BEKLENEN DEĞER VARYANS KOVARYANS VE BAZI TEOREMLER

Beklenen değer (expectation) ya da ortalama

Y gibi bir rassal değişken için

E(Y)= ∑ y f ( y ) Y kesikli ise

y

E(Y)= ∫ y f(y) dy Y sürekliyse

y

E(a+bY)=a+bE(Y)
Varyans
Var(Y)=E[(Y-E(y))2] E(Y)=μ dersek;
Var(Y)=E[(Y-μ)2]
Var(Y)= ∑ ( y − μ)
y
2
f ( y ) Y kesikli ise

Var(Y)= ∫ ( y − μ ) 2 f(y) dy Y sürekliyse

y

Var(a+bY)=0+b2 var(Y)=b2 var(Y)

Cov(X,Y)=E[(X-E(X))(Y-E(Y))]=E(XY)-E(X)E(Y)

Cov(X,Y)= ∑ ∑ ( X − E ( X )) (Y-E(Y)) f ( x, y)
y x
X ve Y kesikli ise

Cov(X,Y)= ∫ ∫ ( X − E ( X )(Y − E (Y ) f(x,y) dy Xve Y sürekliyse

y x

Eğer X ve Y bağımsız ise E(XY)=E(X)E(Y) olacağından

Cov(X,Y)=0 olur.
Dolayısıyla iki rassal değişken istatistiksel olarak bağımsızsa aralarındaki kovaryans sıfırdır.
Ancak bu ifadenin tersi X ve Y normal dağılım göstermedikçe doğru değildir

Doğrusal fonksiyonlar için

E(aX+bY+c)=aE(X)+bE(Y)+c
Var( aX+bY+c)=a2var(X)+b2Var(Y)+2abcov(X,Y)= Var( aX+bY)
Var( aX-bY)= a2var(X)+b2Var(Y)-2abcov(X,Y)
Var(X+Y+Z)=Var(X)+Var(Y)+Var(Z)+2cov(X,Y)+2cov(X,Z)+2cov(Y,Z)
Cov(aX+by,cX+dY)=acVar(X)+bdVar(Y)+(ad+bc)Cov(X,Y)
Koşullu dağılım, Koşullu varyans ve Koşullu beklenen değer
f ( x, y ) f ( x, y )
f(y|x)= ve f(x|y)=
f ( x) f ( y)

E[y|x]= ∑ y f ( y | x) Y kesikli ise

y

1 
 E[y|x]= ∫ y f(y|x) dy Y sürekliyse
y

Var(y|x)=E[(y-E(y|x))2]
Var(y|x)= ∑ ( y − E ( y | x))
y
2
f ( y | x) Y kesikli ise

Var(y|x)= ∫ ( y − E ( y | x)) 2 f(y|x) dy Y sürekliyse

y

Yinelemeli Beklenen Değer işlemleri

E(y)=Ex[E[y|x]]
Burada Ex beklenen değer işleminin sadece x üzerinden yapılacağını göstermektedir.

Ex[Var[y|x]]=var(y)-varx[E(y|x)]
Var (y)= varx[E(y|x)]+ Ex[Var[y|x]]

Korelasyon

cov (y, x)
cor ( X , Y ) = ρ x , y =
var(y) var( x)

Cauchy-Schwarz eşitsizliğine göre E[xy]2≤E(x)2E(y)2 olduğundan

-1≤ρx,y≤1

Olasılık limit işlemleri

Eğer xn ve yn iki rassal değişken ve plim xn=a ve plim yn =b ise

Plim (xn + yn)=c+d
Plim (xn yn)=cd
Plim (xn/ yn)=c/d d≠0 için
Eğer Zn elemanları rassal değişkenler olan bir matrisse ve plim Zn =Ω ise
Plim Zn-1=Ω-1
Eğer X ve Y elemanları rassal değişkenler olan matrisseler ve plim Xn =A ve plim Yn =B ise
plim Xn plim Yn=AB

Olasılıkta Yakınsama(converge in probability)

Eğer δ>0 için limn→∞prob(|xn-c|<δ)=1 ise xn rassal değişkeni olasılıkta δ sabitine yakınsar.
Rassal Bir değişkene Yakınsama
Eğer δ>0 için limn→∞prob(|xn-x|<δ)=1 ise xn rassal değişkeni olasılıkta x rassaal değişkenine
yakınsar.

2 
 Karesel ortalama da yakınsama (converge in Quadratic mean)
Eğer xn rassal değişkeninin ortalaması μn varyansı σn2 ise ve ayrıca lim μn =c ve lim σn2=0 ise
o zaman xn rassal değişkeni ortalama karede c’ye yakınsar ve plim xn =c olur.

Dağılımda Yakınsama(convergence in distribution)

Eğer F(x) kümülatif dağılım fonksiyonunun sürekli tüm noktalarında limn→∞ | Fn(xn)-F(x) | =0
ise xn rassal değişkeni kümülatif dağılım fonksiyonu F(x) olan x rassal değişkenine dağılımda
yakınsar. Yukarıdaki ifadede Fn(xn) , xn rassal değişkeninin kümülatif dağılım fonksiyonudur.

Sınırlayan dağılım (limiting distribution)

Eğer xn rassal değişkeni x rassal değişkenine dağılımda yakınsarsa F(x), xn rassal değişkeninin
sınırlayan dağılımıdır. Bu durum
x n ⎯⎯
d
→ x olarak ifade edilir

Tutarlı Tahminci
θ gibi bir anakütle parametresinin herhangi bir tahmincisi θˆ olsun
Eğer plim θˆ =θ ise θˆ tahmincisi tutarlıdır.

Merkezi Limit Teoremleri

Lindeberg-Levy merkezi limit teoremi (tek değişkenli)

Eğer x1,x2….xn μ sonlu ortalama ve σ2 sonlu varyansa sahip olasılık dağılımından elde edilmiş
rassal örneklemlerse o zaman
1 n
n (x n -μ) ⎯⎯
d
→ N(0,σ 2 ) Burada x n = ∑ x i
n i=1
Lindeberg-Feller merkezi limit teoremi(eşit olmayan varyans)
{xi} i=1,2..n her biri μi sonlu ortalamaya ve σi2 sonlu pozitif varyansa sahip bağımsız rassal
değişkenler dizisiyse o zaman

1 n 1 n 2
n (x n -μ n ) ⎯⎯
d
→ N(0,σ 2 ) Burada μ n = ∑ i
n i=1
μ ve σ 2
n = ∑ σi
n i=1
Liapounov merkezi limit teorem
{xi} i=1,2..n her biri μi sonlu ortalamaya ve σi2 sonlu pozitif varyansa sahip öyle bağımsız
rassal değişkenler dizisi ki
E[|xi- μi|2+δ] δ>0 için sonlu olsun. Eğer σ n yeteri kadar büyük bütün n’ler için pozitif ve sonlu
ise
n (x n -μ n )/σ n ⎯⎯
d
→ N(0,1)

Lindeberg-Levy merkezi limit teoremi (Çok değişkenli)

Eğer x1,x2….xn sonlu ortalama vektörleri μ ve sonlu pozitif tanımlı varyans kovaryans
matrisleri Q olan çok değişkenli bir dağılımdan elde edilmiş rassal örneklemler ise

1 n
n (x n -μ) ⎯⎯
d
→ N(0,Q) burada x n = ∑ xi
n i=1

3 
 Lindeberg-Feller merkezi limit teoremi (Çok değişkenli)
Eğer x1,x2….xn ler ortalamaları E[xi]= μi,varyansları var(xi)=Qi olan rassal vektörler ve bütün
çok değişkenli dağılımlarının üçüncü beklemleri sonlu ise

n (x n -μ n ) ⎯⎯
d
→ N(0,Q)
1 n 1 n
Burada μ n = ∑ i
n i=1
μ ve Q n = ∑ Qi ve lim n→∞ Q n =Q
n i=1

Asimtotik dağılım
Asimtotik dağılım rassal bir değişkenin gerçek sonlu örneklem dağılımını yaklaştırmada
kullanılan bir dağılımdır. Asimtotik dağılımı formüle etmenin yolu olarak, rassal bir
değişkenin fonksiyonunun bilinen sınırlayan dağılımı kullanılır.
Eğer n (x n -μ)/σ ⎯⎯ d
→ N(0,1) ise o zaman yaklaşık olarak ya da teknik tabirle asimtotik
olarak
x n ~N(μ,σ 2 /n) olur. Bunu

a
x ~ N(μ,σ 2 /n) şeklinde yazabiliriz.

Gecikme işlemcisi(Lag operator)

Gecikme işlemcisi L ile bazen de B(backward-shift operator) ile gösterilir.
LXt=Xt-1 , L2Xt=Xt-2, L3Xt=Xt-3 vb…şeklindedir.

Gecikme işlemcisi çok terimlisi (lag polynomials)

Elimizde şöyle bir ARDL(otoregresif distributed lags, otoregresif gecikmesi dağıtılmış)
model olsun.
Yt=a0+ a1Yt-1 +a2 Yt-2…….+ap Yt-p+b1Xt +b2 Xt-1+….bqXt-q+ut

Bu modeli gecikme işlemcisi çok terimlisi kullanarak

A(L)yt = a0+B(L)Xt+ut şeklinde yazabiliriz.

Burada
A(L)=(1-a1L-a2L2-…….-apLp)
B(L)= b1L+b2L2-…….+bpLq) olup A(L) ve B(L) sırasıyla p. ve q. dereceden gecikme
işlemcisi çokterimlileridir. Bu çokterimliler sırasıyla p ve q adet kompleks köke sahiptirler.
Kararlılık(stability) (ki durağanlığı (stationarity) ima eder) için gerekli ve yeterli koşul A(L)
çok terimlisinin köklerinin birim çemberin dışında olmasıdır. Genel olarak A(L) çok terimlisi
şu şekilde çarpanlarına ayrılabilir:
A(L)=(1- α1L)(1- α2L)…. (1-αpL)
Bu durumda 1/ α1 köklerinin hepsi |L|<1 için, birim çemberin dışında olmalıdırlar. Bu da
|αi|<1 (i=1,2…p) anlamına gelir. Başka bir ifadeyle ters kökler birim çemberin dışında
olmalıdırlar.

Fark işlemcisi (difference operator)

Fark işlemcisi genel olarak Δ ile gösterilip şu şekilde tanımlanır:
ΔXt= Xt- Xt-1
Fark işlemcisi ve gecikme işlemcisi arasında şöyle bir ilişki mevcuttur:
Δ=1-L

4 
 ΔXt=(1-L) Xt = Xt- Xt-1

Δ2 Xt=Δ(ΔXt)= Δ( Xt- Xt-1)= ΔXt- ΔXt-1= Xt- Xt-1- (Xt-1- Xt-2)= Xt -2Xt-1+ Xt-2
Ya da
Δ2 Xt=(1-L)2 Xt = Xt -2Xt-1+ Xt-2 şeklinde de yazabiliriz.

Mevsimsel fark alma

Bazı durumlarda serilerin mevsimsel farklarıyla çalışılır.
ΔS=1-Ls
Δ4Xt=(1-L4)Xt= Xt- Xt-4

Ayrıca ΔlogXt=log(Xt)-log(Xt-1)
=log(Xt/Xt-1)
X -X
= log(1+ t t-1 )
X t-1
X -X
≅ t t-1
X t-1

Not: Δt=t-(t-1)=1 dir. Yani fark işlemcisi trendi ortadan kaldırıp sabite dönüştürmektedir.

2
Δ12 y t = Δ12 (y t − y t-12 )
= Δ12 y t − Δ12 y t-12
=yt-yt-12-(yt-12-yt-24)
= yt- 2yt-12+ yt-24

Toplama işlemcisi(Sum operator)

Toplama işlemcisi fark işlemcisinin tersi olup şu şekilde ifade edilebilir:
Σ=Δ-1= (1-L)-1=1/1-L
∞

∑X
i=0
t-i = X t +X t-1 + X t-2 ....

= X t +LX t + L2 X t + ....
=(1+L+L2+…)Xt
=1/(1-L)Xt
:

Eviews da işlemciler:
Eviews açıldıktan sonra aşağıdaki aşamalar izlenerek FUNCTION REFERENCE sekmesine
ulaşılır ve oraya tıklanarak

5 
 penceresi elde edilir. Burada time series fonksiyonuna zaman tıklanıldığında aşağıdaki
fonksiyonlar elde edilecektir

6 
 Örnek
Eviews’ın içinde bulunan verilerden yararlanarak işlemcilerle ilgili birkaç örnek yapalım.

Eviews da lut1 çalışma dosyası yüklü olsun.

Cs serisini kullanarak aşağıdaki işlemleri yapalım.

Beyaz boşluk kısma

Girilp entera basıldığında cs serisinin birinci farkı hesaplanır. Bu işlem Genr tuşuna basılarak
da yapılabilir. Genr tuşuna basıldığında açılan pencerede

7 
 Yazılmasıyla da yapılabilir. Diğer işlemler için aynı yöntem izlenir.

8