Dinamik do\u011frusal modellerin(DLM) istatiksel tarihi 1880 y\u0131llar\u0131na dayanmakta olmas\u0131na ra\u011fmen 1960\u2019l\u0131 y\u0131llar\u0131n ba\u015flar\u0131nda, dinamik sistemlerin izlenmesi ve kontrol edilmesi i\u00e7in m\u00fchendislikte geli\u015ftirilmi\u015ftir. DLM alan\u0131ndaki ilk pop\u00fcler uygulamalar, Apollo ve Polaris havac\u0131l\u0131k programlar\u0131nda meydana gelmi\u015ftir ancak son y\u0131llarda dinamik do\u011frusal modeller ve daha genel olarak durum uzay modelleri, biyolojiden ekonomiye, \u00e7ok geni\u015f bir alandaki uygulamalarla, b\u00fcy\u00fck bir pop\u00fclarite kazanm\u0131\u015ft\u0131r. Bunlar\u0131n yan\u0131 s\u0131ra jeofizik bilimden geneti\u011fe kadar m\u00fchendislik ve kalite kontrol\u00fc alanlar\u0131nda kullan\u0131lm\u0131\u015ft\u0131r. Dinamik do\u011frusal modelleri kullanan istatistiksel zaman serileri analizi, 1970-80’lerde b\u00fcy\u00fck \u00f6l\u00e7\u00fcde geli\u015fmi\u015ftir ve zamanla durum uzay modelleri(DUM) g\u00fcn\u00fcm\u00fczde ilgi oda\u011f\u0131 haline gelmi\u015ftir. Dinamik do\u011frusal modeller, dura\u011fan olmayan zaman serilerinin veya yap\u0131sal de\u011fi\u015fikliklerin modellenmesinde \u00e7ok daha fazla esneklik sa\u011flar ve genellikle daha kolay yorumlanmas\u0131n\u0131 sa\u011flar. Ayr\u0131ca daha genel durum alan\u0131 modelleri s\u0131n\u0131f\u0131, analizi Gauss olmayan ve do\u011frusal olmayan dinamik sistemlere uygular. Dinamik do\u011frusal modelleri tahmin etmek i\u00e7in farkl\u0131 yakla\u015f\u0131mlar vard\u0131r bunlara \u00f6rnek olarak en k\u00fc\u00e7\u00fck kareler veya maksimum olabilirlik \u00f6rnek olarak g\u00f6sterilebilir.<\/p>\n
Kalman (1960), Bayesian yakla\u015f\u0131m\u0131na uygun oldu\u011funu s\u00f6yleyebilece\u011fimiz dinamik lineer modellerin baz\u0131 temel kavramlar\u0131n\u0131n alt\u0131n\u0131 \u00e7izmektedir. \u0130lk ad\u0131m deterministten stokastik bir sisteme ge\u00e7iyor; unutulmu\u015f de\u011fi\u015fkenler, \u00f6l\u00e7\u00fcm hatalar\u0131 veya kusurlar nedeniyle daima mevcut olan belirsizlik olas\u0131l\u0131kla a\u00e7\u0131klanmaktad\u0131r. Sonu\u00e7 olarak, ilgili miktarlar (\u00f6zellikle, sistemin t zaman\u0131nda durumu) tahmini, mevcut bilgi dikkate al\u0131nd\u0131\u011f\u0131nda, ko\u015fullu da\u011f\u0131l\u0131m\u0131 hesaplanarak \u00e7\u00f6z\u00fcl\u00fcr. Bu, Bayesci \u00e7\u0131kar\u0131mda genel ve temel bir kavramd\u0131r. Dinamik do\u011frusal modeller, bir dinamik sistemin \u00e7\u0131k\u0131\u015f\u0131n\u0131, \u00f6rne\u011fin bir zaman serisini, rastgele hatalardan etkilenmeyen bir g\u00f6zlemlenemeyen durum s\u00fcrecinin bir fonksiyonu olarak tarif etme fikrine dayanmaktad\u0131r. Gizli de\u011fi\u015fkenler \u00fczerinde ko\u015fullanarak, verilerdeki zamansal ba\u011f\u0131ml\u0131l\u0131\u011f\u0131 modellemenin bu yolu, basit ve son derece g\u00fc\u00e7l\u00fcd\u00fcr. Dinamik do\u011frusal modellerin bir di\u011fer \u00f6nemli avantaj\u0131, hesaplamalar\u0131n yineleyici bir \u015fekilde yap\u0131labilmesidir, yani t\u00fcm ge\u00e7mi\u015fin depolanmas\u0131n\u0131 gerektirmeksizin, ilgilinin ko\u015fullu da\u011f\u0131l\u0131mlar\u0131 g\u00fcncellenebilir. Bu, verilerin zaman i\u00e7inde s\u0131ral\u0131 olarak gelmesi ve g\u00fcncel \u00e7\u0131kar\u0131m\u0131n gerekli olmas\u0131 durumunda son derece avantajl\u0131d\u0131r ve ihtiya\u00e7 duyulan depolama kapasitesinin azalt\u0131lmas\u0131, b\u00fcy\u00fck veri setleri i\u00e7in daha da \u00f6nemli hale gelmektedir.<\/p>","protected":false},"excerpt":{"rendered":"