Örnekleme dağılımları ve tahmin: yansızlık, en çok olabilirlik, güven aralığı

Örneklemden anakütleye geçişin matematiği: örnekleme dağılımları, iyi bir tahmin edicinin özellikleri, en çok olabilirlik ve momentler yöntemi, güven aralıkları.

6 durakKPSS A
12 etkinlikeşleştir · sırala · doldur · çöz
0 / 12tamamlanan etkinlik
Sorularuygulamaya ekleniyor
DAĞILIM · TEOREM

Örnekleme dağılımı: x̄ neden σ²/n kadar oynar?

İstatistik · Matematiksel İstatistik · Okuma 5 dk · 2 etkinlik

Önce hatırlaMerkezi limit teoremi nedir, binom dağılımına normal yaklaşım ve süreklilik düzeltmesi nasıl yapılır?Bu konunun bağlandığı sayfadan (Sürekli dağılımlar ve stokastik süreçler). Önce kendin cevapla, sonra aç.

Büyük sayılar yasasına göre örneklem ortalaması n büyüdükçe anakütle ortalamasına yaklaşır. Merkezi limit teoremine göre ortalaması μ, varyansı σ² olan herhangi bir anakütleden çekilen bağımsız gözlemlerin ortalaması, n büyükken yaklaşık N(μ, σ²/n) dağılır. Binom için np ve n(1 − p) yeterince büyükse N(np, np(1 − p)) kullanılır; sınıra ±0,5 süreklilik düzeltmesi eklenir.

Büyük sayılar yasası ve merkezi limit teoremi

Hatırladın mı?

✎Konu anlatımı

Örneklem ortalamasının örnekleme dağılımı nedir, standart hata nasıl hesaplanır?

Kısa cevap: x̄, s² ve p̂ gibi istatistikler örneklemden örnekleme değişen rastgele değişkenlerdir; olasılık dağılımlarına örnekleme dağılımı denir. Bağımsız n gözlemde E(x̄) = μ ve Var(x̄) = σ²/n'dir; x̄'ın standart sapması σ/√n standart hatadır. Anakütle normalse x̄ tam normal, değilse n büyüdükçe yaklaşık normal dağılır.

Bir il nüfus müdürlüğünde işlem süresinin ortalaması 50, standart sapması 12 dakikadır. Müdür, rastgele 36 işlemin ortalaması 52 dakikayı aşarsa alarm veriyor. Sistemde hiçbir sorun yokken alarm ne sıklıkla boşuna çalar?

Anakütle (kitle, yığın) parametreleri μ ve σ² sabittir; onlardan çekilen her örneklem ise farklı bir x̄ verir. Olasılık temelleri sayfasında gördüğümüz iki kural bu oynamanın ölçüsünü verir: beklenen değer doğrusaldır, varyans katsayının karesini alır ve bağımsız değişkenlerde toplamın varyansı varyansların toplamıdır. Buradan E(x̄) = μ ve Var(x̄) = nσ²/n² = σ²/n çıkar.

Tanımlayıcı istatistik sayfasında gördüğümüz standart sapma tek gözlemin yayılımını ölçer; standart hata σ/√n ise ortalamanın yayılımını. Örneklemi dört katına çıkarmak standart hatayı yarıya indirir. Dağılımın biçimi için iki yol vardır: anakütle normalse x̄ de tam normaldir; değilse Sürekli dağılımlar ve stokastik süreçler sayfasında gördüğümüz merkezi limit teoremi devreye girer ve n büyüdükçe (yaygın kural n ≥ 30) x̄ yaklaşık normal olur.

x̄ ~ N(μ, σ²/n) Z = x̄ − μσ/√n (n − 1)s²σ² ~ χ²n−1Son sonuç yalnız normal anakütlede geçerlidir. Sonlu anakütleden iadesiz çekimde Var(x̄) ayrıca (N − n)/(N − 1) ile çarpılır.
Çözümlü örnek

Giriş sorusunda alarm hangi olasılıkla boşuna çalar? (Φ(1) ≈ 0,8413)

  1. n = 36 büyük; merkezi limit teoremiyle x̄ yaklaşık normal. Standart hata 12/√36 = 2.
  2. Z = (52 − 50)/2 = 1.
  3. P(x̄ > 52) = 1 − Φ(1) ≈ 0,159.

Cevap: yaklaşık her altı denetimden birinde alarm boşuna çalar.

Çözümlü örnek · s²'nin dağılımı

Varyansı 4 olan normal bir anakütleden 11 birimlik örneklem alınıyor. Örneklem varyansı s² hangi değeri yalnız 0,05 olasılıkla aşar? (χ²0,05; 10 = 18,31)

  1. 10s²/4 ~ χ²10.
  2. P(10s²/4 > 18,31) = 0,05 ⇒ s² > 18,31 · 4/10 ≈ 7,32.

Cevap: 7,32

Üç temel istatistiğin örnekleme dağılımı
İstatistikBeklenen değerVaryansDağılım
x̄μσ²/nnormal anakütlede tam normal; değilse n büyükken yaklaşık normal
p̂ = X/npp(1 − p)/nX binom; np ve n(1 − p) ≥ 5 iken yaklaşık normal
s²σ²2σ⁴/(n − 1) (normal anakütle)(n − 1)s²/σ² ~ χ²n−1
Akılda kalsın: Standart sapma tek gözlemin, standart hata ortalamanın yayılımıdır. Standart hata √n ile küçülür: kesinliği iki katına çıkarmak dört kat gözlem ister.
Sınavda

Nasıl sorulurμ, σ ve n verilip x̄'ın belli bir değeri aşma olasılığı ya da x̄'ın doğrusal dönüşümünün varyansı sorulur; normal anakütlede (n − 1)s²/σ²'nin dağılımı ve sd'si istenir.

TuzakZ'nin paydasına σ/√n yerine σ ya da σ/n yazmak ve χ²'nin sd'sini n almaktır.

?Soru çöz

X₁, X₂, …, X₂₅; ortalaması μ, varyansı 100 olan bir anakütleden alınmış bağımsız gözlemlerdir. Buna göre 2x̄ − 3 istatistiğinin varyansı kaçtır?

✓ A. Var(x̄) = 100/25 = 4; Var(2x̄ − 3) = 2² · 4 = 16. B katsayının karesini almamış (2 · 4); C sabiti varyanstan çıkarmış (16 − 3); D x̄ yerine tek gözlemin varyansını kullanmış (4 · 100).

▭Boşluk doldurma standart hata

σ = 15 olan bir anakütleden 25 birimlik örneklem alınıyor. x̄'ın standart hatası olur; μ = 100 iken x̄ = 106 gözlenirse standart değer Z = bulunur.

320,60,49
DAĞILIM · KAVRAM

t, χ² ve F: normalden doğan üç dağılım

İstatistik · Matematiksel İstatistik · Okuma 5 dk · 2 etkinlik

✎Konu anlatımı

Ki-kare, t ve F dağılımları nasıl tanımlanır ve aralarındaki ilişki nedir?

Kısa cevap: k bağımsız standart normalin karelerinin toplamı χ²k dağılır (ortalama k, varyans 2k). Z ile ondan bağımsız V ~ χ²k için Z/√(V/k) ~ tk'dır. Bağımsız U ~ χ²m ve V ~ χ²n için (U/m)/(V/n) ~ F(m, n)'dir. Bağları: tk² ~ F(1, k), 1/F ~ F(n, m) ve k büyüdükçe tk standart normale yaklaşır.

Ortalama testinde neden bazen z, bazen t tablosuna bakılır; iki varyansı karşılaştırırken neden F kullanılır? Üçünün de kökü aynı: normal dağılım.

Üç dağılım normalden üç işlemle türetilir. Standart normallerin karesini alıp toplarsan χ² elde edersin; χ² yalnız pozitif değer alır ve sağa çarpıktır. Bir standart normali bağımsız bir χ²'nin ortalamasının köküne bölersen t elde edersin; t simetriktir ama kuyrukları normalden kalındır, çünkü paydadaki tahmin de oynar. İki χ²'yi kendi sd'lerine bölüp oranlarsan F elde edersin.

t dağılımı aynı noktadan sonra daha çok alan bırakır; bu yüzden t'nin kritik değerleri z'ninkilerden büyüktür. sd arttıkça iki eğri üst üste biner.Görsel: Sınav Defteri
Üç dağılımın kimliği
DağılımTanımBeklenen değerVaryansNerede?
χ²kZ₁² + … + Zk²k2ktek varyans, uyum ve bağımsızlık
tkZ / √(V/k)0 (k > 1)k/(k − 2) (k > 2)σ bilinmeyen ortalama, regresyon katsayısı
F(m, n)(U/m) / (V/n)n/(n − 2) (n > 2)ayrıntısı sınav dışıiki varyans, varyans analizi

Normal anakütlede x̄ ile s² bağımsızdır; bu yüzden (x̄ − μ)/(s/√n), pay standart normal ve payda bağımsız bir χ²'den gelen, n − 1 sd'li t'dir. Aynı mantıkla iki bağımsız normal örneklemde (s₁²/σ₁²)/(s₂²/σ₂²) ~ F(n₁ − 1, n₂ − 1).

Çözümlü örnek

Z ~ N(0, 1) ile V ~ χ²9 bağımsızdır. 3Z/√V hangi dağılıma uyar; karesi hangi dağılıma uyar?

  1. 3Z/√V = Z/√(V/9): standart normal bölü kendi sd'sine bölünmüş χ²'nin kökü ⇒ t9.
  2. Karesi Z²/(V/9): Z² ~ χ²1 olduğundan (χ²1/1)/(χ²9/9) ⇒ F(1, 9).

Cevap: t9; karesi F(1, 9).

Çözümlü örnek · tablo bağı

t0,025; 10 = 2,228 olduğuna göre F0,05; 1, 10 kaçtır?

  1. |T| > 2,228 olasılığı iki kuyrukla 0,05'tir; T² > 2,228² olayı bu iki kuyruğun birleşimidir.
  2. F0,05; 1, 10 = 2,228² ≈ 4,96.

Cevap: 4,96 (t'nin iki yönlü α'sı, F'nin tek yönlü α'sı olur).

Akılda kalsın: Kare al-topla: χ². Normali χ²'ye böl: t. χ²'yi χ²'ye böl: F. Her bölmede χ² kendi sd'sine bölünür. χ²k'nın ortalaması k, varyansı 2k.
Sınavda

Nasıl sorulurBağımsız normal değişkenlerden kurulan bir ifadenin dağılımı ve sd'si sorulur; öncüllü sorularda χ²'nin ortalaması-varyansı, t² = F bağı ve t'nin normale yakınsaması yoklanır.

TuzakΧ²'yi sd'sine bölmeden t ya da F kurmak, χ²k'nın varyansını k sanmak ve F'nin sd'lerini yer değiştirmektir.

⇄Bilgi eşleştirme ifade ↔ dağılım

?Soru çöz

t, χ² ve F dağılımlarına ilişkin aşağıdaki ifadelerden hangileri doğrudur?
I. T ~ tk ise T² ~ F(1, k)'dır.
II. χ²k dağılımının varyansı k'dır.
III. Serbestlik derecesi büyüdükçe t dağılımı standart normal dağılıma yaklaşır.

✓ C. I: T² = Z²/(V/k), pay χ²1 olduğundan F(1, k). III: paydadaki V/k, k büyüdükçe 1'e yaklaşır. II yanlıştır: χ²k'nın ortalaması k, varyansı 2k'dır. A III'ü atlar; B ve D ortalama ile varyansı karıştırır.
TAHMİN · KAVRAM

Yansızlık, yan ve hata kareler ortalaması

İstatistik · Matematiksel İstatistik · Okuma 5 dk · 2 etkinlik

✎Konu anlatımı

Yansız tahmin edici nedir, hata kareler ortalaması nasıl hesaplanır?

Kısa cevap: θ̂ tahmin edicisi için E(θ̂) = θ ise θ̂ yansızdır; aradaki fark yan(θ̂) = E(θ̂) − θ'dır. Hata kareler ortalaması HKO = E(θ̂ − θ)² = Var(θ̂) + yan²'dir. İki yansız tahmin ediciden varyansı küçük olan daha etkindir. x̄, p̂ ve s² yansızdır; paydası n olan varyans tahmin edicisi yanlıdır.

İki denetçi aynı birimin ortalama işlem süresini tahmin ediyor. Birinin tahminleri doğru merkez etrafında ama çok dağınık, ötekininki hep biraz yukarıda ama dar bir alanda. Hangisi daha iyi tahmin eder?

Tahmin edici, örneklemden hesaplanan bir kuraldır (θ̂ = x̄ gibi); kendisi de bir rastgele değişkendir ve iyi olup olmadığı örnekleme dağılımından anlaşılır. Yansızlık dağılımın merkezinin hedefte olmasıdır; varyans, atışların ne kadar dağınık olduğudur. HKO ikisini tek sayıda toplar: HKO = Var + yan². Yanlı ama çok dar bir tahmin edici, yansız ama dağınık olandan daha küçük HKO'ya sahip olabilir.

Tanımlayıcı istatistik sayfasında gördüğümüz n − 1 paydasının nedeni burada: E[Σ(Xi − x̄)²] = (n − 1)σ². Bu yüzden s² = Σ(Xᵢ − x̄)²/(n − 1) yansızdır; aynı toplamı n'ye bölen σ̂²'nin beklenen değeri (n − 1)σ²/n, yanı −σ²/n olur. Yan n büyüdükçe sıfıra gider: σ̂² asimptotik yansızdır. s² yansız olsa da s, σ için yanlıdır; karekök doğrusal olmadığı için beklenen değerin içinden geçmez.

yan(θ̂) = E(θ̂) − θ HKO(θ̂) = Var(θ̂) + [yan(θ̂)]² göreli etkinlik = Var(θ̂₂) / Var(θ̂₁)Göreli etkinlik 1'den büyükse θ̂₁ daha etkindir (iki tahmin edici de yansızken).
Çözümlü örnek · sınav düzeyi

X₁, X₂, X₃ ortalaması μ, varyansı σ² olan bir anakütleden bağımsız gözlemlerdir. T₁ = (X₁ + X₂ + X₃)/3, T₂ = (X₁ + 2X₂ + X₃)/4, T₃ = (X₁ + X₂)/3 tahmin edicilerini karşılaştırın.

  1. Beklenen değerler: E(T₁) = μ, E(T₂) = (1 + 2 + 1)μ/4 = μ, E(T₃) = 2μ/3. T₁ ve T₂ yansız, T₃'ün yanı −μ/3.
  2. Varyanslar (katsayıların kareleri): Var(T₁) = 3σ²/9 = σ²/3, Var(T₂) = (1 + 4 + 1)σ²/16 = 3σ²/8.
  3. σ²/3 < 3σ²/8 ⇒ T₁ daha etkin; göreli etkinlik (3/8)/(1/3) = 9/8.
  4. T₃'ün varyansı 2σ²/9 en küçüğüdür ama HKO(T₃) = 2σ²/9 + μ²/9; μ büyüdükçe yan baskın çıkar.

Cevap: T₁ ve T₂ yansız, T₁ daha etkin; T₃ yanlı.

✔ Doğru

  • Katsayıları toplamı 1 olan her ağırlıklı ortalama μ için yansızdır.
  • Eşit ağırlıklı ortalamanın varyansı en küçüktür.
  • HKO = Var + yan², yansızda HKO = Var.

✘ Sık yapılan hata

  • Varyansı en küçük tahmin ediciyi, yanlı olsa da "en iyi" saymak.
  • Var(X₁ + X₂ − X₃)'ü σ² yazmak (doğrusu 3σ²: eksi işaret de karede kaybolur).
  • s² yansız diye s'yi de yansız sanmak.
Akılda kalsın: Yansızlık merkez, varyans dağınıklık, HKO ikisinin toplamı. Beklenen değerde katsayılar toplanır, varyansta katsayıların kareleri toplanır.
Sınavda

Nasıl sorulurGözlemlerin doğrusal birleşimleri olarak verilen tahmin edicilerden hangilerinin yansız olduğu ve hangisinin daha etkin olduğu öncüllü sorulur; yan ve varyans verilip HKO istenir.

TuzakVaryansta katsayıların karesini almamak, eksi katsayının varyansı azalttığını sanmak ve HKO'da yanın karesini unutmaktır.

?Soru çöz

X₁, X₂, X₃ ortalaması μ, varyansı σ² olan bir anakütleden bağımsız gözlemlerdir. W₁ = (X₁ + X₂)/2, W₂ = (2X₁ + X₂ + X₃)/4 ve W₃ = X₁ + X₂ − X₃ tahmin edicileri için aşağıdakilerden hangileri doğrudur?
I. Üçü de μ için yansızdır.
II. W₂, W₁'den daha etkindir.
III. W₃'ün varyansı σ²'dir.

✓ B. I: katsayı toplamları 1, 1 ve 1 − 1 + 1 = 1. II: Var(W₁) = σ²/2, Var(W₂) = (4 + 1 + 1)σ²/16 = 3σ²/8 daha küçük. III yanlıştır: Var(W₃) = (1 + 1 + 1)σ² = 3σ²; eksi katsayının karesi de 1'dir. A II'yi atlar; C ve D eksi işaretin varyansı azalttığını sanır.

▭Boşluk doldurma HKO

Bir tahmin edicinin beklenen değeri θ + 2, varyansı 3'tür. Bu tahmin edicinin yanı ve hata kareler ortalaması olur.

275−213
TAHMİN · TEOREM

Cramér–Rao alt sınırı, tutarlılık ve yeterlilik

İstatistik · Matematiksel İstatistik · Okuma 6 dk · 2 etkinlik

Önce hatırlaKesikli rastgele değişkenin olasılık fonksiyonu nedir, Bernoulli ve kesikli düzgün dağılımın ortalaması ve varyansı nasıl bulunur?Bu konunun bağlandığı sayfadan (Kesikli dağılımlar). Önce kendin cevapla, sonra aç.

Kesikli rastgele değişken sayılabilir değerler alır; olasılık fonksiyonu p(x) = P(X = x) her değerde negatif değildir ve toplamı 1'dir. Bernoulli dağılımı tek denemelik başarı/başarısızlıktır: E(X) = p, Var(X) = p(1 − p). {1, …, n} üzerinde kesikli düzgün dağılımda E(X) = (n + 1)/2, Var(X) = (n² − 1)/12'dir.

Olasılık fonksiyonu, Bernoulli, kesikli düzgün

Hatırladın mı?

✎Konu anlatımı

Cramér–Rao alt sınırı nedir, tutarlı ve yeterli tahmin edici ne demektir?

Kısa cevap: Yansız bir tahmin edicinin varyansı Cramér–Rao alt sınırı 1/[n · I(θ)]'dan küçük olamaz; I(θ) tek gözlemin Fisher bilgisidir. Varyansı bu sınıra eşit yansız tahmin edici etkindir. Tutarlı tahmin edici n büyüdükçe θ'ya olasılıkta yakınsar. Yeterli istatistik, örneklemin θ hakkındaki bilgisinin tamamını taşır ve çarpanlara ayırma ölçütüyle bulunur.

Bir araştırmacı, x̄'tan daha az oynayan yansız bir tahmin edici aramaya haftalar harcıyor. Matematik bazen baştan "daha iyisi yok" der; bunu nasıl bilebiliriz?

Fisher bilgisi, tek bir gözlemin θ hakkında ne kadar bilgi taşıdığını ölçer: I(θ) = −E[∂² ln f(X; θ)/∂θ²]. Bilgi büyükse olabilirlik fonksiyonu sivri, tahmin kesindir; n bağımsız gözlemde bilgi n katına çıkar. Cramér–Rao eşitsizliği yansız tahmin edicilerin varyansına bir taban koyar; tabana oturan tahmin edici kendi sınıfında yenilemez.

Var(θ̂) ≥ 1n · I(θ) f(x₁, …, xn; θ) = g(T; θ) · h(x₁, …, xn)İkinci eşitlik çarpanlara ayırma (Fisher–Neyman) ölçütüdür: ortak fonksiyon böyle yazılabiliyorsa T yeterlidir; h θ içermez.
Sık sorulan üç durumda Cramér–Rao sınırı
DağılımI(θ)Alt sınırSınıra oturanYeterli istatistik
N(μ, σ²), σ bilinen1/σ²σ²/nx̄ΣXᵢ
Poisson(λ)1/λλ/nx̄ΣXᵢ
Bernoulli(p)1/[p(1 − p)]p(1 − p)/np̂ = x̄ΣXᵢ

Poisson satırını Kesikli dağılımlar sayfasında gördüğümüz Var(X) = λ bilgisiyle sınayabilirsin: Var(x̄) = λ/n, tam sınır kadardır; x̄ etkindir.

Tutarlılık

θ̂ₙ, her ε > 0 için P(|θ̂n − θ| > ε) → 0 sağlıyorsa tutarlıdır. Pratik yeter koşul: HKO → 0, yani yan da varyans da sıfıra gider. Paydası n olan σ̂² yanlıdır ama tutarlıdır. Tersine, yalnız X₁'i kullanan tahmin edici yansızdır ama tutarsızdır: n ne kadar büyürse büyüsün varyansı σ²'de kalır.

Yeterlilik

Poisson örnekleminde ortak olasılık e−nλ λΣxᵢ · 1/∏xᵢ! biçimindedir: θ'lı parça verinin yalnız Σxᵢ'sine bağlıdır, öteki çarpan λ içermez. Bu yüzden ΣXᵢ (ya da x̄) yeterlidir; gözlemlerin sırası ve tek tek değerleri λ hakkında ek bilgi taşımaz. Düzgün(0, θ)'da yeterli istatistik en büyük gözlemdir.

Çözümlü örnek

Ortalaması μ, varyansı σ² olan bir anakütleden n bağımsız gözlemle T = ΣXᵢ/(n + 1) tahmin edicisi kuruluyor. T yansız mıdır, tutarlı mıdır?

  1. E(T) = nμ/(n + 1) ≠ μ ⇒ yanlı; yan = −μ/(n + 1) → 0 (asimptotik yansız).
  2. Var(T) = nσ²/(n + 1)² → 0.
  3. HKO = Var + yan² → 0 ⇒ tutarlı.

Cevap: yanlı ama tutarlı.

Ek bilgi: Rao–Blackwell ve Lehmann–Scheffé

Rao–Blackwell teoremi, yansız bir tahmin edicinin yeterli istatistiğe göre koşullu beklenen değerinin de yansız olduğunu ve varyansının artmadığını söyler. Yeterli istatistik ayrıca tamsa (Lehmann–Scheffé), ona dayanan yansız tahmin edici düzgün en küçük varyanslı yansız tahmin edicidir (DEKVYT). Cramér–Rao sınırına oturmayan durumlarda da en iyi yansız tahmin edici bu yolla bulunur.

Akılda kalsın: Cramér–Rao taban, etkin tahmin edici tabana oturan. Tutarlılık için HKO sıfıra gitmeli; yansız olmak ne gerekli ne yeterli. Yeterli istatistik "verinin özeti, bilgiden kayıpsız".
Sınavda

Nasıl sorulurDağılımı verilen bir örneklemde Cramér–Rao alt sınırı ya da Fisher bilgisi sorulur; bir tahmin edicinin tutarlılığı veya çarpanlara ayırmayla yeterli istatistik istenir.

TuzakSınırı n · I(θ) diye ters yazmak, yanlı tahmin edicinin tutarlı olamayacağını sanmak ve yansız her tahmin ediciyi tutarlı saymaktır.

⇄Bilgi eşleştirme özellik ↔ tanım

?Soru çöz

Poisson(λ) dağılımından n birimlik bağımsız bir örneklem alınıyor; tek gözlemin Fisher bilgisi I(λ) = 1/λ'dır. Buna göre aşağıdakilerden hangisi doğrudur?

✓ D. E(x̄) = λ; Poisson'da Var(X) = λ olduğu için Var(x̄) = λ/n = 1/[n · (1/λ)], sınıra eşit. A sınırı ters kurmuş (n · I(λ)'yı sınır sanmış); B Poisson varyansını λ² almış; C sıranın λ hakkında bilgi taşıdığını sanmış, çarpanlara ayırmada θ'lı parça yalnız Σxᵢ'ye bağlıdır.
TAHMİN · YÖNTEM

Momentler yöntemi ve en çok olabilirlik (EÇOT)

İstatistik · Matematiksel İstatistik · Okuma 5 dk · 2 etkinlik

✎Konu anlatımı

Momentler yöntemi ve en çok olabilirlik tahmin edicisi nasıl bulunur?

Kısa cevap: Momentler yöntemi örneklem momentlerini (x̄, Σxᵢ²/n) anakütle momentlerine eşitleyip parametreyi çözer. En çok olabilirlik yöntemi gözlenen veriyi en olası kılan θ'yı seçer: L(θ) = ∏f(xᵢ; θ) ya da ln L en büyüklenir. EÇOT değişmezdir: θ̂, θ'nın EÇOT'u ise g(θ̂) de g(θ)'nın EÇOT'udur. EÇOT yansız olmak zorunda değildir.

Bir belediyenin çağrı merkezine beş ayrı dakikada 2, 0, 3, 1, 4 çağrı geldi; sayılar Poisson dağılımına uyuyor. Bir dakikada hiç çağrı gelmeme olasılığı nasıl tahmin edilir?

Momentler yöntemi en sade fikirdir: anakütlenin ilk momenti E(X) θ'ya bağlı bir ifadeyse onu x̄'a eşitle ve çöz; iki parametre varsa ikinci momenti de kullan. En çok olabilirlik ise soruyu tersine çevirir: veri sabit, θ değişken; hangi θ bu veriyi en olası kılar? Çarpımın türevi zor olduğu için logaritma alınır; ln artan bir fonksiyon olduğundan en büyük nokta değişmez.

Çözümlü örnek · Poisson

Giriş sorusundaki veriyle λ'nın EÇOT'unu ve P(X = 0)'ın EÇOT'unu bulun.

  1. ln L(λ) = −nλ + (Σxᵢ) ln λ − Σ ln xᵢ!
  2. d ln L/dλ = −n + Σxᵢ/λ = 0 ⇒ λ̂ = x̄ = 10/5 = 2; ikinci türev −Σxᵢ/λ² < 0, en büyük nokta.
  3. P(X = 0) = e−λ; değişmezlikle EÇOT'u e−2 ≈ 0,135.

Cevap: λ̂ = 2, P̂(X = 0) ≈ 0,135

Çözümlü örnek · iki yöntem ayrışınca

Düzgün(0, θ) dağılımından 3, 7, 5, 9 gözlenmiştir. θ'nın momentler tahmini ve EÇOT'u kaçtır?

  1. E(X) = θ/2 ⇒ θ/2 = x̄ = 6 ⇒ momentler tahmini θ̃ = 2x̄ = 12.
  2. L(θ) = 1/θ⁴, yalnız θ ≥ 9 için (her gözlem θ'dan küçük olmalı). L, θ arttıkça azalır; izin verilen en küçük θ seçilir.
  3. EÇOT θ̂ = max Xᵢ = 9. Türev sıfırlanmaz; sınırda biten bir en büyükleme.

Cevap: momentler 12, EÇOT 9. EÇOT yanlıdır: E(max Xᵢ) = nθ/(n + 1).

Sık sorulan tahmin ediciler
Dağılım · parametreMomentler yöntemiEÇOTEÇOT yansız mı?
Bernoulli · px̄x̄evet
Poisson · λx̄x̄evet
Üstel(λ), oyf λe−λx · λ1/x̄1/x̄hayır
Normal · μx̄x̄evet
Normal · σ²Σ(xᵢ − x̄)²/nΣ(xᵢ − x̄)²/nhayır (s² yansız)
Düzgün(0, θ) · θ2x̄max Xᵢhayır
Akılda kalsın: Momentler: "ortalamayı eşitle". EÇOT: "veriyi en olası kılan θ". Destek θ'ya bağlıysa (düzgün dağılım) türev alma, sınıra bak. Değişmezlik: λ̂ = 2 ise e−λ'nın EÇOT'u e−2.
Sınavda

Nasıl soruluroyf ve veri verilip momentler tahmini ya da EÇOT hesaplatılır; değişmezlikle bir fonksiyonun (1/λ, e−λ, σ) EÇOT'u istenir.

TuzakDüzgün dağılımda türevi sıfıra eşitlemeye çalışmak, normal varyansın EÇOT'unu s² sanmak ve iki yöntemin her zaman aynı sonucu verdiğini düşünmektir.

↕Sırala EÇOT adımları

  1. ln L'nin θ'ya göre türevini al ve sıfıra eşitle
  2. L(θ) = ∏ f(xᵢ; θ) olabilirlik fonksiyonunu yaz
  3. İkinci türevin negatif olduğunu (en büyük noktayı) doğrula
  4. Logaritma al: ln L(θ) = Σ ln f(xᵢ; θ)
  5. Denklemi θ için çöz

?Soru çöz

Düzgün(0, θ) dağılımından alınan bir örneklemde 2, 8, 5, 3, 7 değerleri gözlenmiştir. θ'nın momentler yöntemiyle tahmini ve en çok olabilirlik tahmini sırasıyla kaçtır?

✓ A. x̄ = 5 ve E(X) = θ/2 ⇒ θ̃ = 10; L(θ) = θ⁻⁵, θ ≥ 8'de azalan ⇒ θ̂ = max = 8. B x̄'ı doğrudan θ sanmış (θ/2'yi unutmuş); C iki yöntemin aynı sonucu verdiğini varsaymış; D iki tahmini yer değiştirmiş.
TAHMİN · FORMÜL

Güven aralığı: ortalama, oran, varyans ve örneklem büyüklüğü

İstatistik · Matematiksel İstatistik · Okuma 6 dk · 2 etkinlik

✎Konu anlatımı

Güven aralığı nasıl hesaplanır ve %95 güven düzeyi ne anlama gelir?

Kısa cevap: Güven aralığı = nokta tahmin ± kritik değer × standart hata. μ için σ biliniyorsa x̄ ± zα/2σ/√n, bilinmiyorsa (normal anakütle) x̄ ± tα/2; n−1s/√n; oran için p̂ ± zα/2√[p̂(1 − p̂)/n]. Varyans aralığı χ²'den kurulur ve simetrik değildir. %95 güven, aynı yöntemle kurulan aralıkların uzun vadede %95'inin parametreyi kapsamasıdır.

Bir il müdürlüğü 25 personelin haftalık fazla mesaisini ölçtü: ortalama 80 dakika, standart sapma 10 dakika. Bütün personelin ortalaması için tek bir sayı yerine bir aralık söylemek istiyor.

Aralığın mantığı örnekleme dağılımından gelir: x̄, μ'nün çevresinde standart hata ölçeğinde oynar; o hâlde x̄'ın çevresine aynı ölçekte bir pay konursa μ çoğu zaman içeride kalır. μ sabittir, rastgele olan aralıktır. Hesaplanmış tek bir aralık için "μ %95 olasılıkla bu aralıktadır" demek yanlıştır; μ ya içindedir ya değildir. Güven düzeyi yöntemin başarı oranıdır.

Her örneklem kendi aralığını verir. Güven düzeyi, aralıkların ne kadarının μ'yü yakaladığıdır; tek bir aralığın μ'yü içerme olasılığı değildir.Görsel: Sınav Defteri
x̄ ± tα/2; n−1 · s/√n p̂ ± zα/2 √[p̂(1 − p̂)/n] ( (n − 1)s²χ²α/2; n−1 ; (n − 1)s²χ²1−α/2; n−1 )Varyans aralığında büyük χ² değeri alt sınırı, küçük χ² değeri üst sınırı verir.
Çözümlü örnek · ortalama

Girişteki veriyle, süreler normal kabul edilerek μ için %95 güven aralığı nedir? (t0,025; 24 = 2,064)

  1. σ bilinmiyor, anakütle normal: t, sd = 24. Standart hata 10/√25 = 2.
  2. Hata payı 2,064 · 2 = 4,128.
  3. 80 ± 4,128 ⇒ (75,87; 84,13).

Cevap: (75,87; 84,13) dakika

Çözümlü örnek · varyans

Normal bir anakütleden 16 birimlik örneklemde s² = 18 bulunmuştur. σ² için %95 güven aralığı nedir? (χ²0,025; 15 = 27,49; χ²0,975; 15 = 6,26)

  1. (n − 1)s² = 15 · 18 = 270.
  2. Alt sınır 270/27,49 ≈ 9,82, üst sınır 270/6,26 ≈ 43,12.

Cevap: (9,82; 43,12). s² = 18 aralığın ortasında değildir; χ² sağa çarpık.

Çözümlü örnek · örneklem büyüklüğü

σ = 15 bilinirken μ'yü %95 güvenle en çok 3 birim hata payıyla tahmin etmek için en az kaç gözlem gerekir? (z0,025 = 1,96)

  1. n = (zα/2σ/E)² = (1,96 · 15/3)² = 9,8² = 96,04.
  2. Hata payı 3'ü aşmasın diye yukarı yuvarlanır: 97.

Cevap: 97

Durum → güven aralığı
Parametre ve durumAralıkDağılım
μ, σ biliniyorx̄ ± zα/2 σ/√nN(0, 1)
μ, σ bilinmiyor, anakütle normalx̄ ± tα/2 s/√nt, sd = n − 1
p, n büyükp̂ ± zα/2 √[p̂(1 − p̂)/n]yaklaşık N(0, 1)
σ², anakütle normal[(n − 1)s²/χ²α/2; (n − 1)s²/χ²1−α/2]χ², sd = n − 1
μ₁ − μ₂, σ'lar bilinmiyor ve eşit(x̄₁ − x̄₂) ± tα/2 sp√(1/n₁ + 1/n₂)t, sd = n₁ + n₂ − 2
p₁ − p₂, n'ler büyük(p̂₁ − p̂₂) ± zα/2 √[p̂₁(1 − p̂₁)/n₁ + p̂₂(1 − p̂₂)/n₂]yaklaşık N(0, 1)

Aralığın genişliği 2zα/2σ/√n'dir: güven düzeyi arttıkça genişler, n arttıkça daralır; genişliği yarıya indirmek dört kat gözlem ister. Aralık ile test arasındaki bağı Hipotez testleri sayfasında göreceğiz: iki yönlü test, μ₀ aralığın dışında kalınca reddeder.

Akılda kalsın: Tahmin ± kritik değer × standart hata. Oranın aralığında p̂, varyansın aralığında χ²'nin iki ayrı ucu kullanılır. Örneklem büyüklüğü her zaman yukarı yuvarlanır.
Sınavda

Nasıl sorulurÖzetlerden ortalama, oran ya da varyans için aralık hesaplatılır; hata payı verilip gereken n sorulur; güven düzeyinin yorumu öncüllü yoklanır.

TuzakΣ bilinmezken z kullanmak, iki yönlü aralıkta zα almak, varyans aralığında χ² değerlerini yer değiştirmek ve n'yi aşağı yuvarlamaktır.

Sınavda işaretle"parametre %95 olasılıkla bu aralıktadır" diyen şık yanlıştır.

?Soru çöz

Standart sapması 15 olduğu bilinen bir anakütlenin ortalaması %95 güvenle, hata payı en çok 3 birim olacak biçimde tahmin edilecektir. Buna göre en az kaç gözlem gerekir? (z0,025 = 1,96; z0,05 = 1,645)

✓ D. n = (1,96 · 15/3)² = 96,04, yukarı yuvarlanır. A iki yönlü aralıkta tek yönlü z0,05 kullanmış ((1,645 · 5)² ≈ 67,7); B aşağı yuvarlamış, 96 gözlemde hata payı 3'ü aşar; C karesini almamış (9,8 ≈ 10).

⇄Bilgi eşleştirme durum ↔ dağılım

Karma tekrar

Önceki 3 sayfadan karışık 10 soru. Sınavdaki gibi konular karışık gelir; hangi konudan olduğunu çözümde görürsün. Birkaç gün sonra yeniden çöz.

?Soru 1

A ve B aynı örnek uzayda tanımlı iki olaydır. Buna göre aşağıdakilerden hangileri her zaman doğrudur?
I. P(A ∩ B) ≤ P(A)
II. P(A ∪ B) ≤ P(A) + P(B)
III. P(A) + P(B) > 1 ise A ile B ayrık olamaz.

✓ D. I: A ∩ B ⊂ A olduğundan olasılığı büyük olamaz. II: toplama kuralında çıkarılan P(A ∩ B) ≥ 0'dır (Boole eşitsizliği). III: ayrık olsalardı P(A ∪ B) = P(A) + P(B) > 1 olurdu, bu da P(S) = 1 aksiyomunu çiğner. A II ile III'ü, B III'ü eksik bırakır: P(S) = 1 sınırı ayrıklığı da yasaklar; C, A ∩ B ⊂ A ilişkisini gözden kaçırır.Kaynak: Olasılık temelleri · Örnek uzay ve aksiyomlar

?Soru 2

X rastgele değişkeninin moment çıkaran fonksiyonu MX(t) = exp[2(eᵗ − 1)]'dir. Buna göre aşağıdakilerden hangileri doğrudur?
I. X, λ = 2 parametreli Poisson dağılımına sahiptir.
II. E(X) = 2 ve Var(X) = 4'tür.
III. M3X(t) = exp[6(eᵗ − 1)]'dir.

✓ A. Biçim Poisson mçf'sidir, λ = 2 (I). II yanlıştır: Poisson'da ortalama da varyans da λ = 2'dir; varyansın ortalamanın karesine eşit olması üstel dağılımın özelliğidir. III yanlıştır: M3X(t) = MX(3t) = exp[2(e3t − 1)]; verilen ifade Poisson(6)'nın mçf'sidir, 3X ise Poisson değildir (yalnız 0, 3, 6, … değerlerini alır). B ve D varyansı ortalamanın karesi sanır; C ve D III'teki ölçek tuzağına düşer.Kaynak: Olasılık temelleri · Moment çıkaran ve karakteristik fonksiyon

?Soru 3

X ve Y, 0 ve 1 değerlerini alan rastgele değişkenlerdir; ortak olasılıklar p(0, 0) = 0,2, p(0, 1) = 0,3, p(1, 0) = 0,2 ve p(1, 1) = 0,3'tür. Buna göre aşağıdakilerden hangileri doğrudur?
I. X ile Y bağımsız değildir.
II. E(Y | X = 1) = 0,6'dır.
III. Cov(X, Y) = 0,3'tür.

✓ A. Marjinaller pX = 0,5; 0,5 ve pY = 0,4; 0,6; dört hücre de marjinallerin çarpımına eşittir, yani X ile Y bağımsızdır ve I yanlıştır. E(Y | X = 1) = 0,3/0,5 = 0,6 (II). III yanlıştır: 0,3 E(XY)'dir; Cov = 0,3 − 0,5 · 0,6 = 0. B ve D E(XY)'yi kovaryans sanmış, B ayrıca koşullu beklenen değeri atlamış; C bağımsızlığı hücreleri marjinal çarpımlarıyla karşılaştırmadan reddetmiş.Kaynak: Kesikli dağılımlar · Ortak kesikli dağılım ve koşullu beklenen değer

?Soru 4

X ~ N(50, 9) ve Y ~ N(40, 16) bağımsız rastgele değişkenlerdir. Buna göre P(X > Y) yaklaşık kaçtır? (Φ(2) = 0,9772; Φ(1,43) = 0,9236; Φ(0,4) = 0,6554)

✓ A. X − Y ~ N(10, 25), σ = 5; P(X − Y > 0) = Φ(10/5) = Φ(2). B standart sapmaları toplamış (3 + 4 = 7, z ≈ 1,43); C varyans 25'i standart sapma gibi kullanmış (z = 0,4); D kuyruğun yönünü ters almış, P(X < Y)'yi vermiş.Kaynak: Sürekli dağılımlar ve stokastik süreçler · Normal dağılım

?Soru 5

Binom dağılımına sahip bir X rastgele değişkeni için E(X) = 6 ve Var(X) = 4,2 olduğuna göre dağılımın parametreleri aşağıdakilerden hangisidir?

✓ B. 1 − p = 4,2/6 = 0,7, p = 0,3, n = 6/0,3 = 20. A p ile 1 − p'yi karıştırmış (ortalama 14 olurdu); C n'yi Var/p ile bulmuş, (1 − p) çarpanını unutmuş; D ortalamayı n sanmış.Kaynak: Kesikli dağılımlar · Binom dağılımı

?Soru 6

X rastgele değişkeninin olasılık yoğunluk fonksiyonu x > 0 için f(x) = 2e−2x, diğer durumlarda 0'dır. Buna göre X'in karakteristik fonksiyonu aşağıdakilerden hangisidir?

✓ D. X ~ Üstel(λ = 2); φ(t) = ∫ eitx 2e−2x dx = 2/(2 − it). A mçf'dir, t yerine it yazılmamış; B integralde üsteki işaret ters alınmış; C λ = 2'yi ortalama sanıp ortalaması 2 olan üstelin fonksiyonunu yazmış (oysa ortalama 1/2).Kaynak: Olasılık temelleri · Moment çıkaran ve karakteristik fonksiyon

?Soru 7

X'in olasılık yoğunluk fonksiyonu 0 ≤ x ≤ 4 için f(x) = k(4 − x), diğer yerlerde 0'dır. Buna göre P(X ≤ 2) kaçtır?

✓ C. Toplam alan 8k = 1, k = 1/8; P(X ≤ 2) = ∫₀² (4 − x)/8 dx = 6/8 = 0,75. A dağılımı düzgün sanmış (2/4); B öteki kuyruğu, P(X > 2)'yi hesaplamış (aynı sayı f(2)'dir, yoğunluk olasılık sanılırsa da çıkar); D k'yı olasılık sanmış.Kaynak: Sürekli dağılımlar ve stokastik süreçler · Olasılık yoğunluk fonksiyonu, sürekli düzgün

?Soru 8

X'in olasılık yoğunluk fonksiyonu x > 0 için f(x) = 0,25e−0,25x'tir. Buna göre aşağıdakilerden hangileri doğrudur?
I. E(X) = 4 ve Var(X) = 16'dır.
II. X'in medyanı ortalamasına eşittir.
III. P(X > 8 | X > 4) = P(X > 4)'tür.

✓ D. λ = 0,25: ortalama 1/λ = 4, varyans 1/λ² = 16 (I); belleksizlik gereği geçen 4 birim hesaba girmez (III). II yanlıştır: medyan 4 ln 2 ≈ 2,77 < 4; dağılım sağa çarpıktır. A belleksizliği görmez; B üstelin ortalama ve varyansını (1/λ ve 1/λ²) kaçırır; C üsteli simetrik sanıp medyanı ortalamaya eşitler.Kaynak: Sürekli dağılımlar ve stokastik süreçler · Üstel, gama ve beta dağılımları

?Soru 9

X'in olasılık fonksiyonu x = 1, 2, 3, 4 için p(x) = x/10, diğer değerlerde 0'dır. Buna göre Var(2X + 1) kaçtır?

✓ D. E(X) = 3, E(X²) = (1 + 8 + 27 + 64)/10 = 10, Var(X) = 10 − 9 = 1; Var(2X + 1) = 2² · 1 = 4. A katsayının karesini almamış; B sabit 1'i varyansa eklemiş; C E(X²)'yi varyans sanmış.Kaynak: Kesikli dağılımlar · Olasılık fonksiyonu, Bernoulli, kesikli düzgün

?Soru 10

X ~ Binom(400; 0,2) olduğuna göre süreklilik düzeltmesiyle normal yaklaşım kullanılarak P(X ≥ 90) yaklaşık kaçtır? (Φ(1,19) = 0,8830; Φ(1,25) = 0,8944; Φ(1,31) = 0,9049)

✓ C. μ = 80, σ = √64 = 8; P(X ≥ 90) ≈ P(Y > 89,5), z = 9,5/8 ≈ 1,19, sonuç 1 − 0,8830 = 0,1170. A süreklilik düzeltmesini atlamış (z = 1,25); B düzeltmeyi ters yöne yapmış (90,5, z ≈ 1,31); D Φ değerini cevap sanmış, sağ kuyruğa geçmemiş.Kaynak: Sürekli dağılımlar ve stokastik süreçler · Büyük sayılar yasası ve merkezi limit teoremi
+
Daha fazla soru çözmek ister misin?Örnekleme dağılımları ve tahmin soruları uygulamaya ekleniyor; şimdilik diğer derslerin sorularını çözebilirsin. Yanlışların Hata Defteri'ne kaydedilir.
Soru çöz →