilmitir.

Bu testlerde
ve test'in kuvveti P([i)'y bulamadk, nk bu
deerler ancak alternatif hipotezde tesadfi deikenin dalmnn eklinin tam olarak bilinmesi ile mmkndr.
Mesel; H 0 : fi = fio

s 2 e 0 2 bdiniyor.

H : jx = (i t 2 = cro2 biliniyor, eklinde hipotezler ortaya konmu olsayd, o zaman a ve 'y ve test'in kuvvetini hesaplamamz mmkn olurdu.
Mesel, (io > [At ise;
Burada verden bir rnek hacmine gre a ve (i bulunabilir, ya da a
ve (i nm belli deerlerini salayacak rnek hacmi tesbit edilebilir.
282

eemdersnotlari.com

Ked

Kabul

Hipotez test'inde yaptmz ilemi zetlersek; bir anlamllk seviyesi, dolaysyla bir tab z deerini buluyoruz ve bu deerle cal z deerini
karlatryoruz. Bu yaklam hipotez test'lerie ou zaman sakncal
olabilecek bir rijidlik veriyor. Bunun yerine yine bir cal z deeri bulabiliriz ve bunun hangi seviyede Ho' anlaml olarak red etmemizi salayacam buluruz. Mesel caiz = 1 . 4 0 kt ise Ho' reddetmemiz, tek
tarafl bir test yapyorsak x
.08 seviyesinde, iki tarafl bir test yapyorsak a
.16 seviyesinde kabildir. Dolaysyla srasyla .92 ve .84
seviyelerinde anlamllk salanabilir. Bu yaklam bize a'nm ex ante
ded, ex post olarak tayini imknn verir ve aldmz rnein sonularn daha seyyal ekilde test etmemizi salar. Herhangi bir test yapmak
<70
yerine sadece er =
deerini vermekle yetinmek bile mmkn\J n
dr. steyen bu bilgiyi, herhangi bir hipotezi, herhangi bir anlamllk
seviyesinde test etmede kullanabilir. Regresyon analizi ile ilgili blmlerde, regresyon katsaylar ile ilgili t test'lerinde bu yaklamn ok kullanldn greceiz.
imdi bir ka misl zerinde aklamalarmza devam edelim.
Misl 1: GMA, bir biskvi fabrikasna 50 biskvilik kutular sipari
etmitir. Gelen partiyi kontrol amac de 36 kutuluk bir rnek alnyor.
Mutlaka reddi gereken ktle nitelii kutu iinde 45 biskvi olmasdr.
GMA'nn karar kural yle olsun: 36 birimlik rnekte ortalama 48 veya
283

eemdersnotlari.com

daha az karsa parti reddeddecek, aksi halde kabul eddecek. Ktle

standart sapmasnn 9 olduu daha nceki siparilerin analizinden biliniyor olsun.
i) Bu karar kurabnda I ve II. tip hata ihtimallerini bulunuz.
ii) Her iki tip hatay % 2.5 yapmak iin takip edilmesi gerekli
karar verme usuln tesbit ediniz.
Cevap:
i)

H 0 :-u 50
H, : |x = 45
n = 36
/a = 9

TUU

|cal z |

M.'*

X (0

48 50

oj-y/n

9/6

kabul

= 1.33
! .33 deerine tekabl eden tab z olash .4082 olduuna gre,
P(I) = ((x) = .5000 .4082 = .0918
284

eemdersnotlari.com

Cal z =

X' (i
Vn

= 2 => tab z deeri .4773 olduuna gre

u

P(ji) = P(II) = .5000 .4773 = .0227

Uo\

fV-

k=L{

d(/)-.o2S

i)
a = .025 olduuna gre x = 5 0 1 . 9 6 olmaldr.
Vn
P([i) = . 025 olduuna gre x = 45 -f- 1.96 olmaldr.
Vn
Buradan,
9
9
50 1.96 = 45 -f- 1.96
eitliinin zm bize n ^ 50
Vn
Vn
deerini verecektir. O halde 50 birimlik bir rnek alnacak ve
9
X = 50 1.96

= 47.5 tan kk karsa H 0 reddedilecek, aksi

7.07

eemdersnotlari.com

halde Ho kabul edilecektir. Bu karar verme kural, her iki tip hatay da
. 025 olarak tahdit etmi olacaktr.
Misl 2f: Bir kablo firmas, ortalama gerdim kuvveti 200 kg. ve
varyans 144 kg. olan kablolar imal etmektedir. Uygulanmas dnlen
yeni bir istihsal prosesinin gerilim kuvvetini arttrp arttrmayaca
aratrlmaktadr.
i) 49 birimlik bir rnekte eski istihsal prosesinin .95 anlamllk
seviyesinde reddi hangi halde mmkn olabdecektir ?
ii) Birinci ktaki karar verme kural uygulandnda, yeni prose
gerilim kuvvetini 205 kg.ma. kard halde eski proseye devam etmeye
karar verme (H 0 ' kabuk etme) olasl ne kadardr?
iii) Bu problem de ilgili ileyen karakteristik ve kuvvet erderini
iziniz.
C e v a p : i) Test edilmek istenen hipotez yeni istihsal prosesinde
ktle ortalamas ile ilgili:
Ho : (i = 200 kg.

a 0 2 = 144 kg.

H ( : fi > 200 kg.

G02 = 144 kg.

(gerilim kuvveti bakmndan

arada farkllk yok)
(yeni

prose daha yksek

gerilim kuvveti sahyor)

Test: cal z > tab z a ise H 0 reddeddir, aksi halde kabul eddir.
tab z.o5 = 1.65

(. 1500 olasba tekabl eden tablo deeri)

O halde caiz > 1.65 karsa Ho, -95 anlamllkla reddedilebdecektir.

X 200

1.65 =

x = 202.83

12

X > 202.83 karsa II 0 reddeddccek, aksi halde kabul edilcektir.

ii)

202.83 205

= 1.266

1.266 z deerine tekabl eden olaslk .3970 olduuna gre |x = 205

olduunda H 0 .8970 olaslkla reddeddecek, .1030 olaslkla kabul eddecektir. Yani, p(j) = P(II) = .1030 olacaktr.
286

eemdersnotlari.com

iii) OC ve kuvvet ererini izmek amac ile yeni proseni ortalamas iin muhtelif deerler verelim ve her deere tekabl eden !3(tz) ve
P([i) 1 (3([z) yi hesaplayalm. Aadaki tablo birka farazi deer
iin sonular gstermektedir.

195

200

202

205

210

1.000

.95

.488

.1030

.000

.05

.512

.8970

1.000

OC ve P erderinin incelenmesi elenikliklerini ortaya koyuyor. OC

erisi muhtelif [z deerleri iin Ho'n kabul, P ise muhtelif jz deerleri
iin Ho'n reddi olaslklarn gsteriyor. Ayn jz deerlerine tekabl eden
OC ve P deerlerinin toplam da daima 1.
OC erisi; yeni prosenin eskisinden daha dk gerdim kuvveti salamas halinde eski proseye devam edileceini (z = 200 halindeki .05
hata olmas kaydyla), yeni prosenin ortalamasnn 210 kg. olmas halinde ise eski proseye devam ihtimalinin mevcut olmadn gsteriyor.
Her iki eri tek tarafl hipotez test'leri iin tipik eriler.
b) K t l e V a r y a n s n n B i l i n m e m e s i

Hali:

Ktle varyansnn bilinmedii hallerde istatistiki istidllde t dalmnn kullanldn daha nceki blmde grmtk. Bunun sebebi
287

eemdersnotlari.com

288

eemdersnotlari.com

t dalm statistii ergden bamsz olmas idi. zellikle kk rneklerde normal ve t dahmlar arasnda daha fazla fark olduundan, baz
kitaplarda bu hal "kk rnek yaklam" eklinde ifade eddmitir.
( X j . . .X); f(x)
n(a.er-) dalml bir ktleden alnacak n birimlik
bir tesadfi rnek ve test etmek istediimiz hipotez;
Hn :

== txo

0 <o 2 < co

uo

0 <g2 < co

H[ : n

olsun.

Burada uygulanacak test genelletirilmi likelihood oran test'inin

bir sonucudur.
x

T =

X (Xo

1X0

/Si-i(Xix)2
V

V
n(n-l)

t n _ olduunu aralk eklindeki tahminden biliyoruz.

s
w

Burada da test cal t ile tab tn-l,a/2 deerlerini karlatrmak

suretiyle yaplacaktr, tab tn-l,a/2 yle bir t dalm deeridir ki,
(n1) serbestlik derecesi iin t dalmnda bu deerin sanda kalan
alan y. 2'ye eittir.
Test: Eer jcal T | > tab t

n1,

i cal T j g tab t
n1,

ise Ho' reddederiz.

ise Ho' kabul ederiz. (9)

Misl: Manganezin erime noktas ile ilgili olarak,

Ha : x 1260 c
S
9 Bu yaklamla aralk eklinde tahmin elenik yaklamlardr. ( x

S
U. t

x/2

y'.r

a/2 - ve

V
eklinde iki deer bulur ve jx,*n deerine bakarz. Eer ^ bu iki deer ara-

,mla ver alyor-. U,*' tabol ederiz, aksi halde H0' reddederiz.

289

eemdersnotlari.com

H : (i
1260 c hipotezi test edilmek isteniyor. Bu amala 4
birindik bir rnek alnyor ve 1269,1271,1263,1265 bulunuyor. % 95
anlamllk seviyesinde test'i yapnz.
Cevap:
X

= 1267, n = 4

cal T =

1267 1260
=

yj40/12

1.862

= 3.83

tab tn-l,a/2 = tab t 3 ,. 0 2s = 3.182

cal T > tab t olduu iin % 95 anlamllk (% 5 birinci tip hata riski) ile
Ho' reddeder ve mangenezin erime noktasnn anlaml ekilde 1260 c'den
farkl (az ya da ok) olduu sonucuna varrz.
a 2 'nin bdindii hale paralel olarak burada da tek t a r a f l test'lerin nasl yaplacan grelim.
i)

Ho :

^ Jio

0 < a2 <

H : [j < (lo

0 < o2 < m

Test: cal T < tab t n _,a ise H 0 ' reddederiz,

cal T tab t n _,a ise H 0 ' kabul ederiz.
ii)

Ho : ji g (jto
H : > fx

0 < a2 < =
"

Test: cal T > tab t n _,a ise H 0 ' reddederiz.

cal T ^ tab t n _,x ise H 0 ' kabul ederiz.
Btn bu test'lerde, anlamllk seviyesi (veya elenik olarak I. tip
hata yapma risk'i) ni ex ante olarak tesbit ettik. Bu tip test'lerde de belli
bir H0 hipotezinin, belli rnek deerleri karsnda % ka anlamllkla
red veya kabul edilebileceini de sorabilir yani anlamllk ya <la a(a)'y
ex post olarak tesbit edebiliriz.
t
2. O r t a l a m a l a r A r a s n d a F a r k n T e s t ' i :
Pratikte, deerleri bdinmeyen iki ktle ortalamasnn mukayesesi
ve bunlar arasnda anlaml bir fark bulunup bulunmadnn test'i ok
yaplr. Bu tip testlere pek ok misl verilebilir. ki farkl suni gbre
cinsinin belli bir tip toprakta buday verimine etkisi, kadn ve erkek
290

eemdersnotlari.com

iilerin belli bir ii yapma sreleri arasnda anlaml bir fark olup olma-1
d, istihsal prosesine eklenen yeni bir aletin verimldii arttrp arttrmad gibi... ktisattan da bir ka misl verelim: 1923-1938 devresi de
1945-1969 devreleri arasnda byme hzlar arasnda anlaml bir fark
var mdr? 1950-1958 devresi ve 1959-1969 devresi arasnda marjinal
tketim eiliminde anlaml bir dme meydana gelmi midir... gibi.
Hipotez test'lerinde genellikle yapld gibi burada da ktlenin dadmlan hakknda belli faraziyeler yaplr ve iki ktleden, birbirinden
bamsz rnekler alnr. Ktle varyanslanmn bdinip bdinmediine gre
farkl yaklamlar uygulanr.
a) Ktle V a r y a n s l a r n n B i l i n m e s i H a l i :
,
1
\
Elimizde X ve X 2 tesadfi deikenlerinin meydana getirdii iki
normal dalm olsun.
X,

n([A,<7 2 )

n([A 2 ,<X 2 2 )

Test etmek istediimiz hipotez:

H 0 : [A == [A2 veya
H : [A ^ [A2 veya

[x [A2 = 0
|[A- [X2 J > 0

cr2 ve ct22 biliniyor.

<72 ve a 2 bdiniyor.

Burada H 0 hipotezinin mutlaka [A [A2 eklinde kurulmasnn

gerekli olmadn belirtelim. [A [A2 = c gibi (c bir sabit) bir hipotezi
de alternatifi |[A [A21 > e ye kar test edebdirdik. Hipotezlerin kurulu ekli o bdim dal ile ilgili kimselerin uygun grecekleri ekilde yapdabilir ve esas itibariyle her bilim dalnn urasdr.
Test'i yapmak iin birbirinden bamsz olarak her iki ktleden n
ve n 2 hacimli rnekler almyor ve X, X2 ortalamalar elde ediliyor.
[A [A2 nn tahmin edicisi olarak,
(TL2
X X 2

Z=

n([A[A2,

(XX2)

CF22

n,
([i

/ (Tl*

<T22

n2

n2
t^ 2 )

) eklinde dalr.

n(0,l)

291

eemdersnotlari.com

Yaplacak ilem bilinen deerleri yerine kayarak Cal z deerini

hesaplamak bunu tab za/2 ile karlatrmaktr. Daha nce olduu gibi,
burada da,
|calz | > tab za/2 ise H 0 reddedilir, aksi halde kabul edilir.
Tek tarafl hipotezlerin test'i:
i)

Ho : [i ^ y.2 veya
H : (t! <
veya

[ij (i 2 <; 0
fi (i 2 < 0

Test: cal z < tab z a , ise H 0 reddeddir, aksi halde kabul, edilir.
ii)

H 0 : (X Sa [iz veya

JAI ji.2 0

H : pi > fi2 veya

[x fi2 > 0

Test: cal z > tab z a ' i s e H 0 reddedilir, aksi halde kabul edilir.
b) Ktle V a r y a n s l a r n n B i l i n m e m e s i

Hali:

Daha gereki olan bu halde iki farkl durumu belirtmeliyiz.

i) Ktle varyanslarnn eit olduklarnn bilinmesi ya da farzeddebilmesi fakat bu ortak varyansn mutlak deerinin belli olmamas.
rt2 = cr22 = cr2 olduu bdiniyor fakat a 2 bilinmiyor.
ii) Ktle varyanslar hakkndaki tek bilgimiz pozitif olduklar.
Bunun dnda bir bdgiye sahip deiliz. (Behren-Fisler Problemi).
(i) hali iin kesin test'ler, (ii) hali iin de eitli yaklak test'ler mevcuttur. imdi her iki hali inceleyelim:
i) Varyanslar bilinmediine gre, bu deerlerden bamsz olan t
dalmn kullanmamz gerektiini aralk eklinde tahminden biliyoruz.

[ ( X X 2 ) (fJU;JL2) ]

nn.2
\l n -f -n;

T "=

' tn, -j-n,2 ( 1 0 )

S
(Kii-c,)2^- S
=L
i=l

(X 2I -X2)

n t + n22

10 Forraiilii kanln aralk eklindeki tahminde grmtk.

292

eemdersnotlari.com

Kurduumuz hipotezlerin ekline gre cal t ve tab t deerlerini karlatrarak iki ve tek tarafl test'leri yapabdiriz.
1) ki tarafl
Ho : (A (i.2 = 0
H : (x, jx2 jiz 0 .

<r2>0, CT22>0 <72 = c?22 = a 2

Test: Eer [cal 11 > tab ta/2^,+^-2 ise H 0 ' reddederiz.

Eer |cal 11 g tab toc/2,n1+n2-2 ise H 0 ' kabul ederiz.
2) Tek tarafl:
i)

H 0 : (A (x2 :> O
Test: cal T stab t a , n +n 2 -2 ise H 0
H : (X (a2 < O

ii)

Ho

: (A

(A 2

reddedilir, aksi halde kabul eddir.

H : (I. (A2 > O

Test: cal T tab ta,11,4-11,-2 ise H0 reddedilir, aksi halde kabul edilir.

Bir ka mislle aklamalarmza devam edelim:

Misl 1: stanbul ve zmir'de pamuklu dokuma sanayiinde saat
basna ortalama cretin anlaml ekdde farkl olup olmadn tesbit
amac ile bu iki ehirde 36'ar birimlik iki rnek alnm ve stanbul'daki
OFtalama saat bana cret zmir'dekinden .25 TL fazla bulunmutur.
stanbul'daki rnekte terimlerin rnek ortalamasndan sapmalarnn
karelerinin toplam 2.5, zmir'de ise 2.2 liradr.
Bu durumda, ktle varyanslarn eit farzederek, stnbul'daki ortalama cretin zmir'dekinden daha yksek olduu eklindeki bir hipotezi 71 .05 ile test ediniz.
Cevap:
n, == 36, u 2 = 36,.XXz= . 2 5 , 1

(X..X

= '' 2
x

. 05

Ho : |AL > (A

H : a ". [iz
293

eemdersnotlari.com

(X,X2) J

cal T
/

+n2

(.25)(V8)

2(x,ix,)2+i(X2i-X2)2

nl+n22

Test: cal T <tab ta,n,+n2-2

= 4.23

2r . 5 + 2 . 2
70

V "

ise H 0 ' reddederiz,

tab t. 0 5 , 7 0 = 1.667
4.23 > 1.667 olduu iin Ho' kabul eder ve iki ehirdeki saat
bana cretler arasnda gzlenen .25 TL. lik ortalama cret farknn
% 95 seviyesinde anlaml olduunu belirtiriz.
\

Misl 2: Bir ilkokulda zek test'ine tabi tutulan 16 erkek renci

iin rnek ortalamas 107 puan, rnek standart sapmas 10 puan; 14 kz
renci iin ise rnek ortalamas 112 puan, rnek standart sapmas 8
puan bulunmutur. Ktle varyanslarn eit kabul ederek kz ve erkek
renciler arasnda herhangi biri lehine bir zek farklh bulunup bulunmadn, . 95 anlamllk seviyesinde test ediniz.
Cevap:
H 0 : [i = (i2

a 2 = cr22 bdiniyor.

H : (i ^ [i 2

a 2 = <r22 bdiniyor.

(X -x

2)

cal T =

S
i=
l

n+n 2

(Xx,) 2 +

i 12

(107-112)J.
y

(X 2 jx 2 ) 2

16.14
16+14

15(10) 2 +13(8) 2
16+142

n + n22
1.5

(11)

Test: |caIT| < tab ta/2,n,+n-2 ise H 0 kabul edilir, aksi halde
reddeddir.

11 S =

/2(X-x,)J
/
V
nt 1

formlnden yararlanarak.

294

eemdersnotlari.com

Mislimizde 1.5 < 2 . 0 5 olduundan H 0 ' kabul ederiz. Yani .95

anlamldkla kz ve erkek dkokul rencderi arasnda zekca bir farkllk
bulunmad sonucuna ularz.
ii) Ktle varyanslan de dgdi bdgi olmamas halinde ancak yaklak
test'ler uygulanabdmektedir. Bu yaklak test'lerden biri, rneklerin
her ikisinin de byk rnek (n 30) niteliinde olmas halinde,
cal z =

(XX2) (ji.{JL2)

2
S, + s 2 *

n2

deerini bulmak ve bunu test'in iki veya tek tarafl olmasna gre
tab za/2 veya tab z a de daha nce nasl yaplaca belirtddii ekilde
karlatrmaktr.
3. N o r m a l D a l m n V a r y a n s (a 2 ) i l e i l g i l i T e s t ' l e r :
Bu test de daha nce grdmz test'ler gibi, genelletirilmi
ldelihood oran test'inden kar. Arabk eklinde tahmin blmnde,
a 2 iin;

(X;x) 2

(X,x) 2

i=
X2

n1,1

< (t2 <

X2

n1,

2
eklinde gven
H : a 2 =
H : a 2
S
i=l
U=

i=

= 1 0c

arabn grmtk. Test etmek istediimiz hipotez;

<j02
<r02 olsun.
(Xi-x)2
deikenini bu amala kullanalm.

n birimlik bir rnek alr ve cal U deerini buluruz.

Eer, c a l U > t a b x 2
* veya c a l U < t a b x 2
" n1,
n1,1
Ho' kabul ederiz.

se

295

eemdersnotlari.com

Eer, cal U <tab

n1,

veya Cal U>tab /n1,1

ise

Ho' reddederiz. (12)

Tek tarafl hipotezler:
i) Hipotez Ho : <r2 ^ <7o2
H : e 2 < (T02 eklinde ise,

Eer, cal U < tab x 2 n-i' a * s e Ho' reddederiz.

"

cal U > tab x 2 n-i a i s e Ho'1 kabul ederiz,

ii) Hipotez Ho : <r2

cr02

H : e 2 > cfo2 eklinde ise, Eer

cal U

tab x 2 _,_a ise H 0 ' reddederiz.

"
cal U < tab x 2 n -ti- ise H 0 ' kabul ederiz.
Misl: Manganez'in erime noktasna dikin olarak 4 lme yaplm
ve 1269,1271,1263,1265 bulunmutur. Bu rnek sonularn kullanarak
ve lmelerin dalmnn normalliini farzederek,
Ho : <r2 = 2
H : <J2 ^ 2'yi .95 anlamklk ile test ediniz.
Cevap:

(X,x) 2

40

i=l

cal U =

=20

(To2

12 Burada ilk bakta ters bir durum var gibi gzkmektedir.

n

S (Xjx)J yerine (n1) SJ koyarak,

i= l
(n-l)S*
P(a<

a*

<b) = 1 a eklinde bir aralk tekil edebiliriz. Buradan n 2 iin

aralk kurmak istersek,

P(

<

b
<

(n1)S!
) = 1 a veya P(

(n1)S2 . a : (n1)S2
a = y2
, b = X2
' a l,a/2
a1,1 a/2

296

(n 1)S*
<a2<

) = 1 a bulunur.

br
a
koyarak metindeki test ifadeleri elde edilmi
olur.

'

eemdersnotlari.com

tab x 2
nl,

a = tab x 2
3,.025
2

tab x 2
n1,1

= -216

= tab x 2
= 9.35
,
3,.975

cal U > tab x23-975 olduu iin Ho' reddeder ve llerin dabmmn varyansnm 2'den farkl olduu sonucuna ularz.
4. Normal D a l m ki K t l e n i n
sndaki Farkla ilgili Testler:

Varyanslar

Xl

n({X,<T|2)

X2

n((X2,<r22) ve test eddmek istenen hipotez;

Ara-

Ho : (T2 = <i22
H, : (T2 ^ <T22
Bu test iin F dadmn kullanacaz. Birinci ktleden m, ikinci ktleden n 2 hacimli iki bamsz rnek alnm ise;
S
i=l

(X,,X)2/m1

S
i=l

F =

(XX)(n21)

=
S
i=l

(X 2i x 2 ) 2 /n 2 1

F n - l , o,1
5
i=l

(X 21 x 2 )(n,1)

Test: Eer cal F g tab F

x
veya cal F tab F

2
1

tab F

a
2

,nl,n 2 1
f
x

,nl,n 2 1

< cal F < tab F

,u 2 l,n1

ise H n ' reddederiz

ise H 0 '
,nl,n 2 1

kabul ederiz.
297

eemdersnotlari.com

Tek tarafl test'ler:

i)

Ho : eri2

(T22

H : cf!2 > <r22

iin,

cal F ^ tab F a , 11,-1,11,-1 ise H 0 ' reddederiz, aksi halde kabul

ederiz.
ii)

Ho : eri2 ^ <r22
H : (T2 < ct22 iin,

cal F tab Fa, n,-l,2-l ise H 0 ' reddederiz, aksi halde kabul ederiz.
Misl: Normal dalm iki ktlenin varyanslannn eit olup olmadn % 10 anlamllk seviyesinde -test etmek amac de n = 10 ve
n2 = 17 hacimlik iki bamsz rnek aknyor ve S 2 = 10.24 ve S 2 2 = 9.0
bulunuyor. Bu rnek deerlerini kullanarak test'i yapnz ve sonucu
belirtiniz.
t
,
Cevap:
_ .
(ml)S 2 /n,1
9(10.24)/9
10.24
cal F =
=
=
= 1.14
(n 2 1) S 2 2 / n r - 1

tab F

a
2

= tab F
,nl,n 2 1

tab F
1
tab F

a
2

x
2

16.9/16

1
= (tab F
)"=
=.335
.05,9,16
.95,16,9
2.98

= tab F
,n 11 ,n21

.95,9,16

^ cal F ^ tab F
,nl,n 2 1

=2.54

a
2

ise Ho'
,nl,n 2 1

kabul ederiz.
Burada . 335 < 1.14 < 2.54 olduuna gre H 0 ' kabul eder ve % 10
birinci tip hata riski ile iki ktlenin varyanslar arasnda anlaml bir fark
bulunmad sonucuna varrz.
298'

eemdersnotlari.com

5. O r a n l a r l a l g i l i T e s t ' l e r :
Oranlarla ilgili test'ler, zellikle endstride, sosyal bdim dallarnda
pek yaygn kullanm olan test'lerdir. Bu test'lerde binomial dalma
byk rneklerde normal dalm de yaklalabdmesi zelliinden yararlandr. Bu ksmda binomial dalmn kullanmn ihtiva eden kk
rnekler zerinde durmayarak, sadece byk rneklerde normal dalmdan yararlanarak oranlarla dgdi iki ve tek tarafl test'lerin nasl
yaplacan gstereceiz.
i) ki tarafl Test:
Test etmek istediimiz hipotez,
Ho : p = p 0
H : p

'

p0

30 veya daha byk hacimde bir rnekte p'nin tahmin edicisi olar

rak p =

S
i=l

Xi

statistiini kullanalm. Bir tesadfi deiken

olarak, byk rnekler iin, p ^ n(p,

cal z "=

ppo

J-

) olacaktr.

n(0.1)

Po<o!

O halde test cal z ve tab za/2 deerlerini bddiimiz ekdde mukayese etmek suretiyle yaplacaktr. Yani,
Eer

|cal z |

tab za<2 olursa H kabul edilecek,

[cal z | > tab za/2 olursa H0 reddeddecektir.

ii) Tek tarafl test'ler:
1.

Hn : p > po
H : p "j p 0

cal z

eklinde hipotez kurulmusa test,

tah z x ise H,, reddedilir, aksi halde kabul eddir.

209

eemdersnotlari.com

2.

Hipotez;

H0 : p < p0
H : p ^ p 0

eklinde verilmise test,

cal z > tab z a ise H 0 reddedilir, aksi halde kabul edilir.

rnek oranlar yerine rnek toplamlarn kullanarak da test'ler
yaplabilir. X, nokta binomial dalml bir tesadfi deiken olsun.
Yani rnek eleman belli bir nitelii haiz olup olmamasna gre 0 veya
1 deerlerinden birini alsn. rnek toplam,
deiken olarak, byk rnekler iin, S
mtr.
S np
cal z =
n (0,1)

S X 4 = S bir tesadfi
i=l
n(np, npq) eklinde dal-

Vnpq
Bu duruma gre iki ve tek tarafl test formllerini yazabiliriz:
ki tarafl:

S npo
Ho : S = npo
cal z =
H : S
np 0
Vnpoqo
Test: |calz| < tab z
ise H 0 kabul eddir, aksi halde reddeddir.
a/2
Tek tarafl: i) H 0 : S > np 0
H, : S g np 0
Test: cal z < tab z a ise H 0 reddeddir, aksi halde kabul edilir,
ii) H 0 : S < np 0
H, : S np 0
Test: caiz > tab z a ise Ho reddedilir, aksi halde kabul edilir.
imdi bir ka mislle bu test'lerin yapl tarzn izaha devam edelim.
Misl 1: renci dernei bakanlk seimleri ncesinde. Faklte
rencileri arasnda yaplan bir nabz yoklamasnda 100 rencilik bir
basit tesadfi rnekte 62 renci adaylardan birini desteklediini belirtmitir. Bu aday .95 olaslkla kendisini seimi kazanm addedebilir mi?
Cevap : Hipotezi tek tarafl bir hipotez eklinde kurmamz gerekir.
H 0 : p > .5
H, : p .5

eemdersnotlari.com

pPo

cal z =

.62.5

J^-

J'

.12

(.5)(.5)

V-0025

.12

= 2.4

05

100

2-4 >1.65 olduundan H 0 kabul edilir, yani aday .95 olaslkla

kendisini gvenli hissedebilir.
I
Ayni test'i elenik bir yaklamla yle de yapabilirdik:
H, : S > 50

6250
cal

H, : S

12

7. =

50

=2.4

<

">)(-5)

V25

ve ayni soca dardk.

Misl 1: Kylerde yapdan bir sosyal aratrmada, rnee giren 800
kiiden 627'si byk ehirlerde oturmay tercih ettiini belirtmitir.
.05 birinci tip hata ihtimalini kabul ederek, byk ehirlerde oturmak
isteyenlerin orannn .75 olduunu test ediniz.
Cevap:
H a : p = .75

.784.750
calz =
/(. 75)(. 25)

H, : p 96 .75

^
p =

627
800

= .784

.0340
=

= 2.208
-0154

800

|calz| > tab z

a/2

olduundan H a ' reddederiz.

2.208 > 1.96

Sz geen orann .95 anlamllk seviyesinde . 75'ten farkl olduu sonucuna, varrz.(13)
6. Oranlar F a r k ile l g i l i T e s t ' l e r :
ki ktleden elde eddmi oranlar arasnda anlaml bir farkllk bulunup bulunmad, her iki ktleden, birbirinden bamsz olarak alnan
b y k rneklerden yararlanarak normal dalmn kullanlmas yoluyla
13 Avn onuca rnek toplamn kuirfu elenik test ile nasl ulaldm gsteriniz.

301

eemdersnotlari.com

test edilebilir. Sz konusu ktle oranlar p, ve p 2 olsun. Ktle oranlarnn

tahmin edicileri olarak,
n
2

X;

i=

S .

ve

^
p2 =

n2
2
i=

n(

Xj
=

n2

S2

rnek deer-

n2

lerini kullanalm.
i) ki tarafl test:
H 0 : p = p 2 = p
H, : p
p2
p p 2

S2

n2

p<j
q2\\
Pi4i
Pp2242
//
(pP2,
1
)
\N
nn
.
n->
n 2'

Ho hipotezi altnda pp 2 'nin varyans, p ve q deerleri ortak olaca iin

1 \
-V
/ 1
var(p t p 2 ) = pq I
(I olacaktr.
* n
n2 '
p bilinmedii iin ortak oran p'ye iki rnein deerlerini kullanan
aadaki tahmin edici ile yaklaabiliriz: Her iki rnei bir araya getirS,+S2 _
diimizde baar oran p iin,
ifadesini kullanabiliriz.
n + n 2
O halde,
S
S

cal z =

//S-f-S2\

n2

S+S2\

, 1

1 \

Test:

) 1
) (
N n + n 2 '
\
n + n 2 ' \ n
n2 '
|cal z | < tab za/2 ise Ho kabul edilir.

|cal z | tab za/2 ise H 0 red edilir,

ii) Tek tarafl test'ler:
1) H 0 : p > p 2
H : p g p 2
302

eemdersnotlari.com

olacaktr.

Test: cal z < tab z a ise H 0 reddedilir, aksi halde H kabul edilir,
2)

H 0 : p, < p 2
H, : p,

Test: cal z> tab z a ise H 0 reddeddir, aksi halde kabul edilir.
Birka mislle aklamalarmza devam edelim:
Misl 1: Dk gelir grubuna giren aile reisleri arasndan seden
100 kiilik bir rnekte 62 kii, parlementoya verilen bir kanun tasarsnn
lehinde, 38 i aleyhinde; yksek gelir grubuna giren ade reisleri arasndan
seilen 100 kiilik rnekte ise 41 kii lehte, 59 kii aleyhte olduunu bddirmitir. Bu rnek verilerinden yararlanarak dk gelir grubunda
tasary destekleme orannn yksek gelir grubundan daha yksek olduu hipotezini .95 anlamllk seviyesinde test ediniz.
Cevap:
Ho : p > p 2
H : p

p2
.62.41

.21

cal z =
/ 62+41
J()d
N

200

62+41
T
) ()
200

100

i 103
97 2~~
J ( ) ()()
v

200

200

100

.21

.21
420
420
-=
=
= = 2.98
19982
V9882 V19882 141

=
I
V

1.000.000

2000

Bu durumda her iki gelir grubu arasnda konuya ilikin olarak .95
seviyesinde anlaml bir dnce farkll mevcut olduu sonucuna varyoruz.
Misl 2: A markal bir makina ile imal edilen 200 paradan 19'u,
B markal makina ile imal edilen 100 paradan 6's hatal kmtr. Bu
duruma gre iki makinann imalt kalitesi bakmndan, .95 seviyede
anlaml ekilde farkl olduu sonucunu karabilir misiniz?
Cevap:

Ho : p = p 2
Il : p

p2
303

eemdersnotlari.com

19

200

100

7 /200
= ~HZZZIZ
16875 3
J
()
v 9000 200

c a l z =

1
1
/ 25 275
*/() () ( + )
v
300 300 200 100
|cal z | < tab za/2

35VB

=1.033
V20625

1.033 < 1 . 9 6 olduundan H 0 ' kabul eder ve bu iki makina arasnda .95 anlamlhkta bir kalite fark bulunmad sonucuna varrz.(14)
7. k Tane Oran A r a s n d a k i F a r k :
Parametreleri p(.. p k olan k tane binomial dalm ktleden birbirinden bamsz olarak n . . ,n k hacimli byk rnekler alnm olsun.
S ; her rnekte rnek toplamn gstersin.
S i a iPi

n(0,l)
V

i=l..,k

niPi(lPi)

Standart normal dalm bir deikenin karesi, serbestlik derecesi

1 olan bir* 2 dalmdr, k tane bamsz y} dalm deikenin toplamnn
dalm da; bu dalmn zellii sonucu, yine -/- olur. Serbestlik dereee.y -de serbestlik dereceleri toplamna eittir. Yani,
k (SHiPi)2
v
' = I uiPi(*Pi)
Ho : p = p 2 =
H : p

.. =

/A
Pk

= p

9= . . . =pk

Test: Eer p biliniyorsa

ifadesinde p ; yerine p konarak cal'/}
hesaplanr. Eer cal -/} /} a,k ise H u reddedilir, aksi halde kabul edilir.
Pratikte ou zaman p bilinmez. Bu deer yerin rneklerin btnnden yararlanlarak bir "biraraya getirilmi tahmin"' kullanlr.
S+S 2 -f-... + S k
n+n2+ . . . +nk
11 Hipotezi tek tarafl kurmu olsaydk

sonu deiir

miydi?

304

eemdersnotlari.com

cal y 2 = 2
i=l

(SQi"p)2

n iP (lp)

v Test: Eer cal y 2 ^ x2<*> k-1 ise H 0 reddedilir, aksi halde kabul eddir.
Burada serbestlik derecelerinden birini kaybetmemizin nedeni p
yerine tahminini (p) kullanm olmamzdr.
n tane bamsz byk rnek iin, incelediimiz problemi aadaki
ekilde de formle edebdiriz:
rnekler:
baanb

Burada S ; ve n;S;'ler gz-

s,

S2

Sk

lenen okluklardr. Bunlar

nS

n2S2

n k S k

f;j olarak genel bir notasyon

n2

nk

..

de gsterebiliriz.

H 0 : p = p 2 = . . . = Pk = P hipotezi altnda
o k l u k l a r ' n hesaplayalm.
Birinci sra iin ,
kinci sra iin
p verine

p =

ijp

gz

j = 1. . .k

' n^lp)

S1+S2+...

sk

n-fn2+...

nk

Beklenen gz okluklar

beklenen

j = l...k
y kullanalm

e^ = n. p
e2j =

Qj(l

p)

(fjie u) 2

eu
Bu cal y2 deerini x2(2_) ( k _) de karlatracaz. Bu da y\.. olacana gre bir nceki sonuca aynen ulaacamz aktr.(15)
2

cal x 2 : 2
i1

imdi bir rnek zerinde aklamalarmza devam edelim:

Misl: Muhtelif meslek sahipleri iin, oullarn ne lde baba
mesleini setikleri aratrlmak isteniyor. 200 doktor, 150 mhendis,
15 Serbestlik derecesinin niin k1 olacan az sonra contingency tablolarm incelerken

aklayacaz.
305

eemdersnotlari.com

180 retmen ve 00 avukatn (ocuklar olanlar arasndan tesadfi

olarak seddikten sonra) ocuklar bu adan incelendiinde aadaki
sonular elde edilmitir:
Doktor Mhendis
34
27
166
123
200
150

avn meslek
farkl meslek
Toplam:

retmen
28
152
180

Avukat
19
81
100

108
522
630

Bu verilere gre a = .05'kabul ederek, sz geen meslekler iin,

baba mesleini seen ocuklarn orannda farkklk bulunmad hipotezini test ediniz.
Cevap:
P =

nce e t j leri bulmalyz.

S1+...+S4

108

n+ . .. +n4

630
Beklenen gz okluklar

108
e,, = 200 = 34.3
630
e 1 2 = 150

e 1 3 = 180

108
630
108

630

e 1 4 = 100

cal

108
630

e 2 1 = 165.7

34.3

25.7

30.9

17.1 108

= 25.7

e 2 2 = 124.3

165 7

124.3

149.1

82.9522

= 30.9

e 2 3 = 149.1

200

150

180

100 |630

17.1
108.0

e24 =

82.9
522.0

(.3)2

(1.3)2

(2.9)2

(1.9)2

(.3)2

(1.3)2

(2.9)2

(1.9)2

34.3

25.7

30.9

17.1

165.7

124.3

149.1

82.9

= .666

tab x2-5,3 = 7.815

306

eemdersnotlari.com

Bu durumda incelenen konuda, meslekler arasnda bir farkllk

bulunmad sonucuna varyoruz.
8. " C o n t i n g e n c y "

Tablolar:

Biraz nce zerinde durduumuz misl contingency(l) tablolar

iin iyi bir gei noktas tekil ediyor. Verileri iki farkh snflandrma
kriterine gre grupladmz zaman contingency tablolar elde edilir.
A kriterine gre r, B kriterine gre de k farkl grup olduunda, tablonun
genel grn:
B,

B2 . . . . B k

f.
f2,

fa . . f l k
f 2 2 . . f 2 k

f.
f2.

-O

frl

fr2

fr-

Toplam

f.

f-2 . . f. k

- A,
A2

Toplam

Snflandrma kriterleri iin okuyucu pek ok misli akbna getirebilmelidir: Gelir gruplar ve kredi de alveri hakkndaki dnceler,
eitim seviyesi ve evlilikte eler arasnda uyuma derecesi, eitim ve
gelir, uyku ilc alma ve uyuma... Genellikle bu snflandrma kriterlerinin birbirinden bamsz olup olmad aratnbr. Mesel, uyku ilc
alma uyumaya yardm ediyor mu, eitim seviyesi ve gelir arasnda balant var m?... gibi sorular cevaplandrmak iin contingency tablolarm
kullanyoruz.
f u lere gzlenen okluklar diyoruz, f hacminde bir rnek A ve B
snflandrma kriterlerine gre gruplandnlarak matriks eklinde bir tablo
tekil ediyorlar.
Sada ve altta yer alan toplamlar marjinal toplamlar,
R
2 f ( J = f,.
j=t

sra toplamlar,

16 Contmgency'ain lgat manas, bitime, temas, rasgele olan ey, ihtimal, tesadf ekillerimle veriliyor.

307

eemdersnotlari.com

2 fjj = f.j
i=r

stun toplamlar

f = fi. =' 2 f.,

1=1
j=
Test etmek istediimiz hipotez: A ve B snflandrma kriterlerinin
bamszl. Bu hipotezi nasl formle edebiliriz?
Ho : P u . = (P,.) (P.j)

i = 1,. . .r

H : P u ^ (P,.) (P.j)

j=l,...k

(17)

Burada Pj. ve P.j yerine tahminlerini kullanmak durumundayz.

P;

fi= __
f

Beklenen gz okluklarna e^ dersek H 0 hipotezi altnda

,

(f i -)(f- J )
e 4 j = (P(-) (P-j) f =
olacaktr. Bu formle gre e,, 1er hesapf
landktan sonra,
k ( f j e u) 2
cal -f} = 2
2
hesaplanacak ve bu deer
i=t j - l
eu
X 2 a,( t _t) fk_) de mukayese edilecektir.
Test: cal y 2
kabul edilecektir.

r _)

( k _) karsa Ho reddedilecek, aksi halde

Burada serbestlik derecesinin (rl) (k1) olmasn yle izah edebiliriz: sra ve stunlarda, gzlerden birinde bulunacak birim says,
ayn sra ve stundaki dier gzlerdeki eleman saylar bdindiinde otomatik olarak bulunacandan (nk sra ve stun toplamlar veridir);
(r1) sra ve (k1) stun iin serbestlik sz konusudur.(18)
17 Tesadfi deikenlerde bamszlk halinde birleik olasln, marjinal olasdklar arpmna eit olacan grmtk. H hipotezinde bu eitlii ifade etmi oluyoruz.
18 Serbestlik derecesinin bir baka izah tarz iin bk. Freund a.g.e. Sh. 284.

308

eemdersnotlari.com

Bu test'i uygularken dikkat etmemiz gereken bir nokta beklenen

gz okluklar iin e u 'lerin herbirinin 5'ten az olmamasdr, e^'lerden
bazlarnn 5'ten az kmas halinde baz gzleri bir araya getirerek daha
byk hacimde gzler tekd etmek uygun olacaktr.
Contingency tablolar, zellikle sosyal bilim dallarna giren konularda aratncdann nemli tahld aletlerinden biridir. Aadaki misl
eitim seviyesi ile evlilikteki uyuma arasnda bir balant olup olmadm
anlamamza imkn verecektir.(19)
400 evli erkekten meydana gelen bir rnek, evlilikte uyuma derecesi ve grd eitime gre aadaki gibi gruplandrlmtr:
|

EVLLKTE
ok dk
Dk

Eitim
Seviyesi
Yksek Okul
Orta retim
ilk Okul
Toplam

18 (27)
17 (13)
11 ( 6)
46

UYUMA
Yksek

29 (39)
28 (19)
10 ( 9)
67

70 (64)
30 (32)
11 (14)
111

ok
yksek
"115 (102)
41 (51)
20 (23)
176

Toplam
232
116
52
400

Tabloda parantez iindeki rakamlar her gze tekabl eden beklenen

okluklar gsteriyor. Mesel;
e,, =

(f-> (f.)
f

(232) (46)
M

400

27

Tablodaki gzlenen ve beklenen okluklar kullanarak hesapladmz cal y2 deeri 20.7 dir.
tab x2.os,(j-i) U_) = tab -.05,6 = 12.59
cal y} > tab yz.05,6 olduundan eitim seviyesi ve evldikte uyuma
arasnda bir balant bulunmad hipotezini .95 anlamllkta reddediyoruz. Tablonun tetkiki yksek okul mezunlarnn evlilie daha iyi uyabildiim ortaya koyuyor.
Bu konuda son olarak K. Pearson'un contingency katsays zerinde
duralm.
n

(.ontigency katsays,

C= ./

(20)
(Ar/}

I 20.7
Misalimizde C = . /
= .22
^ 420.7
19 Misli P.G. HoeL, Elemetary Statistics Sh. 241'den alyoruz.

'/ '

\ \

'
2) Tschpruff'u ait eontiniienev kat-avs ise T =
_ _ _ _ _
Millimizde l>u deer .148 >iir.
'
\ f v (rl) (k i)/

eklindedir.

'

eemdersnotlari.com

9. U y m a i y i l i i ( B a a r s ) T e s t ' i :
Uyma iyilii test'i, gzlenen bir veri setinin, belli ekilde dalm
bir tesadfi deikene ait deerler saylp saylmayacan kararlatrmada kullanbr.
x . . . x n , olasbk ya da sklk fonksiyonu bdinmeyen bir tesadfi
deikenin gzlenen deerleri olsun. Test etmek istediimiz hipotez:
H 0 : f(x) = f 0 (x)
H, : f(x) ^ fo(x)
Burada eer f 0 (x) btn parametreleri de belirleniyorsa hipotez
basit bir hipotezdir. Dadmn sadece eklinin belirtdmesi fakat parametrelere saysal deerler atfedilmemesi halinde ise karmak hipotezler
sz konusudur.
imdi uyma baars test'inin nasl yapdacan mislle aklavahm.(21)
Stanford-Binet zek testinin 2970 ocuk zerindeki sonular, zek
dalmnn normal olduu sonucuna bizi gtrebdir mi? Bu soruyu
cevaplandrmak iin vapdan ilemlerin sonular aadaki tabloda gsterdmitir:
Stanford-Biet zek testi sonularnn normal eriye uyma baars
Zek
Derecesi
160
150

X-(x

l)
xf

140

55

130

120

120

330

110

610

toO.

719

2.645
2.057
1.468
.879
.291
.298

, 90

592

80

338

70

130

60

48

50
40
30

.886

4} 12

1.475
2.064
2.652

Normal
Erideki
alan

.0041

12

1.33

.0158

47

1.36

.0512

152

6.74

.1186

352

1.38

.1958

582

1.35

.2316

688

1.40

.1950

579

.29

.1177

350

.41

.0506

150

2.67

.0155

16

.09

.0040

12

.00

.9999

2970

= 17.02

N = 2970

21 Misl, Quinn Mc Nernar. Psychological Statistics III. Ed. Wiley 1962 Sh. 232 den alnmtr.

310

eemdersnotlari.com

Tablodaki ilk stun zek derecelerini, f ise bu zek grubuna giren

ocuk saysn gsteriyor. Zek ortalamas 104.56, standart sapmas
16.99. Standart normale irca etmek iin (Xp) ja dntrmesini yapyoruz. lk iki ve son snf y} deerinin daba gvenilir ekilde hesaplanmasn salayabilmek iin birletirilmi bulunuyor, z deerlerine
tekabl eden olaslklar standart normal dabmn skbk fonksiyonundan
buluyoruz. Bu olaslklarn toplamnn (yuvarlama hatalar dnda)
1.000 olmas gerekli. Bu olashklarn her birini 2970 ile arparak her zek
grubuna den beklenen okluu buluyoruz. Beklenen okluklarn ortalamas ve varyansnn da gzlenen okluklarnkine eit olduu bir hesaplama ile anlalabilir. Bundan sonra,
X2

a
= 2
p=i

(f-e)2
forml uygulanarak x 2 = 17.02 bulunuyor.
e

Bulduumuz hesaplanm y 2 deerini; snf says-kullandan parametre says (N,[i.,a2) serbestlik dereceli bir y2 deeri de mukayese etmemiz gerekiyor. Burada 11 tane snf var. N,(JL ve a 2 dolaysyla 3 serbestlik derecesi kaybediyoruz. O halde y 2 .05,8 deerine bakmamz gerekh.
tab X.2-05*8 15.507
cal x 2 > tab y 2 olduundan verderde mahade edden normal eriden uzaklama marjnn .95 anlamllk de ansa balanamayaca,
baka deyile normal erinin test sonularna uygun dmedii sonucuna
varyoruz.(22)
HPOTEZ TEST'LER LE LGL PROBLEMLER
1.

X n(ix,l)
Ho : u. = 6
H : [I. = 7

a) Bu problemi, iki aksiyonlu bir karar problemi olarak formle

ediniz ve aksiyon uzayn tanmlaynz.
22 Hipotezlerin test'i ile ilgili* blmde zerinde durulabilecek test'lerin btnn bu
blmde kapsam deiliz, zellikle parametrik olmayan test'lere hi temas etmedik. Ayrca istatistiki istidlalin nemli konularndan biri olan ve zellikle tecrbi ilimlerde byk kullanm
olan varyans analizi, kovaryans analizi gibi konular kapsam d tuttuk. Dzenlenmi deneyler
ve deney dzenlemenin problemleri zerinde hi durmadk. Bu yaklammz; kitabn hacmi ile
ilgili endieler yannda, sz geen tekniklerin ekonometrideki kullanmnn kitapta yer verilen
dier tekniklere gre nisbi azl ile de hakl karlabilir.

311

eemdersnotlari.com

b) Parametre uzayn tanmlaynz.

c) Skbk fonksiyonu bu olan bir ktleden 3 birimlik bir rnek alnyor. Problem iin herhangi bir karar fonksiyonu yaznz.
d) Farzedelim ki 4 birimlik bir rnek alacaz ve aadaki karar
fonksiyonunu uygulayacaz.
Eer X < 7 ise a t aksiyonu, yani H 0 'n reddi,
Eer x ^ 7 ise a 2 aksiyonu, yani Ho'n kabul.
Bu karar kurah uygulandnda P(I) ve P(II)'yi bulunuz.
e) d kk iin aksiyon olaslklarn bulunuz.
f) Bu problem iin aadaki zarar fonksiyonu verdmi olsun:
l ( a ; N = 6 ) = 0, l ( a t ; ( x = 7 ) = 1, l ( a 2 ; (JL=6) = 2, l ( a 2 ; JJL=7) = 0

X tek birimlik bir rnek ise aadaki karar fonksiyonlarnn risklerini

hesaplaynz ve grafikte iaretleyiniz.
a t fonksiyonu
eer

fonksiyon
d,
d2
d,
d*
d5

X
X
X
X
X

a 2 fonksiyonu
eer

< 6.0
< 6.5
< 7.0
< 7.5
> 6.5

X
X
X
X
X

^ 6.0
^ 6.5
7.0
^ 7.5
^ 6.5

g) Bu karar fonksiyonlar (strateji) lerden bazlar, dierleri tarafndan stn kdyor mu?
t
Cevap:
d)

A = {a,,a2} = {d,(X,.. .X n ), d 2 ( X , . . .Xa)\

b)
c)

Q = {6,7}

0 (x,x 2 ,x 3 )

{6}

w = {7}
3

1 eer

2
i=l

eer

S
i=l

Xi > 20 ise
xi = 20 ise

0 eer

E X| < 20

eemdersnotlari.com

ise

O < 0 (x,x 2 ,x 3 ) < 1

d) 0 ( x . . . x 4 ) = O

eer

x<7

"

x ^ 7

= 1
X n(fi,

karsa
"

n(u.,

X ^

z =

= 2(x6)

n(0,l)

<jX

P(x>7) = P(z>2) = 1 P(z<2) = 1 <P(2)

r co
((i.) = P(I) = I 0 (z) dz = l <D(2) = 1 .9773 = .0227
J2
= P(IT) yi bulmak iin u. yerine bu defa 7 koyarak z dntrmesini
yeniden yapmamz gerekir:
X u.
Z

rs-

- = 2(x-7)n (0.1)

P(x<7) = P(z<0) =: 0>(0) = .5000

P(II) = j3([i) = .5000
x<7

karsa

Ho : (i = 6 yi kabul etmek.

a2 : x ^ 7

karsa

Ho : (i = 6 y reddetmek.

[L 6

u.

= 7

a.

.9773

.5000

a2

.0227

.5000

1.0000

1.0000
Misk

Hata Olasl

dt
d2
d3
<h
.1

P(I)

P(II)

( X = <>

11

.5000
.3085
.1587
.0668
6915

.1587
.3085
.5000
.6915
.6915

1
.6170
.3174
.1336
1.3830

.1587
. 3085
. 5000
6915
.><>15

eemdersnotlari.com

11
1"

. 6f/j-

5"a o

d.
O
O

g) Evet. d 5 hepsinden kt ve dier btn karar kurallar kendisine

baskn kyor. Dier karar kurallar iin ayn eyi sylemek mmkn
deil. "
2.

X n(jx,l)
Ho : [ i < 0

H, : [i^O
Zarar fonksiyonu: l(a; |a<0) = 0, l(ai; [x^0) = [a2, l(a 2 ; [a<0) = ja2
l(a2;jx^0) = 0
d : X < 2 karsa a aksiyonu (Ho'n kabul); X 2: 2 karsa a 2 aksi
yonu (Ho'n reddi).
d 2 : X < 3 karsa a aksiyonu; X ^ 3 karsa a 2 aksiyonu.
Bu iki karar verme kuralnn her biri iin risk'i hesaplaynz ve
risk'leri u'nn fonksiyonu olarak grafikte gsteriniz.
3 . Bir torbada 6 kp var. Bunlardan 6 tanesi beyaz, dierleri siyah
boyal. H0 : 8 = 3 hipotezini, H : 0 ^ 3'e kar test etmek iin, yerine
koymadan 2 kp ekiliyor ve her iki kp ayn renkte karsa Ho reddediliyor, aksi halde Ho kabul ediliyor.
a) Bu test kriterine gre birinci tip hata olasl ne kadardr?
31 t

eemdersnotlari.com

b) Bu test kriterine gre, 0 = 0,1,2,4,5,6 olduunda ikinci tip hata

olaslklarn hesaplaynz ve kuvvet erisinin grafiini iziniz.
4. Hataszhn test etmek amac ile bir para 100 defa athyor.
Tura gelme says 40-60 arasnda ise (40 ve 60 dahil) parann hatasz
olduu kabul eddiyor, aksi halde hatal olduu sonucuna varbyor.
a) Bu problemde, I tip hata olasl ne kadardr?
b) 100 atta 53 tura geldiinde parann hataszl sonucuna varacaksnz. Burada II. tip bir hata yapmanz mmkn m?
c) Tura gelme olasl P = .7 iken parann hatasz olduu sonucuna varma olasl ne kadardr?
d) p'nin muhtelif deerleri iin test'in kuvvetini hesaplaynz. 0C
ve kuvvet erilerinin grafiklerini iziniz.
I
5. Konservelerin gayri safi arlklarnn 1 kg. olmas gerekiyor.
Fabrikann kutulama servisi bu hususu kontrol etmek amac ile 81 kutulk bir basit tesadfi rnek almakta ve rnek ortalamas 983.5 gr'dan
az kt taktirde kutulama ileminde bir bozukluk olduu sonucuna
varmaktadr. Ktle standart sapmasnn 90 gr. olduu bilinmektedir.
Mutlaka reddedilmesi gereken ktle ortalamas da 963.5 gr. dr.
Bu karar verme usulnde,
a) I. tip hata ne kadardr?
b) II. tip hata ne kadardr?
c) Her iki tip hatann da .05 olmas iin alnmas gerekli rnek
hacmi nedir?
<> Devlet Malzeme Ofisi bir ampul fabrikasnn ampullerinden
-at :lmak istiyor. Ampullerin ortalama mrnn 500 saatten fazla
olna- .rz ediliyor.
a) Hipotezleri kurunuz.
b) 9 birimlik tesadfi rnekte X = 600, s- = 2500 bulunduuna
gre y. - .05 kullanarak test'i kurunuz.
7.
talama
bilmek
olduu

Kablo imalinde 2 farkl metod uygulanabiliyor. Yletodlarn orkopma kuvveti zerindeki tesirlerinin farkl olup olmadn
istiyoruz. Laboratuar testleri sonular aadadr: (cr2'lerin eit
biliniyor)
X, = 8.17, . x z 11.29, S 2 = 5.29, n, = O, 2 = 7
Hipotezleri kurunuz ve test'i yapnz.
315

eemdersnotlari.com

8. A memleketinde 37 banka iin ortalama faiz haddi

o.:
B memleketinde 50 banka iin ortalama faiz haddi % 5.8 dir. A memleketinde standart sapma % 1.2, B memleketinde ise % 1.4 tr. % 95
anlamldk seviyesinde bu iki lkede ortalama faiz haddinin farkh olup
olmadn tartnz.
9. Aada yeni bir perhiz rejimi uygulayan 8 hanmn rejime balamadan nce ve sonraki arlklar verilmitir:
Rejimden nce
Bayan A
B
C
D
E
F
G
H

64
62
56
67
70
68
75
72

!Sonra
61
57
57
65
66
65
67
-71

Perhiz rejiminin etkili olmad eklindeki hipotezi a = .05 de uygun

bir tek tarafl alternatife kars test ediniz.
*

10. Normal dalm ktlelerden alnm, (1.8, 2.9, 1.4, 1.1) ve

(5.0, 8.6, 9.2) rneklerini kullanarak ktle varyanslarnn eit olup
olmadn .05 sevivesrde test ediniz.
11. Bir piyasa aratrmas firmasndan ev kadnlarnn en az % 65'inin belli bir deterjan cinsini tercih ettikleri eklindeki hipotezi test etmesi istenmitir, rneklemeye giren 500 ev kadnndan 311'i dgili deterjan tercih ettiini belirtmitir. Bu durumda, x = .05 kabul edilirse
varacamz sonu ne olabilir?
12 . Size bir para verdiler ve sapmas olup olmadn tayin etmenizi istediler. Paray 100 defa attnz, 64 defa tura geldi. .95 anlamllk
ile vardnz sonucu bildiriniz.
13 . Bir ba-ketholc geen ezorda % ad 32 mata ortalama olarak 42 t atm, bunlardan ll'iini -av ile soland rm.-ken. m -17.ua
oynad 34 mata ortalama i l >t atn- ve bunlardan ortalama olarak
12"si sav ile sonulanmtr. Bu verileri kullanarak bajketbolcumn form
durumunda bir dme olduu sonucuna varabilir miyiz?
14. Bir zarn 300 atmnn sonular yledir:
1
43

2
49

3 . 4
56
45

5
66

316

eemdersnotlari.com

6
41

Bu veriler .95 seviyesinde zarn hatasz olduu eklindeki hipotez

ile badayor mu?

15 x 2 =

k
(S,n;p)2
2
=1
-

x2 =

v e

niP(l-P)

2
2
i=l

2
i=l

(f,je u )2
e..

G,j

ifadelerinin elenik olduklarn ispat ediniz.

16. 1000 kii, cinsiyet ve renk krl durumuna gre aadaki
ekdde snflandrdmtr:

Normal
Renk Kr

Erkek

Kadn

442

514

38

Genetik modele gre nisbi okluklar tayin edecek olaslklar ayn

sralanma ile:
P
2

P 2 f- pq
2

q2

seklinde verilmitir. Burada q = 1 p kt2

2
ledeki hasta gen'lerin orandr. Bu verileri kullanarak;
a) Verilerin model de tutarl olup olmadn tartnz.
b) Renk krl ve cinsiyet arasnda bir balant bulunup bulunmadn tartnz.
17. Aadaki contingency tablosu, matematik kabiliyet ve istatistie ilgi arasnda bir iliki bulunup bulunmadn tahkik amac ile
verilmitir.
m a t e m a t i e kab i l i v e t
yksek
dk
orta
istatistie
ilgi

dk

43

24

15

orta

31

46

37

yksek

12

20

49
317

eemdersnotlari.com

a = .01 alarak rencilerin istatistie ilgisinin matematik kabiliyetten

bamsz olup olmadna karar veriniz. Contingency katsaysn hesaplaynz.
18. 2 x 2 boyutunda bir contingency
a,b,c,d ile gsterilmi olsun.

tablosundaki

( a + b + c + d ) (adbe)*
(a+b)(c+d)(b+d)(a+c)

rakamlar

olduunu ispatlaynz.

19. Aadaki tablo X niversitesinde 100 erkek rencinin metre

olarak boylarn vermektedir.
Boy (metre)

:;renc says

1.60-1.65
1.66-1.70
1.71-1.75
1.76-1.80
1.81-1.85

,5

18
42
27
8
100

Bu veriye bir normal eri uydurunuz. /} kriterinden yararlanarak verilerin normal dalma ne derece uyduunu tayin ediniz.
20. Aadaki tabloda gzlenen ve normal dalm faraziyesine gre
okluklar verilmitir:
12

14

43
36

61
71

105
102

103
109

89
85

54
50

19
21

7
7

2
2

X2 kriterini kullanarak gzlenen okluklarn normal dalma uyup

uymadn belirtiniz.

318

eemdersnotlari.com

BLM IX
BAST

REGRESYON
GR

nceki iki blmde istatistik analizinin en nemli iki konusu, istatistiki tahmin ve istidll zerinde durduk. Kitabn son iki blm,
ilgdi blmlerde genel prensipleri verilmeye allan analizlerin, deikenler arasndaki ilikderin belirlenmesi amac de kullanmna ayrlacak.
Deikenler arasndaki ilikderin analizinde, zellikle ekonometri'de en
ok kullanlan yaklam olarak regresyon analizini iki ana blmde
inceleyeceiz: Blm IX. basit regresyon yani tek aklayc deikeni
ihtiva eden regresvon analizini, Blm X ise oklu regresyon analizini
kapsayacak.
ktisadi deikenler arasndaki dikilerin incelenmesi, iktisat biliminin temel uralarndan biridir. Davranlar (bu davranlar bir
ferdin, bir firmann, bir bankann, mali otoritenin, btn tketicderin,
btn firmalarn... davranlar olabilir) fonksiyonel ikder eklinde
incelemek ve "ne neye bahdr" sorusunu cevaplandrmaya almak,
iktisat alan bir kimsenin temel grevidir.(1) ktisat kafasnda test
edilebilir hipotezler eklinde fonksiyonel iliki modelleri gelitirir. Mesel
belli bir mala kar talebin: o maln fiyatnn, tketici gelirinin ve ilgili
(rakip ya da tamamlayc) mallarn fiyatnn bir fonksiyonu olduunu
dnr. Ya da mesel t devresindeki veni sipariler, snai istihsal indeksi,
reel net krlar, uzun vade faiz haddi ve nceki devreler sipari seviyeleri
de dikilendirdir.
Bu safhada, yani test edilebilir hipotezleri formle ederken uralan bilim dal (bizim iin iktisat) de dgdi bilgi ve olgunluk birinci dere1 "e neyin fonksiyonudur" sorusuna ekonometrik modellerde aM cevap arand ile
ikili olarak t' Korum a.tt.e. Biilm 2 ve eklerine baklabilir.

eemdersnotlari.com

cede nemlidir. Fonksiyonel iliki modeli gelitirildikten sonra geriye,

kantitatif metotlarla iliki parametrelerini tahmin etmek ve postle
edilen ilikilerin geerliini tahkik etmek kalyor. te bu safha regresyon
analizinden kesif ekdde yararlanmamz gerektiriyor.
Y baml ya da aklanan deiken, X.'ler de bamsz ya da aklayc deikenleri gstersin: ilikinin en genel ifadesi;
Y = f(X . . . X k )

eklindedir.

Burada dikinin ekli ile dgdi nemli bir problem ortaya kar.
likileri babca iki ksma ayrabiliriz:
i) Determinist ilikiler. Bu tip ilikilerde aklayc deikenler
set'inin baml deikendeki deimenin tamamn izah edebilecei
dnlr. Buna fonksiyonel iliki de diyebdiriz. Matematikte genellikle
determinist ilikiler zerinde ahrz.
ii) Stokastik dikder. Bu tip ilikide eitli nedenlerle(2) aklayc
deikenin baml deikenin deimesinin tamamn izah edemiyecei
ve bir hata teriminin fonksiyonel ilikide yer almas gerektii kabul edilir.
Y = f(X...Xk)6)
Fonksiyonel form'da zerinde durulmas gerekli bir problemdir.
Bu fonksiyonel form eitli ekillerde belirebdir. Biz bu ve sonraki blmde dorusal ilikiler zerinde duracaz. lk bakta byk bir kaytllk olarak grlen bu konu, gerekli dntrmeleri yaparak pek ok
ilikinin dorusal hale getirilebilecei grldnde ksmen de olsa
nemini kaybedecektir.
2 Ekonometrinin mevcut olu sebebinin bu E terimi olduunu iddia etmek mbalaa saylmamaldr. Deikenler arasndaki ilikinin determinist deil, stokastik ekilde tanmlanmasnn
hakl gsterici sebepleri unlardr:
i) Terimlerin hi bir zaman, her unsuru dikkate alan ve her eyi izah eden eksiksiz ilikilerden
ibaret olmamal,
ii) Tanmlanan ilikilerin fmk-ivoel ekli ile ilgili vanlrnalar. Mesel hiporbolik bir ilikiyi
dorusal kabul efrek gibi.
iii) Deikenlerde lenen daima mevcut olau lme hatalar. liki fonksiyonel bile olsa lme,
hatalar ebebi ile fonksiyonu ifade eden eri etrafnda bir serpilme meydaua gelir. (Serpme
diyagramnda greceimiz gibi)..
Mesel fonksiyonel iliki z = a + (3X olsun, z'yi hatasz olarak lmek imkn yoksa ve ancak
Y = z + v eklinde gzlenen hatal bir terimi lebiliyorsak; Y = | v = | (3X + v olacaktr.
iv) statistik verilerde mevcut olan agregasyonlar. Bu konu ile ilgili olarak bk. U. Korum
a.g.e Sh. 6.

320

eemdersnotlari.com

tte, Y ile X.'ler arasndaki ilikinin stokastik ve dorusal bir iliki

olduunu kabul etmekle oklu regresyon modelini incelemek iin uygun
bir noktaya gelmi oluyoruz. Dorusal oklu regresyonun en genel gsterili ekli;
Y = p0 + (l X + . . . + Pk X k 4" 6 dur. Blmn hemen banda
bu tip ilikilere bir iki misl verelim:
Misl 1: 1M PE = f(I PE , Y m a n , F, s) eklinde bir tanmlamay test
edelim. Burada I M P E makina tehizat ithaltn, P E makina tehizat
yatrmn, Y m a n sanayi sektrnde yaratlan geliri, F de ithal edebdme
mknn(3) gstersin.
I M p e = 37.9218 + 53.8380 I P E 16.8296 Y m a n + .4240 F
(37.8108) (11.9704)
(4.0506)
(.0825)
1951-1965
R2 = . 895
s = 16.268
d = 2.454 (4)
Bu denklemdeki her eyi u anda izaha alacak deiliz. Mislimizde
ad geen aklayc deikenler makina tehizat ithaltndaki deimelerin % 89.5 unu izah edebiliyor. IM P E nin zerindeki " a " iareti hesaplanm deerleri aktel deerlerden ayrmak iin kullandmz bir iaret.
Pi'lerin tahmin edden deeri altnda katsaylarn standart hatalar verdmi, bu sebeple istendiinde arabk eklinde tahminler ve hipotez testleri
yapmak mmkn.
Buna benzer binlerce regresyon denklemini bugn iktisat dergilerinde bulabiliriz. Son yllarda Trkiye'de regresyon analizi iktisatlarn
temel bir analiz arac haline gelmi bulunuyor.(5)
Regresyon analizinin iktisat, daha spesifik olarak ekonometrideki
yerine deindikten sonra imdi konuya daha teknik bir adan yaklamaya kendimizi hazr hissedebdiriz. Bu blmde regresyon modelinin
en basit ekli olan tek aklayc deikenli dorusal iliki zerinde tafsdtl ekdde duracaz. Bunu yaparken hesaplama ilemlerini, oklu
regresyona geii azami kolaylkla salayacak ekilde dzenleyeceiz.
ki Deikenli Dorusal R e g r e s y o n Modeli:
Y = g(X, Z, Z 2 . . .Z k , e)

olsun.

Zj lerin etkisini ayr ayr incelemez ve e iinde toplarsak iliki

3 F = ihracat -+- grnmeyen kalemler (net) -}- enfrastrktr offshore + sermaye hareketleri d bor ana para demeleri (milyon S).
t U. Korum, a.g.e Sh. 184.
5 Bu dununu bir regresyon enflasyonu eklinde yorumlamak mmkn.

321

eemdersnotlari.com

Y = h(X, e) haline dnr. Bu ilikinin fonksiyonel eklinin dorusall kabul eddirse,

Y = x -f- (3X + e dekleme ular.
lk bakta basitin basiti olan bu denklem realitede pek az ie yarayabilecek bir kaytlama gibi grnebilir. Gerekten ak ekilde ele alnmas gerekli baka deikenler olabdir. Fakat bu dorusalla ded,
basit'lie yani tek aklayc deiken ihtiva etmeye kar yneltdeben
bir tenkit. Dorusallk de ilgdi olarak bu fonksiyonel eklin kullanmnn
dar olaca iddias ne srlebilir. Bu iddiay ilk bakta dorusal olmayan birok ilikinin basit dntrmelerle dorusal elenik dikdere
evrdebdeceini ifade ederek cevaplandrabiliriz: te birka rnek;
Aadaki dikderin hi birinde Y ile X arasndaki iliki dorusal dedir:
i) Y = a e ^ x e e = a e P x + 6
n) Y = oc

es

i) Y = a +

1
X

j- e

iv) Y = x + % X + |32 X 2 + e
imdi gerekli dntrmeleri yapalm:
i) n Y = n a + X + 6

n Y = Y \ lna = a*

olsun.

Y*= a* -j- (3X -f- e (Y lerin logaritmalar de X 1er arasnda

dorusal diki)
ii) n Y = n a + (3 n X + e
Y * = a* -f- (3X* -f- e (Y ve X lerin logaritmalar arasnda ift
logaritmik dorusal diki)
1
iii) Bu denklemde Z =
dersek Y = x -f (3Z + e olur, yani
1
X
Y lerle
1er arasnda dorusal iliki mevcuttur.
X
iv) X = X, X 2 = X 2 dersek tek aklayc deikenli quadratik bir
iliki, iki aklayc deikenli dorusal bir ilikiye dnr:
Y = a + 3.X, + 2 X 2 + e
Bunu Y = |a 4- tX-f. .
kolayca genelleyebiliriz.(6)

p k X k + e eklinde bir polinomial'e

6 Bu lotlturneirre ilenle ti'krar teman eleregiz.

eemdersnotlari.com

Eer e'lar gzlemek mmkn olsayd, baka deyile e llebilen

bir deer olsayd iimiz ne kadar kolay olurdu. yle ki:
Y, = a + |3 X, + ,
\ 2 = ol-f- 3 X 2 -p 62 denklemlerini a ve [3 iin zerek,
Y, 6, = a + X,

den

Y 2 e 2 = a + (3 X 2

|3 =

(Y, e,)(Y 2 e 2 )
X,X 2

deerini

bulabilirdik.
Oysa gerekte e'larn deerlerini bdmiyoruz. Byle bir durum baka
tahmin metotlarn zorunlu klyor. te imdi zerinde duracamz
En Kk K a r e l e r Metodu bu ihtiyac karlyor.
En kk kareler metodu yoluyla a ve (3'mn tahmin edicderi a ve
(3'in (Y = a -f- (3 X) kanhn grmeden nce basit dorusal regresyon
modelinin stokastik tanmn formel olarak yapmamz gereklidir. Burada
stokastik tanm'dan anlalmas gereken ey modelde sz konusu tesadfi deikenlerin dadmlar ile ilgili faraziyeler ve Y, X ve e'un birbirlerine kar durumlarnn incelenmesidir.
B a s i t Dorusal R e g r e s y o n Modelinin S t o k a s t i k T a n m :
Y t a -f- (3X, + Sj
l a ) Xj

i = 1 . . .n

denkleminde,

kontrol eddebilen yani stokastik olmayan bir deiken.

lb) Xj tesadfi bir deiken ve X'lerle e'lar birbirinden stokastik

bamsz yani,
g(x, e) = f(x) h( e)
2) 6, bir tesadfi deiken, dolaysyla Y tesadfi deiken.
3) E( e,) = 0
E ( Y , \ X , ) = E(a-rpX,+ e , \ X t ) = E ( a \ X i ) - E O X i \ X,)+E(
= +?X,

ei\X,)

E(Y,\X,) ye regresyon fonksiyonu dendiini beinci blmde belirtmitik.

(4)Var( e,) = E [ e t - E ( e,)] 2 = E( e t *) = ^ e
Cov(ei,6.)=0
i^j
Cov( e j ) = E \ [ 6|E( [)] [ e - E ( e,)]
= E 1 6 i e e , E( 6 j ) 6 j E( e,)+ E( e,) E( e,)
= E(e ,)

eemdersnotlari.com

Belirttiimiz artlar, e'larm varyanslarnm muhtelif gzlemler

bakmndan deimediini (homoscedasticity) ve farkl devrelere ait e
deerleri arasnda otokorrelasyon bulunmadn ifade ediyor.
Var(Y i \X i ) = E [Y ; E(Y i \X i )\X, ] 2
= E [oc+X i +
=

i-apX,\X,]2

= E [ e,\X;]J

= 4

zet olarak;

(0,4)

Y^(ac+3X,<rJ)
Cov(Yi, Y.) = 0

i^j

Dikkat edddii gibi, buraya kadar eklerin dalmnn ekli de ilgili

bir faraziye yapmadk. Bunun sebebi en kk kareler metodunun uygulanabilmesi iin dalmn ekli ile ilgili bir faraziyenin gerekli olmamasdr. Eer 6 ;
n(0, CJ|) olduu kabul edilirse bu taktirde ML metodunun uygulanmas mmkn olacaktr. Bu rnetodlarla tahmin etmek
istediimiz parametreler a, p ve
dir. leride greceimiz gibi ML
tahmin edicderi de LS tahmin edicilerinin ayn formllerle hesaplanacak,
baka deyile a ve (3'nn LS ve ML tahminleri ayn deerler olacaktr.
O halde nce en kk kareler (LS) metodu ile tahmin edicderin bulunuunu grelim.
rnek gzlemleri: X,,. . . X o
Y

SX
i=l

x=

SY,
Y \=

Bulmak istediimiz regresyon dorusu;

Y = x + (3X
a ve p'in rnek deerlerinden elde edilmesini salayacak formller
bulmamz gerekli. Bunun iin verileri nce bir "serpme diyagram"nda
gsterelim. Bu serpme diyagramnda koyduumuz noktalarda beliren
edimi nasl bir doru ile temsd edelim? P(X Y t ) herhangi bir gzlemin
serpme diyagramndaki yeridir. P den X eksenine bir dikme indirelim.
OT = Xi, PT = Y , RT = Yi, e, = Y ; Y ; = PR
324

eemdersnotlari.com

e ; 'lere " a r t k l a r " diyoruz, e^ler gzlenen deerlerle hesaplanm

deerler arasndaki fark gsteriyor.

e;

<

0 olabilir, fakat e;2

dir.

S ef, gzlemlerin regresyon dorusu etrafndaki uzaklklarna bai=l

hdr. (a, |3) ikdisinin muhtelif deerleri, muhtelif regresyon dorular
verecek, dolaysyla noktalarn dorudan uzaklklar da farkl olacaktr.
e t 2 = f(, (3)
i=
~
n
LS, en kk kareler prensibi x ve [}'i 2 e, : = min. olacak ekili=I
de semektir. Bu taktirde verilere en iyi uyan bir doru elde edilmi
olacaktr.
S= S
i=l

e? i=l
= S (Y Y.) = (Yl-$Xty
i=l
;

S'i min. yapmak iin S'in x ve [3'e gre ksmi trev denklemlerini
elde etmek bunlar O'a eitlemek ve denklem sistemi eklinde e anl

eemdersnotlari.com

zm sonucu a ve [3 deerlerini bulmak gerekir. (7)

as
imdi,

as
= 0 ve

= 0 denklemlerini bulalm ve e anl

SOL

AP

olarak zelim.
1)

SS

= 2

(YjOLpXj) = 0

= 2

2 X,(Y 1 *pX t ) == 0

SOL

2}

Bu denklemleri basitletirerek n o r m a l d e n k l e m l e r ad verilen

aadaki 2 denklem elde edilir.
2 Yt = na+p X r
i=l
i=l
n

2 X,Y, = a S X , + p 2 Xi
i=l
=l
i=l
Bu denklem sisteminde bilinmeyenler a ve p, rnek deerlerinden bulunan
deerler ise,
S Y 2 X 2 X,Y,
1=1
i=l
i=l

ve

2 Xi 2
i=l

dir. (8)

Birinci normal denklemin her iki tarafn n'e blersek,

7 Ksmi trev denklemlerinin e anl zm sonucu bulunacak deerler S'i min. yapa
deerler olacaktr, nk denklemin nitelii dolaysyla S'in max. olmas ancak a ve [3'in + veya
sonsuz olmas halinde mmkn olabilir.
8 Birinci normal denklem Y = x -+- (5 X denkleminin l'den n'e kadarki toplamn ifade
ediyor. kinci normal denklem ise X,Y ( a X ; -+- [3XiJ denkleminin l'den n'e kadar olan toplamn veriyor. Buradan oklu regresyon ile ilgili normal denklemlere kolayca geilebilir. Mesel
2 aklayc deiken olmas halinde, normal denklem,

SYj = n, + |,SX, + p2SXJ

S X , Y = pSX l + P,SX, + P,SX,X 2
2 X , Y = Po2Xj + P,SX,X 2 4- PjX 2
mal denklemi yaznz.

eklinde elde edilecektir. (k=5 iin 6 nor-

326

eemdersnotlari.com

Y = a -(- (3x bulunur. Bu regresyon dorusunun X ve Y lerin ortalamalarnn koordinatlarn tekil ettii (x, Y) noktasndan mutiaka
geeceini gsterir ve regresyon dorusunun grafikle iziminde kullanacamz bir nokta olur (ikinci nokta a yani Y eksenini kesim noktas
olabdir) Buradan a bulunur.
r%

a Y S X. * deerini 2 inci denklemde yerine koyalm:

n
n

v . vi i

v V
---i

[ i=l

,= 1
1

S X,
i=l

S Y,

il

X i

i=l

+ p s

p ( i X4)2
=1

xt;

i=l

+ p s X,!

fadeleri kolayhk olmas iin S eklinde gstererek;

n SXY = S X S Y (3(IX)2 + S X 2
= I X S Y + (3[n2X 2 (SX)2]
n ZXY 2X ZY
P =

(X X) (YY)

n EXMSX)2

S(XX) 2

X t x = x,
Y[ Y = yj
cinsinden)

eklinde ifade eddirse (ortalamalardan

y,

sapmalar

elde eddir.

i=
Bylelikle a ve (3'in LS tahmin edicilerinin formllerini elde etmi
etmi olduk. imdi realist bir misl zerinde x ve (3'in nasd hesaplana327

eemdersnotlari.com

cam grelim. Hesaplama tarzmz oklu regresyon ile ilgili hesaplamalara otomatik geii salayacak tarzda olacak. Bu sebepten ilk bakta
gereksiz gibi grnecek bir dzen iinde hesaplafaay gstereceiz.
Elektronik hesaplamann yaylmas ile masa hesap makinalar ile hesaplamaya ilikin "format"ler nemlerini kaybetmi bile olsa, bu hesaplamalarn ihtiva ettii ilemlerin gene de btn akl ile bilinmesi gerekir. Bu, gerektiinde hesaplamalar elle yapma imkn yannda, elektronik hesaplamada programn yaplmas ve gerekli deiikliklerin eklenmesi
bakmndan da zorunludur.
Misl: Bilindii gibi ekonomide masraf enflasyonu basitletirilmi
ekli de yle olur:
a) Ekonominin bir k sektrnde mteebbisler ve irketler fiyatlar, ortalama masrdflara belli bir yzde ekleyerek tesbit ederler. Ortalama masraf ykselirse fiyatlara akseder.
b) Ortalama masrafn en nemli unsurlarndan biri istihsal birimi
bana denen crettir.
c) Para bana den cret, igcnn ortalama verimi ve ortalama crete baldr.
d) Ortalama cret aaya doru hareketlere kari direnlidir. Yukarya doru hareketi ise byk lde iverenin direnme ve iilerin
srarna, yani nisbi pazarlk durumlarna babdr.
e) Taraflarn nisbi pazarbk durumlar ekonomideki isizlik oranndan etkilenir. sizlik oran de cret deiimi arasnda bir balant
kurulabdir. Bu ilikiyi dorusal olarak ifade edelim.
Awt
100

Ut
= a + P(

w,_,

) +

e,

Lt

U = t ylndaki ortalama isiz says.

L, == t ylnda sivil igcne dahil insan says.
= t ylnda istihsalde ahardarn saat bana ortalama cari cretleri.

328

eemdersnotlari.com

Aadaki tablo gzlenen rnek kymetlerini gsteriyor.

1
Yl
1947
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961

(X)
U/L
3.9
3.8
5.9
5.3
3.3
3.1
2.9
5.6
4.4
4.2
4.3
6.8
5.5
5.6
6.7

100(

w
1.22
1.33
1.38
1.44
1.56
1.65
1.74
1.78
1.86
1.95
2.05
2.11
2.19
2.26
2:32

w t _

9.0
3.8
4.3
8.3
5.8
5.5
2.3
~~ 4 . 5
4.8
5.1
2.9
3.8
3.2
2.7

X+Y=K
12.8
9.7
9.6
11.6
8.9
8.4
7.9
8.9
9.0
9.4
9.7
9.3
8.8
9.4

67.4

66.0
133.4
stenenler: bir serpme diyagramnda bu noktalar gsteriniz, regresyon
dorusunu hesaplaynz ve ayn diyagram zerinde iziniz.
Tablodaki son stun bir kontrol toplamdr. Bu toplam hesaplama
ileminin doruluunu kontrol etmede kullanacaz, zellikle veri problemi fazla olan lkelerde, hele elektronik hesaplama imkn varsa iin
en nemli safhas verilerin istihsali safhasdr. Deikenlerin uygun
ekde tarif edilmeleri, bu tariflere en uygun llerin bulunmas aratrcnn zamannn byk ksmn alr. Ayrca verderi hesaplamalarn
yapdaca kda doru kopya etmeye de dikkat eddmelidir. Aksi halde
gerek ilikileri temsil etmeyen sonulara ulabr. zellikle birinci farklar
arasnda regresyonlarda bu hususlara dikkat edilmelidir.
Verilerin hesaplamalara uygun boyutlarda tanzimi de zorunludur.
Genellikle tam say hanesi 2,3 kesir hanesi de 2 veya 3' amamaldr.
Rakamn btnn azami 5,6 hane olacak ekilde ayarlamaldr. Aksi
halde hele oklu regresyonda hesaplama imknsz hale gelebdir.
Verileri hesaplama kdna geirdikten sonra ZK = EX + SY
olup olmadna baklr. Byle ise bu safhada hi hata yaplmam demektir. (y/) iareti ile bu kontroln yapld belirtilir.
329

fi

eemdersnotlari.com

indi bu verileri bir serpme diyagram ile gsterelim. Aklayc

deiken apsis'te, baml deiken (Y) de ordinatta grnsn.

-%M

X = 4.814
Y = 4.714
K = 9.528
a ve (3'i hesaplamak iin her safhasnda kontrola imkn veren ve
oklu regresyona otomatik geii salayan aadaki hesaplama tarzn
uygulayacaz:
n c e " b a l a n g n o k t a s e t r a f n d a k i momentleri"bulunuz.
X
X
Y
K

Y
SXY
EY 2

K
SXK
SYK
EK2

X
Y
K

X
345.84

292.20
361.68

K
638.04
633.88
1291.78^

Burada kontrol EK> = X 2 + 2SXY + EY* olup olmadna

bakarak yaplr. EXK ve EYK deerleri nce hesaplanmaz. Eer kontrol
tutmuyorsa bu iki deerin hesaplanmas yoluna giddir.
330

eemdersnotlari.com

ZXK = 2X2 + S X Y
SYK = S X Y + ZY 2 olmaldr. Eer hem EXK hem de EYK
yanl ise hata XY de demektir. Sadece biri tutmuyorsa bu taktirde
ona tekabl eden diyagonal elemann (yerine gre S X 2 veya ZY 2 ) hatab
olduu ortaya kar.
Bundan sonra sra " o r t a l a m a
gelmitir.

etrafndaki

momentler"e

= I X (SY) 2
Sy2

EY 2

x
y
k

x
Sx2

y
Exy
Sy2

k
2xk
Syk
S k 2 -'

(SX) (SY)

Zxy = SXY

n
Sk 2 = 2K 2

(SK) 2
n

Misalimizde,
x
21.36

x
y
k

y
25.61
50.54

20.68 A/

Burada da kontrol S x 2 -f- S y 2 + 2Zxy = Xk ; eitliini salamak

eklinde yaplr. Eitlik kmad taktirde Sxk ve Syk hesaplanr ve
aynen balang noktas etrafndaki momentlerde yapld gibi hata
tesbit eddir.
Ortalama etrafndaki momentler bulunduktan sonra x ve [3'i bulmak
iin,
(3 =

Sxy
2x2

a= Y

25.61
21.36

= 1.198

= 4.714 + (1.198) (4.814) = 10.18

331

eemdersnotlari.com

O halde denklemimiz: Y = 10.48 1.198 X tir.

Denklemi iktisatlarn daha ok beendii ekdde ifade edelim:
^.100 - - j = 10.48 1.198^^
Yani ekonomide hi isizlik olmazsa cretlerde ylhk ortalama yzde
art 10.48 olacak, isizlikteki her yzde 1 art cretlerde % 1.198
X

dmeye sebep tekil edecektir, a ve (3 'in baml deikenin l birimleri cinsinden yorumlandna dikkat eddmelidir.
K

Buraya kadar LS tahmin metodu ile a ve j3'in bulunuu zerinde

durduk. Acaba bu LS tahmin edicileri ne gibi arzu edilen zelliklere sahiptirler. statistiki tahminin bir uygulamasn tekil eden bu konuda
Gauss Markov teoremini kullanacaz.
LS T a h m i n E d i c i l e r i n i n z e l l i k l e r i : Gauss M a r k o v
Teoremi:
Teorem: Basit dorusal regresyon modelinin stokastik tamm artlar altnda LS tahmin edicderi a ve (3; a ve (3'nn dorusal, minimum
varyansh, sapmasz tahmin edicileridir. Bu zellie ksaca BLU (9) da
dendmektedir.
spat:
i) Dorusallk:
Y
/s

9=2

i=

g(y; 6) ve 0'de 0 nin bir tahmin edicisi olsun. Eer;

A

c, Y,
A

ise yani 0, Y'lerin dorusal bir terkibi ise 0 dorusaldr.

A

O halde a ve [3'in dorusal olduunu gstermek iin,

~
n
a = 2
v, Yj
[3=2

w, Y[ olduunu gstermemiz gerekir. nce (3'i alalm.

9 BLU ingilizce best, linear, unbiased (en iyi, dorusal, sapmasz) kelimelerinin ba harfleridir.

332

eemdersnotlari.com

a
( X t - x) (Y t y)
P =
2(X1-x)2

x) Y 1 - S ( X 1 - X)Y
S(X,-x)2

;{X, x) YjvS(Xix)

Oysa, 2(Xix) = 0

dr.

.
S(X1-x)Yl
|3 _
_
" 2(X,-x)2

X,x
Y
S(Xi-x)2

X,-x
=

diyelim.

-(Xs x)2
P = 2
=1

w, Y,

imdi w, ile ilgili olarak Zvv^, E\V;2, ZwjXj deerlerini bulalm.

S(X,-x)

Ewi =

S(X,-x)*

= 0

S(X x) 2
Swi 2

[2(X, x ) 2 ] 2

S(X,-x)2

(Xi-x)Xi
SwjX f = S

Z(X,-x) 2

S(X x)X, = s x , 2 xSX, = s x , 2

(SX)2
n

2(X, x)2
vWjXi

S(X, x) 2

= 1

S(X l -x) 2

a'in dorusall:

SY
n

SX
1
3 = S Y x
n

=S(

eemdersnotlari.com

1
n

Y,w, xY,)

1
= (

x w , ) Y,
n

Vj =

X w-,

olsun.

a = VjYj

Svj = 1 xSwj = 1
.
xt
2v,X t = S (

xwjX|) = x x(Sw,Xj) - x x = 0

n
Bylelikle GM teoreminin dorusalln ispatlam olduk,
ii) Sapmaszlk:
(3 iin:
p = -W.Yj
Y, = * + 3X ( 4- Si
= S w i ( a + p X i + j) = aZw,-f-(3XwiXi -f
6j
p = (3 +
6 i = (3 + Sf,(x) e,
E(p) = E(f3) + E(If i (x) e,)
= (3 + SEf 1 (x) e,
Bu ifadede son terim (la) ve (lb) tanm artlarnn ikisi iin de sfrdr.(lO)
E(|) = 3
x iin:
SY
EX
M

n
E()

1
= _ S E ( Y , ) XE(P)
n
1
= S(x+(3X,) x(3 =
n
= a

1
n

(n+[3ZX,)x|3=a+[3 x-[3x

10 Eer X'ler kontrol edilebilen deikenler ise beklenen deerleri kendilerine eit olacak
ve f i (x)SE(e i ) yazlacak. E(Sj) = 0 olduundan terim sfr olacak. X ( 'ler tesadfi deiken,
fakat e'dan bamsz ise, S E(f(x)ej] = SE [f(x)) E(e ( ) = 0 salanacaktr.

331

eemdersnotlari.com

iii) Minimum Varyansklk:

9* |3'nn baka bir dorusal sapmasz tahmin edicisi olsun.
0* = S ( w i + S 1 ) Y i = |3+SS i Y i
E(9*) = p olmas gerekli.
^K+s.Ma+p^+e,)
- a2(w, + 8,)+p2(w i + S i )X i + 2(w i + 8 i )

0*'m sapmaszlnn salanabilmesi iin, S ( w i 4 - S i ) = 0 olmaldr.

Bu ise 28j = 0 olmas ile mmkndr. Bundan baka E(w-f-8|)X| = 1
olmaldr. Bu da, 2 8 ^ , = 0 olmasn gerektirir.
0* = 3 + 2(w,+8,) e,
Var (p) = EVar(w,Y i ) = Ev^VarfY,) = 2w,* A* = G\ Ew, 2

Z(X, x)2

Ex 2
2

Formlde grld gibi, ag g ile birlikte byyor. X'in varyans bydke |3'in varyans klyor.
Var(0*) = E[0*p]2
(0*p)2= [ 2 K + 8 , ) e i ] 2 = s ( W i + s t ) 2 ? +2 S ( w i + S i ) ( w J + S J ) e, e,
E(0*p)2 = E[I(w i +8 i )2 e,2] nk stokastik
i

tanm

gerei

j iin e'larn dadmnda G* sabit kald iin,

E(0* p)2 =
=

2w,8, = 28,
Var(0*) =
rrQ4 =

2 K + 8 , ) 2 = a ] 2 ^ 2 + ^ + 2 w,8,)

er2 Zw,2
(X, x)
2(X,x)2

G\ 2 W J 2 +

G\

CT2

28.2

4-

2 a ] 2w,8,

28,X,
2(X, x) 2

x28,
2(X, x) 2

= 0

2S, 2

O halde baka bir

2
d o r u s a l s a p m a s z tahmin edicinin varyans en az a - kadar olmak
a

a\

-f a" 28,2 oysa

28,2 ^ 0 dr.

eemdersnotlari.com

Zorundadr. a a

a?

hali ancak

= 0 dolavsvla 8, = 0 halinde

ti*
p
mmkndr. Bu taktirde ise.
0* = E(w,+0) Yj = S ^ Y , = p olacaktr.
yle ise p, P'mn dorusal sapmasz tahmin edicileri set'i iinde varyans minimum olan y e g n e tahmin edicidir.
Benzer bir ispat da a iin yapabiliriz.(ll)
Bylelikle GM teoreminin ispat tamamlanm olur.
GM teoremi iin e'larn dabmnn ekli ile dgdi herhangi bir faraziye yapdmadna tekrar dikkati ekelim, e'larn dalm normal
olursa, bu taktirde a ve p dorusal olsun olmasn btn sapmasz talimin
edicder iinde minimum varyansl olandr.
P'in varyansm grmtk a'in varyans ve cov(a, P)i de grelim.
ac =

SVJYJ

= S v i ( + p X i + e,) = a S v . + p S v ^ + S v , e,

= a + S v et
g^ == E(xY = E(Svi 6j) 2 = E(Svi 2 e ( 2 + S apraz terimler)

4 X 2

nEX 2 (SX) 2
cov(,p) = E [ ( a - a ) ( p - p ) ]
aa = Svj Gj
p - p = Sw, e,
cov(,p)= E[(Sv, e,)(w, e,)]
l
^ t = I (
xw,) e, = i
e,
n
cov(a,p) = E ["eEw|
e;)2
e S w l e , = e(w, ,+ . . . + w n e n )
=

eS e,+ . . . 4

Wn

e n z e(

11 Nasl?

eemdersnotlari.com

cov(a,(3) = E [

2wj 6,2+S apraz terimler x(w ( e,) 2 ]

n
(Sw,

e,) 2

= (w, 6|+ . . . + w n s n ) (w,

=

.. . +wn en)

+ S apraz terimler.
1

cov(oc,|3) = E [

e, 2 x

apraz terimler.
n
apraz terimlerde 6j 6j ifadeleri, E( e, Gj) = O olduundan terimlerin dmesine sebep olur.
1
=

Sw,E( 6{)x

e, 2 )

n
1
Os S w ,

X (Tg

n
1
Sw, = 0 ve

Cov(a,p) = X <re Sw t * =

olduundan.
= nSXMSX)2

a ve p'in birleik dalmlar de ilgili olarak imdiye kadar yazdklarmz

zetleyelim:
E()= a
E(p)= p

.
- 4 (SX)
Cov(,p) =
n 2 x 2

2
2

Bu ifadelerin son nde

terimi var. Oysa biz e'un varyansn
bdmiyoruz. Bu durumda a^ iin bir tahmin edici bulmamz ve bunu
hesaplamalarmzda kullanmamz gerekiyor. Bu tahmin ediciyi gzlenecek rnek deerlerinden yararlanarak bulabiliriz.

eemdersnotlari.com

(7e ayni zamanda Y'lerin de varyans olduuna gre;

CTe

= E [Y,E(Y,)] 2

E(Yj)'nin rnekten bulunan bir tahmini Y'tir. Y'e rnek deerleri

iin, E(Y)'nin al iin yapt fonksiyonun benzerini yaptrabm,
Z(YjY) 2 = S e 2 = 2(Y
pX,) 2
= ^[(^--^.-(-a)

-(p-p)^]2

.= ^(YiapXi)2+n(a) 2 +S(pp)2Xj2
-2E(Yi-a-pXi)(a-)-2S(Y1--pXi)(p-p)Xi
+2S(a-a)(p-p)Xl
E(Se i z ) =
=

2E(ei2)+n^+2Xi2oV+2(2Xt)cov(,p)242^(12)
I+

n " f2

x 2

= ntr. 4CT: +2cr;

alSXf2

2a* (XX,) 2
nSx2

^S X 2

(SX) 2

LSx2

nlx2

nX 2 (ZX) 2

nEx 2

nSx2

nZx 2

= n a l - 4 a l + 2 a 2 e = (n-2)<r*
E ( ) =
S2

Set2
n2

4
S(Y ( Y) 2

S(Y,apX,) 2

nl

12 -S(Y(^x-pX ( )(p-p)X,= 2ei~X((^j) = Ze1XiSw[e;

E [ e i X ( 2 w ( 6 j ] = Ew i X ( e i 2 +ES apraz terimler.

6j, Sj ilikisiz olduundan,

= a* SwtXj =

S(Y(<xpx,)(aa) = 2e,(a)

SCSjSvjg;) = Zv^Se,

"

r.

aa=w Vje,

E[Vj6(2ej] = ESvjSj 2 + ES apraz terimler

= S v ( a ^ = a?. Sv, 2 = a l

338

eemdersnotlari.com

4 al

2
,

w
'nin rnee dayanan sapmasz tahmin edicisidir. Blmn

n2
daha sonraki ksmnda Eej 2 nin hesaplanmas iin pratik formller verilecektir. Burada aklamakszn bir hesaplama formln verelim:
Se^ = Ey 2 fJ2Ex2 = Ey 2 (3Sxy
grld gibi, ortalama etrafndaki moment matriksi deerlerinden
kolaykkla karlabilecek bir deerdir.
e ' l a r n d a l m n n e k l i n i n n o r m a l olmas h a l i n d e ,
a ve p iin ML tahmin edicileri elde edilebilecektir. Normal dabm faraziyesi de, e'larn sklk fonksiyonu,
2
2a 2e
f( 6i) =

y"2z <r
e iin Likelihood fonksiyonu,
1
2a 2

Se(2

f(6l...en) =
(2tt

= (*,)

E e, 2
2<x2
E

(2)

Y'ler e'larn bir fonksiyonu olarak gsterildiinde,

a e,
a e, I
e, = Y t apX
1 ... o
0Y,
cY,
e 2 = Y 2 apX 2

en = Y n - * - f X n

a e

a e
aY

o ... 1
339

eemdersnotlari.com

dntrmenin Takobian', j J | = 1 olduu iin Y'lerin Likelihood

fonksiyonu,
(
n

2a 2

2(YiapXj) 2
2

L ' ( Y l . . . Y n ) = (a^)
n

n L' =

(2*)
n

n a*

ln(27t)

e
1
2a 1

2(Y,apX,) 2

s
Bu fonksiyonu max. yapan a, p, er* deerleri aadaki 3 ksmi
trev denkleminin e anl zm sonucu elde eddir:
d

n L'

8ol

n L'

ap
d

n L'

8(c'e)

G2
e

S(Y1-a-pX1)Xi

n
2G2

(4 )~2 2(Y(3Xi)2

2
e
Bu ksmi trev denklemlerini sfra eitleyip e anl zm yaparken ilk iki denklem daha nce grdmz normal denklemlerin aynm
bize verecektir, a ve ^ nin ML tahmin edicilerine ve (3 dersek,
(Y,a(3X,) = 0 \
w**
> =>

a= x

(Y,-a-pX,) = 0 )

p= p

nc denklemde a ve j'i yerine koyarak ve gerekli ilemleri yaparak

T
+ Se2l = 0
1 r -L
n2
1
2&
J
er
2
2o
e
e
Se, 2
Sej 2 = nffg ar* =
grld gibi
nin ML tahmin edi340

eemdersnotlari.com

Se, 2
cisi sapmahdr, bu sebeple kullanlmaz, bunun yerme

kullanlr.
n2

LS ve ML metotlar ile ayn a ve (3 tahmin edicilerini elde etmemiz,

en kk kareler tahmin edicilerinin ayni zamanda ML tahmin edicilerinin zelliklerine de sahip olmasna imkn veriyor. Yani <*, (3 belli
stokastik tanm artlan altnda BLU tahmin edicder olmalarna ilveten;
tutarb, etkin, en iyi asimptotik normal tahmin edicilerdir, yeterli statistiklerin fonksiyonudur ve invariance zelliine sahiptirler.
/

. ,

yv

e
n(0, <re ) olduunda, Y ^ n ( a + p X , ) , er e ) olur. (3, normal
dadm olan Yelerin dorusal bir terkibi olduuna gre bu durumda
(3'in dalm da normal olur.
(3 ^ n I [3,
L

I Benzer ekdde, a' de normal dalm olacaktr.

SXJ

Buraya kadar yaptklanmz bir iki kelime ile zetliyelim: Basit

dorusal regresyon modelinin stokastik tanmn yaptk. Bu artlar altnda en kk kareler ve ML tahmin edicderinin elde eddiini ve sahip
olduklan nitelikleri inceledik, a ve (3'in dalmlannn parametrelerini
ve e'm varyansnn bir tahminini elde ettik. Btn bu ilemler istatistiki
tahmin ile dgili idi. Bundan sonraki adm istatistiki istidll olmaldr,
yani eitli aralk tahminler ve hipotez testleri zerinde durulmabdr.
a ve p, baml deikenin l birimleri cinsinden ifade edilen deerlerdir, dolaysyla byklkleri tamamiyle l birimlerinin seimine
a XX
baldr. Muhtelif denklemlerden elde edden a ve p deerlerinin mukayese edilebdirlii bu durumda byk lde snrldr.
Acaba kullanlan l birimlerinden bamsz bir iliki ifadesi mevcut mudur? Evet, bu da esneklik dediimiz deerlerdir. statistiki istidlle gemeden nce ksaca esneklikler zerinde duralm.
Esneklikler:
Esneklik en genel tarifi de, bir deikenin bir baka deikendeki
deimelere kar hassasiyetinin bir lsdr. ktisatta esneklik teriminin bu anlamda yaygn kullanmm hatrlyoruz. Esneklie ir) diyelim.
Y == f(X. . . X k ) olsun.
341

eemdersnotlari.com

8Y
\xi

X,

v- '
OXJ Y

Basit dorusal regresyonda 75 = |3

X
Y

olacaktr.

Pratikte esneklik genellikle ortalamalarda (X,Y) llr. Esnekliin ortalamalarda llen tahmini, 7] = (3

olacaktr.(13)
Y

Dorusal olmyan dikderde esnekliklerin bulunuu:

i)

Yar logaritmik dntrme:

Y = a Px+6
dY
= a e? x + e [3 = Y,
dX
dY

dY/Y
=

= P

dX.Y
dX
Burada dY /Y, Y'nin % byme nisbetidir. (3'da X deki 1 birimlik
deime bana Y'nin % byme nisbetidir.
Yar logaritmik ifadede esneklik:

dY X
X
.
= Y(3
= (3X
dX Y
Y

Grld gibi bu fonksiyonel ekdde esneklik sabit olmayp, X'in deerine gre deimektedir. Baz hallerde sabit bir esneklik deeri veren bir
fonksiyonel eklin kullanlmas zellikle istenir. Byle durumlarda ift
logaritmik dntrme uygulanr.
ii) ift logaritmik dntrme:
Y = a XP e s
dY
dX
13 Esnekliklerin kullanm ile ilgili olarak ou zaman uygulanan bir yaklam, regresyon
denklemlerinde katsaylarla ilgili standart hatalarn altnda esnekliklerin de (ou kere ortalamalarda llen) verilmesi eklindedir.

342

eemdersnotlari.com

*) =

dY X
X
. =eeXP-1
dX

a X

pe.e

= (3

(14)

Bu tip zellikle esneklik mukayeseleri bakmndan faydaldr.

REGRESYONDA STATSTK STDLL
En kk kareler metodu ile istatistiki tahmin, hata terimi ve
dolaysyla bamk deikenin dadmnn ekli ile ilgili bir faraziyeyi
gerektirmemesine kardk, aralk eklinde tahminler ve hipotez testleri
byle bir faraziyeyi zorunlu klar.
e

(0,

i ~

<xj),

Y.-^a+^i)

Y,

n( + pX o*)

n(0,l)

n
e

2 (Yi--pXi)2
i=

Sn

i=

(Y,a(3X|)2 = S
i=1
I
=

(Y,pX,++pX 1 a
[Y,Y+pxX,+Yocpx

i=l
+(_(*) ( X , - x ) ] *

I
(15)

11 Bu fonksiyonel formda katsaylar ayn zamanda esnekliktir. Cobb-Douglas tipi istihsal

fonksiyonu buna tipik bir rnek tekil eder. Yan logaritmik form ise baz hallerde, ekonominin
byme hznn regresyon analizi yoluyla hesabnda kullanlr. Regresyon ilikisinin indeka
saylar arasnda kurulmas halinde ise dorusal denklemin katsaylar, temel yl esnekliklerini

verir.

15 a = Y

X olduu hatrlanrsa, keli parantez iindeki ifade,

= Y, p x , + Y - a - ! J X + p x j p X p x , + p X
= Yj + ( Y p X) a PX

Y , + a pX,

= Y, x pXj.

343

eemdersnotlari.com

-= I
i=l

(Yi pX,)2+n(Y a 3 x ) + fp)2 S (X,x) 2

'
t1
1

E(Y)=E( S
n

Y,) =

i-1

2 E(Y,) =
n

2
n

iI

(A+px,)

'-1

=
1

Var(y)=

n2

V n( Yapx)

(na+ 2

Var(Yj) =

i=1

X,)=a+px
<5

na*
n2

=
n

n(0,l)

a ( Y olpx)2

x2,
2

p^n(p,

2(X,-x) 2
CP-P) VS(X i -x) 2

n(0,l)

<Ts

(P-P)2S(X-X)2

(YjapX,)2

(Y i --pX 1 ) 2
n(Yapx)

at

16 2(XjX) = O olaca iin btn apraz terimler sfir olur, dolaysyla der.

344

eemdersnotlari.com

(X;x) 2
i=I

Ge
S (YiaPX)2
i=l
X2n =
S
i1

+ Z + X

a t2

(Yi(3Xi)2

2e, 2
(17)

Bilindii gibi eer Y

T=

YVk

n(0,l), U ^
n(0,l),

Se, 2

ve U ve Y bamsz ise
x2n-2

v e

v e

^ e 2 bamsz

CTp

V
olduklanna gre bunlarn fonksiyonu olan iki ifade de bamszdr, dolaysyla,
M
(Vn-2)
a (3

tn_2

elde eddir.

.oO32"

a 2^ =
P Zx 2
Sx

(p-p)Vn-2

V ^

CTE
'
deerini yerine kovalm.

pp

P-P

p - p

Isl

/_!!

^ n2 2x*

^ Zx 2

p - p
SP

17 Bu sonu, ancak sa taraftaki ~f} ifadelerinin birbirlerinden bamsz olmalar halinde

doru olur. Biz bu ispat kapsam d brakacaz ve sadece sa taraftaki
dalml terimlerin
birbirlerinden bamsz olduklarn belirtmekle yetineceiz. J ve Lej 2 , istatistiki bakmdan bamszdr.

345

eemdersnotlari.com

Grld gibi, tamamen rnekten bulunan deerlerle [3 iin aralk

eklinde tahminler ve testler yapmay salayacak bir ifadeyi elde etmemiz mmkn oldu.
P(tn-2.a/2 g T g tn-2,a/2) = 1 a
P-P
P(tn-2,a/2

< tn-2,a/2) = 1 a

P(Ptn-2,a/2 S . g p g (3 -f tn-2,a/2 S * ) = I a
(3 iin gven araln verecektir. Tek tarafl gven aralklar ise;
veya

P ( t o - t n _ 2 , a S ) = ol
a
P(P < p + t n _ 2 , x S p ) = 1 a ekillerinde olacaktr.
(3 ile ilgili iki ve tek tarafl testler:
Ho : (3 = [3
H, : p zfr p 0

P[3o
cal T =

sp

|cal T | > tn-2,or/2 ise Ho' reddederiz, aksi halde Ho' kabul
ederiz.
Ho : p g po
H : p > p0

test: cal T > t a ,n-2 ise H 0 reddedilir, aksi halde

kabul edilir.

Ho : p ^ po
H : p < p0

test: cal T < tab ta,n-2 ise H 0 reddeddir,

aksi halde kabul edir.

P iin arabk eklinde tahmin ve hipotez testlerine paralel olarak

a iin de ayn ilemler yaplabilir. Bu ilemlerde,
-
Sj

1_2 ve

S- =
a

(Zef

ln-2)
Ix=

kullandr. (18)(19)

18 a ile ilgili aralk tahmin ve hipotez testlerini ayrca gstermeyi lzumlu bulmadk.
Okuyucu daha nceki blmlerde elde ettii bilgiyi kullanarak, a ile ilgili olarak normal, y 2 ve
t dalmlarm karabilmeli ve a iin arabk tahmin ve testlerin nasl yaplacan grebilmelidir.
19 statistiki istidlal ksmnda belirtilen hususlar regresyon modelinin tanmnda X ile
ilgili olarak (la) ve (1b) artlarnn ikisi iin de geerlidir.

346

eemdersnotlari.com

Buraya kadar yapdan testler katsaydarla dgdi mnferit testlerdir.

Acaba, mesel,
H 0 : a = ao ,

3 = (30

H : a ^ ao , {} ^ (30 eklinde bir test yapdamaz m? Tabii

yapdabdir. Bunun iin biraz daba dabm teorisine ihtiya var.
1
Q=

[n(aa)2+2n x(aa) ({*) + ^ ( p - p ) 2 ]

X22

(20)

Ze, 2
X2n-2

v e

bu iki

dalml ifade birbirinden bamsz ol.

2
d iin,
Q/2

F =

(n2)

_
=
S2

4 (n-2)

Q/2

F 2 , n _2.

S2
^

n(a)2+2nx (xa) (((3)+EXi2((p)2

2 S2

F2,n_2

a = ao ve p = (3o deerleri yerine konarak cal F deeri elde eddir.

Bu deer, tab Fa,2,n-2 tablo deeri ile karlatrlr. Eer,
cal F > tab Fa,2,n-2 ise H 0 reddedilir, aksi halde Ho kabul eddir.
cr* de dgdi testler uygulamada fazla kullanlmaz. Bu tip testler
iin x 2 dalmndan yararlanlr.
/(n2) S 2
M

<

iin aralk eklinde tahminde;

(n2) S 2

<
X2a
-,n2
2

X2
1

= 1 x gven aral

*
,n2
2

kullanlr.
20 Bunun ispatm yapmak, ''quadratik form"Iar hakknda bilgi sahibi olmay gerektirdii
iin. ispat konu d tuttuk.

347

eemdersnotlari.com

Uygulamada e ok katsaydarla dgdi t testleri ve biraz ileride greceimiz uyma iyilii de dgdi testler kullanhr. Regresyon denklemlerinde
katsaylarn altna parantez iinde S~ ve S deerleri yazlr. Okuyucu
isterse, rnekteki gzlem says, dolaysyla serbestlik derecesi hakknda
bdgi sahibi olaca iin (21) isterse belli bir anlamllk seviyesinde
(.95, . 9 9 , . . . gibi) test yapabdir, isterse standart hatalarna bakarak
a ve p'in hangi seviyede anlaml olabdeceini, dolaysyla birinci tip
hatay tayin eder. Bazen okuyucuyu t tablosuna bakma klfetinden
kurtarmak iin belli bir anlamllk seviyesindeki tab t n _ 2 deeri de verilir. ((3P)/Sp deeri de verilen rakam karlatrlarak hipotezler kabul
veya reddeddir. Biz kendi aratrmalarmzda dier pek ok ekonometri
uygulaycs gibi, yukarda belirttiimiz, okuyucuya daha fazla deerlendirme serbestlii tamyan yaklam uygularz.
KORRELASYON KATSAYISI
Korrelasyon katsays ve bunun karesi olan determinasyon katsays, regresyon dorusunun uyma baarsnn bir ls olarak regresyon analizi iinde nemli bir yer tuttuu gibi, korrelasyon katsaysnn
regresyon analizi dnda nemli bir grevi vardr: Herhangi bir sebep
netice dikisi kurmakszn iki deiken arasnda dorusal bir bantnn
bulunup bulunmadm ortaya koymak.
Regresyon analizi "ne neyin fonksiyonudur" sorusuna cevap arayan bir yaklamdr. Bu yaklamda Y = f(x) veya X = g(Y) arasnda
sebep netice dikisi ynnden farkllk aktr. Korrelasyon analizi ise
X ve Y arasnda dikinin istikameti konusunda tamamiyle ntr ve
simetriktir. Dolaysyla iki deiken arasnda kan yksek bir korrelasyon
ne Y nin X'in sebebi olduunu, ne X'in Y nin sebebi olduunu ve ne de
X ve Y nin sebeplerinin ortak olduunu gstermez. Sadece iki deiken
arasndaki dorusal assosiyasyonu ifade eder.
Korrelasyon analizi sosyal bilimlerin iktisat dahd pek ok dalnda
nemli aratrma aletlerinden biridir. Fakat ekonometrideki cari edimler asndan korrelasyon bugn nemini regresyona kaptrm ve regresyonun uyma baarsn lme fonksiyonu, aletin faydalarndan balcasn tekd etmeye balamtr.
21 Regresyon denklemleri ile birlikte, rnekteki gzlem saysn da vermek veya zaman
serileri iin rnek devresini (mesel 1948-1967) vermek dettir.

348

eemdersnotlari.com

imdi korrelasyon katsaysnn hesaplann grelim:

Bir serpme diyagramnda (X i 5 Yj) gzlemlerini iaretleyelim. X ve
Y'lerin ortalamalarndan eksenlere indirdiimiz dikmeler serpme diyagramn 4 kadrana blecektir. I, II, III, IV.
Her nokta iin

X; = X; x
Yi = Yi "

l
I

o
X;

'

O
o

y
o
0

o
o
a:

Serpme diyagramnda;
I. kadranda
II.
"
III.
"
IV.
"

Xjyi > 0
xyi<0
x,y,>0
x,yi<0

S x,yi, X ve Y arasndaki dorusal assosiyasyonun bir

i=
ls olarak, dnlebilir. Eer Sxjyi > 0 olursa noktalarn daha
O halde

349

eemdersnotlari.com

ok I ve III. kadranlarda, Ex 1 y 1 < 0 karsa, daha ok II ve IV. kadranlarda toplandn syleyebdiriz. Exjyj, sfra yakn karsa o zaman
noktalarn kadranlar arasnda olduka dengeli dadd anladr.
Sxjyj eklinde bir lnn tek bana kullanlmasna mani olacak
derecede nemli bir sakncas var: Gzlem saysn ve/veya l birimini
deitirerek Exy'nin deerinin deitirdebmesi. 0 halde amacmz l
birimlerinden artlm bir deer kullanmak olmal. Bunun iin ortalamadan standart sapma cinsinden llmesi en doru yoldur. Bu ekdde
ifade edilince,
Sxiy,
r= ,
nS x S y
x

Sx =

vA

Sx22
//Ex
/ ',
n

Sy v = = \

/Ev
/E
y 22
/

>'i

*
ve
Sx
Sy
mek.(22)

standart l birimleri oluyor, n e blmemizin nedeni ise

gzlem saysn deitirerek lnn deimesini nleS xjyi
nS,Sy

Ex,yi

Sx 1 y 1

/EXi2 Ey42

V ^ r Eyi2

n2
Grld gibi, forml r'n ortalama etrafndaki moment deerlerinden hemen karlmasna imkn veriyor. Balang noktas etrafndaki momentleri kullanarak hesaplama yaplmak istenirse;
n I X Y (EX)(EY)
V [nEX 2 (EX) 2 ] [nSY 2 (EY) 2 ]
r, ktlede X de Y arasndaki dorusal assosiyasyonu gsteren p'nun
tahmin edicisi oluyor.
0 jr | g l

veya

- l g r g l

0 ^ r2 ^ 1

r 2 'ye d e t e r m i n a s y o n k a t s a y s ad verilir.

Dikkat edilmesi gereken nokta r'nin X ve Y arasndaki d o r u s a l assosiyasyonu gstermesidir. X ve Y arasnda mesel dairesel ve ok kuvvetli bir iliki bulunabilir ve r sfra yakn kabilir. Bu sebepten r'nin
22 Yani, yaptmz ilem bir "deflasyon" ilemi.

350

eemdersnotlari.com

hesaplanmasndan nce serpme diyagramn yapmak ve dorusalkk

artnn yaklak olarak salanm olup olmadn grmek gerekir,
r'nin 1 veya 1 olmas gzlemlerin bir doru zerinde toplandn gsterir ve dorunun eiminin iaretini verir, fakat eimin mutlak bykln vermez.
V T
o

o
o

r bakmndan X ve Y arasndaki simetri; r'nin Y nin X'e ve X'in

Y'ye gre regresyona tabi tutulmasndan bulunan sonularn geometrik
ortalamas olmasnda belirir. Aklayalm:
xy
3y,x

^
^

PXY

Sx2
V

. '

(r<Y,x) (PX.T) = J

2xy
=
Sy2

/ (Zxy)*

=
Sx2Syz

Zxy

= *
VSx2Sy2

r\.Y

ve r y X eklinde bir ayrmn soz konusu olmad bu durumdan

bir defa daha anlalmaktadr.
(X,Y) nin iki deikenli normal dalm olmas halinde r, p'nun ML
tahmin edicisidir. r'nin olaslk dalm karktr ve p ve n'e baldr.(23)
Bunun yerine Fisher'in z dntrmesini kullanarak p ile dgdi istatistiki
istidlal daha kolaydr.
(i-pV
-3 Va(r) =

Fakat bu forml n<500 iin kullanmak doru deildir. Bu

n
byklkteki rnek hacmi ise en azndan zaman serileri iin, ok istisnai hallerde sz koi'i- olabilir.

351

eemdersnotlari.com

T e o r e m : r, iki deikenli normal dalm bir ktleden alnan

tesadfi bir rnekte X,Y arasndaki banty gsteren korrelasyon katsays olsun.
1
1+ r
z = n
2
1 r
dalmtr.
1

tesadfi deikeni asimptotik olarak normal

1 + p

z s n (

,
)
2
1 p n3
10 gzlemlik rnekler iin bile z'nin dalm normale yakndr.
Z dntrmesi kullanarak p ile ilgili testlerin yaplna bir misl
verelim:
Misl: 50 birimlik bir rnekte X de Y arasnda r = .2 bulduk.
Bu deer .95 seviyesinde anlaml m? Farzedelim ki (X,Y) iki deikenli
normal dalm bir ktle tekil ediyor ve p da, ktledeki korrelasyon
katsays.
Ho : p = 0
p^O
1

Teoreme gre var z pa

47
1

E(z) =

1+P
1 p

Standart normale dntrme yaparak,

zE(z)
P(1.96 <
rnekte z =

< 1.96) = .95

yvar(z)
1
1+r
n
= . 203
2
lr

H 0 : p = 0 => E(z) = 0
.203
V/47

= 1.39

1.39; 1.96 ve 1.96 arasnda yer aldndan Ho' reddedemiyoruz. Mislimizde p iin gven aralm tekil edelim.
352

eemdersnotlari.com

1+P

.489 <

n
2

< .083
lo

1+P
.978 < n

< .166
1-p

1-p
Eitsizlikleri zersek;
1 _ e""978

<p <

1 + e-'978

e166 1
e166 + 1

.45 < p < .08

r = .2, bu iki deer arasnda olduuna gre .95 anlamllk seviyesinde Ho' kabul etmek zorunda kalr ve .2 nin iki deiken arasnda
anlaml bir iliki gstermedii sonucuna varrz.
Bu test

H 0 : p = p0
H : p

dur.

p0 veya tek tarafl benzer testler iin doru-

zel bir hal o l a r a k sadece H 0 : p = 0

H : p ^ 0 eklindeki bir hipotezi
test etmek iin t dalmndan yararlanlabilir:
ryn2

T=

-tn_2
VIr 2

Eer |cal T | < tab ta/2,n-2 ise Ho' kabul ederiz.

|cal T | ^ tab t a/2,n-2 ise H 0 ' red ederiz.
Uyma Baars

Test'i:

Uvma baars test'i, dorusal bir regresvon'un X ile Y arasndaki

liskivi gstermede ne lde baarl olduuna anlamak iin uygulanr.
353

eemdersnotlari.com

Cevaplandrlmas gereken soru, X'in deien deerlerine karlk Y'nin

de sistematik deimeler gsterip gstermediidir. Baka bir ifade ile;
E ( Y I \ X 1 ) = a + pXj
mi, yoksa
E(Y,\X1)=a
mdr?
Grld gibi burada yaplan test (3 = 0 olup olmad eklinde.
Parametre uzay fi, w de w O olsun.
E(Y\X) = a
E ( Y l \ X i ) = a + (3Xj
W : Ho
(3 = 0
Q w : H t
(3 ^ 0

Qw

w faraziyesi altnda a'nn LS tabmin edicisi y dr. nk a = Y(3x

da (3 = 0 faraziyesi yaplnca geriye a = Y kabr.
w faraziyesinde 2e, 2 = 2(Y,Y) 2 = 2(Y,y) 2 = 2v, 2
2yi 2 , ortalama etrafndaki sapmalarn karelerinin toplamdr. Bunu
ksaltlm olarak TSS (24) de gsterelim. TSS, Y deki toplam dalmann
bir ls, Q w faraziyesi altnda;
Y = x + X,

Sej 2 = 2(Y, (3X,)2

2 e, 2 , Y'Ierin regresyon dorusu etrafndaki sapmalarnn karelerinin

toplam. Buna da hata kareleri toplam anlamna SSE (25) diyelim.
2
i=l

(Y,Y)2 = 2
i=l

(YYi) + (YiY)2

yazabdiriz.

= 2(Y,YJ) 2 + 2(Y,Y)2 + 2 2 ( Y - Y , ) ( Y . - Y )
Y , - Y = y,
YJ-Y

= y,

Y i - Y , = e,
X,-x =
2yi 2 = Se, 2 + 2 V + 22e,
Y ( = x + "(3X, idi.

a = Y(3x' yerine koyalm.

Y-, = Y(3 X + (3X,

2i TSS: total sum of squares.
25 SSE: sum of squared errors.

eemdersnotlari.com

__

YjY = P(Xjx)
Yi =

sapmalar cinsinden yazlrsa.

Sy.e, = p E x i e i = p" Z x i ( y i - p x i ) = p [ S x i y i - p S x i 2 ]
=

PSxyp2Ix,2

P =

olduuna gre,
Sx2
(Sxyi)2

SXj2 = o

O halde,
Vi 2 = S e t 2 + S y : 2
2y = S(Y 1 y) 2 = SSR diyelim. (Regresyon kare toplam) (26)
TSS = SSE + SSR
Kelimelerle ifade edersek; Y deerlerinin kendi rnek ortalamalar
etrafndaki toplam dalmas iki ksma ayrlabilir. Bir ksm Y deerlerinin kendi ortalamalar etrafndaki dalmaydr. (27) Buna SSR diyoruz. Y'deki toplam deimenin SSR kadar X deikeni tarafndan izah
edilebiliyor. SSE kadar ise regresyon dorusu etrafnda X tarafndan
izah eddemiyen artk hata olarak kalyor.
SSR

Sy'i2

S(px,) 2

TSS

Sy,2

Sy,2

P 2 Sx, 2

p2xy

Ey, 2

Syi2

P'in deerini yerine koyarak,

( S x , y ) 2 Sx, 2 ^
(Sx, 2 ) 2 Sy, 2
26

(Sxiyi)2
Zx, 2 Sy, 2

SSR: Sum of squares for regression

27 Y = Y

dr. nk:

v , = + px(
Yt = - t - ( i X = Y

= Y

355

eemdersnotlari.com

 halde, Y'deki toplam deimenin X tarafndan izah edilen ksmnn toplam deimeye oran determinasyon katsaysn veriyor. X,
Y'deki deimeleri izahta ne lde baarl ise r 2 o kadar l'e yakn kacaktr. r 2 dorusal ilikinin uyma baarsnn bir lsdr.
"er
r2 = 1

Sy, 2

Ee, 2 = Ey, 2 pSx,yj bize Y deerlerini hesaplamadan ortalama

etrafndaki momentlerden Ee,2 nin bulunmasn salar.

P~P

(P-P) J
1

ere

n(0,l) ,

VSx,2
Ve,2

Ex 2

X2n_2 ve p ile Ee,2 bamsz olduu iin bu iki y 2 dalm bir-

T
*6
birinden bamszdr. O halde,
[(P-P)2Ex2]/4

(P-P)2SX2

F=

F,_2
2
4 Ee,
(n-2)

2
Ee,
n-2

(3 = 0 faraziyesi altnda,
F =

p 2 Ex 2
Ee^/n2

Eyr

Se,2 jn2

Buradaki F deeri daha nce grdmz

f - P
_ Eej-

^ tn_2 nin karesidir.

J-,

(n2) Ex?

356

eemdersnotlari.com

([3 = 0 faraziyesi altnda)

F = T 2 (28)
r 1 ile F a r a s n d a k i
F =

P 2 Sx ; 2
Ze;2 jn2

liki:
(3Ixy
Le? /n2

Halbuki S e 2 = Sy ; 2 Sy 4 2 = Zy ; 2 pEx i y r
F'te yerine koyarak,
([3Ixy)n2

(p2xy) (n2)

zxy r L _

n 2

[3Zxy
Oysa r 2 =

F =

pZxy
syi2

[3Sxy

olduunu biliyoruz.

n 2
1
y

r~
F =

(n-2)

r2

1 r2>

Son forml incelendiinde, rnek hacmi n sabitken, T2 arttka F'in

de byyecei anlalyor. Bu, korrelasyon de anlamlhk arasndaki
dikiyi ortaya koyuyor. (3'nm anlamll (oklu regresyonda katsaylarn anlamll) ile ilgili F test'i ile, r'nin anlamll ile ilgili test elenik
test'ler oluyor. B u sebepledir ki basit regresyon ile ilgili olarak ou
zaman r 2 deeri verilmekle yetindir ve t ya da F test'i (basit regresyonda
F = t2 olduundan iki test elenik) ile ilikinin anlamll test eddir.
28 Bu ilikinin sadece basit dorusal regresyon iin doru olduuna iaret edelim, iki veya
daha fazla aklayc deiken olmas halinde t test'i katsaylar ile ilgili 3 ; = 3 0 eklindeki mnferit testlerde kullanlr. F ise (3, = p' 0 ,
= (3 2 0 ... (3k = (30k hipotezini test etmede, yani aklayc deikenler setinin bir btn olarak Y deki deimeleri izah gcn anlamada kullanlr.

357

eemdersnotlari.com

imdi buraya kadar anlatdanlar bir tabloda zetiiyelim.

Bu tablonun ad Varyans
Tablosu):
Deime
Kayna

Analizi

Kareler Toplam SS

s.d.

Sy; 2 = 2xy = SSR

artk hata 2 e 2 == 2 y i 2 ~ p 2 x y = SSE

Toplam

Tablosu (ANOVAR

2y ; 2 = 2y, 2 + 2e, 2

Ortalama Kare MS

MSR = SSR /I

n2

MSE = SSE /n2

n1

MST = TSS/n2

TSS = SSR + SSE

S

[32 xy

SSR

2y, 2

TSS

2 y, 2
cal F =

PS xy
2e, 2

MSR
MSE

(cal F > tab F,a^2,x ise Ho: P = 0 reddedilir, aksi halde kabul edilir.)

n2
jj
pdr.

MSE
2x2

2X, 2
S * = MSE
n2x,:

(gerekli grlen t testleri

nceden belirtden ekdde va-

Baz aratrmalarda r 2 yerine, serbestlik derecesine gre dzeltilmi

r demek olan ? kullanlr, zellikle gzlem saysnn az olduu hallerde,
daima r 2 > r 2 olmak kaydyla, farkllklar olur.
SSR
r2

SSE
1

TSS

TSS
SSE /n2

? = 1
MSE
MST

MST

SSE
>

TSS/n1

MSE
=

olduundan daima r 2 > ? dir. Biz kendi araTSS

eemdersnotlari.com

trmalarmzda her ikisini de yerine gre hesaplar ve kullanrz, r 2 tarifi

gerei negatif kamyaca halde, r 2 , X'in aklayc gcnn ok az,
serbestlik derecesinin de kk olmas halinde negatif kabilir.
MSE
(
> 1 olduu taktirde).
MST
Hesaplama sras olarak x ve p 'in elde ediliine ynelen hesaplamalardan sonra varyans analizi tablosunun tekdi ve bu tabloya dayanlarak r*, F, S S - deerlerinin hesaplanmasna gedir. imdi nceki
p, a
mislimize dnelim ve kaldmz yerden devam edelim.
Mislin

Devam:

istenenler: Bir ANOVAR tablosu yapnz ve F, r 2 , r 2 deerlerini

elde ediniz. S ~ ve S * 'i bulunuz.
?
x
Regresyonun ihai ifadesini yaznz.
ANOVAR tablosu:
Deime Kayna Kareler Toplam SS
X
artk hata
toplam

SSR = 30.68
SSE = 19.86
TSS = 50.54

Cal F =

r- =

MSR

TSS

r= 1

SSE

= 1

TSS

MSE

MST

/MSEIx2

1
12
13

= J

19.86

= 1

50.54

1.655

= 1

/
ZX2
S - = J MSE
=
a
^
n Ex 2
>~ = J

Ortalama Kare MS
MSR = 30.68
MSE = 1.655
MST = 3.89

= 18.54

MSE

SSR

s.d.

3.89

= 1 .425 = .575

1(1.655) (345.84)

/ 1.655
21.36

= 1 .39 = .61

14(21.36)

= 1.384

= .278
359

eemdersnotlari.com

Y = 10.48 1.198X
* (1.384) (2.278)

r 2 = .575

Aw t

(100

Ut
) = 10.48 1.198
w,_,
(1.384) (.278) L t

r 2 = .575

1948-1961

(1.12)

tab F.iVos = 4.75

Cal F > tab F olduu iin Ho : S = 0 eklinde bir hipotezi reddeder
ve X ile Y arasnda anlaml bir iliki olduunu belirtiriz. Standart hatalar katsaylardan ok kk. Denklemle birlikte gzlem devresini vermekte fayda var. Gzlem devresinin bilinmesi, katsaylarn ekonominin
hangi artlarnda hesaplandm anlamamz salar ve yorumu kolaylatrr, alt dnemler arasnda yap deimeleri konusunda test yapmaya
imkn verir. j3 de dgdi standart hatann altnda yer alan deer ortalamada llm esneklik. 1.12 deeri; isizlik orannda % 1 lik bir azalmann, cret deimesinde % 1.12 lik bir art salayacam ifade ediyor.
Normal olarak bir regresyon denkleminde tahminin standart hatas,
Durbin-Watson statistii ve ortalama mutlak yzde hata gibi byklkler de yer abr. Bunlara yeri geldike temas edeceiz. Verden bilgderin
amac, stokastik tanm artlarnn geerliini kontrol ve denklemin tahmin gc hakknda fikir sahibi olmaktr.
NCEDEN TAHMN VE YEN GZLEMLER
Model, Yj = a + (3X, + e, ve stokastik tanm da nceki gibi olsun. X de dgdi olarak elimizde yeni bir gzlem bulunsun: Mesel gelecekteki bir yd iin X deikeninin ngrlen deeri. Buna X* diyelim.
Y* = a + X* -f s*
E(Y*)' tahmin etmek istiyoruz.
E(Y*) = a + pX* + E( e) = a + PX
Y* = oc -f pX*
Y*, X*
deerini regresyon denkleminde X
yerine koyarak bulduumuz Y* deeridir.
E(Y*) = E [ + p X * ] = <x+pX = E(Y*)
Var(Y*) = Var [a+pX*]
360

eemdersnotlari.com

= Var() + (X*) 2 Var([i) + 2X* Cov(i,p)

<7,SX,2

a.

- T 3 S T + (*')

a"

E +

^ p^X i 2

xa. \

+ (X*)*-2xX*-x 2 +x 2

= y~
^

1
L an

Y* - a(Y*, 4

r
L

n x2

(X*-x)2
x 2
Vv2

1
(X*x) 2
( +
)
n
Sx2

\ *"in varyans X*. \'dan uzaklatka artyor. X'lerin kemli

-uraMidaki dalma arttka da azalyor. ekilde grld gibi, gven
aralnn genilii sabit deil ve x'da minimum. x'dan uzaklatka
ve rf. bvdke Var(Y*) artyor.

301

eemdersnotlari.com

(n2) S 2
;
2

Z2n-2

Y* E(Y*)

n(0,l)
<X*-x 2 )
n

Sx 2

Y* E(Y*)
/ 1 (X*-x2)
CTE V +
n
Lx 2

Y* E(Y*)
S
S

/1
V~
n

(X*

x2)

2 x2
S y

E(Y*) iin gven aral:

P(Y*S^* t n _ 2 , a/2 S E(Y*) Y ' + S y . t n _ 2 , a/2) = 1
Bazen problem, yeni bir (X,Y) gzleminin ayn yapdan gelip gelmedii eklinde belirir. Bu gibi hallerde belli bir X* deeri iin ortalama
Y* deeri ded; gzlemden elde edilen tek bir Y 0 deeri sz konusudur.
X0*a dayanarak ve regresyon denklemini kullanarak; Yo =

^Xo

deerini buluruz. ngrme hatasna Uo = Y 0 Yo diyelim.

Uo

= Yo (ot+ px 0 )

E(uo) = E(Yo)E(+px 0 ) = x+pXoaXo = 0

Var(uo) = Var [ Y 0 p X ) ]
Yo ve a + j3X'in bamsz olmas halinde ki Y 0 yeni bir gzlem olduuna gre yledir;
Var(uo) = Var(Yo) -r Var(+|3X)

(XoX)2 ,

362

eemdersnotlari.com

(n2)S2
a e1

S e,*
_

as3

7}a

/
1
(X0X)2
Su= s ^ 1 + +
n

uo

tn-2
Su,
Yo iin gven aral:
P[(*+Xo>tu-2. j/2 Su 0 gYo^(*-rPXo) + tn-2,a/2 Su] = l *
Bu aralk E(Y*) ile ilgili olandan St*/2 kadar daha geni olacaktr.
Var(uo) = Var(Y) + Var(Y)
Bu ifadeden, nceden tahmin hatasnn iki kayna olduu anlalyor.
i) Var(Yo) yani Yo'm beklenen deeri E( Yo) de ilgili olarak sz konusu
olan hata.
ii) Var(Yo) yani Yo'lann, ortalamalar etrafndaki yaylmasndan
doan hata.
imdi nceden tahmin ve veti gzlemlerle ilgili olarak daha nce
verdiimiz misle dnelim:
Mislin d e v a m :
i) 1948 ve 1951 villan, serpme diyagrammla da grld gibi
regresyon dorusunun uyma iyiliini bozuyor. Bu yllar hari tutarak
regresyon ile ilgili hesaplamalar yeniden yapnz.
ii) 1962 de

= 5.6 olduuna gre her iki regresyondan. 1961-62

L
iin % cret artn tahmin ediniz.
iii) 1962'de cretlerin fiili seviyesi 2 .39 ise, bamb deiken ile
dgdi 1962 deerinin, rnek devresinde mevcut yapdan gelip gelmediini her iki regresyonda test ediniz.
iv) % 4 isizlik oran tam istihdam hedefi olarak alnm ul-nn.
Her iki regresyondan. hu istihdam seviyesi sonsuz olarak idame rttril.51.3

eemdersnotlari.com

dii taktirde, cretlerde ortalama ydlk yzde art ii nokta ve % 95'lik

gven aral eklinde tahminler yapnz.
Cevap:
i) x =
Y=
1 =
n=

5.025
4.058
9.083
12

X
320.51

X
Y
K
2xy

S =

Y
230.54
211.79

x
y
k
x 17.50 14.18
v
14.15
993.38 y k
3.29 /

14.18
=

2x2

17.50

= .810

a = y p x = 8.128
ANOVAR tablosu:
Deime Kayna

SS

X
hata
toplam

S S R = 11.49
SSE = 2.66
T S S = 14.15

cal F =

MSR

MSE

11.49
.266

s.d.

MS

1
10
11

MSR = 11.49
MSE = .266
MST = 1.286

= 43.195

SSE
r2 = 1

= 1 .188 = .812
TSS
MSE

T- = 1

= 1 .207 = .793
MST

2X2
MSE = 1.712

Y = 8.128.810 X
(1.712)(.123)

= .793

364

eemdersnotlari.com

ii)

Y = 10.48 1 . 1 9 8 X

Y = 8.128 .810 X

10.48 (1.198) (5.6)

8.128 (. 810) (5.6)

Y* = 3.77
iii)

100

Aw 62
w61

Y* = 3.59
= 100

.07
2.32

1
{H
V
n

S2Y0Y = MSE

= 3.02 %

,
1
S 2 3 02 _3. 77 = 1.655 ( 1 +
\
14

Yo = 3.02

(XoX)2 \
H
)
Sx2 /
(5.64.814)2
+
) = 1.821
21.36
'

S = VI-821 = 1.349
cal t

YoY0
Sy Yo

.75
1.349

= .556

tab ti2,*/2,.os = 2.18

cal t < tab t olduuna gre yeni gzlem ayn yapdan geliyor.
1
b)

~ = .266(1 +
+
*o-*o
12
Sv
^ = V-293 = .54

(5.65.025)2

S2

=.293
17.50

ioio

cal t =

.57
.54

= 1.056,

tab t10,.n2> = 2.23

cal t < tab t dolaysyla Yn ayn yapdan geliyor.

iv) X* = 4

Y* = 5.(>9
1

a)

S 2 Y = MSE (

(X*x)2
H

Sx2

, 1
(44.814K
= 1.655(
+
)
\ 14
21.36 >

= 169
S t =y/~69 = .411

eemdersnotlari.com

5.6.92.179(.411) ^ E(Y*) ^ 5.69 + 2.179(.41l)

4.79
h)

6.59

X* = 4 => Y* = 4.888
=

266 (

1
12

(45.025) 2
17.50

.038

S t * = -v/^38 = .197
4.88 (2.228) (.197) ^ E(Y*) ^ 4.888 + 2.228 (.197)
4.449 <- 5.327
7. ve 3 iin gven aralklar:
d)

7.464 < a < 13.496

1.416 < <.204

b)

"

4.314 < a < 11.942

1.692 < p <1.140

kinci regresyon mislimizde bizim iin daha uygun. Eer 1948 ve

1951 yllarna ait (X,Y) gzlemlerinin ayn yapdan gelmediklerini gsterirsek, yaptmz rnek devresinden karma ilemi hakl gsterdmi.
<jlur.
X = 3.8

Y = 5.93

Yo = 9

S y 0 - Y 0 = 1364
cal t = 2.25
tab t,2,.025 = 2 . 18
cal t > tab t yleyse bu gzlem ayn yapdan gelmiyor.
kinci regresyonun birinciye nazaran avantaj, a ve p iin verilen
gven aralklarnn byklklerinde de beliriyor.
B a s i t Dorusal R e g r e s y o n : S t o k a s t i k T a n m a r t l a r n n
Kritii:
Bu blmde basit dorusal regresyon modelinin stokastik tanmm
yaptk. Bu tanm artlan altnda tahmin edicilerin (a, p ve cs\ iin) nasd
hesaplanacan ve sahip olacaklar zellikleri (GM teoremi) inceledik.
indi, stokastik tanm artlarnn gereklememesi halinde ortaya
kacak durumu ksaca grelim.
366

eemdersnotlari.com

Konuya ilikin olarak cevaplandrlmas gereken sorular unlar

olacak:
Stokastik tanm artlarnn gerekleip gereklemedii nasl
anlalr ?
Tanm artlarnn bazlarnn gereklememesinin tahmin ediciler zerindeki etkderi nelerdir?
Bu gibi hallerde ne gibi metotlar uygulanabdir ve tavsiye edilebdecek yeni tahmin ediciler neler olabilir ?
Bu tavsiye edden tahmin ediciler hangi artlar altnda hangi
zelliklere sahip olacaklardr ?
Yatay bir genileme ile basit regresyondan ok aklayc deikenli
regresyona geddiinde stokastik tanm artlarna yenileri eklenecek
(tam rank faraziyesi ya da oklu bant olmamas gibi) tek denklem
analizlerinden e anl denklem sistemlerine (ekonometrik modeller) geddiinde ise pek ok yeni problem ortaya kacaktr.
te btn bu problemler, en basit tarifi ile istatistik ve matematiin iktisada uygulanmas demek olan ekonometri bilim dalnn balca
ura alanlarn tekil edecektir. Bu blmden sonraki, oklu regresyon
de ilgili blmle birlikte, giri niteliindeki bu kitabmz, mit ederiz ki,
ekonometri iin iyi bir balang tekd edecektir.
imdi basit dorusal regresyon modelinin stokastik tamm artlarn
ele alalm ve bunlarla ilgili olarak yukarda sraladmz sorularn hi
dedse bazlarn cevaplandrmaya alalm.
i) X ve e'un bamsz olmas hali.
Bu art LS tahmin edicderinin sapmaszlk zellii iin hayati nemdedir. X ve e'un bamsz olmamas halinde LS tahmin edicderi sapmaldr. e iinde, X ile arasnda balant bulunan ihmal edilmi bir
deikenin veya deikenlerin varl halinde X ile e arasnda bamllk durumu meydana gelir. Pratikte pek ok istatistik serisi arasnda,
ortak trendlerin sonucu olarak, birlikte deime hali olduundan bu
durumla sk sk karlalr.
Herhangi bir basit regresyonda X ile e'un bamsz olup olmadn
irdelemek iin pratik bir yol, zaman serisinde gzlemleri zamana deil,
X'in byklne gre sralamaktr.(29) (30) Bu ekdde sralandnda,
e'lerde sistematik erisel hareketler bulunmamahdr.
29 E. J. Kane, Economic Statistics ad Econometrics Sh. 362.
30 Belirgin bir zaman trendinin varl halinde zamana gre sralama ile X ve e'un byklne gre sralama, byk ihtimalle akr.

eemdersnotlari.com

367

Y = 8:128 . 810 X denklemi ile ifade ettiimiz ilikiyi X ile e'un

bamszl asndan inceleyelim: Verileri X'in artan deerlerine gre
yeniden sralarsak,
Yl

1953
52
56
57
55
50
59
60

2 .9
3 .1
4 .2
4 .3
4.4
53
55
56
56
59
67
6 8

5.5
5.8
4.8
5.1
4.5
4.3
3.8
3.2
2.3
3.8
2.7
2.9

5.78
5.62
4.73
4.65
4.56
3.84
3.67
3.59
3.59
3.35
2.70
2.62

.28
.18
.07
.45
.06
.46
.13
.39
1.29

54

49
61
58

y =.8.m

-J u

.45
.00
.28

r
b
3
1

X
Grafikte belirdii gibi bu mislde, X ile e arasnda sistematik iliki
kalplarnn mevcudiyeti sz konusu deildir. O halde bu faraziyemizin
mislimiz bakmndan geerli olduu sonucuna varlabilir.
368

eemdersnotlari.com

ii) Hata terimi varyansmn sabitlii: Homoscedasticity.

in deien deerlerine gre s'un varyansmda bir deime olmamas modelin bir faraziyesidir. s u n varyans kovaryans matriksini S
ile gsterirsek;
1
0

0 ... 0
1 ... 0

olmaldr. Bu artn yarln incelemenin pratik bir yolu, serpme diyagramn inceleyerek X'in deien deerlerine gre regresyon dorusu etrafn0 0 ... 0
daki yaylmann sistematik deiikr _
liklere urayp uramadma bakmaktr. Yaryansn sabit kalmamas haline ekonometride heteroscedasticity
denilmektedir. Aadaki ekiller, bu duruma misl olarak verilmitir.

Vt

O O

Heteroscedasticity, LS tahmin edicilerinin sapmaszlk ve tutarllk

zelliklerini bozmaz, fakat etkinliini bozar. Baka deyile, katsaylarn
standart, hatalarnn gerekte olduklarndan az tahmin edilmelerine yol
aar. Tahmin sadece heteroscedasticity olmas ve otokorrelasyon bulunmamas halinde, ki ou zaman bu art salanmaz, e'un herbirinin
varyans;
2
2 v% = e
Eer Kj 1er biliniyorsa, verderde gerekli dntrmeler yaplarak
varyans farkllnn etkileri deflasyona tabi tutulabilir.(31)
31 Burada uygulanan yol, genelletirilmi en kk kareler metodudur. Bu metotta,
Kj'ler hakknda hilgi mevcutsa, bu bilgi bir /\ matriksi ile ifade edilebilir ve

E(Aee'A')

e
salanr.
Bu kotluda standart ekonometri kitaplarnn hepsinde bilgi verilmitir.

369

eemdersnotlari.com

zel bir hal olarak, <re. ^ a e X. 2 kabul edilirse, regresyon.

e
a
Y
/ 1 \
ilikisi,
= a(
) + (3 + - =
1" P + v eklinde tekil edilir.

./

Yani [

X /

) ile

arasndaki iliki aranlr. (32) Burada, Y de X

X

arasndaki regresyonda X'in katsays (3, sabit terim olarak hesaplamr.

iii) Otokorrelasyon:
Stokastik tanmn nemli bir dier faraziyesi, hata teriminin varyans
kovaryans matriksinde, kovaryans elemanlarnn sfr olmas, yani muhtelif devrelere ait e'lar arasnda iliki bulunmamasdr. Pratikte birok
hallerde hata terimi serisel olarak birbiri de dikdi olur. Bu hale otokorrelasyon diyoruz. Otokorrelasyonun muhtelif sebepleri arasnda, tanmlanan dikide ihmal eddmi deikenler olmas, fonksiyonel formun
seiminde yaplmas mmkn hatalar, (erisel bir ilikiye dorusal regresyon uydurmak gibi) baml deikenin hatal llmesi zikredilebdir.
Katsaysnn iareti ( + ) olan bir deikenin ihmali, ( + ) iaretli artklarn birbirini takip etmesine, katsaysnn iareti () olan bir deikenin
ihmali de Y'nin gereksiz ekilde byk hesaplanmas nedeni ile () iaretli artklarn birbirlerini takip etmesine sebep olur.
Artklarda otokorrelasyon olmas etkisini, tahmin edicilerin sapmaszlk ve tutarllk zelliklerinde deil, etkinliklerinde gsterir, a ve (3'nn
tahmin edicderi yine sapmaszdr fakat varyanslar minimum deddir.
2
~
<7e nin tahmin edicisi ise sapmaldr, bunun sonucu olarak a ve (3'in
varyanslar da sapmal olarak tahmin edilmi olur.
Otokorrelasyonun varln anlamann en standart hale gelmi ekli,
D u r b i n - W a t s o n s t a t i s t i i ' n i kullanmaktr, d ile gstereceimiz
bu statistik, pek ok aratrcnn regresyon sonular arasnda vermeyi
det edindii bir deerdir.

d =

S (e t -^e t _,)2
t=2

et

Y,

Yt

n
2 e*,
t=l
32 Bu konuda bk. E. J. Kane a.g.e Sh. 376., J. Johnston a.g.e Sh. 211.

370

eemdersnotlari.com

Forml biraz daha yakndan inceleyelim:

d =

2 et2 + 2eV.2 2ete,_,

t=2
2
1

t=l
2
1

et2

e.'+e. 2

2 S e,et_,

a
2 et2

n
2 et2
i

= 2

e t e t_,

2 et2
1

e.2+ea2

2 et2
1

.
V

e, e,

2 et2

'

2etet_
Formlde

otokorrelasyon katsays p mn rnekten elde

n
2 e. 2
i
edilen tahminidir. Hata terimleri arasndaki otokorrelasyonu:
e, = p e t _ + u t 0 ^ p ^ 1 olarak gsterirsek, balang noktas
etrafndaki momentleri kullanarak (33) p'i bulabiyoruz. Formlde p'i
yerine koyarak,

d ^ 2(1p)
33 Burada sabit terim bulunmad iin dorudan doruya balang noktas etrafndeki momentleri kullanarak a'i hesaplyoruz.

371

eemdersnotlari.com

imdi p'in muhtelif deerlerine tekabl eden d deerlerine bakalm.

Pozitif otokorrelasyon

p 1 => d

Sfr otokorrelasyon

p 0 => d

Negatif otokorrelasyon

1 => d 4

Grld gibi d iin en makbul saylabdecek deerler 2 civarndaki

deerlerdir. Sfra yakn d deerleri artklarn birbirleri ile ayn ynde
kuvvetli ekde ikdi, 4'e yakn d deerleri de artklarn birbirleri ile
zt ynde dikdi olduunu gsterecektir.
d deerinin hesaplanabilmesi iin yapacamz hesaplamalar bu
blmde eitli verilerle zerinde durduumuz misl zerinde gsterelim:
Yl

1948
49
50
51
52
53
54
55
56
57
58
59
60
6

9.0
3.8
4.3
8.3
5.8
5.5
2.3
4.5
4.8
5.1
2.9
3.8
3.2
2.7

5.93
3.41
* 4.13
6.53
6.77
7.01
3.77
5.21
5.45
5.33
2.33
3.89
3.77
2.45

v-%
3.07
.39
.17
1.77
.97
1.51
1.47
.71
.65
.23
.57
.09
.57
.25

e t e f _,

(eJ

2.68
.22
1.60
2.74
.54
.04
.76
.06
.42
.80
.66
.48
.82

e t-)'

7.18
.05
2.56
7.51
.29
.002
.58
.004
.18
.64
.45
.23
.67
20.34

d =

20.34
19.79

9.42
.15
.03
3.13
.94
2 28
2.16
.50
.42
.05
.32
.01
.32
.06
19.79 '

= 1.028

Bulduumuz d deerinin, 2 den anlaml ekilde kk veya byk

olup olmadm nasl anlayabiliriz ? Bunun iin d'nin bir tesadfi deiken
olarak dalmnn eklinin bdinmesi gerekir. Henz d'nin dalm bulunabilmi deildir. Ancak d iin, d L eklinde bir alt ve dy eklinde bir
st snr verebmitir. (34) d L ve dy'nun dalmlar binmektedir.
d de dgili test'in bir zellii, red hipotezi (d = 2 veya p = 0) nin
kabul ve alternatif hipotezin reddi ile ilgdi kritik deerlerin akma34 J. Durbin, G. S. Watson "Testing for Serial Correlation in Least Square9 Regression"
Biometrika Vol 38, 1951.

372

eemdersnotlari.com

madr, d'nin alabilecei muhtelif deerleri aadaki ekilde be alt

blme ayrabiliriz:
O (I)

dL

OSd^d L
dL<d<dy
djj
4d u <d<4d L
d4d L

(II)

du

2(111)

4 - d (IV)

4d L (V) 4

karsa red hipotezi reddedilir ve pozitif otokorrelasyon sonucuna varlr.

i
"
kararszlk blgesi, dolaysyla d de dgdi bir
karar verdmez.
"
red hipotezi kabul edilir ve tkorrelasyon
bulunmad sonucuna ulalr.
"
kararsz blge.
"

red hipotezi reddedilir ve negatif otokorrelasyon sonucuna varlr.

d y ve d L (dolaysyla 4d^ ye 4d L ) muhtelif rnek hacimleri ve

muhtelif aklayc deiken saylar (1,2,3,4,5 aklayc deiken)na
gre kitabn sonundaki tabloda verdmitir.
imdi mislimizde elde ettiimiz d = 1.028 deerini bu tabloya
bakarak yorumlayalm. Tabloda 15 ten aa rnek hacmi gsterdmemi
olmakla beraber 14 iin 15'e ait tablo deerlerini yaklak olarak kullanmamz mmkndr, n = 15 ve tek aklayc deiken iin tablo deerleri d L = . 95 ve dy = 1.23 tr. Mislimizde d L < d < dy ktna
gre otokorrelasyon olup olmad konusunda karar vermemiz glemektedir.
Buraya kadar, otokorrelasyonun varlnn nasl anlalabileceini
tarttk. imdi de artklarda otokorrelasyonun tesbit eddmesi halinde
ne yaplabilecei konusunu ok ksa olarak inceleyelim.
Mevcut olduu tesbit edilen otokorrelasvonu gidermenin ilk akla
gelen yolu, tanmlamada ihmal edilmi olabilecek deikenleri bulmaktr. Bunun iin ya artklarla, geerli olduu dnlen deiken arasndaki korrelasyona baklr ya da geerli olaca dnlen deiken
denkleme dahil edilerek hesaplama yeniden yaplr ve d'nin 2'ye yaklama durumu incelenir.
Dier bir yaklam ise deikenlerde otokorrelasyonu dikkate alan
dntrmeler yapmak ve regresyon ilikisini dntrlm deikenler arasnda kurmaktr. Burada dnlebilecek yaklamlar unlar olabilir:
373

eemdersnotlari.com

i) Artklar arasndaki korrelasyon katsays, p iin,

6

t = P6t-i+^t

P ^

p'yu tahmin etmek iin artklardan yararlandr ve e t de e ,_ arasnda

e t = pe t _! denklemi en kk kareler metodu ile hesaplanr.
ii) p de dgdi olarak muhtelif faraziyeler yaplr. Mesel p = 1 kabul
edilebdir ki bu taktirde greceimiz gibi regresyon birinci farklar arasnda hesaplanacaktr.
Bir baka bir yaklam da d ^ 2(1p) ilikisinden yararlanarak,
p = 1 d yi kullanmaktr. Regresyon denkleminden hesaplanan d
burada yerine konur. Mesel d = 1.028 deeri yerine konduunda
mislimiz de dgdi otokorrelasyon katsays tahmini .486 dr.
iii) Daha kark bir baka yol ise p nun tahminini,
Y t = a' + pY t _ + p,X t + (J 2 X t _, + ',
denkleminden Y . = ' i n katsays eklinde hesaplamaktr.
Belirtden alternatifleri veya baka yollan kullanarak p elde edddikten sonra Y ve X deikenleri dntrmeye tabi tutulur:
Yt' = Y t - p Y , _ ,
X,' =

X, P x t _,

p = 1 kabul eddiinde Y t ' ve X,' deerleri birinci farklardr.

AY t = Y t Y t _, AX, = X t Xi_ (35)
Y, = oc+fiX t + e, = a + p X t + p
e,_ yerine Y,_.a(3X,_ koyalm.
Yt =

at+pXt+P(Y,_1-a-pXt_l)+t

Y t pY t _j = ( i _ p ) + p ( X t - p X , . , ) + ,
Y , ' = a(l-p)+pX',+,
Grld gibi dntrlm Y,' ve X t ' deerleri arasnda en
kk kareler metodu yardm de (3 ve a(lp) elde eddir. p bdindiinden
a de elde eddmi olur.
Birinci farklar arasnda regresyon ilikisi arand yani otokorrelas35 p<0 ise. ifadeler t ve t1 devrelerindeki deerlerin arlkl toplam haline dnr.

374

eemdersnotlari.com

yon katsays 1 kabul edildii zaman denklemde sabit terim yer almaz(36)
Y t = x + p X t + e,
Y,_, = a + p X t _ , + 6 t _
Y t - Y t _ , = p(X t X t _,)+( e - 6 t _)
AY, = pAX t +v,
AY t = (3AX,
Hemen belirtelim ki birinci farklar kullanm dnda, tavsiye edden
bu metotlarn kullanm yaygn deildir. Aklayc deikenler setini
deitirme ve bu metotlar birlikte de uygulanabilir, ve eitli iterasyonlarla otokorrelasyon giderdmeye allabilir. Bu konularda daha fazla
bdgiyi kitabmzn amalar ynnden gerekli bulmuyoruz.
iv) Deikenlerde lme Hatalar
LS tahmin edicilerinin sz edden zellikleri, deikenlerde lme
hatas bulunmadm varsayar. Oysa pratikte hem aklanan hem de
aklayc deikenlerde lme hatalar vardr. Bu gibi hallerde alnabdecek tedbirlerle dgdi baarl metotlarn varl iddia eddemez. Ekonometri literatr bu konuyu aa yukar tamamen ihmal eden uygulamalardan meydana gelir.
Stokastik tanm artlarnn salanmamas hallerinde ortaya kan
problemler ve dnlebilecek metotlar de dgdi ok ksa izahlarmz,
gelien bir bilim dab olarak ekonometrinin nnde halleddmesi gereken
pek ok meselenin var olduunu gsteriyor, timizi zorlatran unsurlardan biri, sz edden problemlerin ou hallerde ayn anda mevcut
olmalar, buna kardk tavsiye edilen metotlarn problemleri teker teker
ele almas. Mesel, heteroscedasticity iin otokorrelasyon olmadm,
otokorrelasyon halini incelerken de heteroscedasticity bulunmadn
kabul ediyoruz. Acaba lme hatalarnn varlnda ve e'larn dalm
hem heteroscedastic hem de serisel korrelasyonlu olduunda durum ne
olacaktr? Denklem sistemleri ele alndnda, tek denklemler iin tavsiye
ettiimiz metotlar henz pratikilerin alet kutusunun paralar haline
36 Birinci farklar cinsinden ifade edilmi regresyonlarda sabit terim bulunursa bu terim,
zaman trendinin etkisini gsterir. T zaman gstersin ve 1, 2... olarak ifade edilsin

Yt - a + px t + Y T t + e t

AYt = [3AXt + y + (e t -^ t _,)

Yt_, = a + PX,_, + yTt_, + et_, AY, = y + pAX,

375

eemdersnotlari.com

gelememitir. Btn bunlardan anlald gibi ekonometri ile uraanlarn nnde katedilmesi gereken nemli bir mesafe ve halli beklenen pek
ok problem mevcuttur. Bilimi ve aratrmay ekici yapan da zaten
zor olan baarmaktr.
BAST DORUSAL REGRESYON LE LGL PROBLEMLER
1. a'in varyansnn minimum olduunu gsteriniz.

Cevap:
Y = a+(3X+ e
1

X, x

= E ( n XWj) Y(

Wj =

(SXi)2

Sxj2

ZXi 2
n

X w, = v,

olsun.

oc = 2v f Y,

= 0
1

Var a = Var(Evj Y,) = S Var v, Y, = Sv, 2 Var(Y,) = E v ^ ^ S v

1
Ev,1 = S (

1
X W;)2 = 2 ( + x 2 Wi 2

1
+ X2 Zwi2
-y 1
Var (a) = <r* (
+
\ n

2x
n

2wi=

1
n

2 x
Wj)

X2
SXi2

X2 \
)
Sx; 2 /

imdi, baka bir t tesadfi deikeni tanmlayalm, t, 'mn dorusal

ve sapmasz bir tahmin edicisi olsun. Bunun iin;
i) t, Y'lerin dorusal bir terkibi eklinde ifade edilebilmeli.
376

eemdersnotlari.com

t = Z(v,+ T ) Yj = S(v ; +Yi) ( + X , + 6;)

ii) t sapmasz bir tahmin edici olmal.
E(t) = a
E(t) = a2(v i +Y i )+p2(v i +Y i )X.+E(v i +Y i ) e,
E [S( V i +Yi)

= S ( V i + Y i ) E ( Gj) = O

0 halde E(t) = a olabilmesi iin;

(1) S( V i +Yi) - 1 =>

= 0

(2) S(vi+Yi) X i = 0 => S Y i X i = 0

Var(t) =

E [tE(t)] 2

olmal.

E(t a) 2

t = a + S ( v , + Y l ) e, '
E(ta) 2 = E [S(vi+Y,) i ] 2 =
apraz terimler, cov(

[E(vj+Y>)2 e i 2 + apraz terimler]

Gj) = 0 i zfc. j olacandan sfrdr.

Var(t) = S( V i +Yi) 2 E( e 2 ) = 4
= 4 Svr + 4

S Yi

Z^+rf
2 2v

i Yi

Halbuki,
S v i Y i = 2Yi (

1
n

xwi) =

SYi
n

xS Yi X ;

Sxi 2

x2SYi

- = O

2x;

. . Var(t) = Var(a).+ <j * Zyf

4

^ o

Sfr olabdmesi iin Y = 0 olmas gerekir.

t = S( V i +Yi) ^ = S(v ; +0) Yi = Svi Y ; =
O halde, a, a'nn yegne dorusal, minimum varyansk sapmasz
tahinin edicisidir.
2. Y, = pX;+ e, ve E( Sj) = 0, Var( e,) =
ve cov( i j ) = 0
1 ^ j olsun.
X'ler de bilinen sabitler kabul edilsin ve e'dan bamsz olsun.
f "
i) P'nn en kk kareler tahmin edicisi b'nin formln karnz.
ii) b'nin 3'nn dorusal ve sapmasz bir tahmin edicisi olduunu
gsteriniz.
377

eemdersnotlari.com

iii) b'nin varyansn hesaplaynz.

Cevap:
i)

E (Yj\Xi) = E ( P X + s \X ; ) = E (PX,\X,) + E ( e ^ )
- PX,
^ = b X,
ei=Yi-Y

= Yi-bXi

e i 2 = (Y;b X0 2
i=l
i=l

(S e, 2 ) = 2 2
( Y l - b X , ) X i => O
i=1
d b i=>
SYj X t bSX, 2 = O
d

b =

SXj Yt
SX, 2

Grld gibi, sabit terim ihtiva etmeyen regresyon denkleminde

b, dorudan doruya balang noktas etrafndaki momentlerden
(2X, Yi ve SXj2) elde eddmektedir.
ii) b'nin p'mn dorusal bir tahmin edicisi olduunu ispat edebdmek
b = 2w|' Yj olduunu gstermeliyiz.
EX, Y,
b =

Xj
= S

SXi2

Yi
2Xi 2

XI
W[' =

olsun.
SX, 2

w'nn zellikleri:

S^Vj' =

b = Swj' Yj
2X,

SX, 2
Xj
wi'2= s (

\sx,2 '
X,

2w t ' X, = S

SXi 2

x2

1
=

(SX,2)2

X, - 1
ZX, 2

eemdersnotlari.com

SX,2

b = Ew/ Yj = S w i ' ( p X i + e,) = p2wi'X,+2w,' e,

= P+2f,(X) j
E(b) = E(p)+E[f,(X)

Gl]

= p + 2 E f(X,)

Bu ifadede son terim sfir olur, nk 2 E f(X)

Bylece

2f t (X) E( ,)=()

E(b) = p

iii) Var(b) = Y a r [ S w i ' Y , ] = S V a r K ' Y j ) = Sw,2 Yar(Yi)

= 2w/ 2CT2= O2 2w/ 2 =
NOT: Bu problem, sabit terim ihtiva etmeyen regresyon denklemlerinin
hesaplanmas ve bununla ilgili testlerin yapdmas iin gerekli
olan bilgileri bize vermektedir.

3.

Y = aX +

1- 6 eklinde bir regresyon modelinde a ve

X

P'nn LS tahmin edicderini bulunuz.

Cevap:
A.

P
Y = aX H
X x
D
B
G = 2
(Y,Yi) 2 = S

&
2

= 2 [ 2

ap

PV

P \)2\

P
=2

SG

/
(Y1-aX1

=22
i = 1

(Y,X,

) X,

X,Y t a 2

(YiaX,

X l 2 np]

P
*

Xi

379

eemdersnotlari.com

na

2 [E

X,
2
X, 2
i=I

dG

dG
=> O,

=> O yaparak;

da.

ap

(1) 2
i=l

XjYj = a 2
i=l

, v 2
(2)
i 1

Y i

X,

Xi2 + n(3

- n a --|

^
2 Xf
=

(1) ve (2) nin e anl zm bize a ve j'i verecektir. zm yapddnda,

n2

(3 =

I
'='

X, Yj ( 2
='
n1

Yi
)
X,

2Xi2
n

2X, Y, n(3
a =

2X,2

4. Zj, ayni ktleden alnan n tane bamsz tesadfi deiken ve

Var(Zj) = a 1 olsun.

n
i) b = 2
ii)

/
aj Z, nin varyansm bulunuz.

Y| = a+pXi+Z t

Eer X deerleri
*

i = 1,.. ,n eklinde bir model dnnz.

X X 2 X3 X4 Xs X 6 ise ve
1 2 3 4 5 6

(3'nn

LS

1
tahmin edicisi yerine

(Y 6 -t-Y 5 Y 2 Y)

deerini tahmin edici

8
380

eemdersnotlari.com

olarak kullanrsak bu tahmin edicinin varyans ne olur? Bunu LS tahmin edicisinin varyans ile karlatrnz.
Cevap:

Z|'ler bamsz olduuna gre;

i) Var(b) = Var(2

i=l

a,Z,) = 2

Var^Z,) = 2

i=l

= 2 afo 2 = <r2 2

i=l

a, 2

X,

(X|x)

1
2
3
4
5
6

2.5
1.5
.5
.5
1.5
2.5

6.25
2.25
.25
.25
2.25
6.25

X = 21

17.5

a,* Var(Z,)

(X,-X):

x = 3.5
.
(Xt-x)Y,
1
P =
=
(. 5 Y+1.5 Yj-f 2.5 Y 6 . 5 Y 3
(X,X)2
17.5
1.5Y 2 2.5Y,)
1
=
(Y 4 +3Y 5 +5Y 6 Y 3 3Y 2 5Y,)
35
1
3 = 23.Y,
35
Var(P) =

1
(35)2
1

1225

Var (2

=I

2
1=1

a ( Y,) =

2
1225 ='
2

a, 2 Var(Yj)=

1225

Var(a,Y,)

.
2i = 1 a, 2

2 a, 2 = 1 + 9 + 2 5 + 1 + 9-1-75 = 70

eemdersnotlari.com

Var(p) =

(37)
17.5

1
P =

(Y.+Y-YZ-Y,)

olsun.

8
1
Var(p) =

Var ( S J..Y,) =
64
^
1

64 =

64

.
S VarfoY.)
=l

n
Var(Y.) =
2 b, 2
64 * = l

S V = 1+1+1+1 = 4
i=1
Var() =

16

Var(p) < Var(p)

Bu sonu a ve p ile ilgili olarak ispatladmz CM teoremine uyuyor.
5.

i)

Y=ocl+p,X+e,

1950-1960

Y = 2 + p 2 X + e2
e,

n(0, a^)

e2

n(0, a | )

1961-1966
= a^ = a

H 0 : P = p 2
H : P
leri kartmz.

p 2 hipotez testini yapabilmek iin gerekli forml-

ii) ki ayr srdeki ineklerden alnan st rneklerinde ya yzdesi

(X) ve protein vzdesi (Y) llm ve aadaki veriler elde edilmitir.
ki
sr iin ayr ayr Y nin X zerine dorusal regresyonlann hesaplaynz ve iki dorunun eimlerinin birbirinden farkh olup olmadn
test ediniz.
,
37 Ayn sonuca, <To =
P

17.5

ile de varabilirdik.

382

eemdersnotlari.com

Sr A: rnekteki inek says: 16

ZX = 51.13,

S Y = 117.25,

S y 2 = 4.78,

xy=1.84

Zx 2 = 1.27

Sr B: rnekteki inek says: 10

S X = 37.20,

S Y = 78.75,

Ey 2 = 2.48,

2xy=1.10

Sx2=1.03

Cevap:
i)

),
Zx, 2

n(p 2 ,
.

)
Zx22

ki rnek bamsz olduundan, gzlem devreleri akmad iin,

2
(3,[j^njp,
\
A A

Sx2

2
+1

)
Sx22'

(PP2) nin dalmnn normal olmas, normal dald kabul

eden p ve P2 nin dorusal bir terkibi olmasnn bir sonucu.
e'n dalmnn varyansnn her iki devre iin eit olduunu farzedelim:

(8,-32)O.-P2)

0,-32)(|3.(3 2 )
n(0,l)

sl\ (+)
VSx, 2
S e2,
2

J{+)

Sx22/

X 2"1n,- 2 '

^Sx,2
2 e2j
72
c

Sx22

X"22 n 2 - 2

Se, 2 + S e 2 2
X 2 r n 2 -
T2
383

eemdersnotlari.com

T =

(plpa)(P<Ts Vn.-f n24

.
VZe,*+Se 2
as ^
V SX,2 SX22
(P.-P2MP.-P2)

^ t

/(S e 2+2e 2 2)

\Sx,2
n+n 2 4

n + n2-

Ev,2 /

Se2 = Sy 2 p, S x ( y
Se22 = Sy2-p"2 I x 2 y 2
Bylelikle tamamiyle iki bamsz rnekten elde edilen deerlerden yararlanarak,
Ho : p,p2 = O
H : P(p2 7i O hipotezini test edebiliriz (veya tek tarafl hipotezleri)
ii)

A srs: n, = 16,

p, =

xy
Sx2

1.84
1.27

= 1.4488

x = Ypx = 7.328(1.4488) (3.1956) = 2.6982

Y, = 2.698 + 1.449 X,
B srs: n 2 = 10, p 2 =

1.10
1.03

= 1.068,

= 7.875(1.068) (3.72) = 3.902

Y 2 = 3.902 + 1.068 X 2
S e 2 = Sy 2 p 2xy = 4.78(1.449) (1.84) = 2.11
Se 2 2= lyz p xy = 2.48(1.068) (1.10) = 1.306
T formlnde deerleri yerine koyalm:
384

eemdersnotlari.com

1.4491.068

cal T =

.381
(3.416){1.758)
J^
22-

/(2.11+1.306)
/y

.27

1.03'

16+104
.381
= .733
.52

.381
tab t.025,22 = 2.074
cal T < tab

V.271

olduu iin Ho' reddedemiyoruz. ki rnekten

elde edden regresyonlann eimleri ((i)'leri)
,n t +n24 arasnda anlaml bir fark bulunmad sonu2
cuna varyoruz.
a

6. (38) v, = + P log Vo fonksiyonu bir "Engel erisi"ni gstersin.

Burada Vj ahs bana i malna yaplan harcamay vo ahs bana geliri
gstersin. Aadaki verileri kullanarak regresyon fonksiyonunu bulunuz
ve haftada 5 .lik bir gelir seviyesinde i malna kar talebin gelir esnekliini hesaplaynz. (Tablodaki deerler Pound olarak haftalk geliri ve
i malna harcamay gsteriyor)
v,

.8

1.2

1.5

1.8 - 2.2

2.3

2.6

Vo

1.7

2.7

3.6

4.6

6.7

8.1

Cevap:
log 10 Vo

V|

.23045
.43136
.55630
.66276
.75587
.82607
.90849
1.07918

.8
1 .2
1 .5
1. 8
2..2
2 .3
2 .6
3 .1

5.45048

15 .5

fj =

1.43951
= 2.77823
.51814

n= 8

5.7

3.1
12.0

logo vo = .68131
vj = 1.9375

Balang noktas etrafndaki momentler.

log 10 Vo
log 10 Vo 4.23161
vi

V,
11.99982
34.07

Ortalama etrafndaki momentler,

1.43951
.51814
4.03875

38 J . Johnston: a.g.e Sh. 62 pr. 3.

385

eemdersnotlari.com

 = V p(log,o vo) = 1.9375(2.77823) (.68131) = .0447

vf = .0447+2.77823 log10v0
ANOVAR Tablosu:
Kaynak

SS
3.99929
.03946
4.03875

hata
toplam
R2Vj,logo vo =

s.d

3.99929
4.03875

= .99023

Vj = .0447+1.2066 l o g e v u
R 2 v l o g e v 0 =..99023

(39)

Esneklik: v, = a + p log v 0
dv,
dvo

p
Vo

E gelir esnekliini gstersin: E =

vo dvj

Vo

Vj dvo

V| Vo

a = log e 10 = 2.30259
Slog e v 0 = aSlog 1 0 v,
2(log e v,) = S(alog, 0 v,Y = a ! S(log, 0 v 0 )'
Balang noktas etrafndaki momentler:
a : (4.23161)

39

Ortalama etrafndaki momentler:

(5 =

a(l.43951)

2.77823

a (11.99982)
34.07
a (1.43951)
4.03875

a 2 (. 51814)

= 1.2066

a(. 51814)
a = v ( 3(log e v)

a 2 log,o v
log e v 0 =
= " (logo Vo)

Vj = .0447 + 1.2066 log e v

a 1.9375

2.77823

(alog 1 0 v 0 )
a
= 1.9375 (2.77823) (.68131)= .0447

SSR = p 1 2(log e v 0 y = 3.99929

TSS = 4.03875
RJVj, log e v 0 = .99023.

386

eemdersnotlari.com

E=

.
a+piogev0
1.2066

E =

=
Vj

a+plogvo'

.0447+1.2066 l o g e v 0
v 0 : haftada 5 pound => log e v 0 = log e 5 = 1.60944
1.2066

E=

= .602
1.98665
Haftada 5 pound'luk gelir seviyesinde i malnn gelir esneklii .602
dir. Bu sonuca gre, bu gelir seviyesinde i mal zaruri bir ihtiya maddesidir.
7. Aadaki tablo 100 rencinin matematik ve fizikten ald
notlar gsteriyor. (40)
/
MATEMATK
40-49
c
-2
o
rfj
M
E

50-59

| 60-69

90-99
80-89
70-79
60-69
50-59
40-49

1
3
3

4
6
5

1
5
9
6
4

Toplam

15

25

NOTLARI
| 70-79

80-89

90-99

Toplam

2
4
10
5
2

4
6
8
2

4
5
1

10
16
24
21
17
12

23

20

10

100

Matematik ve fizik notlar arasndaki dorusal korrelasyon katsaysn hesaplaynz.

C e v a p : Bu problem g r u p l a n d r l m v e r i l e r d e k o r r e l a s y o n
k a t s a y s ' n n nasl hesaplanacan gsteriyor.
Hesap ilemlerini, aada yer alacak korrelasyon tablosunda gstereceiz.
Kullanacamz forml:
n SfUx U y U j (Sfy Uy)
r =
v [n 2f x
u j * ] [n Zfy u y * - ( Z f y y) 2 l
Bu formlde f gz okluklarn, f x ve f y . marjinal okluklar, u x ve u y
snf aral cinsinden uzakkklan gsteriyor.
Gruplandrlm verder iin korrelasyon tablosuna misl:
40 M. R. Spiegel a.g.e Sh. 257 Pr. 19.

eemdersnotlari.com

387

P#Z"k A/o-l-lar
sJ?

-t-s
V

c
- o (T +- K t
<
c
9 Q_ t
tf. t '
f-
Ca>

^c

-K
Vf

1
kl

o
\

Cn
<

<

SJ

t
o

VjJ

K
U

K*

Ul

w
0

.1 M
*

\\ O

O
0

K
1

>

Ot

C
VX
n

o
<

-t>

e*

>
t->

K>

(T

-X.

i*

i?

-C"

e-

CJJ

eemdersnotlari.com

u:

<C
j

f fCA

<

P- p

-C

as

l> M

s>

2i

II M
a ve ^
1
tu

Ki

-s

-V

c-

1 -tr
M "i

N
O

1U,

tc /

-v

1 IX
< C

c/

<

K
0i

Oo
-V. M
K
-o
"V ^
v

-e

oo

1
-t

lO

-tO O O o

<-

-c

-vl
-C

-c-

r-

Q_ n
{T

r* 5-

Her gzde kede yer alan say fu u y deerleridir.

Her sradaki ke deerlerinin toplam en sn stunda gi srada
grlmektedir.
Her stundaki ke deerlerinin toplam en son srada dgili stunda
grlmektedir.
Tabloda yer alan deerlerden yararlanarak;
(100) (125)(64) (55)

. - '

V [(100) (236)(64)2] [(100) (253)(55)*]

= .769

16020

V(19504) (22275)

8. r, n tane (X i 5 Y ( ) ifti arasndaki korrelasyon katsays ise,

(a X,+b) ve (c Y, + d) (a, b, c, d sabitler) arasndaki korrelasyon katsaysnn da r olduunu gsteriniz.
9. Aadaki gzlemleri kullanarak hasla ile istihdam arasnda bir
iliki kurmak istiyorsunuz.
X :
Y :

stihdam miktar (000)

Hasla indeksi olsun.

Yl

1955

1956

1957

1958

1959

1960

1961

74.0

73.1

65.5

61.5

65.9

62.7

58.3

109.5

105.4

95.9

95.6

108.5

102.1

101.3

i) a ve P'in LS tahminlerini bulunuz ve standart hatalarn hesaplaynz.

ii) Bir serpme diyagramndan yararlanarak, Y = a+(3X-f- e eklinde bir fonksiyonun, Y = f(X,Z,Z2. . -Z k _) eklindeki "doru" fonksiyonu b a a r l ekde temsil edip etmediini syleyebir misiniz ? 10. Sxy = 10, i 2 = .75, Lx 2 = 2 Zy 2 verdiyor. j'i ve ortalama
etrafndaki moment matriksi deerlerini bulunuz.
11.

C p zel tketimi, Y d harcanabdir geliri gstersin.

C p = .3415 + .9235 Y d

R2=.999

d = 1.918

1951-1965 (41)

41 - Korum a .g. e. Sh. 131

389

eemdersnotlari.com

i) Bu denkleme gre marjinal tketim edimi (MPC) nedir ?

ii) Bu denklemin ifade ettii tketim fonksiyonunun balang
noktasndan getii iddia eddebdir mi?
iii) H 0 : MPC ^ .90
H t : MPC < .90 hipotezini test ediniz, (a = .05,

n = ?)

iv) 1966 ylnda Y d == 60 mdyar TL. olsa zel tketim ne olabilirdi ?

Tahmininizi nokta ve aralk eklinde gsteriniz.
12. Aadaki verder, bir nceki haftadaki fiyat ile cari haftadaki
talep arasnda Q d = a(P_j)Pe e dikisini tahmin etmek zere verilmitir.
A

a ve p'i hesaplaynz ve yorumlaynz.

(3 = 0 hipotezinin ekonomik anlamn belirtiniz ve geerliliini tartnz.
Q d cari devrede (hafta) talep edilen miktar. "
P_ bir nceki haftadaki fiyat.
P_

.54
.51
.49
.49
.48
.48
.48
.47
.44
.44
.43
.42
.41
.40
.39

Qdt
12
10

13
12.5
12
13
12

12
12

13
13.5
14
13.5
14.5
13

390

eemdersnotlari.com

BLM X
OKLU R E G R E S Y O N *
nceki blmde, regresyon analizinin temel yaklam ve iktisat
analizi iindeki yeri hakknda ksaca bilgi vermitik. Tek aklayc deikenli regresyon analizi de dgdi izahlar da, ok aklayc deikenli,
ksaca oklu regresyona geii kolaylatracak eldlde yapmtk.
k tane aklayc deiken ihtiva eden stokastik bir regresyon ilikisinin varln farzedelim:
Y = f(Xl,...Xk,e)
Bu fonksiyonel dikinin eklinin dorusal olduunu kabul edersek;
Y = p,X,+p2X2+... + pkXk+ e
X, ou hallerde 1 olarak alnr ve dolaysyla P denklemin sabit
terimini tekil eder. Sabit terimi [3 de gstermek istersek regresyon
ilikimiz;
Y = p 1 + f c X + J X , + . . . + p k _ 1 X k _,+ p k X k + e
eklinde k aklayc deiken ihtiva ederek gsterdebilir.
Bu blmde zerinde ksaca duracamz balca konular; katsaylarn tahmini, katsaylara ilikin istatistiki istidlal, hesaplanan regresyon
denkleminin nceden tahminde kullanlmas ve stokastik tamm artlarndan sapmalarn etkileri ve ahnabdecek tedbirler eklinde zetlenebilir.
* Bu blmde, matriks cebri ile ilgili asgari bilginin varl farzedilmitir. Aadaki kitaplardan herhangi biri bu konuda, blm takibe imkn verecek kadar dorusal cebir temelini
salayabilir:
T. Bulutay: Dorusal Proglamlama: Giri SBF yayn; T. avdar: Ekonomiye Uygulanm
Genel Matematik DE yaym No: 605, 1970; J . Johnston: a.g.e Blm 3; A. S. Goldberger: a.g.e
C. Chirst: a.g.e.
Sz edilen kaynaklar dnda matriks cebri ile ilgili mevcut pek ok kitap favdab olabilir.
(Mesel, G. Hadley, Linear Algebra, Addison-Wesley, 1961).

391

eemdersnotlari.com

oklu Regresyon Modelinin S t o k a s t i k T a n m :

n tane gzlem ve k tane aklayc deiken (1 dahil) ihtiva eden bir
regresyon ilikisi farzedelim. Katsaylarn hesaplanabdmesi iin de
n > k art salanm olsun. Matriks cebri notasyonu ile,

Y = X[3 + e
Bu denklemde Y, (nXl) lik bir stun vektr (baml deikinin
gzlenen deerleri), X, (nXk) lk bir matriks (k tane aklayc deikenin n devrede gzlenen deerleri), (3 (kXl) lik bir stun vektr (regresyon
katsaylar) ve Q, (nXl) lik bir stun vektr (hata terimleri) dr.

Y=

Y,
Yn

X=

1 x21.,.xkl

1 X2n.

e =

en

Stokastik tanm faraziyeleri:

la) X'ler sabitler
lb) X'ler tesadfi deikenler
2) (X'X) matriksi, rank' k olan (kXk) lk bir kare matriks, dolaysyla (X'X)- hesaplanabdiyor. (1)

3) E(s) = 0
4) E(ee') = <r21
Bu faraziye, homoscedasticity (evaryanslbk) ve hata terimleri arasnda
isel bant olmamas hallerini ifade ediyor.
E(ee') = Ee

e'larn varyans-kovaryans matriksidir.

S e = E [eE(e)] [e-E(e)]' = E(ee')

ee =

(e...6n)

e 2 GS .
261 e^ .

eze

eGt ee2

e2

1 Tam rank faraziyesi, (X'X)'in sra veya stunlarnn dorusal bamsz olmas demek.
Bu ise ancak X'lerin birbirlerinden bamsz olmalar ile mmkn. Pratikte (X'X) _ I hesaplanabse bile, X'lerin birbirlerinden bamsz olmamasnn ortaya karaca problemlere (oklu
bant, multicollinearity) ileride deineceiz.

392

eemdersnotlari.com

E(ee') =

er2 . . . O
(I burada nXn lik bir kare matrikstir.)
O

E(Y\X) =

f72
Regresyon Fonksiyonu.

En kk kareler metodunu uygulayarak elde edeceimiz denklem;

Y = X
Aktel ve denklemden bulunan band deiken deerleri arasndaki fark, yani artklar e de gsterelim: YY = YX(3 = e (e(nXl) lik
bir stun vektr) LS prensibinin bir sonucu olarak regresyon dorusu
etrafndaki artklarn karelerinin toplamnn m i n i m u m yaplmas gerekli.
e
E e,2 = e'e = (e,.. .e n )

= (Y'p'X') (YXp)

= Y'YY'Xf3p'X'Y+ P'X'X| = Y'Y2 Y'X+p'X'Xp

e'e nin minimum yaplmas iin gerekli olan katsay deerlerinin
hesab, ksm trev denklemlerini sfra eitlemek suretiyle elde eddecek
denklem sisteminin e anl zm sonucu elde eddecek. Vektr trevi
kurallarn uygulayarak,
de'e

= 2 X'Y + 2 (X'X)p

=> 0 yaparak. (X'X)^ = X'Y

Bu denklem sistemine normal

ep
denklemler diyoruz.
Buradan: = (X'X)~ X'Y

elde edilir.

En kk kareler metodunu kullanarak katsay vektrnn tahmin

a.

edicisini elde ettikten sonra, basit regresyondakine paralel olarak ^ vektrnn zelliklerini grelim:
393

eemdersnotlari.com

GM T e o r e m i :
Y = X(3 - ( - e v e X sabit saylar olsun. Stokastik tanm artlan
altnda LS tahmin edicileri minimum varyansl, dorusal, sapmasz tahmin edicilerdir.
ispat:
J*

yS

P = (X'X)_> X'Y ifadesi p'in Y'nin dorusal bir fonksiyonu olduunu gsteriyor.
E(p) = E [(X'X)-> X'Y] = E [(X'X)~ X'Xp + (X'X)- X'e]

= (X'X)-> X'X E(P) + (X'X)- X'E(e) = p

dolaysyla (3

sapmaszdr.

p = (X')- X'Xp+(X'X)- X'e = P+(X'X)- X'e

pp = (X'X)~ X'e
A

P'in varyans kovaryans matriksi 2 ~ olarak gsterilsin:

P

E[(p-p) (p-p)'] = E[(X'X)>- X'ee'X(X'X)-]

= (X'X)- X'E(ee') X(X'X)- = c2(X'X)- X'IX(X'X)-
= ^(X'X)->-(X'X) (X'X)-t = <T2(X'X)-

P'in minimum varyanshln gsterebilmek iin baka bir tahmin

edici tarif edelim.
b* = A Y
Bu tarife gre b* dorusaldr.
A = (X'X)- X' + D

olsun.

b* = [(X'X)-X'+D]Y= [(X'X)-'X'+D] [(Xp+e)]

= (X'X)- X'Xp+D Xp+ [(X'X)- X'+D]e
= P+D Xp+ [(X'X)- X'+D] e
b*p = D Xp+ [(X'X)- X'+D] e
b*'n sapmasz olabilmesi iin E(b*P) = 0 olmaldr. Bu ise ancak,
D X == 0 olmas halinde mmkn olabir.
b*'m varyans kovaryans matriksi Z b * olsun.
b * = E [(b*p) (bP)'] = E[(X'X)-t X'+Dee'[(X'X)->X'+D]']
394

eemdersnotlari.com

b* = [(X'X)-I X ' + D ] E(ee') [X(X'X)-+D']

= ^ [ ( X ' X ) - X ' + D ] [X(X'X)-i+D'J
^ [ ( X ' X ) - X'X(X'X)- + (X'X)-VX'D'+D X(X'X)-+D D']
= cr 2 [(X'X)- -f D D']

(2)

= S g + ff2 D D'
P

D D niin. diyagonal elemanlar pozitif veya sfr olduu iin b*'nn

varyans'lar da (3'inkder kadar veya daha byk olmak zorundadr.
Varyanslarn eitlii ancak D'nin sfr matriks olmas halinde sz konusu
olur, bu halde ise (3 = b* olaca aktr.
Bu sonu (3'in p'nin yegne BLU tahmin edicisi olduunu rtay
koyar.
X ' l e r i n T e s a d f i D e i k e n l e r Olmas H a l i :
X tesadfi bir matriks olduunda p = (X'X)~ X'Y, Y'nin dorusal
bir fonksiyonu deildir.
E ( p \ X ) = E [(X'X)- X ' Y ] = (X'X)- X ' E ( Y \ X ) = (X'X)-X'(Xp)
= (X'X)- X'Xp = p
artl varyans-kovaryans matriksi:
E { [ p - E ( p \ X ) j [PE(p\X)]'} = 2 ^
^

= E[(p-p)(p-p)']

= <t2(X'X)-

artsz varyans-kovaryans matriksi:

= Ex S -

= , E x MX'X)-] =

E(X'X)- = <7J(X'X)->

zet olarak: X'lerin sabit olmas halinde en kk kareler tahmin

edicileri (p) minimum varvansl, dorusal sapmasz (BLU), X'in tesadfi deiken olmas halinde artl olarak BLU, artsz larak ise minimum varyansl sapmasz tahmin edicderdir.
a 1 iin Tahmin Edici:
P'in varyans a 2 terimini ihtiva ediyor, e'un varyansm

tahmin

2 b*'in sapmasz olmasn salamak iin DX = 0 eklindeki taldit nedeni ile.

395

eemdersnotlari.com

edebilecek bir forml, (3'in. varyansnn tahmini iin zorunludur. imdi

a 2 'nin tahmin edicisinin nasl bulunacan grelim:
Y == Xj3 = X(X<X)- X'Y = X(X'X)- X'(Xp+e) = X(X'X)-(X'X)(i
+ X(X'X)- X'e = Xp+X(X'X)- X'e
YY = e = X(3+eX(3X(X'X)- X'e = eX(X'X)- X'e
= [IX(X'X)-X']e
IX(X'X)- X' = M

diyelim.

M' = [IX(X'X)~> X']' = IX(X'X)- X' = M M simetriktir.

M2 == [IX(X'X)- X'] [IX(X'X)- X ' ]
= 1 - 2 X(X'X)-' X'+X(X'X)- X'X(X'X)- X'
= IX(X'X)-I X' = M
O halde M, simetrik idempotent bir matrikstir.
e'e = e'M'Me =. e'Me
E(e'e) = E(e'Me) = a 2 tr(M) = q 2 tr [IX{X'X)~ X ' ]

(3)

= a 2 [tr(I)tr(X(X'X)-tX')] = a 2 [ntr(X(X'X)~ X') J

X(X'X)~ X' ifadesinde dairesel bir permutasyon yapmak tr'yi deitirmeyecei iin,
= e 2 [ntr(X'X) ( X X ) - ] = (T2 [ntr (I k )]
- c?2(nk)
Bu durumda (?2'nin sapmasz bir tahmin edicisini elde etmek, kk
bir dzeltme ile mmkn olabilecektir:
3 e'Me = 2 2 m;: && = 2 m n e\ + 2
2 m. e^i _ j=
'
'
i=
i = j=

i# j

E (e'Me) = 2 m H E(e\) + 2
2 m,,
i* j
i1
j=l
Stokastik tanm artlan gereince; E(e?) = n2, E ^ e p = 0. B sebepten,
E(e'Me) =

2 m = cr2 tr(M)
i=l

tr (trace) herhangi bir matriksin diyagonal elemanlar toplamdr.

Bu konuda baknz: A.S. Goldberger a.g.e SH. 11 F.A. Graybill, Introduction to Linear
Statistical Models Sh. 7

396

eemdersnotlari.com

E(e'e)
= d2

veya,

nk
e'e
E(

) = o*2
nk

e'e iin bir hesaplama forml gelitirirsek bu deeri nk'ya blerek e'n varyansnn bir tahmin edicisine sahip olabileceiz. Bunu p'in
varyanslannn hesabnda kullanabileceiz.
e = YY = YXj3
e'e = (YX(3)' (YX(3) = (Y'p'X') (YXp)
=

Y'Yp'X'YY'Xp+p'X'Xp= Y'Y2 'X'Y+p'X'Xp

= Y'Y2 p ' X ' Y + p X ' X ( X ' X ) - X ' Y

= Y'Y|3'X'Y
Son ifade e'e iin uygun bir hesaplama formln bize salyacaktr.
R 2 oklu D e t e r m i n a s y o n

Katsays:

Basit regresyonda olduu gibi burada da R 2 , bamh deikendeki

toplam deimenin aklayc deikenler tarafndan izah edden yzdesini verecektir. Elenik olarak, aklayc deikenler setinin bir btn
olarak anlamlln tayin etmemizi salyacaktr. (F test'i)
Parametre uzayn iki alt sete ayrarak;
2 : Y = X p + e
w : Y = [i+e yazahm. Q faraziyesinde X'lerin Y'yi izah gcne
sahip olduunu, baka deyile P'lann sfr olmadn kabul ediyoruz.
w faraziyesi ise P = . . . = p k = 0 anlamna geliyor. w'de fi'nn tahmin
edicisi Y, yani
: Y = Xp
w

:Y =

: e'e = Y'Yp'X'Y = SSE

w : e'e = S (Yy) 2 = Y'Yn Y2 = TSS
397

eemdersnotlari.com

R2 =

P'X'Y-n Y2
Y'Yn y 2

Y'Yn Y2

Serbestlik derecesine gre dzeltilmi R- yani R 2 ise,

r

= 1

e'e / nk

olacaktr.

(Y'YnY 2 )/n1

Buraya kadar verilmi olan formller balang noktas etrafndaki

momentleri kullanan formllerdir, zellikle hesaplarn masa hesap
makinalar ile yaplmas halinde tersi alnacak matriksin boyutunu
kltmek ilemlerde nemli tasarruf salar.(4) Bu imkn kullanmak
iin ortalama etrafndaki momentleri kullanmamz mmkndr:

Y = p I + p2Xa+.-.. + fcXk+e
y = p, + p 2 x 2 +... + p k x k + e
Y-Y = p 2 (X 2 -x 2 )+.. . + p k (X k -x k ) + (ee)
y = p2

+ . . . + pk x k + e

( 1 = 0 olduu iin)

Matriks notasyonu de gsterirsek,

Y = Xp 4 e
X2t . x k!

y
Y =
-

Y2

yn

X=

xkn

P2
6 =

en

Burada Y ve X ortalamadan sapmalar eklinde ifade eddmitir.

X, nX(k1) boyutunda bir matriks ve p, (k1) XI boyutunda bir
stun vektrdr.
R 2 ve R 2 iin formlleri bu yeni duruma gre deitirelim:
TSS = S y t 2 = Y'Y
i=l
4 Mesel (X'X) in ( 3 x 3 ) lk bir matriks olmas ile (4 X 4) olmas arasnda byk fark
vardr. (3 X 3) lk matriksin direkt olarak tersini almak daha pratik olduu halde (4 X 4) veya
daha byk matriksler iin Doolittle veya baka metotlar kullanm gerekir.

398

eemdersnotlari.com

SSR = p'X'Y

P = Y -

S & X
i=2

SSE = Y'Yp'X'Y
P'X'Y

R2 =

Y'Y

= 1

e'e
Y'Y

e'e /nk

R = 1

Y'Y/n1

Buraya kadar elde ettiimiz hesaplama formllerini, ortalamalar

etrafndaki moment deerlerini kullanarak zetleyelim:
p = (X'X)- X'Y
?

= ff2(X'X)-

i
e'e
Cf2
nk
e'e = Y'Yp'X'Y

(5)

P'X'Y

_2
R = 1

R2 =

Y'Y

oklu R e g r e s y o n ' d a s t a t i s t i k i

e'e/nk
Y'Y/n1
Istidll:

statistiki istidll ve basit regresyon ile ilgili blmler bu ksmdaki

izahlarmz ksa tutmak iin gerekli bilgileri ihtiva etmektedir. statistiki istidlal ancak tesadfi deikenlerin dalmlarnn e k l i n i n bilinmesi halinde uygulanabileceine gre e'nn dalmnn ekli ile ilgili bir
faraziye yapmamz zorunludur. Basit regre iyona paralel olarak burada
da e'un dalmnn eklinin ok deikenli normal dalm (MVN)
olduunu farzedeceiz. e
MVN(0, n 1 1) Bunun bir sonucu olarak.
X'lerin sabitler olmas halinde, Y
MVN (Xp, a 2 I) olacaktr. X'lerin
5 Dolavsvla (3'larn varyanslan,

Y'Y jJTCY

( X ' X ) - 1 matriksinin diyagonal elemannk

lan ile tahinin edilecektir. Diyagonal elemanlarn karekkleri de katsaylarn standart hatalarn
(S?) verecekrir.

399

eemdersnotlari.com

tesadfi deiken olmas halinde de Y'nin artl dahm ok deikenli

normal olacaktr.
Normal dalm faraziyesi kabul edddiinde ML metodu ile (3 tahmin
edicilerini elde etmemiz mmkndr. Fakat bu tahmin edicderin de LS
tahmin edicilerinin ayn olmas, ML tahmini zerinde burada tekrar
durmamz gereini azaltmaktadr.
imdi aadaki sorular cevaplandrabm:
i) a'p mn tahmini (a, katsaydar arpmak isteyeceimiz ve isteimize gre alabileceimiz deerleri gsteren bir stun vektr) Mesel,
a' = (2 \1) ise a' = 2 , + \ (32 + ps olacaktr.
ii) a'(3 nin r gibi bir deerden anlaml ekilde farkl olup olmadnn
test'i.(6)
iii) a'(3 iin gven aralnn elde edilmesi.
i) a'(3 = a'(X'X)-> X'Y = a'(X'X)- X'(Xj3+e) = a'(X'X)->X'Xp
+ a'(X'X)- X'e = a'(3 + a'(XX)- X'e
e ^ MVN, Y
MVN ve a'[3 de Y, dolaysyla e'un dorusal bir
fonksiyonu olduuna gre,
a'V MVN(a'|3, a* a'(X'X)~ a)
ii)

H 0 : a'(3 = r
H, a ' p ^ t r

(7)

a'fj a'(3
' N(0,1)
a Va'(X'X)" a
e'e
x2n-k

v e e e

( a 'P a 'P) stokastik bakmdan bamsz olduun-

dan (8)
6 Mesel, Cobb-Douglas tipi bir retim fonksiyonunun, gerekli logaritma dntrmeleri
yapldktan sonra elde edilmi dorusal eklinde katsaylar toplamnn 1 e eit olup olmad
test edilmek isteniyorsa, a = (1, 1 . . .1) ve r = 1 olacaktr.
7 Veya hipotezin tek tarafl olarak ifade edilmi ekilleri.
8 nk, a'(X'X)-' X'M = a'(X'X)-' X'[IX(X'X)-'X'J
=a'(X'X) _ l X'a'(X'X)-' X'X(X'X)-' X' = 0

100

eemdersnotlari.com

a'pa'p

a Vnk

cr <\/a'(X'X)- a

<v/e'e

a'pa'P

= T
J

/ e'e
nk

= s

/ e'e

nk

(Va'(X'X)-ia)

diyelim.

a'Pa'|3
=

tn_k

s Va'(X'X)- a
(T|Ho)-tn_k

(T | H) w". t_k, < (9)

Test: ]Cal T | > tabta/2,n -k ise Ho reddedilir, aksi halde kabul
edilir.
iii) a'P iin gven aral, (iki tarafl)
P[a'j3ta/2, n-k S v V ( X ' X ) - a. < a'p ^ a'P+t/2, n-k s V a ' ^ ' K p ' a ]

= 1 a
Bu sorulara cevap verdikten sonra herhangi bir katsay ile ilgili hipotez
testleri veya aralk eklinde tahminler bizim iin zor olmyacaktr.
Ho

: p, = p,0

H : p,

p,0

Pi-PiO
T =

tn_k
^P

olsun. (10)

_
SS = s v a ' i Burada a", (X'X)~''in i'inci
diyogonal elemandr.

t Burada d, merkezi olmayan t dalm (non central t) nin merkezi olmama parametresi
ve (a'3 r) nin bir fonksiyonudur.
t, y7 ve F dalmlarnn daha nce incelediimiz ekilleri merkezi olanlar idi. Merkezi
olmayan tiplerini bu kitap bakmndan kapsam d tutuyoruz. Test'in kuvvetinin hesaplanabilmesi iin T'nin alternatif hipotezin geerlilii halindeki dalmna da ihtiya var. Merkezi
olmama parametresi bu konuda bize yardm ediyor. Bu konuda daha fazla bilgi iin Bk. F.A
Craybil], a.g.e. Blm 4
10 Bu halde a' = (0.. . 1 . . .0) ve r = 3 ( 0 dr.

401

eemdersnotlari.com

Test: | Cal T | > ta/2, n-k ise H 0 reddedilir, aksi halde kabul edilir.
Arabk eklinde tahmin;
P(Pi1ta/2, n-k

< Pi < P + ta/2, n-k

S pO

=1 a

Katsaylar ile dgdi olark tek tek testler yaplabilecei gibi bir btn veya bir alt grup olarak aklayc deikenlerin baarsn F test'i
yoluyla lebdeceimizi bdiyoruz. R 2 lsnn bir elenii olan F test'i
iin, F dalml bir Statistie ihtiya var. Basit regresyon blmnde,
F =

MSR
MSE .

olduunu biliyoruz. Burada MSR =

p'X'Y
k1

ve

e'e
Y'Yp'X'Y
MSE. =
=
olduuna gre,

_
nk
nk
P'X'Y/k1
Y'Yp'X'Y
nk

p'X'Y/k1

P'X'Y

Y'Y(1

Y'Y

p'X'Y/k1
Y'Y(1R 2 )
)

nk

nk
P'X'Y

nk

p'X'Y /Y'Y nk

k1

Y'Y(1R 2 )

1R2

R 2 (nk)

k1

(1R2)k1

R2/k1
(1R2)/nk

elde edilir.

F ^ F k _, n _ k olduuna gre H 0 : P2 = . . = P k = 0 hipotezinin

H : p 2
...
Pk 0 alternatifine kar test'i yaplrken,
calF > tab F k _!, n _ k ise H 0 reddedilecek, aksi halde kabul edilmek zorunda kalnacaktr.
oklu regresyon de dgdi pratik hesaplamalara gemeden nce
ANOVAR tablosu zerinde de duralm. Bu tablo, hesaplama ilemlerimizde elde etmemiz zorunlu olan deerleri ihtiva edecek. ANOVAR
tablosunu, ortalamalar etrafndaki momentleri kullanan hesaplama
tarzna uygun olarak vereceiz.
402
%

eemdersnotlari.com

ANOVAR tablosu:
Kareler Toplam
Deime Kayna
X2 . . . X k

(SS)
p'X'Y = SSR

Serbestlik
" Derecesi
k1

Ortalama Kare (MS)

'X'Y
k1

Artk

e'e -= Y'Yj3'X'Y

nk

= MSR

Y'Y p'X'Y
nk

Toplam

Y'Y = TSS

n1

MST =

= MSE

Y'Y
n1

Bylelikle oklu regresyon ile ilgili olarak katsaylarn, katsaylarn

standart hatalarnn, R- ve R2 nin hesaplanmas ve dgdi testlerin yaplabdmesi iin gerekli n bdgiyi vermi bulunuyoruz. imdi oklu regresyonda yaplmas gerekli hesaplama ilemlerini, misllerle birlikte
grelim.
oklu R e g r e s y o n ' d a H e s a p l a m a

lemleri:

. Elektronik hesaplama imknlarnn gelimesi, oklu regresyon ile

ilgdi olduka kark ilemlerin masa hesap makinalan ile yaplmas
zorunluluunu ortadan kaldrmtr. Buna paralel olarak hesaplama metotlarna istatistik ve ekonometri kitaplarnda verilen arlk da azalmaktadr.(ll)
O halde bu metotlar burada anlatmann gerei nedir? Elektronik
hesap merkezinde orada hazr regresyon programlarndan birini semek
kfi deil mi? Buna verilecek cevap yle olabilir: Bir defa elektronik
hesaplama zellikle memleketimizde istenilen anda salanamyabilir.
Bu merkezlerden faydalanmak, hesaplanacak pek ok regresyon bulunmas halinde pratiktir. Yoksa aklayc deikenli birka regresyon
iin gidip gelmeye deymeyebdir. Fakat istatistiki olarak bu hesaplama
ilemlerini bdmemizin asl faydas gerektiinde makina iin yazlacak
program konusunda programcya yardmc olmak ve mevcut programlarda gerekli deiiklikleri yapabilmede belirir. Bir makina programn
11 Hesaplama kolaylklarnda meydana gelen gelime sebebi ile pek ok kitap gnn
geirmi kitap haline gelmitir. Mesel P.S. Dwyer, Litear Conputatios W iley 1951.

403

eemdersnotlari.com

yazmak veya deitirmek yapdmas sz konusu ilemlerin btn ayrntlar de bdinmesini gerektirir.
Burada izaha ahacamz metotlar ortalama etrafndaki moment
matriksini kullananlar olacaktr. Bunun nedeni7 bylelikle hesaplama
ilemlerinden nemli lde tasarruf salanmasdr. Balca iki hesaplama metodu incelenecektir.
i) Direkt matriks evirimi
ii) Ksaltlm Doolittle metodu.
Her iki metod iin de ortalamalar etrafndaki moment matriksine
kadar yaplacak ilemler ayndr, nce, basit regresyonda verdiimiz
form'a uygun olarak balang hesaplamalarnn nasl yaplacan, sabit
terim hari 3 aklayc deikenli bir regresyon iin gsterelim.
Regresyon ilikisi; Y = (3o + PX, + p 2 X 2 -f (33Xj -f e (12) eklinde olsun. Y = (30 + PX, + p 2 X 2 + (3X3 denklemini elde etmek iin
yaplacak ilemleri sralyalm.
(1) Verileri dikkatle hazrlayarak aadaki sra ile yerletiriniz:
X,

X,

X,

2X,

2X 2

SX3

2Y

X2

X3

Kontrol
Toplam K

Kontrol:

2K y/
K

-y/

2X, + S X 2 + 2 X , + 2 Y = 2K
X - f X 2 +

X) + Y = K

Her sray toplayarak kontrol kolonuna kaydediniz ve sonunda

kontrol ilemini yapnz. Eer ilemde hata yoksa bir (-y/) iareti ile sonraki ileme geiniz.
(2) Balang noktas etrafndaki momentlerin hesaplanmas.
12 Buradaki notasyon, teorik ksmdakinden biraz farkl. Sabit terime aklayc deiken
olarak numara verilmiyor, fakat k yani aklayc deiken says 3 deil 4.

404

eemdersnotlari.com

X!

x2
xY 3
K

X,
SX,2
(SX,X 2 )
(SX,X 3 )
(SX,Y)
(EX,K)

x2
sx,x
SX 2
22

(SX 2 X 3 )
(EX 2 Y)
(EX 2 K)

33
EX,X
EX 2 X 3
EX 3 2
(EX 3 Y)
(EX 3 K)

Y
SX,Y
EX 2 Y
EX 3 Y
EY 2
EYK

K
EX,K
EX 2 K
EX 3 K
EYK
EK2 Y

Kontrol: EK2 = EX, 2 +EX 2 2 +EX 3 2 +EYH-2E X X 2 + E X 1 X 3 +

+ SX,Y+X2X3+EX2Y+EX3Y
(not: Bu ilemi doru yaptnza ^min olmadan kolonlarda hata aramaynz. Mevcut olmayan bir hatay saatlerce bulmaya ababdirsiniz.)
Burada diyagonalin altnda kalan parantez iindeki deerler diyagonal stndekderin simetrii olduuna gre ayrca, bir hesaplama sz
konusu ded. Bu bakmdan normal olarak sadece diyagonalin st taraf
ilenir, fakat hesaplamalarda matriksin btn dikkate alnr.
Kontrol tutmad zaman en sadaki kolonun yani (EX,K, EX 2 K,
EX 3 K ve EYK) nin hesaplanmas gerekli. Her srann toplamnn K
kolonunda yer alan deere eit olmas gerekli. Tek bir sradaki yanllk
o srann diyagonal elemanlanndaki hatay, iki sradaki aym byklkteki hata ise o iki srann terimlerinin arpm terimindeki hatay gsterecek. (Mesel EXK ve EX 3 K de kendi sralarna ait toplamlar ayn
byklk kadar farkh ise SXX 3 teriminin hesaplannda hata yapld sonucuna varacaz.) Hata arama ilemleri, ortalama etrafndaki
momentler iin de aynen geerli.
(3) Ortalama etrafndaki momentlerin hesaplanmas.
X,
Y
Ex, 2
Exx22
Sxx33
Exly
Xt
Ex 2 2
Ex 2 y
Sx2x3
2
2
Ex 3
Ex 3 y
3
Ey 2
Y
"v
K
(EX.) (EXJ)
2xjxj

x ,

x
x

Ek 2 V

Kontrol: Ek 2 = Ex t 2 -f Ex 2 2 +Ex 3 2 +yz+2 [Ex l x 2 4-x,x 3 +Ex l y

+ Ex 2 x 3 -f Ex 2 y+ Ex 3 y ]
XX -

Ex, 2
Exx 2
ex[x3

Sxx 2
Ex 2 2

Sx2x3

Sxx 3

Ex 2 x 3

Ex 3 2

X'Y =

EXY
Sx2y
Ex 3 y

Y'Y
405

eemdersnotlari.com

Buraya kadar yaplmas gerekli ilemler hesaplama yknn nemli

bir ksmn tekil ediyor ve direkt matriks evirimi veya Doolittle metotlar iin deimiyor. Bu safhadan sonra her iki metot farkllayor. 3 aklayc deikene kadar (sabit terim hari) direkt metot, 4 veya daha fazla
aklayc deiken olmas halinde ise Doolittle metodu tavsiyeye deer.
imdi sra de her iki metodu inceleyelim.
i) Direkt M a t r i k s e v i r i m i

Metodu:

(4) (X'X) matriksiin tersinin alnmas (13) Tersin doruluunu

kontrol etmek iin (X'X)(X'X)- = I eitliinin salanp salanmadna
baklmaldr.
(5) [3 vektrn elde etmek iin (X'X)~> ile X'Y arplr.

P=

Po=

P2

YPX!p2Xrp3Xj

Bylece sabit terim dahil regresyon denkleminin katsaylar hesaplanm olur.

(6) Aklayc deikenlerin izah edebddii deimeyi hesaplamak
in,

Sxy
Xx 2 y
Sx3y

Sx1y+pSx2y+P'3Sx3y

hesaplanr. Y'deki toplam deime Y'Y = Ey 2 ise daha nce ortalama

etrafndaki momentler arasnda elde edilmi bulunmaktadr.
Y'Yp'X'Y = Ey2 [p i Zxy+ (32 Z x 2 y + p 3 S x 3 y j = e'e = SSE'yi verecektir.
SSE
nk

(burada

SSE
n4

) = MSE = s 2

13 Ters matriksi bulmak iin kofaktr (iaretli minr) matriksi elemanlarn determinanta
blyoruz. (X'X) simetrik olduu iin kofaktr ve adjoint birbirine eit oluyor. Determinantn
doru hesaplandna emin olmak iin en az iki sra veya kolon zerinde determinant hesaplamak
ve eit olduunu grmek gerekli.

406

eemdersnotlari.com

(7) Katsaylarn standart hatalarnn hesaplanmas.

Ep = s 2 (X'X)- olduunu bdiyoruz. (X'X)~ l matriksinin diyagonal
elemanlar s 2 de arpdarak katsaylarn varyanslarnn tahminleri elde
eddir.
=

sV/a11.

sp2

= sy/^ s ^ = sy/^

cov(pi, jj) = s 2 (a'i) eklinde elde eddebdir. Fakat genellikle kovaryans

terimleri hesaplanmaz ya da nihai ifadede regresyon'da gsterdmez.
Sabit terim (Vn standart hatas ayr olarak biraz daha kark ekilde hesaplanabilir. ou zaman sabit terimin standart hatasn bilmek,
dier standart hatalar kadar nemli bulunmaz ve denklemlerde yer
almaz.(14)
(8) R2 ve R 2 'nin hesaplanmas.

Gerekli btn bilgiler daha nceki kademelerde elde eddmi olduu

iin,
R 2 ==

(J'X'Y
YY

ve

_
R2 = 1

s2
Y'Y/n1

olarak hesaplanr.

(9) Regresyonun nihai ifadesi.

Y = Po+pX,+p 2 X 2 +p 3 X3
( SpA0 ) ( Sft'. ) ( Sp,'
.)

R 2 , R2

( Sp/
.)

Bundan sonraki hesaplamalar aratrclarn tercihleri ile ilgilidir.

Mesel, ou kere olduu gibi aratrc DW statistii d'yi bilmek isterse,
basit regresyon'daki gibi ve tamamiyle ayn forml kullanarak d'yi
hesaplayabilir.
11

S j ; =8"|
ak ekli;

s2

i=l
i<j
+ S X'j a" + 2 Xj X ,a'
j

3 aklayc deiken iin formln

+ X*, a" + X', a + X', a" + 2 [ X l X 1 a " + X, X,a"+ X,X,a"|

407

eemdersnotlari.com

Ayrca ANOVAR tablosu ile de elde edilen bilginin zetlenmesi

yoluna gidilebilir.
Herhangi bir aratrmada regresyon ile ilgili ara hesaplamalar
aratrma raporunda yer almaz, sadece (9) daki ekli ile regresyon denklemi yer alr.
imdi biri basit saylarla, di<eri daha realist 2 misl ile syledik
lerimizi uygulayalm.
Misl 1 ;

xt

1
X

x2

4
1
3
2
8

22

24

18

18

82V

4.4

4.8

3.6

3.6

16.4-y/

8
Toplamlar

2.

3
24
3
6

2
5
6
6
5

11

Ortalamalar

x3
-

10
11
22
19
20

n= 5

Balang noktas etrafndaki momentler.

X,
156

Xt

x2
x3

x2

124
126

x3

Y
58
83
80
94

75
88
74

Y
K

1466 V

Kontrol: 156+126+74+94+2(124+75+58+88+83+80) - 1466

3.

Ortalama etrafmdaki momentler.

X,

x2
x3

X,
59. 2

x2

18.4
10.8

X,
-4.2
1.6
9.2

Y
K

Kontrol:

Y
21.2
3.4
15.2
29.2

121.2V
59.2+10.8+9.2+29.2+2(18.44.221.2+1.63.4
+ 15.2) = 121.2

408

-V.^- '

eemdersnotlari.com

L.

59.2
18.4
4.2

(X'X)
i

96.8
-176.0
74.8

Adjoint:

18.4

-4.2

10.8
1.6

9.2

1.6

-176.0
527.0
-172.0

74.8
-172.0
300.8

det (X'X) = (59.2) (96.8)+(18.4) (176.0)+(4.2) (74.8) = 2178

= (4.2) (74.8)+(1.6) (171.0)+(9.2) (300.8) = 2178

(X'X)- =

5.

l
2178

X Adjoint =

44.444

-80.808

34.343

-80.808

241.965

-78.971

34.343

-78.971

138.108

X10-3

pj ve Po'n hesaplanmas.

p, = (44.444) (21.2)10-3+(80.808) (3.4)10-'

+(34.343)(15.2)10-3 =

_.1455

$2 = .3099
= 1.6396
= 3.6+(.1455) (4.4)+(.3099) (4.8)(1.6396) (3.6) = .1748
6.

(3'X'Y = (.1455) (21.2)+(.3099) (3.4)+(l .6396) (15.2)

= 29,0602 Y'Yp'X'Y = 29.229.0602 = .1398
.1398
s- =

54

= .1398

7.
I

= .1398(X'X)- =

6.2133

11.2970
33.8267

4.8012
-10.9180
19.3075

x 10-3
409

eemdersnotlari.com

S A . = V- 0062133 = .079
P,
S = V- 0338267 = .184
S

8. Rz =
9.

= V-0193075 = .139
03
29.0602
_
29.2

= .9952

R2 =

.1398
1

29.2/4

Y = .1748.1455 X t .3099 X 2 +1.6396 X 3

(.079)

(.184)

.9808

R2=.9952

(.139)

Misl 2:
C, = aC t l -f [3(Y t *Y t l ) -j- e t eklinde ifade edilmi bir tketim
teorisinin geerliliini istatistiki olarak kontrol etmek istiyoruz. Burada
C t , t devresindeki zel tketimi, Y* mit edilen geliri, Y ise fiilen elde
edilen geliri gsteriyor. Teori, zel tketimin ksmen daha nceki tketim kalplarna ve ksmen de gelir seviyesi ile ilgili cari bekleyilere dayand iddiasnda. Y t * nin belirlenmesi aadaki ekilde oluyor:
Y t * = Y,_ l

(Yt_I-Yt_2) +

dt

t-1

Grld gibi bu eitlikte t devresinde beklenen gelir t1 devresindeki gelir seviyesine, bir nceki devrede gelirde kaydedilen art
eklenmek suretiyle elde ediliyor, d ise bir kukla deiken, daha nceki
dnemlerde grlen resesyonlarn ksa sreceini ifade ediyor. (15).
Aadaki verileri kullanarak modelin parametrelerini tahmin ediniz ve elde edilen sonular, teorinin geerldii ile dgdi olarak yorumlaynz. Veriler er aylk dnemler iin verilmitir.

15 Kukla deikenler, kategorik ya da saysal deerleri hemen elde edilemeyen deikenleri dorusal regresyon analizine dahil etmenin tekniklerinden biridir.

410

eemdersnotlari.com

Y (Kullanlabilir
Gelir)

Zama
1956
1957

1958

1959

1960

C (zel

IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

Tketim)

298
303
309
313
311
311
314
322
325
330
338
339
342
344
350
352
353

280
282
293
292
299
310
315
324
325
325
330
335
337
342
347
344

(not: Y ve C mevsimlik hareketin etkilerine gre yllk deerler zerinden dzeltilmi serderdir.)
Cevap:
C, = C t _, + 3 ( Y , * Y t ] ) + e,
Y , = Y,_ l

C, = C,_, +

(Yt_1-Yt_2) +

dt

+ (Y t _,Y,_ 2 ) + y d t - Y,_, + e,

= C t _, + p ( Y u , - Y J +

d, +

6l

O halde burada 3 aklayc deiken var; C, ,, (Y, ,Y,_J ve d t

imdi zm safhalarn takip edelim, nce verileri hesaplama
formundaki ekle uygun olarak ve kontrol kolonu ile birlikte vermemiz
gerekiyor.

lll

eemdersnotlari.com

Zaman
1957
1958

1959

1960

II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

(X.)

(X,)
Y t _, Y t _,

(X5)
dr

(Y)
Ct

(K)
Kontrol
567
581
589
590
610
628
647
652
655
663
666
675
681
695
693

280
282
293
292
299
310
315
324
325
325
330
335
337
342
347

5
6
4
2
0
3
8
3
5
8
l
3
2
6
2

0
0
0
1
1
0
0
0
0
0
0
0
0
0
0

282
293
292
299
310
315
324
325
325
330
335
337
342
347
344

4736

54

4800

9592 s/'

2. Balang noktas etrafndaki momentler:

1502056

Y,_Y
dt
t_2 591
17082
306

Y,_Yt_2

4t
c, .
K

2
2

ct
1521766
17315
609
1541992

6159078 V

Hesaplayacamz regresyon dikisi sabit terim ihtiva etmedii iin

burada tersini alacamz matriks dorudan doruya balang noktas
etrafndaki moment matriksinin iaretli ksmdr. Ancak burada karmza bir zorluk kar. (Masa hesap makinalarnda) X' X in birinci sra
ve stunundaki deerler ters alma ilemini bu ekliyle hesap makinalarnda yapmamza imkn vermeyecek ekilde byk.
Byle durumlarda, bir "lek deitirme" ilemi ile ii kolaylatrabiliriz. Balang- noktas etrafndaki moment matriksinin birinci
1
sra ve stununu
de arpalm. lek deitikten sonra:
1000
!
1.502056
X'X i = 17.082
.591
4.

17.082
306
2

. 591

X'Y =

|X'X| = 182.398766

412

eemdersnotlari.com

1.521766
17.315
.609

Kofaktrler:

608
35.346
215.010
3.333356
.193784
-1.178791

(X'X)-> =

-35.346
2.654831
13.099574

-215.010
13.099574
167.834412

.193784
.014555
.071818

-1.178791
.071818
.920151

(X'X)- (X'X) = I
5.

.99933415
.00086308
.01005657

(3= (X'X)- X'Y =

c
= i +
1000
1000

(Y,_Y t _ 2 ) + (PY)' 1.

C , = .9993 C t _ + .8631 (Y,_,'Y,_j) + 10 .0566 <lt

Y = 11.6520
6.

(3'X'Y = (.99933415

.00086308

.01005657)

1.521766
17.315
.609

= 1.541844
Y'Y = 1,541992
e'e = Y'Y {J'X'Y = .000148
s2
7.

ee

.000148
12

.0000123

s* A/.000041 = .0064
r*

s , = .0064
a
= y'.000000179 = .000424 s ^ = .424
"

s . = -v/.00001132 = .0034
V
rpy)'

s . = 3.4
Py
413

eemdersnotlari.com

1-541844

8.

R2 =

9.

C, = . 9993 C
(.0064

1.541992

=.9999
+ . 8631 ( Y Y , _
(.424)

fi2=l
2

.0000123
1.541992

=.99988

) + 10.0566 d, R 2 = . 99988
(3.4)

Bu ekddeki bir regresyon denklemi dk bakta ok baard bir

regresyon olarak grnmektedir. Fakat C, = C,_, eklinde bir naive
model de mislimizde baar ile kullanlabilir. er aylk verderde bu
mislde tketimin byk lde gemi tketim kalplarnn bir devam
olduu anlahyor.
er aylk verilerde artklarda otokorrelasyon olmas normaldir.
Bu durumu anlamak iin d statistii hesaplanrsa 2.16 kmaktadr.(l)
Bu ise bir otokorrelasyon hali olmadn ifade ediyor.
t ve F testleri dar anlamda uygulandnda katsaylarn anlaml ol- .
duklar anlalmaktadr.
ii) K s a l t l m Doolittle M e t o d u :
Doolittle metodu simetrik katsayl eanl dorusal denklem sistemlerini zmek iin mevcut usullerden biridir. Simetri zeUii ve (X'X)'in
diyagonali zerindeki elemanlarn karelerin toplamlar olmas sebebiyle
negatif olmamas, hesaplama ilemlerinde tasarruf salamaya imkn
verecektir. Doolittle metodu, ne doru zm ve geriye doru zm
safhalarn ihtiva edecek ve istenilen deerlerin bulunmasn salayacaktr.
1.. ne Doru zm:
I. Ortalama etrafndaki moment matriksinin bulunuu aynen daha
nce izah edddii gibidir. Elde edildikten sonra bu matriksi yaznz.
Esas diyagonalin altndaki elemanlar yazmaya lzum yoktur. Bu matriksin sa tarafna (Yani X'X ve X'Y ksmlarnn sana, boyutlar
sabit terim dndaki aklayc deiken saysna eit bir birim matriks
(3 aklayc deikende 3 x 3), en sa tarafa da bir kontrol stunu koyunuz. Bu stunda sra elemanlarnn toplamlarn gsteriniz. Kontrol
toplamn doldururken diyagonal alt momentleri de dikkate almay
ihmal etmeyiniz.
16 Burada d statistiinin hesaplanmas aslnda tamamiyle anlamsz deildir. nk
aklayc deikenlerden biri baml deikenin bir devre nceki deeridir. Bu konuda Bk.
M. Nerlove, K.F. Wallis "Use of the Durbi-Watson Statistic in Inappropriate Situations"
Econometrica, Jan. 1966.

114

eemdersnotlari.com

Farazi bir misl ile yaplmas gereken ilemleri gsterelim:

1

a
I a.
a3

25

100
500

50
100
1050

75
100
250

1
0
0

0
1
0

0
0
1

151
801
851

II A,
B,

25
1

100
4

50
2

75
3

1
.04

0
0

0
0

151
6.04

100
1

300
3

200
2

4
.04

1
.01

0
0

197
1.97

50
1

500
10

14
.28

3
.06

1
.02

562
11.24

III A,
B,

IV A 3
B,

'

c2

ct

c3

Kontrol

II. A : I'deki a srasn aynen yazmz.

Bij = Ai j /Ai,

(mislde A n = 25)

III. A 2 J = a 2 j ( A ! 2 ) ( B , J ) = a 2 j ( A , j ) ( B 1 2 )
B 2 j = A 2 J /A 2 2

(mislde A 2 2 = 100)

A 2 2 = 500 (100) (4) = 100

A 2 Y = 100 (100) (3) = 100 (75) (4) = 200
(

IV. A 3 j = a 3 j (An) (B.j) - (A*,) ( B 2 j ) = a 3 j (A,j) (B)

- ( A 2 J ) (B)
Meself: A 3 3 = 1050 (50) (2) (300) (3) = 50
A 3 c, = 0 (50) (.04) (300) (.04) = 14 =
= 0 (1)(2) (4) (3)
B3J=A3J/A33

(A 3

mislde 50).

Btn ilemleri aym zamanda kontrol stununda da yapnz. Kontrol iin hesaplanan srann toplam ile, kontrol stununda o sraya tekabl eden toplamn eit olup olmadna baknz.
2. G e r i y e Doru zm:
Regresyon katsaylarnn bulunmas:
p 3 = B 3 y = 10.
p 2 = p 2 y - ( M (PJ) = - 2 - (3) (10) = - 3 2
p, = B y - ( B ) (p 3 ) - (B, 2 ) (p 2 ) = 3(2) (10) - (4) ( - 3 2 ) =
- 151
115

eemdersnotlari.com

Ters matriksin hesab:

l'inci stun :

c 3 [ = B3c= .28
C2, = B 2 C l (B 2 3 ) (c 3 1 ) = . 04 (3) (. 28) = . I
c,, = BC (B 1 3 ) (c 3 J ) (B, a ) (c 21 )
= .04 (2) (.28) (4) (.88) = 4.12

2'inci stun

c32 = B3C2 =

.06

c 2 2 = B 2 c 2 (B 2 3 ) (C m ) = 01 (3) (. 06) = . 19
c 1 2 = c 2 = .88
3'nc stun:

c 3 3 = B 3 c 3 = .02
c 2 3 = c 3 2 = .06
cu = c 3 l = .28

(X'X)->

4.12

-.88

.19

.88

-.06

.28

.28
-.06

.02

Kontrol: Hesaplanan katsaylarn doruluunu kontrol etmek iin

hesaplanan deerleri normal denklemlerde yerine koyunuz ve sonucu
X'Y nin unsurlar de kardatrnz.
(25) (151) + (100) (32) + (50) (10) = 75
(100) (151) + (500) (32) + (100) (10) = 100
(50) (151) + (100) (32) + (1050) (10) = 250
Ters matriksin doruluunu kontrol etmek iin:
o

(25) (4.12) + (100)(.88) + (50) (28) = 1

7
(100) (.88)+ (500) (.19) +(100) ( .06) = 1
o

(50) ( . 2 8 ) + (100) (.06) +(1050) (.02) = 1

n
Farzedelim ki n = 14 ve S
yr
7025 olsun.
i=l
SSR = p'X'Y = (151 32

10)

75
100 = (151) (75) + (32)(100)
250
+ (10) (250) = 5625

416

eemdersnotlari.com

e'e = Y'Y (3'X'Y = 7025 5625 = 1400

1400
s2 =

= 140
10

Y = 300, X = 3, x 2 = 10 ve x 3 = 16 farzedersek,
p 0 = 300 (151) (3) (32) (10) (10) (16) = 7
s \ = s 2 c = (140) (4.12) = 576.8

P,

s 2 ,, = s 2 c 2 2 = (140)(.19) = 26.6
fc
s 2 = s 2 c 3 3 = (140) (.02) = 2.8 ..
fc

\1

3 2

Po
=

82

x,2cu+2

W , ,

' n
n=l
i<j
)
(
HO
+ (9) (4.12) + (100) (.19) +(256) (.02)
( 14
+ (2) [30 ( .88) + 48 (.28) + (160)(.06)] J =226.12

Regresyonun nihai ifadesi:

Y = 7 + 151 X 32 X 2 + 10 X 3
(15.05)

(24)

(15.15)

(1.69)

Misl 2:
Aadaki verileri kullanarak A lkesi iin ahs bana likit st
talep fonksiyonunu tahmin etmek istiyoruz.
D : Tketici fiyatlar indeksi ile deflasyona tabi tutulmu ahs
bana kullanlabilir gelir.
P : Likit st iesi fiyatnn tketici fiyatlar indeksi de deflasyona tabi tutulmu ekli.
C : ahs bana likit st tketimi.
2 kukla deiken (Z ve Z 2 ) kullanarak (a) II. Dnya Sava ncesi ve
sonrasnn (Z), (b) 1955 ylnda uygulanmaya balanan zel bir st
programnn etkilerini de hesaba katmak istiyoruz.
417

eemdersnotlari.com

Talep fonksiyonunu tahmin ediniz, gerekli grdnz testleri

yapnz.
Yl

DI

z,

1929
1930
1931
1932
1933
1934
1935
1936
1937
1938
1939
1940
1941
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959

940
840
800
670
660
730
790
870
900
840
920
970
1100
1250
1250
1330
1320
1330
1380
1370
1440
1500
1500
1470
1520

18.7
18.9
18.5
17.5
17.7
18.7
19.1
19.4
19.5
19.9
19.7
20.5
20.7
20.5
19 8
19.3
19.9
20.4
19.9
19.5
19.7
20.1
20.1
19.8
19.8

0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1

27690

487.6

12

z,
0
0
0
0
0 '
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1

1
1
1
1
1
1
1

Kontrol

252
249
243
245
244
227
231
238
238
237
238
238
241
277
280
277
277
278
276
277
284
295
297
296

1210.7
1107-9
1061.5
932.5
921.7
975.7
1040.1
1127.4
1157.5
1096.9
1177.7
1228.5
1361.7
1548.5
1550.8
1627.3
1617.9
1629.4
1676.9
1667.5
1745.4
1817.1
1821.1
1788.8
1837.8

6534

34728 6 /

BALANGI NOKTASI ETRAFINDAK MOMENTLER

r *

DI

DI
P

32771900

z,

z.
G
K
Ortalamalar

1170.6

z,

Z,

543815
9526.04

16660
238.80
12.00

7430
99.50
5.00
5.00

7395970
127629.70
3413.00
1471.00
1721514.00

.48

19.504

.2

261.36

Kontrol
40735775 00
681309.04
20328.80
9010 50
9249997 70
50696421 U4
34728.6 y |

n = 25
ORTALAMA ETRAFINDAK MOMENTLER
DI
DI
P

z,
z,
c
K

2102456

P
3749.24
15.8896

z,
3368.8
4.752
6.24

z*
1892 0
1 98
2 60

C
6
564
276 68
161 20
13787 76

Kmtrni

158911
190

418

eemdersnotlari.com

2153394.64 /

lek deitirme:

DI

Birinci sray 1 /1000 ile arpalm.

Birinci stunu 1/100

Son sray
1 /100
" stunu

"

z.

1.

Z,

DI
p

2 10246 3.74924
15.88960

3.36880
4.75200
6.24000

II

A,
B,

2 10246 3.74924
I
1.78327

3.36880 1.89200 1.58912

1.60232 - .89990 .75584

III

A.
B,

IV

A,

A,
B,

z,
Z2

1.89200
1.98000
2.60000
4.00000

1.58912
1.90564
2.76680
1.64200

"

1
0
0
0

"
"
h

.67085 .62172
.92676
-

Katsaylar:

1.51009

y2

.10490

Y, =

.23722

I4

Kontrol

0
1
0
0

0
0
1
0

0
0
0
1

13.70162
29.27648
20.72760
13.11400

1
0
.47563 0

0
0

0
0

13.70162
6.51694

0
0

0
0

4.84287
.52619

.09392 1 84554 .13640 1

0
.14000 2 75105 .20332 1.49065 0

.55303
.84384

9.20369 1.25544 1.39394 .92819 1 78325 1

1
.13641 .15145 .10085
19375 .10865

B,

I,

.15841
.10490

2 88035 .27786 .92677 1

1 90740 .18400 .61372 .66221

.99280
.65643

p 0 = .05260
P, =

.37514

-=

3.09015

Ters matriksin hesaplanmas:

4'nc stun,
1
c44 =

= .66221
A44

C34 = (C44)(BJ4) = .61371

c 2 4 = (c 34 ) (B 2 3 ) (c4> (B 2 4 ) = . 18401
c,4 = (c 24 ) (B, 2 ) - (c 3 4 ) (B) M

(B 1 4 ) = - 1-90742

3'nc stun,
C43 c34 = .61371
c i 3 = 1/A 33 c 3 4 B 3 4 = 2 .05941
419

eemdersnotlari.com

c 2 3 = C33 B 2 3 c 3 4 B 2 4 = -f .28092 + .09295 = .37387

. C3 = c 2 3 B i 2 c 2 3 B 1 3 c34 B 1 4 = 4.51882
2'inci stun,
c 4 2 = c 2 4 = . 18401
c 3 2 = c 2 3 = .37387
c 2 2 = 1 /A22 c 2 3 B 2 3 c 2 4 B 2 4 = . 187 5 3
c, 2 = _ c 2 2 B 1 2 c 2 3 Bu c 2 4 B, 4 = 1.09807
l'inci stun,
c 4 1 = CM = 1.90742
c 3 = c 3 = 4.51882
c 2 1 = c, 2 = 1.09807
en = 1 /A u C12 B12 en B 1 3 cu B 1 4 = 11.39087
(X'X)-

11.39087
1.09807
4.51882
1.90742

-1.09807
.18753
.37387
.18401

.51882
.37387
2.05941
.61371

1.90742
.18401
.61371
.66221

ANOVAR TABLOSU:
Deime
Kayna

S S

s.d.

MSR = .33112

Regresyon

SSR = 1.32449 = (3'X'Y

Hata

SSE = .05429 = Y'Y p'X'Y

20

Toplam

TSS = Y'Y = 1.37878

24

.03087

S =

00298
.00051

M S
SSE
MSE = .00271 = 20
MST =.057449

01225
.00101
.00558

A/-03087 = .17565

S^ = V.00051 = .02259

eemdersnotlari.com

.00517
.00050
.00166
.00179

S x = V-00558 = .07470
Yi
S^ =
00179 = .04230
r2
S . = V-H080 = .33288
a
1-32449
_
1e'e /nk
R2=
= .9606 R 2 =
= 1
1.37878
Y'Y/n1

.00271
.05745

=.9528

Regresyonun nihai ifadesi:

C

= a* + p, (

100

DI

) + p 2 (P) + f Z, + y 2 Z2

100

t* = 3.09015+ -37514 DI*.05260 P+.23722 Z,+ .10490

(.33288) (.17565)

(.02259)

(.07470)

(.04230)

R 2 = .9528
Cal F =

MSR

.33112
=
= 122.185
MSE
.00271

Ho : p! = p2 = yi = Y2 =

Tab
2.87 Tab F4,2o,-o = 4.43
duundan Ho' reddederiz.

ve Cal F > tab F ol-

Kukla deikenlerin bir arada etkisinin test'i:

H 0 : YI = Y- = 0
S S R d i p = 1.29472
SSR Z (

Z2

Cal F =

.02977

MSR Z
MSE

tab F 2 I 2 0 =

MSR Z = .01489

.01489
.00271

= 5.493

.3.49

a = .05

(5.85

a =.01

Bu durumda H,," % 95 anlamllk seviyesinde reddetmemiz mmkn olmakta fakat

99 anlamllkta Cal F < tab F kmaktadr.

eemdersnotlari.com

t testleri uygulandnda da katsaylarn hepsinin % 95 seviyesinde

anlaml olduklar anlalmaktadr.
Aklayc deikenler bir btn olarak baml deikendeki toplam deimenin % 95.3'n aklamaktadr.
nceden
>.

Tahmin:

Y = X[3 denkleminin hesapland gzlem devresinin dnda bir

devre iin X 0 = (1 X2... X k ) eklinde bir sra vektr mevcut olsun.
Bu sra vektr grld gibi (n-f-1) inci devre iin aklayc deikenlerin deerlerini vermektedir. Xo'a tekabl eden baml deiken deeri
Y 0 ' tahmin edelim. X'lerin e'dan bamsz tesadfi deikenler olduunu
kabul edelim.
Yo = X 0 p + 60
X 0 p, X 0 p'nin BLU bir tahmin edicisidir.
Y 0 = X 0 p, mevcut katsaylar kullanarak Yo'n tahminini verecektir. Bu tahminde yaplan hatay e 0 de gsterelim.
e 0 = Y 0 Y 0 = X 0 p + e Xp = X 0 p + e 0 Xo(X'X)- X'Y
= X 0 p + e 0 X0(X'X)-

X'Xp X 0 (X'X)- X'e

= e 0 X 0 (X'X)- X'e
E(e 0 ) = 0
E(eo\X, X 0 ) = 0
Yar(eo) = Var(e 0 ) + Var X u (X'X)- X'e
= a' + [Xo(X'X)- X'X(X'X)- X0't<J2
= 02(l + Xo(X'X)-lXo')
Hata teriminin dahmmn eklinin normallii faraziyesi yapldnda,
e o - N ( 0 , ffJ(l+Xo(X'X)-'

X')

E(Yo\Xo) = X0p
nceden tahmin hatasnn 2 kayna var:
i) Yo'n beklenen deerini nceden tahmin etme srasnda yaplabdecek hata.
ii) Yo'n gzlenen deerinin beklenen deeri etrafndaki yaylmas
sonucu sz konusu olan hata.
422

eemdersnotlari.com

eo

(0,l)
<rVl+(Xo(X'X)-X'o
ee

X2n-k

e0

v e

ile e'e bamsz olduundan,

Y0-Yo

/[l+X(X'X)-Xo']e'e

tn-k

Paydadaki ifade nceden tahminin standart hatasn vermektedir.

t = 3 Vl+X(X'X)- X' 0
o
Yo iin aralk eklinde tahmin:
P [Yot

a/2,n-k

st^Y0^Y0+t
s ^ ] = l a
0
a/2,n-k

Xop'i Yo'n nceden tahmininde kullanabddiimiz gibi, (X 0 ,Y 0 )

gzleminin regresyon denkleminin hesapland yapdan gelip gelmediini anlamada da kullanabiliriz. Ayni ekilde hesapladmz cal T >
tab a/^n-k olduunda bir yap deimesinin (n+1) inci devre bakmndan sz konusu olduu sonucuna varrz.
S t o k a s t i k Tanm a r t l a r n n K r i t i i : oklu

Bant

Blmn banda genel dorusal regresyon modelinin stokastik

tanmn yaparken; homoscedasticity ve artklarda otokorrelasyon bulunmamas faraziyelerinden baka, (X'X) matriksinin tam rank'l bir
matriks olmas ve tersinin alnabilmesi gereini de belirtmitik. Bunun
anlam, aklayc deikenlerin birbirlerinin fonksiyonu olmamasdr.
Pratikte, zellikle mutlak seviyeler eklindeki zaman serileri arasnda kurulan regresyon ilikderinde. aklayc deikenlerin birbirlerinden bamsz olmas art salanmaz. ki aklayc deiken arasnda dorusal bir fonksiyonel diski mevcut olduunda |X'X| = 0
olacandan katsaylar hesaplanamaz. ktisatta oklu bant hali ge17 Var(e0)' bu ekilde yazabilmemizin nedeni e 0 ile e'n bamszldr. nk stokastik
tanm artlar arasnda, e'lann kendi arasnda ileriye ve geriye doru birbirinden bamsz olduu (otokorrelasyon bulunmad) belirtilmiti.

eemdersnotlari.com

nellikle tam fonksiyonel iliki eklinde belirmez, bu sebeple de (X'X)

hesaplamak mmkn olur. Fakat oklu bant gerek etkisini katsaylarn standart hatalarnda belirtir ve aklayc deikenler bir set olarak,
baml deikendeki toplam deimenin olduka nemli bir ksmn (R 2 )
izah edebddii halde, tek tek aklayc deikenlerin etkilerini tesbit
etme imkn bulunamaz. Byle hallerde, istatistik verder deikenlerin
tek tek etkderini anlamay salayacak zenginlikte deildir. Bunun pek
ok misllerini iktisat aratrmalarnda bulabdiriz.(18)
Deikenler arasnda oklu bantnn nemli bir sebebi genellikle
mevcut olan ortak trend'dir. zellikle Trk ekonomisi iin bu faktr
nemlidir. Akla gelebilecek ilk are, deikenlerin trend'den artlm
deerleri arasnda regresyon ilikisini hesaplamak eklinde dnlebdir.
Bu metodun tavsiyeye deecei kansnda dediz. nk zamann etkilerinden artdm deikenler, zamanla birlikte pek ok deikenin etkisinden artlm ve gerek verderle balantsn kaybetmi deikenlerdir.
Bunlara ait katsaylarn ekonomik teoriye uygun yorumlar ou zaman
yapdamaz.(19)
oklu banty, basit bir saysal rnek zerinde somutlatralm.
nce tam fonksiyonel dikinin varl halinde [X'X | = 0 olacan
grelim.
Y = (30 -f |3X + (32X2 + e

18)

CP

VA
= 1.9396 + 1.0379
h
PCNP
(.5395) (.1338) P y

ve

X 2 = 2 X,

WNA
.6452
b
(,1922)PY

olsun.

NWNA
.8844
1951-1965
(,1331)*P Y
R 2 = .9966

NA

NA d =2.478

U. Korum a.g.e Sh. 132

Cp zel tketim, Y A , tarm geliri, W N A tarm d cret geliri,
tarm d cret
d gelir. Y a , W y a r a s n d a k i oklu bant hali bu fonksiyonel gelir gruplarnn
tketim eilimleri hakknda kesin konumak imknn bize vermiyor. Mesel bu denkleme dayanarak cret gelirlilerin tketim eilimlerinin cret d gelirlilerinkinden daha kk olduunu
savunamayz. nk standart hatalarn bykl karsnda mevcut durum tamamen tesadfi faktrlerin etkisi ile ortaya km olabilir. Buna benzer pek ok misalle, ad geen kitabmzda karlamak mmkndr.
19 Bu konu ile ilgili olarak baknz: H. Kzlyall "Trk Vergi Sisteminin Ekonomik Analizi" SBF Yayn No. 286 Ankara 1969 Ek VII Sh. 431.

424

eemdersnotlari.com

X,

x2

1
0
1

3
5
4
7
9

5
7
6
9
11

3
4
5

2
3

15

28

38 V

55

25
15

98

42
180

312 V
" 10 10 "
10

14
14
23.2
23.2V

10

10

|X'X | = 0 olduu iin katsaydar hesaplamak mmkn deildir. imdi kk

bir deiiklik ile tam fonksiyonel ilikiyi
bozahm, fakat X ile X 2 srasnda oklu bant hali devam etsin.
XX =

10

X,

x2

1
2
3
4
5
15

10

1
0
1
2

3
5
4
7
9

5
7
6
9
12

28

55

98
33

-20

10

180

335 V

39 V

10

8
. 6.8

14
10.6
23.2

(X'X)- =

P =

1.7

2.5

1.7

2.5

14

2.6

10.6

1.5

5.6 (2.6) (3) (1.5) (1) = .3

eemdersnotlari.com

30.8V

|3'X'Y = 20.5

Y'Y = 23.2

R2 =

20.5
23.2

R2 = 1
e'e = 2.7

S . = 1.35

s2 =
1.7

e'e

2.7

nk

= .884
1.35

= 1.35

s v = 1.52
r

2-5

.767

5.8

.83

R 2 = .884

F =

10.25
1.35

= 7.59

tab F 2 , 2 = 19.00

(20)

Y = .3 + 2 . 6 X , + 1.5 X 2
(1.52)
(1.83)
Grld gibi, X de X 2 arasndaki oklu bant nedeni ile R 2
tatmin edici byklkte olduu halde, katsaydarn standart hatalar,
zellikle X 2 'ye ait olan byktr. Burada X 2 'nin katsaysnn iareti de
beklenenin aksine, fakat sfrdan zaten anlaml ekdde farkl deil. X 2 'nin
standart hatasnn, mutlak ve daha doru bir mukayese ile katsayya
gre nisbi olarak byk kmas tesadfi deddir. oklu bant halinde,
baml deikene daha fazla etkisi olan deikenler, tesiri az olanlara
gre oklu bantdan daha az etkilenir.
oklu bant'nn LS tahmin edicilerinin zellikleri zerindeki etkileri nelerdir? Hemen belirtelim ki, oklu bant sapmaya sebep olmaz.
Sapmaya sebep, aklayc deikenlerle hata teriminin ilikdi olmasdr.
oklu bantya sebep olduu iddias ile denklem d braklan ihmal
edilmi deikenler ise tahminlerde sapmaya sebep olurlar. Bu sebepten
denklemi "ayaklayarak" oklu banty ortadan kaldrmak tavsiye edilemez.
oklu bantnn zarar da incelenen problemin mahiyetine gre
deiir. Ama nceden tahmin ise, gemite aklayc deikenler arasnda mevcut olan iliki kalplarnn nceden tahmin yaplan devrede de
20 Serbestlik derecelerinin, n'in ok kk (5) olmas nedeni ile kkl sebebiyle 7.59'luk bir F deeri istatUtilu olarak misalimizde anlaml kmyor. Aslnda n > 10 iin bu byklkte
bir F deeri katsaylarn ?fr olduu eklinde bir hipotezi red iin fazlas ile yeterlidir.

426

eemdersnotlari.com

devam edecei farzedildiinde, oklu bant ihtiva eden denklem Y'nin

tahmininde baar ile kullanlabilir. Bu halde tek tek katsaylar nemli
deil, fakat aklayc deikenler set'inin bir btn olarak baars
nemlidir. Buna karhk her bir katsaynn gerek iaret gerek mutlak
byklk bakmndan hassas ekilde hesabn gerektiren ekonomi politikas analizlerinde, ekonometrik modellerde, simulasyonlarda, duyarllk
analizlerinde oklu bant ok nemli bir problem olarak ortaya kar.
Mevcut olduu ve varl mahzurlu grld taktirde oklu bant
haline kar alnabilecek tedbirler neler olabilir ? Her nekadar denklemleri ayklamak, yani oklu bantya sebep olaca dnlen deikenleri denkleme dahil etmemek tavsiye edilemezse de (21) pratikte ou
zaman oklu bant sebebiyle sama katsaylar ihtiva eden denklemleri kullanmak yerine daha az aklayc deikenli "temiz" regresyonlar kullanmak tercih edilir. Bu konuda uygun yolu semek, pek ok
uygulamada olduu gibi iin sanat ksmn tekd eder. Aratrc bu tercihlerde kendisine bir esneklik tanmak zorundadr. Aksi halde ne tanmlamalarna ne de elde ettii sonulara hakim olabdir.
Denklem ayklamaya bir misl olarak; zaman, kendisinin fonksiyonu
olan baka deikenler varken ayr bir aklayc deiken olarak denkleme dahd etmemeyi gsterebiliriz.
oklu b a n t n n v a r l k a b u l e d i l d i i n d e a l n a b i l e c e k
tedbirler:
Regresyona Kaytlar

Koymak

Aklayc deikenler arasndaki oklu bantnn eklini ilikin

olarak elde bilgi olduunda yaplabilecek i, bu bdgiyi denkleme dahd
etmektir. Bunun nasl yaplabileceini birka farkl hal iin inceleyelim:
i) Bazen katsaylardan biri veya daha fazlas hakknda elde n
bilgi mevcuttur. Bu taktirde n bilgiyi denklemde kullanabiliriz. Mesel,
Y = j30 + (3X -f- ^2X2 + e denkleminde nceden 2 = .7 olduunu biliyorsak;
Y . 7 X 2 = (3o + ^X, -f s fkiinde ilikiyi kurarz, yani baml
deikenimiz (Y .7X 2 ) olur. (3o ve f bilinen ekilde hesaplanr.
Bu tip uygulama kesit almalar sonularn zaman serileri analizlerinde kullanmada faydal olur. Kesit almalarndan bulunmu talebin
21 T.C. Liu "Uaderidentification, Structural F.stimaton and Forecasting" Eronometrica
July L96U'da, ou iktisatda gzledii denklem ayklama pratiini sert bir dille eletirir.

eemdersnotlari.com

gelir esneklii d bdgi olarak zaman serilerinde kullanlarak talebin

fiyat esneklii tahmin eddmeye allr.(22)
ii) Baz hallerde aklayc deikenler arasnda mevcut diki bilinir, bu hallerde deikenler birletirderek, yeni deikene ait katsay
rnekten hesaplanr. Mesel (32 = -5(3 olduu bdiniyorsa,
Y = [3o + P(X-j- .5 X 2 ) -f e yazabdiriz. Burada aklayc deiken (X-|- .5 X 2 ) dir. (3 elde edddikten sonra [32 = .5 [3 alnarak denklem
Y = p 0 + p X , + (.5 {3)X2 eklinde gsterdebdir.
iii) Bazen aklayc deikenler arasndaki diki, bu deikenler
yerine tek bir birleik deiken kullandarak regresyona dahd edilir.
Mesel, herhangi bir dayankl tketim malnn stokundaki net art,
hem zamann doldurma sebebiyle stoktan dmelerin, hem de retim
sebebiyle stoka velerin etkilerini bir araya toplar.
Kaytlandrlm regresyon sadece oklu bantnn etkilerini gidermek iin kullanlmaz. Bazen aksi halde salanmasna imkn olmayan
baz ekonomik kriterleri regresyonun salayabdmesi iin de tahdit koymak gerekir. Sabit terimi belli bir byklkte tesbit etmek buna ak
bir misldir. Baz parametrelerin pozitif olmalar ya da belli bir tavan
deerini amamalar regresyonda salanmaya allr. Btn bu metotlar, aratrcnn iin sanat ynn bdmesini gerektiren ve standart
uygulamalara gre daha fazla dikkati zorunlu klan yaklamlardr.
oklu regresyon modeli ile ilgili olarak bu blmde incelenenlerin
dnda pek ok problem (23) ekonometri bdim dalnn zerinde abt
konulardr. Giri niteliindeki bu kitabmz, ekonometrik analiz iin
gerekli matematiksel istatistik temelini verebildiyse amacna ulam
demektir.
OKLU REGRESYON LE LGL PROBLEMLER
1. Hzlandran teorisinin seyyal ekline gre,
I, = p,Y t _ + ,3 2 K t _ + e,
22 N.V.A. Narasimham, Hindistan iin kurduu modelde cret gelirlileri iin MPC'yi a
priori olarak 1 kabul eder ve zel tketim ile ilgili denklemi yle hesaplar. Bk. N.V.A. Narasimham "A Short term Planning Model For India" North Holland Co. Contributions for Economic
Analysis: XII, 1956.
23 Alt set hipotezlerinin testi, yap deimeleri, ihmal edilmi deikenler, datlm gecikme (distributed lag) modelleri, otoregressif strktrler, genelletirilmi LS metoUar, gruplandrlm veriler, deikenlerde hata olmas halinde uygulanabilecek teknikler, denklem sistemleri ve ekonometrik modellerle ilgili saylamyacak kadar ok mesele bu arada zikredilebilir.

eemdersnotlari.com

I net yatrm, Y hasla, K sermaye stokunu gsteriyor.

i) ABD ekonomisine ait aadaki verderi kullanarak yatrm denklemini tahmin ediniz.
Yl

Net Yatrm

Hasla

1946
1947
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960

21.7
17.1
22.8
9.8
21.7
25.2
16.3
13.5
8.3
17.3
17.9
14.3
4.3
12.1
11.5

245.5
251.0
260.4
258.6
278.6
300.2
308.9
323.1
315.4
341.7
351.4
359.3
349.5
372.6
384.9

Sermaye Stoku
323.2
340.3
363.1
372.9
394.6
419.8
436.1
449.6
457.9
475.2
493.1
507.4
511.7
523.8
535.3

ii) Tahmin edilen katsaylarn ekonomik yorumunu yapnz.

iii) Bu fonksiyonun verileri baarl ekilde izah edip etmedii konusunda ne dnyorsunuz?
Cevap:
Tahmin edilmek istenen denklem sabit terimi ihtiva etmedii iin
bu problemde balang noktas etrafndaki momentleri hesaplamak
yetecek.
i) rnek devresi 1947-1960

1960

1960

1960

S
Y, , = 1316.2.
1 K t _ ( - 6068 7 X I, = 212.1 n=14
t1947
t =-17
t = 17
Balang noktas etrafndaki momentler:
Y t _
K,_
It
K
Y,_
1355299.70
1908069.34
63506.96
K,_
2687716.07
89217.73
I,
3652.39
K
8168256.22

eemdersnotlari.com

lek deitirme: (X'X)'i 1 /OO ile arpalm.

[

1
(X'X)]- = (X'X)- (
)-> = 1000 (X'X)-
1000
1000

1000 (X'X)- =

(X'X)-' =

1.39103

-.98752
.70144

1.39103

.98752

X 10-3

.70144

1.39105

.98752

63506.96

-.98752

.70144

89217.73

(3'X'Y = (.2358 .1335)

63506.96
89217.73

.2358

X10-3

-.1335

= 3064.37

e'e = 588.2
e'e
S2 =

nk

= 49.0017

S - = 2(X'X)-i = 49.0017 (X'X)-I

P
R2 =

3064.37
3652.39

-.04839
.03437

= .839

, = .2358 Y , . , .1335 K t _ t
(.2611)

.06816

R 2 = .839

(.1854)'

ii) Hzlandran teorisine gre,

I, = 8(a Y,_ K,.) + e,

= Sac Yt_ S Kt_ -f- e,
430

eemdersnotlari.com

S reaksiyon katsaysdr ve < & < 1,

K*,_ =

da sermaye hasla orandr.

optimum sermaye stoku = a Y,_

It = S(K*t_,-Kt_,)
Hesapladmz regresyon'da S'nn tahmini olarak p 2 = . 1335 ve
nin tahmini olarak J3| = .2358'dir. Buradan sermaye hasla oran
iin bir tahmin yapabiliriz.
=

.2358
1335

= 1.766 Bu deer ABD ekonomisi iin n bilgderimize olduka uymaktadr.

Denklemde sabit terim yer almamaktadr. Sabit terimin gerekli

olup olmadn anlamak iin regresyonu nce sabit terimli olarak hesaplamak daha sonra sabit terimin sfrdan anlaml ekilde farkl olup olmadna bakmak da mmkndr.
iii) ki konu zerinde duralm: biri aklayc deikenlerin e'dan
bamsz olup olmad, dieri de Y,_ : , K,_ arasnda oklu bant.
cov (Y t _

e,_i) = 0

i ^ 1

7*0

i > 1

cov(K t _,, e t _,) = 0

i ^ 1

Jt 0

i> 1

Grld gibi Y,_ ve K,_, e'dan bamsz deil. Bu durum tahmin edicilerin BLU olmasna imkn vermez.
Dier bir problem de oklu bant hali. Bu durum standart hatalarn byklnde aka beliriyor.
2. KimyasaL bir istihsal prosesinde nihai rnn iindeki yabanc
madde oran; katalizrn konsetrasvonu ve reaksiyonu ssnn bir fonksiyonu olarak dnlmektedir. Bu unsurlarn yabanc madde oran
zerindeki etkilerini tayin etmek iin yaplm olan bir deney aadaki
sonular vermitir.

131

eemdersnotlari.com

Yabanc
Konsentrasmadde yzdesi
yon
(Y)
5
2
2
4
2
0
0
2
1

Is

(X.)

(X2)

1
1
1
o
o
o
1
I
1

1
0
1
1
0
1
1
o
1

(not: Sfrlar normal konsentrasyon ve sy gsteriyor,

-f- ve 1 1er her iki istikametteki birim deimeleri ifade ediyor.)

i) Verderi dorusal bir modelde kullannz.

ii) Katsaylarn sfrdan anlaml ekilde farkh olup olmadklarm tahkik
ediniz.
iii) Her iki katsaynn birden sfr olduu eklindeki hipotezi test ediniz.
iv) Sabit terimin 2'ye eit olduu hipotezini a = .05 ile test ediniz.
Cevap:
(i) X : (9 X 3) lk bir matriks
IX,

XX =

X'X'in diyagonal oluu

veriyor.

o
6
0

SX 2
SX,X 2

0
0
6

,3 ve (32 nin kolayca hesaplanmasna imkn

|X'X| = (9) (6) (6) = 324

1
9
(X'X)-< =

0
0

0
1
6
0

0
0
1
6

Y
X'Y =

2X,Y
ZX 2 Y

432

eemdersnotlari.com

18
=

6
6

9
JC

p =

Po

l'

P2

18

Y'Y = 58
p'X'Y = (2

18
6

1 1)

= 48

e'e = 10
10

93
5
-

27
S^ = s2(X'X)- =

18

18

ii) e MVN (0, tr2 I) farzedelim. p,

diyagonal elemanlar)

N(p ff2 c n ) (c H , (X'X)-'in

P.-Pi
Vs

c ii

Ho : p, = 0

cal T

10

tab t. 0 2 5 4 = 2.447

V5/18
cal T < tab t olduundan p ( = 0 hipotezi kabul edilir,
po iin de test sonular P'in ayndr.
433

eemdersnotlari.com

) ANOVAR Tablosu
Kaynak

s.d

S S

MS

l,X,Xa

k=3

p'X'Y48

48/3 = 16 v

Sabit terim r = l

p 0 'X'Y = 36

X X 2

t a b

12 12/2 = 6

nk=6

10

n= 9

Y'Y = 58

Test statistiimiz

10

36/1 = 36 u =

k - r = 0 (p, P,)

Hata

48

12

10

w=

36

10

12

10

= 9.6

=21.6

=3.6

10/6

= 3.6

w1

' 2,6

F 2 ,.,5 = 5.14

Oysa Ho : P = p 2 = 0 hipotezi ancak w deeri tab F'den bykse

sz konusu olabilir, w < tab F olduundan Ho: P = p 2 = 0 reddedilir.
iv) Bu hipotezin veriler karsnda kabul edilecei aktr.
3. Aadaki verileri kullanarak, rencilerin kur ortalamalarnn,
zek testi sonular ve okuma hzlar ile izah edilip edilemeyeceini
tartnz.
Kur ortalamas
2.4
.6
.2
0
1.0
.6
1.0
.4
0
2.6

Zek
295
152
214
171
131
178
225

141
116
173

okuma hz
41
18
45
29
28
38
25
26
22

Kur ortalamas
Zek
Okuma hz

37

434

eemdersnotlari.com

Y
X,
x2

Cevap:
Y = .8970 + .0079 X, + .0115 X 2
(1.174)

(.007)

cal F =
tab F 3 7

r 2 = .552

(0.425)

P'X'Y/k
e'e/ nk
05

R 2 = .641

3.2996
.7916

= 4.168

= 4.35

cal F < tab F olduundan Ho : (3 = 0 hipotezini kabul ediyoruz.

Aklayc deikenler bir btn olarak baml deikendeki deimeleri izahta baarl deil. Zek ve okuma hz arasnda mevcut oklu
bant hali de standart hatalar byten bir faktr. Mevcut veri X ve
X 2 'nin etkderini ayr ayr tesbit edebileceimiz zenginlikte deil.
Bu durumda kur ortalamasn izahta baka deikenler veya metodlar aramamz gerekli.
4. Birleik Kralln patates ithal talebi de dgdi olarak R. Stone,
ithal talebinin fiyat esnekliinin l'den byk olduunu ve yurt iinde
retden patatesin fiyatna kar ayn byklkte bir ikame esneklii ile
karlandm, ayrca kayda deer bir negatif trendin varln belirtmektedir. ki esneklii eit kabul ederek bu deeri ve zaman trendini
tahmin ediniz. Stone'un uygulamasna paralel olarak fonksiyonu, sabit
esneklik veren logaritmik dorusal formda hesaplaynz.(24)
ngdtere'de satn alnan patates miktar ve fiyatlar:
Yl

P'

1920
1922
1924
1926
1928
1930
1932
1934
1936
1938

307
155
363
273
383
232
626
124
255
117

26.8
26.6
16.3
14.5
13.9
12.5
10.0
18.4
13.2
19.0

13.1
7.8
10.8
7.4
8.0
5.7
8.0
6.2
7.5
6.8

Q:

thalt 1000 ton

P : Fiyat
P' : Yurt iinde istihsal edilen
patatesin fiyat.

24 .(. Johnton, a.g.e Sh. 140 Pr. 4-5.

eemdersnotlari.com

Cevap:
Q

f(P, P', t)

P2 p31 + e
Q t = A P P' e
lnQ t = n A + p, n P + p2 n P' + p 3 t + e
P = p2 alalm.
lnQ t = n A + p,(ln Pn P') + p 2 1 + e
lnQ, = Y
nA = p0
n P n P' = X
Y = p0 + p, X + p 2 1 + e
Veriler:
Yl

1920
2
4
6
8
1930
2
4
6

.71578
1.22680
..41162
.67267
.55244
.78576
.22314
1.08781
.56531

1
3
5
7
9
11
13
15
17

5.72685
5.04343
5.89440
5.60947
5.94803
5.44674
6.43935
4.82831
5.54126

1938

1.02752

19

4.76217

7.26835

100

55.24001

.726835

10

5.524001

10

Balang noktas etrafndaki momentler:

X

t
Y
K

X
6.169613

73.12391
1330

Y
38.763972
543.86069
307.650771

2955.317527V

136

eemdersnotlari.com

Ortalama etrafndaki momentler:

.886772

.440410

1.386401

330

8.539410
2.504901

314.420820V
|X'X| = 292.61826
/ 1.127749 .001505 x
(X'X)- J = (
) Kontrol: (X'X) ( X ' X p = I
\ .001505
.003030 '
t 0 \

^ p2 '

\ .023787 /

1 5 5 0 6 6

Y = 6.89 1.551 X.02379t

Q t = 983 P~ 1 5 5 1 P' 1 - 5 5 1 e - 0 2 3 8 '
Fiyat esneklii de dgdi tahmin 1.551. Talepte ylda % 2.38 lik bir
azalma mahede ediliyor. Veriler Stone'un sonularn doruluyor.
. 5. U aklayc deikenli bir oklu regresyon probleminde aadaki ileriye doru Doolittle zm elde edilmitir.

A,
B,
A,
B2
A,
B,

X,
4

X,
2
3

4
1

2
-1/2
2
1

X,
4
1
9
4
1
1
1/2
9/2
1

Y
12
10
11
12
3
16
8
9
2

C|
1
0
0
1
1/4
1/2
1/4
5/4
5/18

c2
0
1
0
0
0
1
1/2
1/2
1,9

Cj
0
0
1
0
0
0
0
1
2/9

n = 12, Y = 65, X, = 4, x 2 = 5, x 3 = 14
<

i) Y = pn -j- PjX( -)- 3,X 2 + P 3 X 3 denklemini tahmin ediniz.

ii) MSE = 8 kabul ederek, ANOVAR tablosunu kurunuz ve % 99
anlamllk seviyesinde Ho : (3,, 2 , (33 = (0,0,0) hipotezini test ediniz.
-

iii) R 2 ve R yi ve X 2 ve Xj n katksn hesaplaynz.

iv) % 95 anlamllkla H 0 : [33 = 0 hipotezini test ediniz.

'

437

eemdersnotlari.com

6. Dokuzuncu blmde hesaplan formllerini tafsiltl olarak

grdmz basit dorusal regresyonu, matriksleri ve vektrleri kullanarak gsteriniz ve Blm IX'da grdmz formllerin, matriks
cebri Ue ifade edilmi formllerin zel hallerinden baka bir ey olmadn
ortaya karnz.
PaXa
P.
7. Y = (30X, 10
denkleminde riy,xt ve ry,x2 esnekliklerinin
sras ile [3 ve2.3026 ^2X2 olduunu gsteriniz. Bu fonksiyonel formun,
dorusal regresyon modeli erevesi iinde hesaplanp heJiplanamyacan dnnz.
8. 17 numarah dipnotta yer alan regresyon Trk ekonomisi ile ilgili
aadaki verilerden hesaplanmtr.
Yl

Cp

Ya

1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965

9.164
10.565
12.622
12.932
15.053
17.886
22.877
28.359
35.409
37.667
39.729
44.396
52.127
54.430
57.480

5.564
6.193
7.235
5.927
7.638
9.096
12.005
16.144
18.495
19.238
19.048
21.779
25.143
25.800
25.434

W NA

1.897
2.148
2.374
2.839
3.820
4.723
5.586
6.951
9.424
10.064
11.597
12.482
13.412
15.032
16.792

NWna

PGNP

3.233
4.083
4.997
6.019
6.742
7.378
9.032
10.778
13.859
15.057
15.842
17.792
21.034
23.042
26.114

.3679
.3952
.4179
.4679
.5349
.5787
.6829
.7701
.9148
.9542
1.0000
1.0551
1.1218
1.1496
1.1801

1
1
1
1
1

YA
3811
3985
4252
4339
5125
5616
7231
8274
9512
9778
0000
0802
1588
1893
2124

N A

.3518
.3862
.4100
. 1867
.5472
.5928
.6558
.7376
.8987
.9412
1.0000
1.0317
1.0881
1.1160
1.1523

Regresyonu hesaplaynz. oklu bantnn etkilerini gidermek iin

alabileceiniz tedbirleri dnnz. (Mesel muhtelif kesit almalarndan elde etmeniz mmkn olan d bilgileri kullanarak kaytlandrlm
LS'yi deneyiniz.)
9.

I, = S a Y t 8K t _,

0 < S<1

eklinde ifade edilen seyyal hzlandran teorisinin Trk ekonomisi iin

geerliliini tartnz.
(Denklemi sabit terimsiz ve sabit terimli olarak hesaplaynz. Reaksiyon katsays ve sermaye hasla katsaysn tahmin ediniz. Hesaplanan deerleri birinci problemdeki sonularla karlatrnz.
Verilerle ilgili olarak U. Korum a.g.e Sh. 140-162 den faydalanabilirsiniz.)

eemdersnotlari.com

10.

P toptan eya fiyatlar genel indeksi 1953 = 100

P r tarmsal ve snai retim indeksi 1953 = 100

y
para arznn gelir srati
M
DI harcanabilir geliri gstersin.
P = f(DI, Pr,- , e)
M
(3,

|32 Pr

y/M + e

P = (3o DI 10
10
denklemini aadaki verileri
kullanarak hesaplaynz. Bu fonksiyonel form'un geerliliini tartnz.
Toptan eya fiyatlar indeksinin aklayc deikenlerdeki deimelere
kar ortalamalarda llen esnekliklerini Pr.7'den de faydalanarak
hesaplaynz.(25)
Yl

DI

Pr

y/M

1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965

10.229
11.908
14.033
13.952
17.003
19.853
25.114
29.330
35.381
38.819
38.532
44.175
50.677
54.266
58.071

77.8
88.0
100.0
85.6
101.1
103.9
123.0
123.3
123.4
130.1
124.0
133.9
153.3
164.7
173.1

5.30
5.13
4.99
4.38
4.32
3.95
3.88
4.24
4.41
4.54
4.22
4.36
4.49
4.16
3.82

97
98
100
111
119
139
165
190
227
239
246
260
271
269
293

(DI : milyar TL cari fiyat)

25
Cevap:

P = 1.829 D

.9454
(.0639)

10

,0020 Pr
(.0006)

.0163 y/M
(.0142)
RJ=.942
10

d = 1.47

baknz: S. Korum "Trkiye'de Toptan Eya Fiyatlar Endeksi" SBF yayn No. 260. Maliye
Enstits Yaynlar 30, Ankara 1968. Problemle ilgili veriler iin; a.g.e Sh. 60.

139

eemdersnotlari.com

eemdersnotlari.com

BBLYOGRAFYA

R. L. Anderson, T. A. Bancroft: Statistical

Hdl, 1952.
T. W. Anderson: Ar Introduction
Wdey, 1958

to Mathematical

Calculus

T. Bulutay: Ekonometrik
T. Bulutay: Dorusal

Bir

Deneme,

T. avdar: Ekonomiye
605, 1970.

of

Statistics,

Analysis,

Ginn Co., 1960.

S B F Yaynlar No: 217-199, 1967.

and Methods,

techniques

H. Cramer: The Elements

tions, Wiley, 1955.

Statistical

(Giri) S B F Yaynlar 186-168, 1965.

Models

W . G. Cochran: Sampling

Mc. Graw

2. Ed. Mc. Graw Hdl, 1965.

Programlama

C. F. Christ: Econometric

in Research,

to Multivariate

H. D. Brunk: An Introduction
R. C. Buck: Advanced

Theory

2. Ed. Wiley, 1963.

Probability

Uygulanm

W. J . Dixon, F. J . Massey: Introduction

HM, 1957.

Wiley, 1966.

Theory

Genel

and Some of its Applica-

Matematik,

to Statistical

DE Yaynlar No:
Analysis,

Mc. Gravv

J . Durbir, C. S. WaLson: Testing

for Serini
Correlation
in Least
Regression
I, II Biometrica Vol. 37 Dec. 1950, Biometrica Vol. 38
J u n e 1951.
P. S. Dwyer: Linear

Computations,

Wiley, 1951.

M. Ezekiel, K. Fox: Methods

Ed. Wiley 1959.

of

W. Feller: An Introduction
Wiley 1957.

to Probability

D. A. S. Frazer: Statistics:

Squares

Correlation

An Introduction,

and Regression

Analysis,

Theory

Applications,

and Its

Wiley 1958.
411

eemdersnotlari.com

3.

H. Freeman: Introduction

To Statistical

J . E. Freund: Mathematical

Statistics,

A. S. Goldberger: Ecoometric

Addison-Wesley, 1963.

Prentice Hail, 1962.

Theory,

F. A. Graybill: An Introduction

Inference,
Wiley, 1964.

to Linear

Statistical

Models,

Mc. Graw

Hill, 1961.
G. Hadley: Linear

Algebra,

Addison Wesley, 1961.

P. G. Hoel: Introduction

to Mathematical

Statistics

P. G. Hodb Elementary
Statistics,
Wiley, 1961.
R. Hogg, A. Craig: Introduction
to Mathematical
1959.
S. H. Hymans: Probability
metrics
and Decision
J . Johnston: Econometric
E. J . Kane: Economic

L. Kish: Survey

Methods,
Statistics

Vergi

and Econometrics

to Econo-

Theory

Harper Row, 1968.

of Statistics

Ekonomik

Analizi,

Vol. I, 2. Ed.
S B F Yaynlar

Wiley 1965.
Toptan

Eya

U. Korum: Ekonometrik
Modeller
S B F Yaynlar No: 268, 1969.
J . R. Li: Introduction

MacMillan,

Mc Graw Hill, 1963.

Sisteminin

Sampling,

S. Korum: Trkiye'de
No: 260, 1968.

Statistics,

Theory
With Statistical
Applications
Making
Prentice Hail, 1967.

M. G. Kendall., A. Stuart: The Advanced

Griffin, London, 1963.
H. Kzdyall: Tiirk
No: 286, 1969.

3. Ed., Wiley 1962.

ve

to Statistical

B. W. Lindgren: Statistical

Theory,

T. C. Liu: Underiden'ification,
Econometrica Oct. 1960.

Fiyatlar
Trk

Endeksi,
Ekonomisi

Inference,

S B F Yaynlar
iin

Bir

Deneme,

Edwards Brothers, 1957.

MacMillan, 1962.
Structural

A. M. Mood, F. A. Graybill: Introduction

Mc Graw Hill, 1963.
F. Mosteller, R. Rourke, Thonas: Probability
Addison Wesley, 1961.

to The
with

Estimation
Theory

of Stutistics,

Statistical

N. V. A. Narasinham: A Short Term Planning

Model for
Hollad Pub. Co. Contributions To Economic Analysis, 1956.
112

eemdersnotlari.com

and

Forecasting,
2. Ed.

Applications
India,

North

M. Nerlove, K. F. Wallis: Use of the Durbin Watson

ate Situations,
Ecoometrica J a n . 1966.
J . Neyman: First
Course
Winston, 1950.

in Probability

Statistic

and Statistics

in InrppropriHolt,

B. Ostle: Statistics

in Research

2. Ed. Iowa State Un. Press, 1963.

E. Parzen: Modern

Probability

Theory

Ouinn Mc. Nemar: Psychological

L. J . Savage: The

Statistics,

Foundations

G. W. Snedecor: Statistical

Methods,

To

Applications,

Wiley, 1960.

3. Ed. Wdey, 1962.

of Statistics,

Wiley, 1954.

5. Ed. Iowa State Un. Press, 1963.

D. B. Suits: Statistics:
An Introduction
Rand Mc. Nally, 1963.
J . Uspensky: Introduction
1937.

and Its

Rinehart and

to uantitative

Mathematical

G. P. Wadsworth., J . G. Bryan: Introduction

Variables,
Mc Graw Hill, 1960.

Probability,
to Probability

Economic

Mc. Graw Hill,

and Random

oOo

143

eemdersnotlari.com

Research,

eemdersnotlari.com

KAVRAM
A
Aklayc deiken 319
Aksiyon 194, 268
Aksiyon uzay 194
Alternatif hipotez 193
.Aralk eklinde tahmin 193, 238
Artk'lar 325
Ayrk olay 28, 264

NDEKS
oklu bant 423, 427
oklu regresyon 391

O
Determinasyon Katsays 350, 397
Determinist tlikiler 320
Dorusallk 322, 332, 394
Doolittle metodu 404, 414
Durbin-Watson Statistii 370

B
Baml deiken 320
Balang noktas etrafndaki momentler 330
Baskn kma 195
Bayes forml 32
Bayes'ci yaklam 195
Beklenen deer 89
Beklenen deer cebiri 94, 176
artl beklenen deer 108
Binomial dalm 129, 154
Nokta binomial 131, 154
Baar yzdesi 131
Normal eri ile yaklama 148
negatif binomial 154
Binomial teorem 36
Birebir karlkllk 16
Birinci farklar 374
Birletirme (Kombinasyon) 35
Birrnek Dalm 155
Byk saylar kanunu 178, 180

c
Chebvshev eitsizlii 179, 183
Chi kare
dalm 230
Contingency tablolar 307

arpklk 115
ift logaritmik dntrme

312

E
Ekonometri 320
En iyi asimptotik normallik 210
En kk kareler metodu 323
Esneklik 341
Etkinlik 204
Asimptotik etkinlik 204, 209
F
F dalm 235
Fonksiyon 15
Domain 15
Range 15
Fonksiyonel form 320
G
Gamma dalm 154
Gauss-Markov teoremi 332, 394
Geometrik Dalm 154
Gruplandrlm verilerde korrelasyon
Gven aral 240
Ortalama iin 240
Ortalamalar fark iin 248
Varyans iin 250
Oranlarla ilgili 254
Oranlar fark ile ilgili 256
Gven blgeleri 252

eemdersnotlari.com

- ,-

Gven katsays 194

Gven snrlan 238

Tek deikenli 136

Birikimli 138
ki deikenli 145
Standart normal 14
Normal denklemler 326

Hata kareleri toplam (SSE) 354

Heteroscedasticity 369
Hipergeometrik dalm 154
Hipotez 264
Basit 264, 266
Karmak 265
Hipotez test'i 193, 264, 279
Homoscedasticity 324, 369, 392

O
Olasbk 21
tarif 22
Aksiyomlar 23
Teoremler 24
artl olaslk 25, 53
Mutlak Olaslk 27, 53
Olasdk rneklemesi 169
Ortalama etrafndaki momentler 331
Ortalama hata karesi (MSE) 204
Otokorrelasyon 324, 370

1
liki 14
lkel olay 22
Invariance 214
statistik! tahmin 193
leyen karakteristik 270,

288

K
Karar alma kural 195
Kabul edilebilir kural 196
Karar alma problemi 193
Kartezyen arpm 13
Korrelasyon Katsays 103, 146, 348
Kovaryans 102

L
Likelihood fonksiyonu 339
Likelihood oram test'i 274
Genelletirilmi 279
M
Maksimum likelihood metodu 211, 324
zellikleri 213
Marjinal Olaslk dalm 61
Marjinal sklk fonksiyonu 63
Medyan 90, 93
Merkezi limit teoremi 135, 181, 183
Minimaks kural 196
Minimum varyangl lanmaszlk 204, 335
Mod 90
Momentler 113, 154
Moment karan fonksiyon 116, 144, 154, 245

lme hatalan 375

nceden tahmin 360, 422
rnekleme 169
Avantajlan 169
rnekleme hatas 169
Basit tesadfi rnek 171
Yerine koyarak 171
Yerine konmadan 171
rnek momentleri 174
rnek ortalamas 176
rnek uzay 21, 194

Parametre 130, 133, 136, 146, 193

Parametrik olmyan istatistik 266
Parametre uzay 193
Partisyon 32, 264
Poisson dalm 132
R
Red hipotezi 193, 266
Regresyon analizi 319
Basit regresyon 319
statistik! istidlal 343
Regresyon fonksiyonu 148, 323
Risk 195, 268

NUbi etkinlik 196

-Nokta tahmin 193, 203
Normal dalm 135, 339

Sapma 170, 205, 219

Sapmaszlk 204, 234

ur
I

eemdersnotlari.com

Schvvartz eitsizlii OS
Serbestlik derecesi 232
Serpme diyagram 324, 349
Set 4

Tarif 48
Kesikli 50
Olaslk fonksiyonu 50
Birikimli dalm fonksiyonu 53, 57,
66, 74
Devaml 55
ok boyutlu 59
Birleik olaslk fonksiyonu 61
Birleik sklk fonksiyonu 63
Tesadfi deikenlerin fonksiyonlar 73
Test fonksiyonu 194, 267
Test'in kuvveti 220, 288
Tip I hata 269
Tip II hata 269
Tutarllk 204
Kare hata tutarllk 208
Basit tutarllk 209

Universal set 5
Bo set 5
Snrl set 4
Snrsz set S
Eitlik 6
Eleniklik 6
Kuvvet set'i 7
Tamamlayc set 7
Kesiim 7
Birleim 8
Fark 8
Simetrik fark 8
Set cebri kurallar 10
Snrl ktle dorultucu arpan 172
Sralama (permutasyon) 35
Sral ikili 13
Simltane zm 213
Standartlatrlm tesadfi deikenler
Statistik 173
Stokastik bamszlk 28, 72, 103, 367
Stokastik ilikiler 320
Strateji 194

U
Uyma iyilii test'i 310, 353

104

stel dalm 155

V
Varyans 90, 205
Varyans analizi (ANOVAR) tablosu 358, 403
Varyansn bir araya getirilmi tahmini 249
Varyans - kovaryans matriksi 369, 392, 395
Venn diyagramlar 5, 9
Y

artl dalmlar 70
Yeterlilik 204, 210

Yar logaritmik form 342

t dalm 234, 244

Tesadfi deikenler 48, 171

Z
Zarar 195, 268

117

eemdersnotlari.com

eemdersnotlari.com

eemdersnotlari.com

A.. S.B.F. ve Basn - Yayn Yksekokulu Basmevi, Ankara -1985 F i y a t 1000 TL.

eemdersnotlari.com