8. HAFTA
Rasgele Değişkenlerin Lineer Bileşimlerinin Örneklem Değerleri
c elamanları sabitler olan px1 tipinde bir vektör ve
X
X1 X2 Xp rasgele bir vektör olmak üzere, bir çok çok değişkenli yöntemde lineer bileşim olarak
1 1 2 2 p p
c X c X c X c X
formu gözönüne alınır. Bu lineer formun j inci gözlem değeri
1 1 2 2
xj j j p pj , 1, 2,..., c c x c x c x j n
dir. Buradan
cxjlineer bileşimin örneklem ortalaması:
1 2 1 2
( x x x ) x x x
( )
x
n n
c c c
n c n
c
ve örneklem varyansı:
2 2 2
1 2
1 1 2 2 2 2
1 1 2 2 2 2
( x x) ( x x) ( x x)
1
(x x)(x x) (x x)(x x) (x x)(x x)
1
(x x)(x x) (x x)(x x) (x x)(x x)
1
c c c c c n c
n
c c c c c c
n
c c
n
c Sc
dır.
İkinci bir lineer bileşim
1 1 2 2 p p
b X b X b X b X
olmak üzere lineer bileşimin j inci gözlem değeri
1 1 2 2
xj j j p pj , 1, 2,..., b b x b x b x j n
dir ve
bxjlineer bileşimin örneklem ortalaması:
1 2 1 2
( x x x ) x x x
( )
x
n n
b b b
n b n
b
ve örneklem varyansı:
2 2 2
1 2
1 1 2 2 2 2
1 1 2 2 2 2
( x x) ( x x) ( x x)
1
(x x)(x x) (x x)(x x) (x x)(x x)
1
(x x)(x x) (x x)(x x) (x x)(x x)
1
b b b b b n b
n
b b b b b b
n
b b
n
b Sb
dır. Bununla birlikte
bxjve
cxjlineer bileşimleri arasındaki örneklem kovaryansı:
1 1 2 2
1 1 2 2 2 2
( x x)( x x) ( x x)( x x) ( x x)( x x)
1
(x x)(x x) (x x)(x x) (x x)(x x)
1
n n
b b c c b b c c b b c c
n
b c b c b c
n
1 1 2 2 2 2
(x x)(x x) (x x)(x x) (x x)(x x)
1
b c
n b Sc
dir.
Örnek: X veri matrisi ve elemanları sabitler olan
bve c vektörleri
2 4 4 6 2 3
6 1 5 0 , 3 , 4
3 2 7 8 1 2
X b c
olarak verilsin. Burada n ve 4
p3dir. b X b X
1 1 b X
2 2 b X
3 3ve
1 1 2 2 3 3
c X c X c X c X lineer bileşimlerinin örneklem ortalamalarını, örneklem varyanslarını ve iki lineer bileşim arasındaki örneklem kovaryans değerlerini;
a. Lineer bileşimlerin değerlerini elde ederek,
b. X veri matrisinden elde edilen örneklem ortalama vektörünü ve örneklem varyans- kovaryans matrisinden yararlanarak
bulunuz.
Çözüm:
a.
bx , j j1, 2,3, 4, lineer bileşiminin örneklem değerleri
11
1 21
31
x 2 3 1
2 2 3 1 6 3
(2)(2) ( 3)(6) (1)(3) 11
x
b x
x
2
4
x 2 3 1 1
2
(2)(4) ( 3)(1) (1)(2) 7
b
3
4
x 2 3 1 5
7
(2)(4) ( 3)(5) (1)(7) 0
b
4
6
x 2 3 1 0
8
(2)(6) ( 3)(0) (1)(8) 20
b
olarak bulunur. Buradan
b X
’ örneklem ortalaması
11 7 0 20 164 4 4
b X
’ örneklem varyan
2 2 2 2
( 11 4) (7 4) (0 4) (20 4) 225 9 16 256
3 3
506 168.66 3
olarak bulunur.
Aynı şekilde
cx , j j1, 2,3, 4, lineer bileşiminin örneklem değerleri
11
1 21
31
x 3 4 2
2 3 4 2 6 3
(3)(2) (4)(6) ( 2)(3) 24
x
c x
x
2
4
x 3 4 2 1
2
(3)(4) (4)(1) ( 2)(2) 12
c
3
4
x 3 4 2 5
7
(3)(4) (4)(5) ( 2)(7) 18
c
4
6
x 3 4 2 0
8
(3)(6) (4)(0) ( 2)(8) 2
c
olmak üzere
c X
’ örneklem ortalaması
24 12 18 2 56 144 4
c X
’ örneklem varyansı
2 2 2 2
(24 14) (12 14) (18 14) (2 14) 100 4 16 144
3 3
264 88 3
olarak bulunur.
b X
ile
c Xlineer bileşimleri arasındaki örneklem kovaryansı
( 11 4)(24 14) (7 4)(12 14) (0 4)(18 14) (20 4)(2 14) 3
150 6 16 192 364 364
121.33
3 3 3
dır.
b. X veri matrisinden örneklem ortalama vektörü ve örneklem varyans-kovaryans matrisi
1
2 3
4
x 3
5 x x x
ve
8 10
3 4 3
26 5
4 3 3
10 5 26
3 3 3
S
olarak elde edilir. Buradan
b X
’ örneklem ortalaması,
1 2 3
x= 2 3 1
4 2 3 1 3 5
(2)(4) ( 3)(3) (1)(5) 4
x
b x
x
b X
’ örneklem varyansı
8 10
3 4 3 2
26 5
2 3 1 4 3
3 3
10 5 26 1
3 3 3
62 3 2 3 1 107
3 61
3
62 107 61
(2)( ) ( 3)( ) (1)( )
3 3 3
506 3 b Sb
elde edilir. Aynı şekilde
c X
’ örneklem ortalaması,
1 2 3
x= 3 4 2
4 3 4 2 3 5
(3)(4) (4)(3) ( 2)(5) 14
x
c x
x
c X
’ örneklem varyansı
8 10
3 4 3 3
26 5
3 4 2 4 4
3 3
10 5 26 2
3 3 3
44 3 3 4 2 78
3 42 3
44 78 42
(3)( ) (4)( ) ( 2)( )
3 3 3
264 88 3 c Sc
olarak bulunur.
Ayrıca
b Xile
c Xlineer bileşimleri arasındaki örneklem kovaryansı
8 10
3 4 3 3
26 5
2 3 1 4 4
3 3
10 5 26 2
3 3 3
44 3 2 3 1 78
3 42 3
44 78 42
(2)( ) ( 3)( ) (1)( )
3 3 3
364 121.33 3
b Sc
Sonuçta a. ve b. şıklarında aynı sonuçlar elde edilmiştir.
Rasgele Örneklem, Örneklem Ortalama Vektörü ve Örneklem Varyans-Kovaryans Matrisinin Beklenen Değeri
İstatistiksel sonuç çıkarımı yapabilmek için örneklem ortalama vektörü
Xve örneklem varyans-kovaryans matrisi
Sngibi istatistiklerin örneklemden örnekleme değişkenliği incelenirken, değişkenler hakkında varsayımlar yapmaya ihtiyaç vardır.
Verilerin henüz gözlenmediğini ancak n tane birim üzerinde, p tane değişkenin ölçüleceği kabul edilir. Ölçümler yapılmadan önce, genellikle ölçümlerin aldığı değerler tam olarak bilinmemektedir. Sonuç olarak bu ölçümlere rasgele değişken olarak bakılır. Veri matrisinin
( , )i jinci elamanı
X iij( 1, 2,..., ; p j1, 2,..., )nrasgele değişkeni olsun. p tane değişken üzerinde
Xjölçümlerin her kümesi bir rasgele vektördür ve bu vektörlerden oluşan rasgele matris
11 12 1 1
21 22 2 2
1 2
1 2
1 2
, ,..., ,...,
j n
j n
pxn j n
i i ij in
p p pj pn
X X X X
X X X X
X X X X X
X X X X
X X X X
biçimindedir.
Xpxn
matrisindeki
X X1, 2,...,Xnsütun vektörleri,
fX(x) f x x( , ,...,1 2 xp)olasılık yoğunluk fonksiyonuna sahip ortak dağılımdan bağımsız gözlemler verirlerse,
X X1, 2,...,Xn,
fX(x)den rasgele bir örneklem formudur denir. Matematiksel olarak
X X1, 2,...,Xn’ in rasgele örneklem olması için ortak olasılık yoğunluk fonksiyonu
f1(x ), (x ), , (x )1 f2 2 fn nfonksiyonlarının çarpımı ile verilmektedir. Burada
f(x )j f x x( 1j, 2j,...,xpj), j inci sütun vektörü için yoğunluk fonksiyonudur.
Sonuç:
X X1, 2,...,Xnortalama vektörü ve varyans-kovaryans matrisi olan ortak dağılımdan rasgele bir örneklem olmak üzere
a. E X ( )
b. 1
( ) Cov X
n
c. 1
( ) (
nn )
E S n
dir.
İspat : a.
1 2
1 2
1 2
( )
( )
1 1 1
( ) ( ) ( )
1 1 1
1
n
n
n
X X X
E X E
n
X
X X
E E E
n n n
E X E X E X
n n n
n n n
n n
dir ve buradan örneklem ortalama vektörü
X, kitle ortalama vektörü ’nün yansız bir tahmin edicisidir.
b.
1 1
2
1 1
2
1 1
( ) ( )( )
1 1
( ) ( )
1 ( )( )
1 ( )( )
n n
j l
j l
n n
j l
j l
n n
j l
j l
Cov X E X X
E X X
n n
E X X
n
E X X
n
dir.
Xj’ler bağımsız olduğundan
j liçin
E X
( j
)(Xl
)
0dır. Buradan
2 1
2 1
2
( ) 1 ( )( )
1 ( )
1 ( )1
n
j j
j n
j
Cov X E X X
n
n n n
n
elde edilir.
c.
1
1 1
1
1
1
( ) 1 ( )( )
1 ( )( ) ( )( )
1
1 ( ) ( )
1 1
( ) ( )
n
n j j
j
n n
j j j
j j
n
j j
j n
j j
j n
j
E S E X X X X
n
E X X X X X X
n
E X X nXX
n
E X X nE XX
n
n n n
1 1
( ) ( )
( 1 )
n n n
n n
n n
dir ve buradan örneklem varyans-kovaryans matrisi
Sn, kitle varyans-kovaryans matrisi için yanlı bir tahmin edicidir. Bununla birlikte
1
( )
1
1 ( )( )
1
n n
j j
j
S n S
n
X X X X
n
kitle varyans-kovaryans matrisi için yansız bir tahmin edicidir. Yani
E S( ) dir. Bundan sonra
Snyerine, örneklem varyans-kovaryans matrisi olarak S alınacaktır.
Genelleştirilmiş Varyans
p değişken her birim üzerinde gözlendiğinde, değişim örneklem varyans –kovaryans matrisi S ile ifade edilir. pxp tipinde simetrik örneklem varyans-kovaryans matrisi S, p tane varyans ve
1 ( 1)
2 p p tane farklı kovaryanstan oluşmaktadır. Bazen S ‘deki değişim tek bir sayısal değer ile ifade edilebilir. Bu değerlerden biri S’nin determinantı olabilir.
p1olduğunda bu determinant tek bir değişkenin örneklem varyansıdır. Örneklem varyans-kovaryans matrisi S’nin determinantına Genelleştirilmiş Örneklem Varyansı(GÖV) denir ve
GÖV S
dir. Genelleştirilmiş Örneklem Varyansı, bütün varyanslar ve kovaryanslara ilişkin tek bir değer şeklinde bilgi verir. Bununla birlikte S , S’nin özet bir değerinden başkada bilgiler verir.
Örneğin
1 p
i i
S
dir. Burada
1, , ,2
p’ler örneklem varyans-kovaryans matrisi S’nin özdeğerleridir.
Bazı Eşitsizlikler
Burada ileride kullanılacak bazı eşitsizliklere ilişkin ifadeler verilecek, ispatlar verilmeyecek.
Cauchy-Schwarz Eşitsizliği
b
ve
d, px1 tipinde herhangi iki vektör olsun. Buradan, ( b d )
2 ( b b d d )( )
dir. Eşitliğin olması için gerek ve yeter şart bazı c sabitleri için
b cd(veya
d cb) dir.
Genelleştirilmiş Cauchy-Schwarz Eşitsizliği
b
ve
d, px1 tipinde herhangi iki vektör ve B , pxp tipinde pozitif tanımlı bir matris olsun.
Buradan,
2 1
( b d ) ( b Bb d B d )(
)
dir. Eşitliğin olması için gerek ve yeter şart bazı c sabitleri için b cB d
1(veya
d cBb) dir.
Maksimizasyon Lemma
B , pxp tipinde pozitif tanımlı bir matris ve
d, px1 tipinde herhangi bir vektör olsun. Sıfırdan farklı herhangi bir
xpx1vektörü için
2
x 0
max(x ) x x
d d Bd B
dir. c için 0 x cB d
1ise maksimuma ulaşılır.
Birim Küre Üzerindeki Noktalar için Karesel Formların Maksimizasyonu
B , pxp tipinde özdeğerleri
1 2
p 0ve ilişkili birimleştirilmiş özvektörleri
1, 2, , p
e e e
olan pozitif tanımlı bir matris olsun. Buradan
1 1
x 0
2 2
x 0
x 0 p
maxx x , x 'de maksimuma ulaşır x x
maxx x , x 'de ikinci sırada maksimuma ulaşır x x
maxx x , x 'de inci sırada maksimuma ulaşır
x x p
B e
B e
B e p