Nokta Tahmini ve Özellikleri Practice Questions — KPSS İstatistik

Question 1Question →

$X_1, X_2, \dots, X_n$ $(n>1)$ ortalaması $\mu$ ve varyansı $\sigma^2$ olan bir kitleden çekilmiş bağımsız rastgele örneklem olsun. Kitle varyansının en çok olabilirlik tahmin edicisi (MLE) $\hat{\sigma}^2 = \frac{1}{n} \sum_{i=1}^n (X_i - \bar{X})^2$ eşitliği ile verilmektedir.

Bu tahmin edicinin asimptotik yansızlığı ve özellikleri dikkate alındığında aşağıdaki ifadelerden hangisi kesinlikle doğrudur?

Beklenen değeri

E(\hat{\sigma}^2) = \frac{n-1}{n}\sigma^2

olup sonlu örneklemlerde yanlıdır, ancak

\lim_{n\to\infty} E(\hat{\sigma}^2) = \sigma^2

olduğundan asimptotik yansızdır.

En çok olabilirlik tahmin edicileri değişmezlik özelliğine sahip olduğundan, her

n

örneklem çapı için yansızdır ve asimptotik durum incelenmez.

Asimptotik yansız olabilmesi için tahmin edicinin sonlu örneklemlerde de mutlaka yansız olması gerekir, bu nedenle

\hat{\sigma}^2

asimptotik yansız değildir.

Tahmin edici yanlı olduğundan Hata Kareler Ortalaması (MSE) doğrudan varyansına eşittir ve yan miktarı hesaplanamadığından asimptotik limit değeri bulunamaz.

Asimptotik yansızlık kavramı sadece tutarlı tahmin edicilerin yansızlığını tanımladığı için, başlangıçta yanlı olan bu tahmin edici asimptotik yansızlık özelliği gösteremez.

Show answer & explanation

Answer: Beklenen değeri $E(\hat{\sigma}^2) = \frac{n-1}{n}\sigma^2$ olup sonlu örneklemlerde yanlıdır, ancak $\lim_{n\to\infty} E(\hat{\sigma}^2) = \sigma^2$ olduğundan asimptotik yansızdır.

Answer

Doğru ifade, tahmin edicinin beklenen değerinin ((n-1)/n)σ² olduğunu, sonlu örneklemde yanlı iken limit durumunda beklenen değerin σ²'ye eşitlenmesi sebebiyle asimptotik yansız olduğunu belirten seçenektir.

Doğru yanıt, en çok olabilirlik varyans tahmin edicisinin matematiksel gerçekliğine tam olarak uygundur.

n

paydalı tahmin edicinin beklenen değeri

\frac{n-1}{n}\sigma^2

olduğundan sonlu düzeyde yanlıdır. Ancak asimptotik yansızlık tanımı

\lim_{n \to \infty} E(\hat{\theta}_n) = \theta

şeklindedir ve bu limit alındığında

\lim_{n\to\infty} \frac{n-1}{n}\sigma^2 = \sigma^2

eşitliği sağlandığı için tahmin edici asimptotik yansızdır.

Step-by-Step Solution

1

Verilen varyans tahmin edicisinin (MLE) beklenen değerini matematiksel olarak incele.

E(\hat{\sigma}^2) = E\left(\frac{1}{n} \sum (X_i - \bar{X})^2\right) = \frac{n-1}{n}\sigma^2

Örneklem varyansı (

S^2

) paydada

n-1

bulundurduğunda yansızdır. MLE formülünde ise payda

n

olduğu için, yansız varyans değerinin

\frac{n-1}{n}

katı elde edilir.

2

Sonlu bir

n

değeri için yansızlık şartının sağlanıp sağlanmadığını kontrol et.

Yan (Bias) =

E(\hat{\sigma}^2) - \sigma^2 = \frac{n-1}{n}\sigma^2 - \sigma^2 = -\frac{\sigma^2}{n} \neq 0

Beklenen değer doğrudan parametre

\sigma^2

'ye eşit çıkmadığı ve aralarında bir yan miktarı bulunduğu için tahmin edici küçük örneklemlerde yanlıdır.

3

Asimptotik yansızlık tanımını uygulamak için örneklem çapı

n

sonsuza giderken limit al.

\lim_{n \to \infty} E(\hat{\sigma}^2) = \lim_{n \to \infty} \frac{n-1}{n}\sigma^2 = 1 \cdot \sigma^2 = \sigma^2

Örneklem çapı sonsuza giderken tahmin edicinin beklenen değeri kitle parametresine (

\sigma^2

) yaklaşmaktadır. Limit tanımı gereği

\lim_{n \to \infty} Bias(\hat{\sigma}^2) = 0

olduğu için tahmin edici asimptotik olarak yansızdır.

Key Concept

Asimptotik Yansızlık (Asymptotic Unbiasedness)

Estimated Time:1m 30s

Question 2Question →

Bir fiziksel sistemdeki parçacıkların hızlarının büyüklüğünü modellemek için kullanılan Maxwell-Boltzmann dağılımının olasılık yoğunluk fonksiyonu, $\theta > 0$ olmak üzere,

f(x; \theta) = \sqrt{\frac{2}{\pi}} \frac{x^2}{\theta^3} e^{-\frac{x^2}{2\theta^2}}, \quad x > 0

şeklinde verilmektedir.
Bu dağılımdan alınan $n$ birimlik rastgele bir örneklem için bilinmeyen $\theta$ parametresinin yansız bir tahmin edicisinin varyansının alabileceği en küçük değer (Cramer-Rao alt sınırı) aşağıdakilerden hangisidir?
(Bilgi: Bu dağılım için $E(X^2) = 3\theta^2$ dir.)

\frac{\theta^2}{6n}

\frac{\theta^2}{3n}

\frac{6n}{\theta^2}

\frac{\theta^2}{6}

\frac{3\theta^2}{n}

Show answer & explanation

Answer: $\frac{\theta^2}{6n}$

Answer

Bilinmeyen

\theta

parametresi için Cramer-Rao alt sınırı

\frac{\theta^2}{6n}

ifadesidir.

Verilen Maxwell-Boltzmann dağılımının log-olabilirlik fonksiyonunun ikinci türevi hesaplanıp, soruda sağlanan

E(X^2)=3\theta^2

değeri yerine konduğunda, bir gözlem için Fisher bilgisi

I_1(\theta) = 6/\theta^2

olarak bulunur.

n

gözlemden oluşan rastgele örneklem için Cramer-Rao alt sınırı

1 / (n \cdot I_1(\theta))

formülüyle hesaplandığından sonuç

\theta^2 / (6n)

olur.

Step-by-Step Solution

1

Olasılık yoğunluk fonksiyonunun logaritmasını (log-olabilirlik) al.

\ln f(x; \theta) = \ln\left(\sqrt{\frac{2}{\pi}}\right) + 2\ln x - 3\ln\theta - \frac{x^2}{2\theta^2}

Fisher bilgi matrisini bulabilmek için fonksiyonun logaritmasının parametreye göre türevlerine ihtiyaç vardır.

2

Log-olabilirlik fonksiyonunun

\theta

parametresine göre birinci türevini (skor fonksiyonu) hesapla.

\frac{\partial}{\partial \theta} \ln f(x; \theta) = -\frac{3}{\theta} - \frac{x^2}{2} (-2\theta^{-3}) = -\frac{3}{\theta} + \frac{x^2}{\theta^3}

İkinci türeve ulaşmak için önce birinci türev alınmalıdır.

3

Birinci türevin tekrar

\theta

'ya göre türevini alarak ikinci türevi hesapla.

\frac{\partial^2}{\partial \theta^2} \ln f(x; \theta) = \frac{3}{\theta^2} - \frac{3x^2}{\theta^4}

Fisher bilgisi, log-olabilirlik fonksiyonunun ikinci türevinin beklenen değerinin eksi işaretlisi kullanılarak daha kolay hesaplanır.

4

İkinci türevin beklenen değerini eksi ile çarparak tek bir gözlem için Fisher bilgisini (

I_1(\theta)

) bul.

I_1(\theta) = -E\left[ \frac{3}{\theta^2} - \frac{3X^2}{\theta^4} \right] = -\frac{3}{\theta^2} + \frac{3}{\theta^4}E(X^2)

. Verilen

E(X^2)=3\theta^2

yazılırsa:

-\frac{3}{\theta^2} + \frac{3(3\theta^2)}{\theta^4} = -\frac{3}{\theta^2} + \frac{9}{\theta^2} = \frac{6}{\theta^2}

Cramer-Rao alt sınırı formülünün paydasını oluşturan birim Fisher bilgisine ulaşmak.

5

n

çaplı örneklem için CRLB formülünü uygula.

CRLB(\hat{\theta}) = \frac{1}{n \cdot I_1(\theta)} = \frac{1}{n \cdot (6/\theta^2)} = \frac{\theta^2}{6n}

Yansız bir tahmin edicinin minimum varyans sınırını (CRLB) sonuca bağlamak.

Key Concept

Cramer-Rao Eşitsizliği ve Fisher Bilgisi

Question 3Question →

Bir araştırmacı, olasılık yoğunluk fonksiyonu

f(x; \theta) = \begin{cases} \frac{2(\theta - x)}{\theta^2}, & 0 < x < \theta \\ 0, & \text{diğer durumlarda} \end{cases}

ile verilen dağılımdan

n

çaplı

X_1, X_2, \dots, X_n

rastgele örneklemini çekmiştir. Burada

\theta > 0

bilinmeyen bir parametredir.

Neyman Çarpanlara Ayırma Teoremi kullanıldığında, $\theta$ parametresi için en küçük yeterli istatistik (minimal sufficient statistic) aşağıdakilerden hangisidir?

X_{(n)}

\left( \sum_{i=1}^{n} X_i, X_{(n)} \right)

\left( X_{(1)}, X_{(n)} \right)

\left( X_{(1)}, X_{(2)}, \dots, X_{(n)} \right)

\sum_{i=1}^{n} X_i

Show answer & explanation

Answer: $\left( X_{(1)}, X_{(2)}, \dots, X_{(n)} \right)$

Answer

Sıra istatistiklerinin tamamını içeren vektör:

\left( X_{(1)}, X_{(2)}, \dots, X_{(n)} \right)

Olabilirlik fonksiyonu

L(\theta; \mathbf{x}) = \frac{2^n}{\theta^{2n}} I(x_{(n)} < \theta) \prod_{i=1}^n (\theta - x_i) I(x_{(1)} > 0)

olarak yazılır. Neyman Çarpanlara Ayırma Teoremi uyarınca,

\theta

'yı içeren tüm ifadeler ayrıştırılamaz bir bütün olarak yeterli istatistiği tanımlar. Burada

\prod_{i=1}^n (\theta - x_i)

ifadesi

n

. dereceden bir polinomdur ve açılımı örneklemin tüm çapraz çarpım toplamlarını gerektirir. İki farklı örneklem için olabilirlik oranının

\theta

'dan bağımsız olabilmesi için, bu örneklemlerin sıra istatistiklerinin birebir aynı olması gerekir. Bu nedenle, hiçbir bilgi kaybı yaşanmaması adına

(X_{(1)}, X_{(2)}, \dots, X_{(n)})

sıra istatistiklerinin tamamı en küçük yeterli istatistiktir.

Step-by-Step Solution

1

Olabilirlik (likelihood) fonksiyonunu oluşturmak.

L(\theta; \mathbf{x}) = \prod_{i=1}^n \frac{2(\theta - x_i)}{\theta^2} I(0 < x_i < \theta)

Neyman Çarpanlara Ayırma Teoremi'ni uygulamak için örneklemin ortak dağılım fonksiyonu elde edilmelidir.

2

Gösterge (indicator) fonksiyonunu sıra istatistikleri cinsinden tek bir ifadeye dönüştürmek.

\prod_{i=1}^n I(0 < x_i < \theta) = I(x_{(1)} > 0) I(x_{(n)} < \theta)

Tanım kümesinin

\theta

'ya bağlı olan sınırlarını matematiksel olarak izole edebilmek için en küçük ve en büyük sıra istatistikleri kullanılır.

3

Olabilirlik fonksiyonunu yeniden düzenleyerek parametreye (

\theta

) bağlı olan ve olmayan kısımları çarpanlarına ayırmak.

L(\theta; \mathbf{x}) = \left[ \frac{2^n}{\theta^{2n}} I(x_{(n)} < \theta) \prod_{i=1}^n (\theta - x_i) \right] I(x_{(1)} > 0)

Teoremdeki

L = g(T(\mathbf{x}), \theta) \cdot h(\mathbf{x})

formatını sağlamak için verinin

\theta

ile nasıl birleştiği incelenmelidir.

4

g(T, \theta)

fonksiyonundaki

\prod_{i=1}^n (\theta - x_i)

terimini analiz etmek.

Bu çarpım

\theta

'nın

n

. dereceden bir polinomudur. İfadenin açılımı, verilerin ikili, üçlü ve

n

'li tüm çapraz çarpımlarını (temel simetrik polinomları) içerir.

Bu ifadenin daha düşük boyutlu bir istatistiğe (örneğin sadece toplama veya sadece maksimum değere) indirgenip indirgenemeyeceğini test etmek.

5

En küçük yeterli istatistiğe karar vermek.

Polinomun tüm katsayılarının bilinmesi, orijinal veri kümesinin (sırası fark etmeksizin) tamamen bilinmesi ile eşdeğer olduğundan, en küçük yeterli istatistik

(X_{(1)}, X_{(2)}, \dots, X_{(n)})

vektörüdür.

Veri ile parametre arasındaki ilişki hiçbir şekilde tek veya iki boyutlu bir özete indirgenemez, tüm sıra istatistikleri gereklidir.

Key Concept

Neyman Çarpanlara Ayırma Teoremi ile Polinomik Çarpanlarda Yeterlilik Analizi

Question 4Question →

İstatistiksel çıkarımda nokta tahmin edicilerin değerlendirilmesinde kullanılan tamlık (completeness) kavramı ve üstel aileler (exponential families), düzgün en küçük varyanslı yansız tahmin edicilerin (UMVUE) elde edilmesinde kritik bir öneme sahiptir.

Buna göre, tahmin edicilerin tamlık özelliği ve olasılık dağılımlarının üstel aile yapıları ile ilgili aşağıdaki ifadelerden hangisi kesinlikle doğrudur?

Dağılımın tanım kümesi (desteği) bilinmeyen parametreye bağlıysa (örneğin düzgün dağılım

U(0, \theta)

), dağılım üstel aile formuna dönüştürülemediği için Neyman çarpanlara ayırma teoremi uygulanamaz ve bu dağılımlar için yeterli istatistik bulunamaz.

Ortalama ve varyansın aynı parametreye bağlı olduğu

N(\theta, \theta^2)

gibi eğrisel üstel ailelerde (curved exponential families), parametre uzayının boyutu istatistiğin boyutundan küçük olsa da elde edilen minimal yeterli istatistik daima tamdır.

Tam ve yeterli bir istatistik kullanılarak oluşturulan her tahmin edici fonksiyonu, tahmin edilmek istenen parametre için daima yansız ve asimptotik olarak tutarlı bir tahmin edici olmak zorundadır.

k

-parametreli bir üstel ailenin doğal (kanonik) parametre uzayı

\mathbb{R}^k

içerisinde

k

-boyutlu açık bir küme içeriyorsa, bu aileden elde edilen ortak kanonik yeterli istatistik aynı zamanda tamdır.

Lehmann-Scheffé teoremine göre, yeterli bir istatistiğe bağlı herhangi bir yansız tahmin edicinin UMVUE olabilmesi için ilgili istatistiğin tam olması gerekmez; yalnızca minimal yeterli olması yeterlidir.

Show answer & explanation

Answer: $k$ -parametreli bir üstel ailenin doğal (kanonik) parametre uzayı $\mathbb{R}^k$ içerisinde $k$ -boyutlu açık bir küme içeriyorsa, bu aileden elde edilen ortak kanonik yeterli istatistik aynı zamanda tamdır.

Answer

Doğru olan ifade, k-parametreli bir üstel ailenin doğal parametre uzayının k-boyutlu açık bir küme barındırması durumunda kanonik istatistiğin tam olduğunu belirten ifadedir.

Üstel aileler teorisinde tamlık için en belirleyici unsur, doğal (kanonik) parametre uzayının boyutudur. Eğer

k

parametreli bir üstel ailenin doğal parametre uzayı

\mathbb{R}^k

içinde

k

boyutlu bir açık dikdörtgen (veya açık küme) içeriyorsa, bu dağılım ailesinden elde edilen kanonik ortak yeterli istatistik kesin olarak tamdır (complete). Bu özellik, Laplace dönüşümlerinin tekliği teoreminden elde edilir ve Lehmann-Scheffé teoreminin eksiksiz olarak uygulanabilmesi için yegane temeli oluşturur.

Step-by-Step Solution

1

Lehmann-Scheffé teoreminin koşullarını gözden geçirmek.

UMVUE elde etmek için kullanılan yeterli istatistiğin sadece yansız veya minimal yeterli olması yetmez, kesinlikle 'tam' (complete) olması zorunludur.

Tamlık özelliği, istatistiğin fonksiyonları arasında sıfır beklentisine sahip başka bir yansız tahmin edicinin bulunmamasını sağlayarak UMVUE'nin benzersizliğini güvence altına alır.

2

Eğrisel üstel ailelerde (curved exponential families) ve destek kümesi parametreye bağlı dağılımlarda yeterlilik ve tamlık durumunu analiz etmek.

Destek kümesi parametreye bağlı olsa da indikatör fonksiyonu ile yeterli istatistik bulunabilir. Ancak N(θ, θ²) gibi eğrisel ailelerde parametre uzayı bir açık küme (alan) oluşturmadığı için tamlık kuralı bozulur.

Boyut daralması, birbirine bağımlı parametrelerin tamlık için gereken integral tekliğini ortadan kaldırmasına yol açar.

3

Üstel aileler için genel tamlık teoremini uygulamak.

Eğer doğal (kanonik) parametre uzayı k-boyutlu gerçel uzayda bir açık dikdörtgen barındırıyorsa, üstel ailenin doğal yeterli istatistikleri her zaman tamdır kuralı doğrulanır.

Bu teorem, çok değişkenli Laplace ve Fourier dönüşümlerinin özellikleri kullanılarak matematiksel olarak ispatlanmıştır ve istatistik teorisinin temel taşlarından biridir.

Key Concept

Üstel Ailelerde Tamlık Teoremi ve Eğrisel Üstel Aileler

Estimated Time:2m 0s

Question 5Question →

X_1, X_2, \dots, X_n

, parametresi

\lambda > 0

olan Poisson dağılımından alınan

n

çaplı rastgele bir örneklem olsun.

\theta = \lambda e^{-\lambda}

parametresi için başlangıç olarak,

T = \begin{cases} 1, & X_1 = 1 \\ 0, & \text{diğer} \end{cases}

şeklinde tanımlanan yansız bir tahmin edici verilmektedir.

Bu dağılım için $S = \sum_{i=1}^n X_i$ istatistiğinin $\lambda$ için yeterli (ve tam) olduğu bilinmektedir.

Buna göre, Rao-Blackwell teoremi kullanılarak $T$ tahmin edicisinden elde edilen, $\theta$ için minimum varyanslı yansız tahmin edici (UMVUE) aşağıdakilerden hangisidir?

\frac{S}{n} \left(1 - \frac{1}{n}\right)^{S-1}

\frac{S}{n} e^{-S/n}

\left(1 - \frac{1}{n}\right)^S

\frac{S}{n}

\frac{S}{n} \left(1 - \frac{1}{n}\right)^S

Show answer & explanation

Answer: $\frac{S}{n} \left(1 - \frac{1}{n}\right)^{S-1}$

Answer

\frac{S}{n} \left(1 - \frac{1}{n}\right)^{S-1}

Rao-Blackwell teoremine göre

\phi(S) = E[T|S]

minimum varyanslı yansız tahmin edicidir (UMVUE).

T

,

X_1=1

olduğunda 1 değerini alan bir gösterge değişkeni olduğundan

E[T|S=s] = P(X_1=1 | \sum X_i=s)

hesaplanmalıdır. Bu da koşullu olasılık tanımından

P(X_1=1) \cdot P(\sum_{i=2}^n X_i=s-1) / P(\sum_{i=1}^n X_i=s)

formülünden elde edilir. İlgili Poisson olasılık fonksiyonları yerine yazılıp,

e^{-n\lambda}

ve

\lambda^s

terimleri ile

s! / (s-1)! = s

sadeleştirmeleri yapıldığında sonuç

\frac{S}{n} \left(1 - \frac{1}{n}\right)^{S-1}

olarak bulunur.

Step-by-Step Solution

1

Rao-Blackwell tahmin edicisinin koşullu beklenen değer olarak tanımlanmasını yaz.

\phi(S) = E[T | S = s]

Rao-Blackwell teoremine göre yansız bir tahmin edicinin yeterli bir istatistiğe göre koşullu beklenen değeri, varyansı daha düşük veya eşit olan yeni bir yansız tahmin edici üretir.

2

T'nin gösterge (indicator) fonksiyonu olma özelliğini kullanarak beklenen değeri olasılığa çevir.

E[T | S=s] = 1 \cdot P(T=1 | S=s) + 0 \cdot P(T=0 | S=s) = P(X_1=1 | \sum_{i=1}^n X_i = s)

T sadece 1 ve 0 değerlerini aldığından, beklenen değeri doğrudan T=1 olma olasılığına eşittir.

3

Koşullu olasılığı tanımına göre pay ve payda olarak ayır ve bağımsızlık özelliğini kullan.

P(X_1=1 | \sum_{i=1}^n X_i=s) = \frac{P(X_1=1 \text{ ve } \sum_{i=2}^n X_i=s-1)}{P(\sum_{i=1}^n X_i=s)}

Örneklemdeki gözlemler bağımsızdır.

\sum X_i = s

ve

X_1 = 1

ise, geriye kalan

n-1

gözlemin toplamı mecburen

s-1

olmalıdır.

4

İlgili toplamların dağılımlarını belirleyerek olasılık fonksiyonlarını yerine yaz.

X_1 \sim Poisson(\lambda)

,

\sum_{i=2}^n X_i \sim Poisson((n-1)\lambda)

ve

\sum_{i=1}^n X_i \sim Poisson(n\lambda)

.

Bağımsız Poisson değişkenlerinin toplamı da Poisson dağılır ve parametreleri toplanır.

5

Formülde dağılımların karşılıklarını koyarak sadeleştirme işlemini gerçekleştir.

\frac{(\lambda e^{-\lambda}) \cdot \frac{((n-1)\lambda)^{s-1} e^{-(n-1)\lambda}}{(s-1)!}}{\frac{(n\lambda)^s e^{-n\lambda}}{s!}}

Koşullu olasılığın tam matematiksel karşılığını hesaplamak için.

6

Pay ve paydadaki üstel terimleri (

e^{-n\lambda}

),

\lambda^s

terimlerini ve faktöriyelleri sadeleştir.

\frac{\lambda^s (n-1)^{s-1} / (s-1)!}{n^s \lambda^s / s!} = \frac{(n-1)^{s-1}}{n^s} \cdot \frac{s!}{(s-1)!} = \frac{s(n-1)^{s-1}}{n^s}

Sonucu S yeterli istatistiğinin bir fonksiyonu olarak en sade formda yazmak için.

7

Sadeleşen terimi şıklardaki uygun formata dönüştür.

\frac{s}{n} \cdot \frac{(n-1)^{s-1}}{n^{s-1}} = \frac{s}{n} \left(\frac{n-1}{n}\right)^{s-1}

. Yani

\frac{S}{n} \left(1 - \frac{1}{n}\right)^{S-1}

Nihai UMVUE formülü.

Key Concept

Rao-Blackwell Teoremi ile UMVUE Bulma

Question 6Question →

Bir araştırmacı, $(0, 1)$ aralığında değerler alan ve olasılık yoğunluk fonksiyonu

f(x; \lambda) = \begin{cases} \lambda x^{\lambda - 1}, & 0 < x < 1 \\ 0, & \text{diğer durumlarda} \end{cases}

olan bir kitleden $n$ hacimli bir rasgele örneklem ( $X_1, X_2, \dots, X_n$ ) elde etmiştir ( $\lambda > 0$ ).

Buna göre, üstel aile (exponential family) özellikleri dikkate alındığında, $\lambda$ parametresi için tam (complete) ve yeterli istatistik aşağıdakilerden hangisidir?

\sum_{i=1}^n X_i

\max(X_1, X_2, \dots, X_n)

\sum_{i=1}^n \ln(X_i)

\sum_{i=1}^n \ln(1 - X_i)

\sum_{i=1}^n X_i^2

Show answer & explanation

Answer: $\sum_{i=1}^n \ln(X_i)$

Answer

Doğru cevap, doğal parametre ile çarpım durumunda olan

\sum_{i=1}^n \ln(X_i)

ifadesini içeren seçenektir.

Dağılımın ortak olasılık yoğunluk fonksiyonu üstel aile formunda

L(\lambda; \mathbf{x}) = \exp\left( n\ln(\lambda) + (\lambda - 1)\sum_{i=1}^n \ln(x_i) \right)

olarak yazılabilir. Parametre uzayı

\lambda > 0

geçerli bir açık aralık içerdiğinden, bu dağılım tek parametreli düzenli üstel bir ailedir. Üstel aile teoremine göre, doğal parametre

(\lambda - 1)

ile çarpım durumunda olan istatistik

\sum_{i=1}^n \ln(X_i)

tam (complete) ve yeterli istatistiktir.

Step-by-Step Solution

1

Olasılık yoğunluk fonksiyonunu üstel aile standart formunda (

f(x;\theta) = \exp[c(\theta)T(x) + d(\theta) + S(x)]

) yazmak.

f(x; \lambda) = \lambda x^{\lambda - 1} = \exp(\ln(\lambda) + (\lambda - 1)\ln(x))

şeklinde ifade edilir.

Üstel ailelere ait tamlık teoremini uygulayabilmek ve yeterli istatistiği belirlemek için fonksiyonun üstel olarak dönüştürülmesi gerekir.

2

n

hacimli örneklem için ortak olasılık yoğunluk fonksiyonunu (olabilirlik fonksiyonunu) oluşturmak.

L(\lambda; \mathbf{x}) = \prod_{i=1}^n \exp(\ln(\lambda) + (\lambda - 1)\ln(x_i)) = \exp\left( n\ln(\lambda) + (\lambda - 1)\sum_{i=1}^n \ln(x_i) \right)

elde edilir.

Örneklem istatistiğini bulmak için tekil dağılımların çarpımı alınarak ortak dağılım elde edilmelidir.

3

Parametre uzayını kontrol ederek tam ve yeterli istatistiği belirlemek.

Parametre uzayı

\lambda > 0

açık bir aralık içerdiğinden ve dağılım düzenli üstel aile üyesi olduğundan, doğal parametre

(\lambda - 1)

ile çarpım durumunda olan istatistik

\sum_{i=1}^n \ln(X_i)

tam ve yeterli istatistiktir.

Düzenli üstel aile teoremi gereği, tam ve yeterli istatistik her zaman üstel fonksiyondaki doğal parametrenin katsayısı olan fonksiyondur.

Key Concept

Düzenli Üstel Ailelerde Tam ve Yeterli İstatistik

Question 7Question →

Bir kitleden çekilen $X_1, X_2, \dots, X_n$ bağımsız ve aynı dağılımlı (iid) rastgele örnekleminin beklenen değeri $E(X_i) = \mu$ ve varyansı $0 < Var(X_i) = \sigma^2 < \infty$ şeklindedir.

Kitle ortalaması $\mu$ 'yü tahmin etmek amacıyla, örneklem çapı $n \to \infty$ iken aşağıdaki üç farklı tahmin edici tanımlanmıştır:

I. $T_1 = \bar{X}_n + \frac{\ln(n)}{\sqrt{n}}$
II. $T_2 = \frac{X_1 + X_2 + X_3}{3}$
III. $T_3 = \frac{n}{n-1} \bar{X}_n$

Bu tahmin edicilerin yansızlık (unbiasedness) ve tutarlılık (consistency) özellikleri dikkate alındığında, aşağıda verilen ifadelerden hangisi kesinlikle doğrudur?

T_1

yanlı bir tahmin edici olmasına rağmen tutarlıdır;

T_2

ise yansız bir tahmin edici olmasına karşın tutarsızdır.

T_2

tahmin edicisi her örneklem çapı için yansız olduğundan, aynı zamanda tutarlı bir tahmin edicidir.

Tutarlı bir tahmin edicinin her durumda yansız olması zorunlu olduğundan,

T_1

ve

T_3

tahmin edicileri yanlı oldukları için tutarsızdırlar.

T_1

tahmin edicisi yanlı olduğu için Hata Kareler Ortalaması (MSE) hesaplamasında yanlılık dikkate alınmaz ve sadece varyans sıfıra yakınsadığı için asimptotik yansızdır ancak tutarsızdır.

T_3

tahmin edicisinin yanlı olması Hata Kareler Ortalamasının (MSE) varyansından daima küçük olmasına yol açtığından,

T_3

tutarsızdır.

Show answer & explanation

Answer: $T_1$ yanlı bir tahmin edici olmasına rağmen tutarlıdır; $T_2$ ise yansız bir tahmin edici olmasına karşın tutarsızdır.

Answer

Verilen tahmin ediciler analiz edildiğinde,

T_1

'in yanlı fakat tutarlı olduğu,

T_2

'nin ise yansız olmasına rağmen tutarsız olduğu görülmektedir.

T_1

tahmin edicisi beklenen değerine

\frac{\ln(n)}{\sqrt{n}}

kadar yan içerdiği için yanlıdır; ancak

n \to \infty

iken hem varyansı

\left(\frac{\sigma^2}{n}\right)

hem de yan miktarı sıfıra yaklaştığı için Hata Kareler Ortalaması (MSE) sıfır olur ve tutarlılık şartını sağlar. Buna karşın

T_2

tahmin edicisi sadece ilk 3 gözlemi kullandığı için yansız olmasına rağmen varyansı

\frac{\sigma^2}{3}

'te sabit kalır. Varyansı sıfıra gitmediği için olasılıkta yakınsama gerçekleşmez ve tutarsız bir tahmin edicidir.

Step-by-Step Solution

1

T_1

tahmin edicisinin yansızlık ve tutarlılığını analiz et.

E(T_1) = \mu + \frac{\ln(n)}{\sqrt{n}}

olduğundan

T_1

yanlıdır. Ancak

n \to \infty

iken L'Hopital kuralı ile yan miktarı sıfıra yakınsar.

Var(T_1) = \frac{\sigma^2}{n} \to 0

'dır. Hata Kareler Ortalaması

MSE = Var + Bias^2 \to 0

olduğu için

T_1

tutarlıdır.

Bir tahmin edicinin tutarlılığını kanıtlamak için asimptotik olarak hem varyansının hem de yanlılığının karesinin sıfıra gitmesi yeterlidir.

2

T_2

tahmin edicisinin yansızlık ve tutarlılığını analiz et.

E(T_2) = \frac{\mu+\mu+\mu}{3} = \mu

olduğundan yansızdır. Ancak varyansı

Var(T_2) = \frac{\sigma^2}{3}

sabittir ve

n \to \infty

iken sıfıra gitmez. Bu nedenle olasılıkta kitle ortalamasına yakınsayamaz ve tutarsızdır.

Yansız bir tahmin edicinin tutarlı olabilmesi için varyansının limit durumunda sıfıra eşitlenmesi veya farklı bir yolla Chebyshev eşitsizliğini sağlaması gerekir.

3

T_3

tahmin edicisinin özelliklerini değerlendir.

E(T_3) = \frac{n}{n-1}\mu \neq \mu

olduğundan yanlıdır. Yan miktarı

\frac{\mu}{n-1} \to 0

'dır.

Var(T_3) = \frac{n}{(n-1)^2}\sigma^2 \to 0

olduğu için

MSE \to 0

olur ve

T_3

de tutarlıdır.

Tahmin edici yapısındaki katsayıların asimptotik davranışını inceleyerek limit özelliklerini teyit etmek.

4

Seçenekleri elde edilen matematiksel kanıtlarla karşılaştır.

Sadece

T_1

'in yanlı ama tutarlı olduğu ve

T_2

'nin yansız olmasına rağmen tutarsız olduğu ifade edilen seçenek doğru bilgiyi yansıtmaktadır.

Soruda kesinlikle doğru olan yargının tespit edilmesi istenmektedir.

Key Concept

Hata Kareler Ortalaması (MSE) Yoluyla Tutarlılık ve Yansızlık Analizi

Estimated Time:2m 30s

Question 8Question →

Bir üretim sürecindeki belirli bir bileşenin arıza zamanları, aşağıdaki olasılık yoğunluk fonksiyonuna sahip bir dağılım ile modellenmektedir:

f(x; \theta) = \frac{x^{\theta-1} e^{-x/\theta}}{\Gamma(\theta) \theta^\theta}, \quad x > 0

Burada $\theta > 0$ bilinmeyen bir parametredir. $X_1, X_2, \dots, X_n$ bu dağılımdan alınan $n$ hacimli bağımsız ve aynı dağılımlı bir rastgele örneklemi göstermektedir.

Bu model bağlamında üstel aile (exponential family) özellikleri, istatistiklerin tamlığı (completeness) ve yansız tahmin edicilerin tekliği (uniqueness) değerlendirildiğinde, aşağıdakilerden hangisi kesinlikle doğrudur?

Doğal parametre uzayı iki boyutlu bir açık küme içerdiğinden

T = \left( \sum_{i=1}^n \ln X_i, \sum_{i=1}^n X_i \right)

tamdır ve bu istatistiğin her yansız fonksiyonu otomatik olarak benzersiz en iyi yansız tahmin edicidir (UMVUE).

Dağılımın beklenen değeri sadece toplam üzerinden bulunabildiğinden tek boyutlu

T = \sum_{i=1}^n X_i

istatistiği tam ve yeterlidir, bu da yansız tahmin edicinin tekliğini sağlar.

Bu model eğrisel (curved) bir üstel aile oluşturur; ortak yeterli istatistik

T = \left( \sum_{i=1}^n \ln X_i, \sum_{i=1}^n X_i \right)

tam (complete) olmadığı için Lehmann-Scheffe teoremi kullanılarak bu istatistiğe bağlı yansız tahmin edicilerin UMVUE (tek) olduğu doğrudan söylenemez.

Model bir üstel aile formunda ifade edilemez çünkü normalize edici sabit olan

\Gamma(\theta)

parametrenin fonksiyonudur; dolayısıyla tam ve yeterli bir istatistikten ve UMVUE'nin tekliğinden söz edilemez.

İstatistiklerin yansızlık ve tutarlılık özellikleri tamlığı da beraberinde getirdiği için sadece

T = \sum_{i=1}^n \ln X_i

istatistiği tamdır ve bu durum UMVUE'nin tekliğini garanti eder.

Show answer & explanation

Answer: Bu model eğrisel (curved) bir üstel aile oluşturur; ortak yeterli istatistik $T = \left( \sum_{i=1}^n \ln X_i, \sum_{i=1}^n X_i \right)$ tam (complete) olmadığı için Lehmann-Scheffe teoremi kullanılarak bu istatistiğe bağlı yansız tahmin edicilerin UMVUE (tek) olduğu doğrudan söylenemez.

Answer

Doğru seçenek, dağılımın eğrisel (curved) bir üstel aile oluşturduğunu ve

T = \left( \sum_{i=1}^n \ln X_i, \sum_{i=1}^n X_i \right)

ortak yeterli istatistiğinin tam olmadığını, dolayısıyla Lehmann-Scheffe teoreminin doğrudan uygulanamayacağını belirten seçenektir.

Verilen dağılım Gamma(\theta, \theta) dağılımıdır. Üstel aile formunda yazıldığında fonksiyon, doğal parametreleri

\eta_1 = \theta - 1

ve

\eta_2 = -1/\theta

olan iki boyutlu bir yapı sergiler. Ancak bu iki doğal parametre birbirine

\eta_2 = -1/(\eta_1 + 1)

denklemiyle bağlıdır. Doğal parametre uzayı

\mathbb{R}^2

düzleminde bağımsız olarak hareket edemez, yalnızca bir eğri üzerinde tanımlıdır. Bir üstel ailenin tamlık özelliğine sahip olabilmesi için parametre uzayının açık bir dikdörtgen içermesi gerekir. Bu koşul sağlanmadığı için model 'eğrisel (curved) üstel aile' sınıfına girer ve

T = \left( \sum \ln X_i, \sum X_i \right)

ortak yeterli istatistiği tam değildir. İstatistik tam olmadığı için, ona bağlı olarak bulunacak herhangi bir yansız tahmin edicinin Lehmann-Scheffe teoremi bağlamında benzersiz (tek) UMVUE olduğu ispatlanamaz.

Step-by-Step Solution

1

Olasılık yoğunluk fonksiyonunu standart üstel aile formunda yeniden yazın.

f(x; \theta) = \exp\{ (\theta-1)\ln x - \frac{1}{\theta}x - \ln\Gamma(\theta) - \theta\ln\theta \}

Yeterli istatistikleri ve doğal parametreleri matematiksel olarak kesin bir şekilde belirleyebilmek için dağılımın üstel formda (exponential family) ifade edilmesi gerekir.

2

Doğal parametreleri (

\eta

) ve bunlara karşılık gelen yeterli istatistikleri (

T

) tanımlayın.

Elde edilen forma göre doğal parametreler

\eta_1 = \theta - 1

ve

\eta_2 = -1/\theta

'dır. Karşılık gelen ortak yeterli istatistik ise

T = \left(\sum \ln X_i, \sum X_i\right)

olarak bulunur.

Tamlık özelliğinin sorgulanabilmesi için ortak yeterli istatistiğin ve uzay boyutunun tam olarak tespit edilmesi şarttır.

3

Doğal parametre uzayının

\mathbb{R}^2

'de açık bir alt küme (dikdörtgen) içerip içermediğini analiz edin.

Doğal parametreler arasında

\eta_2 = -1/(\eta_1 + 1)

ilişkisi mevcuttur. Bu nedenle parametre uzayı

\mathbb{R}^2

'de sadece tek boyutlu bir eğri oluşturur ve boyutça açık bir küme içermez.

Bir üstel ailede yeterli istatistiğin tam (complete) olabilmesi için, doğal parametre uzayının ilgili boyutlu uzayda açık bir dikdörtgen içermesi matematiksel bir zorunluluktur.

4

Eğrisel (curved) yapının tamlık ve UMVUE (Düzgün En Küçük Varyanslı Yansız Tahmin Edici) varlığı üzerindeki etkisini değerlendirin.

Açık küme koşulu sağlanmadığından dağılım eğrisel üstel ailedir ve T istatistiği tam değildir. Bu eksiklik, Lehmann-Scheffe teoreminin temel şartını ihlal ettiğinden yansız tahmin edicilerin eşsizliğini (uniqueness) garanti edemez.

Lehmann-Scheffe teoremi, en iyi yansız tahmin edicinin tekliğini kanıtlamak için istatistiğin hem yeterli hem de tam olmasını katı bir şekilde gerektirir.

Key Concept

Eğrisel Üstel Ailelerde (Curved Exponential Families) Tamlık ve Lehmann-Scheffe Teoremi

Question 9Question →

$X_1, X_2, \dots, X_n$ rastgele örneklemi, beklenen değeri $0$ ve varyansı $\theta$ olan normal dağılımdan alınmıştır.

Buna göre, $\theta$ parametresinin yansız bir tahmin edicisi için Cramer-Rao alt sınırı (CRLB) aşağıdakilerden hangisidir?

\frac{2\theta^2}{n}

\frac{\theta^2}{n}

\frac{\theta^2}{2n}

\frac{\theta}{n}

\frac{2\theta}{n}

Show answer & explanation

Answer: $\frac{2\theta^2}{n}$

Answer

Cramer-Rao alt sınırı (CRLB)

\frac{2\theta^2}{n}

ifadesine eşittir.

Cramer-Rao alt sınırı (CRLB), yansız bir tahmin edicinin varyansının alabileceği en küçük değeri verir ve

\frac{1}{n \cdot I(\theta)}

formülü ile hesaplanır. Burada

I(\theta)

, tek bir gözlem için Fisher bilgisidir.

N(0, \theta)

dağılımı için log-olabilirlik fonksiyonu

\ln f(x; \theta) = -\frac{1}{2}\ln(2\pi) - \frac{1}{2}\ln(\theta) - \frac{x^2}{2\theta}

şeklindedir.

\theta

'ya göre birinci türev

-\frac{1}{2\theta} + \frac{x^2}{2\theta^2}

ve ikinci türev

\frac{1}{2\theta^2} - \frac{x^2}{\theta^3}

olur. İkinci türevin beklenen değerini alırken

E[X^2] = \theta

eşitliği kullanılır ve beklenen değer

-\frac{1}{2\theta^2}

olarak bulunur. Fisher bilgisi

I(\theta) = \frac{1}{2\theta^2}

olur. Sonuç olarak CRLB,

1 / \left(n \cdot \frac{1}{2\theta^2}\right) = \frac{2\theta^2}{n}

olarak hesaplanır.

Step-by-Step Solution

1

Normal dağılımın olasılık yoğunluk fonksiyonunu yazıp doğal logaritmasını alma.

\ln f(x; \theta) = -\frac{1}{2}\ln(2\pi) - \frac{1}{2}\ln(\theta) - \frac{x^2}{2\theta}

Fisher bilgisi, olasılık yoğunluk fonksiyonunun logaritmasının (log-olabilirlik) türevlerine dayanır.

2

Log-olabilirlik fonksiyonunun

\theta

'ya göre birinci ve ikinci türevlerini alma.

Birinci türev:

-\frac{1}{2\theta} + \frac{x^2}{2\theta^2}

İkinci türev:

\frac{1}{2\theta^2} - \frac{x^2}{\theta^3}

Cramer-Rao alt sınırını hesaplamak için ikinci türevin beklenen değeri formülü kullanılır.

3

İkinci türevin beklenen değerini (

E[X^2] = \theta

bilgisini kullanarak) hesaplama ve Fisher bilgisini (

I(\theta)

) bulma.

E\left[\frac{1}{2\theta^2} - \frac{X^2}{\theta^3}\right] = \frac{1}{2\theta^2} - \frac{\theta}{\theta^3} = -\frac{1}{2\theta^2}

olup,

I(\theta) = -E\left[ \frac{\partial^2}{\partial \theta^2} \ln f(x; \theta) \right] = \frac{1}{2\theta^2}

elde edilir.

Tek bir gözlem için Fisher bilgisi, log-olabilirliğin ikinci türevinin beklenen değerinin eksi işaretlisidir.

4

n

çaplı örneklem için Cramer-Rao alt sınırını hesaplama.

CRLB = \frac{1}{n \cdot I(\theta)} = \frac{1}{n \cdot \frac{1}{2\theta^2}} = \frac{2\theta^2}{n}

Yansız bir tahmin edicinin varyansının alt sınırı (CRLB), toplam Fisher bilgisinin tersine eşittir.

Key Concept

Cramer-Rao Eşitsizliği ve Fisher Bilgisi

Question 10Question →

İstatistiksel çıkarım teorisinde, veri sıkıştırma (data reduction) prensibi gereği bir parametreye yönelik yeterli (sufficient) istatistiğin boyutunun örneklem hacmi $n$ 'den bağımsız olması (sabit boyutlu olması) arzu edilen bir özelliktir. Pitman-Koopman-Darmois teoremine göre, tanım kümesi parametreye bağlı olmayan dağılımlar içinde yalnızca üstel aileye (exponential family) mensup olanlar bu özelliği sağlar. Ayrıca, tanım kümesi parametreye bağlı olan bazı özel dağılımlarda da sabit boyutlu yeterli istatistikler elde edilebilir.

Bir araştırmacı, $X_1, X_2, \dots, X_n$ bağımsız ve aynı dağılımlı rastgele örneklemleri için $\theta$ parametresine ait yeterli istatistiği Neyman Çarpanlara Ayırma Teoremi'ni (Neyman Factorization Theorem) kullanarak belirlemek istemektedir.

Buna göre, aşağıda olasılık yoğunluk fonksiyonları verilen dağılımlardan hangisi için araştırmacı, boyutu örneklem hacmi $n$ 'ye bağlı olarak artmayan (sabit boyutlu) bir yeterli istatistik bulamaz?

f(x; \theta) = \frac{1}{2} e^{-|x-\theta|}, \quad -\infty < x < \infty, \quad \theta \in \mathbb{R}

f(x; \theta) = \theta x^{\theta-1}, \quad 0 < x < 1, \quad \theta > 0

f(x; \theta) = \frac{1}{\theta} e^{-x/\theta}, \quad x > 0, \quad \theta > 0

f(x; \theta) = e^{-(x-\theta)}, \quad x > \theta, \quad \theta \in \mathbb{R}

f(x; \theta) = \frac{1}{\theta}, \quad 0 < x < \theta, \quad \theta > 0

Show answer & explanation

Answer: $f(x; \theta) = \frac{1}{2} e^{-|x-\theta|}, \quad -\infty < x < \infty, \quad \theta \in \mathbb{R}$

Answer

Tanım kümesi parametreye bağlı olmayan ve üstel aile formunda yazılamayan Laplace (Çift Üstel) dağılımının (

f(x; \theta) = \frac{1}{2} e^{-|x-\theta|}

), boyutu örneklem hacminden bağımsız bir yeterli istatistiği bulunamaz. Bu durum için minimal yeterli istatistik, sıra istatistiklerinin (order statistics) tamamıdır.

Çift üstel (Laplace) dağılımında, tanım kümesi

\theta

'dan bağımsız olmasına rağmen dağılım üstel (exponential) aileye ait değildir. Neyman Çarpanlara Ayırma Teoremi uygulandığında, olabilirlik fonksiyonu

L(\theta) = \frac{1}{2^n} \exp(-\sum_{i=1}^n |x_i - \theta|)

şeklini alır. Buradaki

\sum |x_i - \theta|

ifadesi, mutlak değerin parçalı doğrusal yapısı nedeniyle,

\theta

'nın ve verinin sabit boyutlu bir fonksiyonu (örneğin

\sum x_i

veya

\prod x_i

gibi) formunda sıkıştırılamaz.

\theta

'nın herhangi bir noktasında bu ifadenin değerini hesaplayabilmek için örneklemdeki tüm veri noktalarının konumunu (sıralamasını) bilmek gerekir. Dolayısıyla, bu dağılım için minimal yeterli istatistik tüm sıra istatistikleri vektörüdür (

X_{(1)}, X_{(2)}, \dots, X_{(n)}

). Bu vektörün boyutu

n

'dir ve örneklem hacmi büyüdükçe veri sıkıştırması sağlanamaz.

Step-by-Step Solution

1

Seçeneklerdeki fonksiyonların olabilirlik (likelihood) fonksiyonlarını oluşturarak Neyman Çarpanlara Ayırma Teoremi'ni uygulamak.

Her bir dağılım için

L(\theta; \mathbf{x}) = g(T(\mathbf{x})|\theta) \cdot h(\mathbf{x})

ayrıştırması formüle edilir.

Sabit boyutlu yeterli istatistiğin varlığını kontrol etmenin teorik yolu olabilirlik fonksiyonunun

n

'den bağımsız bir

T(\mathbf{x})

üzerinden çarpanlara ayrılabilme durumunu incelemektir.

2

Tanım kümesi parametreye bağlı olmayan ve üstel aileye ait fonksiyonları incelemek.

B seçeneğindeki dağılım için

L(\theta) = \theta^n (\prod x_i)^{\theta-1}

, C seçeneği için

L(\theta) = \theta^{-n} \exp(-\sum x_i / \theta)

elde edilir. Sırasıyla

\prod X_i

ve

\sum X_i

boyutu

1

olan yeterli istatistiklerdir.

Üstel ailenin standart formu gereği, boyutu

n

'den bağımsız (sabit boyutlu) yeterli istatistikler daima mevcuttur.

3

Tanım kümesi parametreye bağlı olan dağılımları, gösterge (indicator) fonksiyonları yardımıyla incelemek.

D seçeneği için

L(\theta) = \exp(n\theta - \sum x_i) I(x_{(1)} > \theta)

üzerinden

X_{(1)}

; E seçeneği için

L(\theta) = \theta^{-n} I(x_{(n)} < \theta)

üzerinden

X_{(n)}

boyutları

1

olan yeterli istatistikler olarak bulunur.

Tanım kümesinin parametreye bağlı olduğu durumlarda uç değerleri belirten sıra istatistikleri sabit boyutlu yeterli istatistik işlevi görür.

4

Laplace dağılımı için olabilirlik fonksiyonunu çarpanlarına ayırmayı denemek.

L(\theta) = \frac{1}{2^n} \exp(-\sum_{i=1}^n |x_i - \theta|)

elde edilir. Toplam içindeki mutlak değer fonksiyonunun parçalı yapısı, ifadeyi

\theta

ve

x_i

'lerin ayrışabilir, sabit boyutlu bir formuna dönüştürmeyi engeller.

\sum |x_i - \theta|

fonksiyonunu

\theta

'nın herhangi bir değeri için tam olarak hesaplayabilmek adına tüm

x_i

değerlerine (veya tüm sıra istatistiklerine) ihtiyaç vardır. Bu nedenle minimal yeterli istatistiğin boyutu

n

'dir ve örneklem hacmiyle birlikte artar.

Key Concept

Neyman Çarpanlara Ayırma Teoremi ve Minimal Yeterli İstatistiğin Boyutluluğu

Question 11Question →

İstatistiksel çıkarım sürecinde temel yapı taşları olan "parametre", "tahmin edici" (estimator) ve "tahmin" (estimate) kavramları ile bu kavramların matematiksel özellikleri hakkında aşağıda verilen ifadelerden hangisi kesinlikle yanlıştır?

Bir parametreyi tahmin etmek amacıyla kullanılan herhangi bir

T(X_1, \dots, X_n)

tahmin edicisinin varyansı, her durumda Hata Kareler Ortalamasına (MSE) eşittir; çünkü örneklem verilerinden hesaplanan bir istatistik doğası gereği sistematik yanlılık (bias) içeremez.

Bilinmeyen

\theta

parametresi sabit bir gerçek sayı iken,

\theta

'nın nokta tahmin edicisi olan

\hat{\theta}

, örneklem uzayından parametre uzayına tanımlı bir fonksiyon (istatistik) olduğu için bir rastgele değişkendir ve yansız olması onun her zaman tutarlı (consistent) olmasını gerektirmez.

Bir

T

tahmin edicisi, yeterli (sufficient) ve yansız bir istatistik olsa bile, tamlık (completeness) özelliği gösteren bir istatistik ailesine dayanmıyorsa, Lehmann-Scheffe teoremi gereği Düzgün En Küçük Varyanslı Yansız Tahmin Edici (UMVUE) olduğu garanti edilemez.

Bilinmeyen bir

\theta

parametresini içeren

\frac{\bar{X} - \theta}{S/\sqrt{n}}

gibi bir eksen (pivot) fonksiyonu aralık tahmininde kullanılabilirken, formülünde parametre bulunduğu için nokta tahmin edicisi (istatistik) olarak kullanılamaz.

En çok olabilirlik yöntemiyle (MLE) elde edilen bir tahmin edici, gözlemlere dayanan bir istatistik olmak zorundadır ve parametrenin bir

g(\theta)

fonksiyonunun tahmin edicisi aranırken değişmezlik (invariance) kuralıyla doğrudan

g(\hat{\theta}_{MLE})

yazılması istatistik tanımına aykırı değildir.

Show answer & explanation

Answer: Bir parametreyi tahmin etmek amacıyla kullanılan herhangi bir $T(X_1, \dots, X_n)$ tahmin edicisinin varyansı, her durumda Hata Kareler Ortalamasına (MSE) eşittir; çünkü örneklem verilerinden hesaplanan bir istatistik doğası gereği sistematik yanlılık (bias) içeremez.

Answer

Bir tahmin edicisinin varyansının her durumda Hata Kareler Ortalamasına (MSE) eşit olduğunu ve istatistiklerin yanlılık içeremeyeceğini iddia eden ifade yanlıştır.

Doğru cevap olan ifade, tahmin edicilerin varyansı ile Hata Kareler Ortalamasını (MSE) birbirine eşitleyen ve istatistiklerin yanlılık (bias) içeremeyeceğini iddia eden seçenektir. Matematiksel istatistikte bir istatistik (ve dolayısıyla nokta tahmin edicisi), yalnızca örneklem verilerinin bir fonksiyonudur ve kuralı bilinmeyen parametreyi içermez. Ancak bu durum, onun yansız (unbiased) olmasını garanti etmez. Bir tahmin edicinin beklenen değeri ile gerçek parametre değeri arasındaki farka yan (bias) denir. Tahmin edicinin MSE'si, varyansı ile yan miktarının karesinin toplamına (

MSE = Var(\hat{\theta}) + Bias^2

) eşittir. Bu nedenle, ancak yansız tahmin ediciler için MSE varyansa eşittir; genel durumda istatistiklerin yan barındıramayacağı önermesi kesinlikle yanlıştır.

Step-by-Step Solution

1

Tahmin edici (estimator) ve istatistik kavramlarının matematiksel tanımlarını hatırlayın.

İstatistik, sadece örneklem verilerinin bir fonksiyonudur ve bilinmeyen parametre içeremez.

Kavramsal sınırları netleştirmek.

2

İstatistiklerin yanlılık (bias) durumu ile Hata Kareler Ortalaması (MSE) formülünü gözden geçirin.

Bir istatistik yanlılık barındırabilir. MSE formülü şu şekildedir:

MSE(\hat{\theta}) = Var(\hat{\theta}) + [Bias(\hat{\theta})]^2

.

Varyans ile MSE arasındaki matematiksel ilişkiyi doğrulamak.

3

Seçeneklerde yer alan iddiaları, istatistik tanımı ve MSE özellikleri bağlamında değerlendirin.

Varyansın her zaman MSE'ye eşit olabilmesi için

Bias = 0

(yansızlık) olması gerekir; istatistiklerin doğası gereği yan barındıramayacağı tezi teorik olarak yanlıştır.

Yanlış olan önermeyi kesin olarak tespit etmek.

Key Concept

İstatistik, Nokta Tahmin Edici ve Hata Kareler Ortalaması (MSE) İlişkisi

Question 12Question →

Bir araştırma merkezinde çalışan istatistikçi, kitle ortalaması olan $\mu$ parametresini kestirmek için $n$ çaplı bağımsız ve aynı dağılımlı rastgele örneklem üzerinden iki farklı istatistik tanımlamıştır ( $n \ge 2$ ). Kitle varyansının $\sigma^2$ (sonlu ve sıfırdan farklı) olduğu bilinmektedir.

İstatistikçinin tanımladığı kestiriciler şunlardır:
I. $\hat{\mu}_1 = \frac{n}{n+2} \bar{X}$
II. $\hat{\mu}_2 = \frac{2}{5} X_1 + \frac{3}{5} X_n$

Bu iki kestiricinin büyük örneklem özellikleri (asimptotik davranışları) ve yansızlık durumları dikkate alındığında, aşağıdaki değerlendirmelerden hangisi istatistiksel olarak kesinlikle doğrudur?

\hat{\mu}_1

kestiricisi

\mu

için yanlı bir yapıya sahip olmakla birlikte tutarlılık şartını sağlar;

\hat{\mu}_2

kestiricisi ise yansız olmasına karşın tutarlılık özelliğini göstermez.

Yansız olan her tahmin edici büyük örneklemlerde kitle parametresine yakınsayacağından

\hat{\mu}_2

tutarlıdır,

\hat{\mu}_1

ise yansızlık şartını ihlal ettiği için tutarsızdır.

Her iki kestirici de tutarlıdır çünkü tahmin edicilerin asimptotik olarak beklenen değerleri kitle ortalaması olan

\mu

parametresine eşittir.

\hat{\mu}_1

kestiricisinin Hata Kareler Ortalaması (MSE), varyansına eşit olmadığı için bu kestirici tutarsızdır; tutarlılık ancak MSE ile varyans eşitlendiğinde sağlanır.

İki kestirici de tutarsızdır çünkü tutarlılığın sağlanabilmesi için tahmin edicilerin bütün

n

değerlerinde varyanslarının tam olarak sıfıra eşit olması ve yansız olmaları gerekir.

Show answer & explanation

Answer: $\hat{\mu}_1$ kestiricisi $\mu$ için yanlı bir yapıya sahip olmakla birlikte tutarlılık şartını sağlar; $\hat{\mu}_2$ kestiricisi ise yansız olmasına karşın tutarlılık özelliğini göstermez.

Answer

Doğru yanıt, ilk tahmin edicinin yanlı ama tutarlı, ikinci tahmin edicinin ise yansız ama tutarsız olduğunu belirten seçenektir.

İlk kestirici sonlu örneklemde yanlıdır ancak örneklem çapı sonsuza giderken hem taşıdığı yan miktarı hem de varyansı sıfıra asimptotik olarak yakınsar. Bu nedenle Hata Kareler Ortalaması (MSE) limit durumunda sıfır olur ve olasılıkta yakınsama sağlanarak tutarlılık elde edilir. İkinci kestirici ise gözlem değerlerinin sabit bir doğrusal kombinasyonu olduğundan yansızdır; ancak örneklem hacmi ne kadar büyürse büyüsün, içindeki gözlem sayısı sabit kaldığı için varyansı sabit kalır ve sıfıra gitmez. Dolayısıyla büyük örneklemlerde parametre üzerine yığılmaz ve tutarsızdır.

Step-by-Step Solution

1

\hat{\mu}_1

kestiricisinin beklenen değerini hesaplayarak yansızlığını incelemek.

E(\hat{\mu}_1) = \frac{n}{n+2} E(\bar{X}) = \frac{n}{n+2} \mu

bulunur. Beklenen değer

\mu

'ye eşit olmadığından

\hat{\mu}_1

yanlıdır.

Bir kestiricinin beklenen değeri, kitle parametresine eşit değilse kestirici yanlı kabul edilir.

2

\hat{\mu}_1

kestiricisinin Hata Kareler Ortalaması'nın (MSE) limitini alarak tutarlılığını analiz etmek.

Yan miktarı

-\frac{2\mu}{n+2}

ve varyansı

\left(\frac{n}{n+2}\right)^2 \frac{\sigma^2}{n}

olarak hesaplanır.

n \to \infty

için hem yan miktarı hem de varyans sıfıra yakınsadığından MSE sıfıra gider ve

\hat{\mu}_1

tutarlı olur.

Chebyshev eşitsizliği gereği, Hata Kareler Ortalaması asimptotik olarak sıfıra yakınsayan kestiriciler tutarlıdır.

3

\hat{\mu}_2

kestiricisinin beklenen değerini hesaplayarak yansızlığını incelemek.

E(\hat{\mu}_2) = \frac{2}{5} E(X_1) + \frac{3}{5} E(X_n) = \frac{2}{5}\mu + \frac{3}{5}\mu = \mu

elde edilir. Bu durum

\hat{\mu}_2

'nin yansız olduğunu gösterir.

Doğrusal kombinasyonun katsayıları toplamı 1 olduğu için istatistiğin beklenen değeri kitle ortalamasına eşittir.

4

\hat{\mu}_2

kestiricisinin varyansının asimptotik durumunu analiz etmek.

Var(\hat{\mu}_2) = \left(\frac{2}{5}\right)^2 \sigma^2 + \left(\frac{3}{5}\right)^2 \sigma^2 = \frac{13}{25}\sigma^2

bulunur. Örneklem hacmi artsa bile varyans sıfıra yakınsamaz (sabit kalır). Bu sebeple

\hat{\mu}_2

tutarsızdır.

Tutarlı bir kestiricinin sonsuz örneklemde varyansının sönümlenerek sıfıra çökmesi gerekir.

Key Concept

Yansızlık ve Tutarlılık Kavramlarının Ayrımı (Örneklem Ortalamasının Türevleri)

Question 13Question →

Bir tarım araştırmasında, belirli bir buğday türünün hastalıklara karşı dayanıklılık süresi (ay cinsinden) $X$ rassal değişkeni ile modellenmektedir. $X$ 'in olasılık yoğunluk fonksiyonu aşağıdaki gibidir:

f(x; \theta) = \begin{cases} \frac{3x^2}{\theta^3} e^{-\left(\frac{x}{\theta}\right)^3} & , x > 0 \\ 0 & , \text{diğer durumlarda} \end{cases}

Burada $\theta > 0$ bilinmeyen bir parametredir ve dağılımın tanım kümesi parametreye bağlı değildir. Lehmann-Scheffe teoremine göre, düzgün en küçük varyanslı yansız tahmin ediciyi (UMVUE) bulabilmek için tam (complete) ve yeterli bir istatistiğe ihtiyaç vardır.

Buna göre, dağılım tek parametreli üstel aile (exponential family) formunda ifade edildiğinde, dağılımın doğal (kanonik) parametresi ve $\theta$ için tam ve yeterli istatistiği aşağıdakilerin hangisinde birlikte doğru verilmiştir?

Doğal parametre:

-\frac{1}{\theta^3}

, Tam ve yeterli istatistik:

\sum_{i=1}^{n} X_i

Doğal parametre:

\frac{1}{\theta^3}

, Tam ve yeterli istatistik:

\sum_{i=1}^{n} X_i^3

Doğal parametre:

-\frac{1}{\theta^3}

, Tam ve yeterli istatistik:

\sum_{i=1}^{n} X_i^3

Doğal parametre:

-\frac{3}{\theta}

, Tam ve yeterli istatistik:

\sum_{i=1}^{n} X_i^3

Doğal parametre:

-\frac{1}{\theta}

, Tam ve yeterli istatistik:

\sum_{i=1}^{n} X_i^2

Show answer & explanation

Answer: Doğal parametre: $-\frac{1}{\theta^3}$ , Tam ve yeterli istatistik: $\sum_{i=1}^{n} X_i^3$

Answer

Doğal parametrenin

-\frac{1}{\theta^3}

ve tam/yeterli istatistiğin

\sum_{i=1}^{n} X_i^3

olduğu seçenek doğru cevaptır.

Verilen dağılımı üstel aile genel formuna (

f(x; \theta) = h(x)c(\theta)\exp(w(\theta)t(x))

) dönüştürdüğümüzde, ifade

f(x; \theta) = 3x^2 \cdot \theta^{-3} \cdot \exp\left(-\frac{1}{\theta^3} x^3\right)

şeklini alır. Buradan doğal (kanonik) parametrenin

w(\theta) = -\frac{1}{\theta^3}

ve birim istatistiğin

t(x) = x^3

olduğu açıkça görülür. Rastgele bir örneklem için yeterli istatistik, birim istatistiklerin toplamı olan

\sum_{i=1}^n X_i^3

olur. Kanonik parametre uzayı

(-\infty, 0)

açık bir aralık barındırdığı için, tamlık (completeness) teoremi gereği bu yeterli istatistik aynı zamanda tamdır.

Step-by-Step Solution

1

Dağılım fonksiyonunu standart üstel aile formatına dönüştürmek.

f(x; \theta) = 3x^2 \cdot \frac{1}{\theta^3} \cdot \exp\left(-\frac{1}{\theta^3}x^3\right)

Üstel ailenin kanonik (doğal) parametresini ve istatistiğini belirleyebilmek için uygun matematiksel formülasyon gereklidir.

2

Üstel aile bileşenlerini eşleştirerek doğal parametreyi ve birim istatistiği belirlemek.

Genel form

f(x; \theta) = h(x)c(\theta)\exp(w(\theta)t(x))

ile karşılaştırıldığında, doğal parametre

w(\theta) = -\frac{1}{\theta^3}

ve birim istatistik

t(x) = x^3

olarak bulunur.

Neyman çarpanlara ayırma teoremine göre istatistiği (

t(x)

) ve kanonik parametreyi (

w(\theta)

) tespit etmek için bileşenler ayrıştırılmalıdır.

3

n

çaplı örneklem için ortak yoğunluk fonksiyonunu değerlendirerek yeterli istatistiği bulmak.

Ortak yoğunluk fonksiyonundaki üstel terim

\exp\left(-\frac{1}{\theta^3} \sum_{i=1}^n X_i^3\right)

olur. Bu durumda yeterli istatistik

\sum_{i=1}^n X_i^3

'tür.

Örneklemdeki tüm bağımsız gözlemlerin birleşik bilgisi, birim istatistiklerin toplamı üzerinden ifade edilir.

4

Parametre uzayının tamlık (completeness) koşulunu sağladığını teorik olarak doğrulamak.

Doğal parametre

\eta = -1/\theta^3

için

\theta > 0

olduğundan, parametre uzayı

(-\infty, 0)

açık aralığını oluşturur.

Düzenli üstel ailelerde doğal parametre uzayının açık bir aralık içermesi, yeterli istatistiğin aynı zamanda tam (complete) olduğunu garanti eder.

Key Concept

Üstel Ailelerde Tamlık ve Yeterlilik

Question 14Question →

$X_1, X_2, \dots, X_n$ beklenen değeri $\mu$ ve varyansı $\sigma^2$ olan normal dağılımdan çekilmiş $n$ çaplı rastgele bir örneklem olsun. Kitle varyansı $\sigma^2$ için en çok olabilirlik tahmin edicisi (MLE) olan $\hat{\sigma}^2 = \frac{1}{n}\sum_{i=1}^n (X_i - \bar{X})^2$ istatistiği veriliyor.

Buna göre, $\hat{\sigma}^2$ tahmin edicisinin hata kareler ortalaması (MSE) aşağıdakilerden hangisidir?

\frac{2n-1}{n^2}\sigma^4

\frac{2(n-1)}{n^2}\sigma^4

\frac{1}{n^2}\sigma^4

\frac{2}{n-1}\sigma^4

\frac{2}{n}\sigma^4

Show answer & explanation

Answer: $\frac{2n-1}{n^2}\sigma^4$

Answer

Hata Kareler Ortalaması (MSE), varyans ve yan karesinin toplamı olan

\frac{2n-1}{n^2}\sigma^4

ifadesine eşittir.

Hata Kareler Ortalaması (MSE), tahmin edicinin varyansı ile yan miktarının (bias) karesinin toplamı olarak tanımlanır:

MSE(\hat{\theta}) = Var(\hat{\theta}) + [Bias(\hat{\theta})]^2

. Verilen en çok olabilirlik tahmin edicisinin varyansı

\frac{2(n-1)}{n^2}\sigma^4

ve yan miktarı

-\frac{1}{n}\sigma^2

'dir. Bu iki değer formülde yerine konulup toplandığında

\frac{2n-2+1}{n^2}\sigma^4 = \frac{2n-1}{n^2}\sigma^4

sonucuna ulaşılır.

Step-by-Step Solution

1

Tahmin edicinin içinde yer alan toplam istatistiğinin dağılımını belirle.

\frac{\sum_{i=1}^n (X_i - \bar{X})^2}{\sigma^2} \sim \chi^2_{n-1}

dağılımına sahiptir.

Beklenen değer ve varyans hesaplamalarını yapabilmek için ilgili ki-kare dağılımının özelliklerini (Beklenen değer = n-1, Varyans = 2(n-1)) kullanmak gereklidir.

2

Tahmin edicinin beklenen değerini bularak yan (bias) miktarını hesapla.

E[\hat{\sigma}^2] = E[\frac{\sigma^2}{n} \chi^2_{n-1}] = \frac{\sigma^2}{n}(n-1)

. Yan (Bias) =

E[\hat{\sigma}^2] - \sigma^2 = \sigma^2(\frac{n-1}{n} - 1) = -\frac{1}{n}\sigma^2

bulunur.

MSE formülünde yer alan Bias² bileşenini elde etmek için yan miktarının bulunması zorunludur.

3

Tahmin edicinin varyansını hesapla.

Var(\hat{\sigma}^2) = Var(\frac{\sigma^2}{n} \chi^2_{n-1}) = \frac{\sigma^4}{n^2} Var(\chi^2_{n-1}) = \frac{\sigma^4}{n^2} [2(n-1)] = \frac{2(n-1)}{n^2}\sigma^4

bulunur.

MSE formülündeki diğer ana bileşen olan varyans değerini elde etmek için.

4

Varyans ve yan miktarının karesini toplayarak MSE'yi elde et.

MSE(\hat{\sigma}^2) = Var(\hat{\sigma}^2) + [Bias(\hat{\sigma}^2)]^2 = \frac{2(n-1)}{n^2}\sigma^4 + (-\frac{1}{n}\sigma^2)^2 = \frac{2n-2}{n^2}\sigma^4 + \frac{1}{n^2}\sigma^4 = \frac{2n-1}{n^2}\sigma^4

.

Hata Kareler Ortalamasının (MSE) matematiksel tanımını tamamlamak için.

Key Concept

Hata Kareler Ortalamasının (MSE) varyans ve yan (bias) bileşenlerine ayrıştırılması ve Ki-Kare dağılımı özellikleri.

Estimated Time:2m 30s

Question 15Question →

Bir kalite kontrol sürecinde incelenen bir ürünün belirli bir fiziksel ölçüm değeri, ortalaması $\theta$ ve varyansı $\theta^2$ olan normal dağılıma uymaktadır ( $\theta > 0$ ). Bu üründen bağımsız olarak rastgele seçilen $n$ adet gözlem $X_1, X_2, \dots, X_n$ ile gösterilmektedir.

Neyman Çarpanlara Ayırma Teoremi (Neyman Factorization Theorem) dikkate alındığında, bilinmeyen $\theta$ parametresi için (minimal) yeterli istatistik aşağıdakilerden hangisidir?

\sum_{i=1}^n X_i

\sum_{i=1}^n X_i^2

\left( \sum_{i=1}^n X_i, \sum_{i=1}^n X_i^2 \right)

\frac{\sum_{i=1}^n X_i}{\sum_{i=1}^n X_i^2}

\sum_{i=1}^n (X_i - \bar{X})^2

Show answer & explanation

Answer: $\left( \sum_{i=1}^n X_i, \sum_{i=1}^n X_i^2 \right)$

Answer

Doğru yanıt, hem doğrusal toplamı hem de kareler toplamını içeren iki boyutlu vektördür.

Neyman Çarpanlara Ayırma Teoremi uygulandığında, olabilirlik fonksiyonu

g(T(\mathbf{x}); \theta)

ve

h(\mathbf{x})

olarak ikiye ayrılır. Üstel terimin açılımında

(x_i - \theta)^2 = x_i^2 - 2\theta x_i + \theta^2

ifadesi yer aldığından,

\theta

'nın üs içerisindeki katsayıları hem

\sum X_i

hem de

\sum X_i^2

istatistikleriyle çarpım durumundadır.

g

fonksiyonu örnekleme sadece bu iki bileşen üzerinden bağlıdır ve bu iki bileşen birleştirilip tek bir istatistiğe indirgenemez. Dolayısıyla,

\theta

için minimal yeterli istatistik iki boyutlu vektördür.

Step-by-Step Solution

1

Verilen dağılım için ortak olasılık yoğunluk (olabilirlik) fonksiyonunu yazın.

L(\theta; \mathbf{x}) = \prod_{i=1}^n \frac{1}{\sqrt{2\pi}\theta} \exp\left(-\frac{(x_i - \theta)^2}{2\theta^2}\right)

Neyman Çarpanlara Ayırma Teoremi'ni uygulayabilmek için öncelikle tüm örneklemin ortak dağılım fonksiyonunun kurulması gerekir.

2

Çarpım operatörünü uygulayarak üstel fonksiyon içindeki tam kare ifadeyi açın.

L(\theta; \mathbf{x}) = (2\pi)^{-n/2} \theta^{-n} \exp\left(-\frac{1}{2\theta^2} \sum_{i=1}^n (x_i^2 - 2\theta x_i + \theta^2)\right)

Üstel ifade içerisindeki toplamın terimlerini ayırmak, örnekleme ait (gözlemlenen) kısımlar ile

\theta

parametresini birbirinden ayırabilmek için kritik bir adımdır.

3

Toplam sembolünü dağıtarak ifadeyi sadeleştirin ve

\theta

'ya bağlı terimleri gruplayın.

L(\theta; \mathbf{x}) = (2\pi)^{-n/2} \theta^{-n} \exp\left( -\frac{\sum_{i=1}^n x_i^2}{2\theta^2} + \frac{\sum_{i=1}^n x_i}{\theta} - \frac{n}{2} \right)

Toplama işleminin ayrıştırılması sonucunda gözlemlerin hangi istatistiksel fonksiyonlar üzerinden parametreye bağlandığı açıkça ortaya çıkar.

4

Elde edilen ifadeyi Neyman Çarpanlara Ayırma Teoremi formatına (

L(\theta; \mathbf{x}) = g(T(\mathbf{x}); \theta) \cdot h(\mathbf{x})

) getirin.

L(\theta; \mathbf{x}) = \underbrace{\left[ \theta^{-n} e^{-n/2} \exp\left( -\frac{\sum x_i^2}{2\theta^2} + \frac{\sum x_i}{\theta} \right) \right]}_{g(T(\mathbf{x}); \theta)} \cdot \underbrace{(2\pi)^{-n/2}}_{h(\mathbf{x})}

Teoreme göre, gözlemlere sadece

T(\mathbf{x})

istatistiği aracılığıyla bağlı olan

g

fonksiyonu belirlendiğinde,

T(\mathbf{x})

yeterli istatistik kabul edilir.

5

g

fonksiyonu içindeki parametre bağımlılıklarını inceleyerek yeterli istatistiği tanımlayın.

g(\cdot)

fonksiyonu

\theta

'ya hem

\sum x_i^2

hem de

\sum x_i

terimleri üzerinden bağlıdır. Bu nedenle tek parametre olsa dahi yeterli istatistik

T(\mathbf{X}) = \left( \sum X_i, \sum X_i^2 \right)

olur.

Her iki toplam bileşeni de farklı parametrik fonksiyonlarla (

-1/(2\theta^2)

ve

1/\theta

) çarpıldığından, birbirinden bağımsızdırlar ve daha düşük bir boyuta indirgenemezler.

Key Concept

Eğri Üstel Ailelerde Yeterli İstatistik (Sufficient Statistics in Curved Exponential Families)

Alternative Method

Dağılımın kütle fonksiyonunu Çok Parametreli Üstel Aile (Multiparameter Exponential Family) standart formuna dönüştürerek,

c(\theta)\exp\left(\sum_{j=1}^k w_j(\theta) t_j(x)\right)

yapısındaki doğal istatistikleri

t_j(x)

doğrudan okuma yöntemi de aynı sonucu net bir şekilde verecektir.

Estimated Time:3m 0s

Question 16Question →

Bir araştırmacı, ortalaması $\mu$ ve varyansı $\sigma^2$ olan normal dağılıma sahip bir kitleden alınan $n$ çaplı ( $n > 2$ ) bir $X_1, X_2, \dots, X_n$ rastgele örneklemini incelemektedir. Bu istatistiksel modelde $\mu$ ve $\sigma^2$ parametrelerinin her ikisi de bilinmemektedir.

Araştırmacı, kitle varyansı $\sigma^2$ 'yi tahmin etmek amacıyla aşağıdaki dört farklı fonksiyonu önermiştir:

$\cdot \quad T_1 = \frac{1}{n} \sum_{i=1}^n (X_i - \bar{X})^2$
$\cdot \quad T_2 = \frac{1}{n} \sum_{i=1}^n (X_i - \mu)^2$
$\cdot \quad T_3 = \pi$
$\cdot \quad T_4 = X_1^2 + X_n^2$

İstatistiksel çıkarım sürecindeki "parametre", "istatistik" (statistic), "nokta tahmin edicisi" (estimator) ve "tahmin" (estimate) kavramlarının teorik tanımları dikkate alındığında, bu fonksiyonlar hakkında aşağıdakilerden hangisi doğrudur?

T_2

fonksiyonu bilinmeyen

\mu

parametresini içerse de, en çok olabilirlik tahmin edicilerinin değişmezlik (invariance) özelliği gereği

\sigma^2

'nin geçerli bir istatistiği olarak tanımlanır ve her örneklem için sayısal bir tahmin (estimate) üretir.

Bir fonksiyonun istatistik olabilmesi için ilgili parametreye yönelik tutarlı veya yansız bir nokta tahmin edicisi olması şarttır; bu nedenle sadece örneklem verisini kullanan tutarlı tahmin edici

T_1

geçerli bir istatistiktir.

Dört fonksiyon da parametre tahmini için önerildiğinden istatistik tanımına uyar; ancak

T_1

yanlı bir tahmin edici olduğu için hata kareler ortalaması (MSE) kavramı kullanılamaz, performansında sadece varyansına bakılır.

T_1

,

T_3

ve

T_4

gözlemlenebilir değişkenlerin veya sabitlerin bilinen fonksiyonları olduklarından birer istatistiktir ve teorik olarak birer tahmin edici olabilirler; ancak

\mu

bilinmediği için

T_2

fonksiyonu bir istatistik değildir ve veriden hesaplanamaz.

T_1

fonksiyonu yeterli (sufficient) bir istatistik olan örneklem ortalamasına dayandığı için Lehmann-Scheffe teoremi uyarınca otomatik olarak tam (complete) kabul edilir ve varyansı tam olarak tahmin eden tek geçerli istatistiktir.

Show answer & explanation

Answer: $T_1$ , $T_3$ ve $T_4$ gözlemlenebilir değişkenlerin veya sabitlerin bilinen fonksiyonları olduklarından birer istatistiktir ve teorik olarak birer tahmin edici olabilirler; ancak $\mu$ bilinmediği için $T_2$ fonksiyonu bir istatistik değildir ve veriden hesaplanamaz.

Answer

İstatistik kavramının en temel şartı olan 'bilinmeyen parametre içermeme' kuralını sadece T1, T3 ve T4 fonksiyonları sağladığı, T2 ise bilinmeyen kitle ortalamasını barındırdığı için bir istatistik olmadığı yönündeki ifade doğrudur.

İstatistiksel çıkarımda bir tahmin edici (estimator), gözlemlenebilir rastgele değişkenlerin bir fonksiyonu olan 'istatistik' (statistic) olmak zorundadır. Bir fonksiyonun istatistik sayılabilmesi için formülünde hiçbir bilinmeyen kitle parametresinin bulunmaması gerekir.

T_2

formülü, bilinmeyen

\mu

parametresini içerdiğinden spesifik bir örneklem üzerinden hesaplanarak sayısal bir 'tahmin' (estimate) değeri üretemez. Diğer tüm fonksiyonlar (

T_1

,

T_3

,

T_4

) bilinmeyen parametre içermediğinden matematiksel olarak istatistik tanımını sağlarlar.

Step-by-Step Solution

1

Matematiksel istatistikte 'istatistik' (statistic) tanımını hatırla.

İstatistik, örneklem verisinin (ve sabitlerin)

T(X_1, \dots, X_n)

şeklinde bir fonksiyonudur ve formülünde kitleye ait hiçbir bilinmeyen parametre bulunamaz.

Bir fonksiyonun nokta tahmin edicisi olabilmesi ve veriden sayısal bir 'tahmin' değeri üretebilmesi için hesaplanabilir olması zorunludur.

2

T_1 = \frac{1}{n} \sum (X_i - \bar{X})^2

fonksiyonunu incele.

Sadece gözlemlenen

X_i

değerlerini ve onlardan hesaplanan

\bar{X}

'i içerir. Bilinmeyen parametre yoktur. Geçerli bir istatistiktir.

Tanıma tamamen uyar.

3

T_2 = \frac{1}{n} \sum (X_i - \mu)^2

fonksiyonunu incele.

Soru metninde

\mu

'nün bilinmediği belirtilmiştir. Formül bilinmeyen

\mu

parametresini içerdiği için veriden sayısal olarak hesaplanamaz. İstatistik değildir.

Bilinmeyen kitle parametresini barındıran fonksiyonlar tahmin edici olamaz.

4

T_3 = \pi

ve

T_4 = X_1^2 + X_n^2

fonksiyonlarını incele.

T_3

sadece bir sabittir,

T_4

ise verinin belirli parçalarını kullanır. Her ikisinde de bilinmeyen parametre yoktur. Geçerli istatistiklerdir.

Bir fonksiyonun istatistik olması için iyi/mantıklı bir tahmin edici olması gerekmez. Sadece hesaplanabilir olması yeterlidir.

Key Concept

İstatistik, Tahmin Edici ve Tahmin Arasındaki Teorik Farklar

Question 17Question →

$X_1, X_2, \dots, X_n$ ( $n > 1$ ) bağımsız ve aynı dağılıma sahip, bilinen $\sigma^2$ varyanslı ve bilinmeyen $\mu$ ortalamalı normal dağılımdan ( $N(\mu, \sigma^2)$ ) alınan bir rastgele örneklem olsun.

$\mu^3$ parametresini tahmin etmek amacıyla, başlangıç tahmin edicisi olarak $\hat{\theta} = X_1^3 - 3X_1\sigma^2$ yansız tahmin edicisi öneriliyor.

$\mu$ parametresi için yeterli istatistik $T = \bar{X}$ (örneklem ortalaması) olduğuna göre, $\hat{\theta}$ tahmin edicisine Rao-Blackwell teoremi uygulanarak elde edilen iyileştirilmiş yansız tahmin edici $\hat{\theta}_{RB}$ aşağıdakilerden hangisidir?

\bar{X}^3

\bar{X}^3 - 3\sigma^2\bar{X}

\bar{X}^3 - \frac{3\sigma^2}{n}\bar{X}

\bar{X}^3 + \frac{3\sigma^2}{n}\bar{X}

\bar{X}^3 - \frac{3\sigma^2}{n-1}\bar{X}

Show answer & explanation

Answer: $\bar{X}^3 - \frac{3\sigma^2}{n}\bar{X}$

Answer

\bar{X}^3 - \frac{3\sigma^2}{n}\bar{X}

ifadesi Rao-Blackwell teoremi kullanılarak elde edilen iyileştirilmiş yansız tahmin edicidir.

Rao-Blackwell teoremine göre aranan tahmin edici

E[X_1^3 - 3X_1\sigma^2 | \bar{X}]

koşullu beklenen değeridir.

T = \bar{X}

tam (complete) ve yeterli (sufficient) bir istatistik olduğu için, Lehmann-Scheffe teoremi gereği

T

'nin yansız olan herhangi bir fonksiyonu UMVUE'dir ve doğrudan Rao-Blackwell sonucuna eşittir.

\bar{X}

'in dağılımı

N(\mu, \sigma^2/n)

olduğundan, 3. momenti

E[\bar{X}^3] = \mu^3 + 3\mu(\sigma^2/n)

olarak hesaplanır. Buradan

\mu^3

yalnız bırakıldığında, yansız tahmin edicinin

\bar{X}^3 - \frac{3\sigma^2}{n}\bar{X}

olduğu görülür.

Step-by-Step Solution

1

Rao-Blackwell teoreminin prensibini ve yeterli istatistiğin özelliklerini belirleme.

Normal dağılım üstel aileden olduğu için

T = \bar{X}

istatistiği tam (complete) ve yeterlidir.

Lehmann-Scheffe teoremine göre, tam ve yeterli istatistiğin bir fonksiyonu olan yansız tahmin edici eşsizdir ve Rao-Blackwell tahmin edicisine (UMVUE) eşittir.

2

T = \bar{X}

istatistiğinin dağılımını yazma.

\bar{X} \sim N(\mu, \sigma^2/n)

dağılımına sahiptir.

Yeterli istatistiğin momentlerini kullanarak yansız bir fonksiyon bulmak için dağılım gereklidir.

3

\bar{X}^3

ifadesinin beklenen değerini hesaplama.

Normal dağılımın moment üreten fonksiyonundan

E[\bar{X}^3] = \mu^3 + 3\mu Var(\bar{X}) = \mu^3 + 3\mu\left(\frac{\sigma^2}{n}\right)

bulunur.

\mu^3

için yansız bir tahmin edici oluşturmak amacıyla beklenen değer formülünden parametreyi yalnız bırakmalıyız.

4

Denklemden

\mu^3

ifadesini çekerek yansız tahmin ediciyi oluşturma.

\mu^3 = E[\bar{X}^3] - \frac{3\sigma^2}{n}E[\bar{X}] = E\left[\bar{X}^3 - \frac{3\sigma^2}{n}\bar{X}\right]

elde edilir.

Beklenen değerin doğrusallık özelliğinden faydalanılarak, içerdeki ifadenin

\mu^3

için yansız olduğu kanıtlanır.

Key Concept

Rao-Blackwell Teoremi ve Lehmann-Scheffe Teoremi

Alternative Method

Koşullu beklenen değerin doğrudan hesaplanması yoluyla da sonuca ulaşılabilir.

X_1

ve

\bar{X}

ortak normal dağılıma sahiptir. Koşullu dağılım teorisinden

X_1 | \bar{X} \sim N(\bar{X}, \frac{n-1}{n}\sigma^2)

elde edilir. Aranan değer

E[X_1^3 - 3X_1\sigma^2 | \bar{X}] = E[X_1^3 | \bar{X}] - 3\sigma^2E[X_1 | \bar{X}]

ifadesidir. Normal dağılımın 3. momentinden

E[X_1^3 | \bar{X}] = \bar{X}^3 + 3\bar{X}\frac{n-1}{n}\sigma^2

bulunur. İfade yerine konup düzenlendiğinde

\bar{X}^3 - \frac{3\sigma^2}{n}\bar{X}

sonucuna varılır.

Estimated Time:3m 0s

Question 18Question →

Bir fabrikada rastgele seçilen 3 günlük hatalı ürün sayıları $X_1, X_2$ ve $X_3$ olup, bu rastgele değişkenler birbirinden bağımsız ve $\lambda$ parametreli Poisson dağılımına sahiptir. $\lambda$ parametresini tahmin etmek için aşağıdaki iki yansız tahmin edici önerilmiştir:

T_1 = \frac{X_1 + X_2 + X_3}{3}

T_2 = \frac{X_1 + 2X_2 + X_3}{4}

Buna göre, $T_1$ tahmin edicisinin Cramer-Rao alt sınırına göre mutlak etkinliği ( $e(T_1)$ ) ve $T_1$ 'in $T_2$ 'ye göre göreli etkinliği ( $RE(T_1, T_2)$ ) sırasıyla aşağıdakilerden hangisinde doğru verilmiştir?

*(Not: Göreli etkinlik hesaplamasında $RE(T_1, T_2) = \frac{Var(T_2)}{Var(T_1)}$ eşitliğini kullanınız.)*

e(T_1) = 1 \quad ; \quad RE(T_1, T_2) = \frac{9}{8}

e(T_1) = 1 \quad ; \quad RE(T_1, T_2) = \frac{8}{9}

e(T_1) = 1 \quad ; \quad RE(T_1, T_2) = \frac{3}{4}

e(T_1) = \frac{\lambda}{3} \quad ; \quad RE(T_1, T_2) = \frac{9}{8}

e(T_1) = \frac{8}{9} \quad ; \quad RE(T_1, T_2) = \frac{8}{9}

Show answer & explanation

Answer: $e(T_1) = 1 \quad ; \quad RE(T_1, T_2) = \frac{9}{8}$

Answer

Mutlak etkinlik

e(T_1) = 1

ve göreli etkinlik

RE(T_1, T_2) = \frac{9}{8}

değerlerini içeren seçenektir.

Poisson dağılımı için örneklem ortalaması (

T_1

) tam etkin bir tahmin edicidir, Cramer-Rao alt sınırı ile aynı varyansa (

\lambda/3

) sahiptir; bu yüzden mutlak etkinliği 1'dir.

T_2

tahmin edicisinin varyansı

\frac{3\lambda}{8}

olduğundan,

T_1

'in

T_2

'ye göre göreli etkinliği

\frac{3\lambda/8}{\lambda/3} = \frac{9}{8}

olmaktadır.

Step-by-Step Solution

1

X \sim Poisson(\lambda)

için

E(X) = \lambda

ve

Var(X) = \lambda

olduğunu belirleyerek tahmin edicilerin varyanslarını hesaplayın.

Var(T_1) = \frac{1}{9}(Var(X_1) + Var(X_2) + Var(X_3)) = \frac{3\lambda}{9} = \frac{\lambda}{3}

.

Var(T_2) = \frac{1}{16}(Var(X_1) + 2^2 Var(X_2) + Var(X_3)) = \frac{\lambda + 4\lambda + \lambda}{16} = \frac{6\lambda}{16} = \frac{3\lambda}{8}

.

Etkinlik hesaplamaları doğrudan tahmin edicilerin varyanslarına dayanmaktadır.

2

Poisson dağılımı için

n=3

birimlik örneklemde Cramer-Rao alt sınırını (CRLB) hesaplayın.

Tek bir gözlem için Fisher Bilgisi

I(\lambda) = \frac{1}{\lambda}

'dır.

n=3

için

I_n(\lambda) = \frac{3}{\lambda}

olur. Cramer-Rao Alt Sınırı =

\frac{1}{I_n(\lambda)} = \frac{\lambda}{3}

.

Mutlak etkinlik, Cramer-Rao alt sınırının tahmin edicinin varyansına oranı ile bulunur.

3

T_1

'in mutlak etkinliğini (

e(T_1)

) bulun.

e(T_1) = \frac{CRLB}{Var(T_1)} = \frac{\lambda/3}{\lambda/3} = 1

. (

T_1

en etkin tahmin edicidir).

Mutlak etkinlik formülünün uygulanması gerekmektedir.

4

T_1

'in

T_2

'ye göre göreli etkinliğini (

RE(T_1, T_2)

) hesaplayın.

RE(T_1, T_2) = \frac{Var(T_2)}{Var(T_1)} = \frac{3\lambda / 8}{\lambda / 3} = \frac{3}{8} \times \frac{3}{1} = \frac{9}{8}

.

Göreli etkinlik soruda verilen kurala uygun olarak varyansların oranıyla elde edilir.

Key Concept

Tahmin Edicilerin Etkinliği ve Varyans Karşılaştırması

Question 19Question →

$X_1, X_2, \dots, X_n$ bağımsız ve aynı dağılımlı, $(0, \theta)$ aralığında sürekli düzgün (uniform) dağılıma sahip rastgele örneklem olsun. $\theta$ parametresinin tahmini için, örneklem maksimumu $X_{(n)} = \max(X_1, X_2, \dots, X_n)$ olmak üzere $\hat{\theta}_c = c \cdot X_{(n)}$ biçiminde bir tahmin edici sınıfı tanımlanmıştır ( $c > 0$ bir sabit).

Buna göre, Hata Kareler Ortalamasını (MSE) minimum yapan optimal $c$ değeri için elde edilen minimum MSE değeri aşağıdakilerden hangisidir?

\frac{\theta^2}{(n+1)^2}

\frac{n\theta^2}{(n+1)^2(n+2)}

\frac{2\theta^2}{(n+1)(n+2)}

\frac{\theta^2}{n(n+2)}

\frac{\theta^2}{n}

Show answer & explanation

Answer: $\frac{\theta^2}{(n+1)^2}$

Answer

Hata Kareler Ortalamasını (MSE) minimum yapan değer

\frac{\theta^2}{(n+1)^2}

formülü ile elde edilir.

Hata Kareler Ortalaması (MSE) hesaplanırken

MSE(\hat{\theta}_c) = E[(c X_{(n)} - \theta)^2]

fonksiyonu oluşturulur. Bu fonksiyonun

c

'ye göre türevi alınıp sıfıra eşitlendiğinde MSE'yi minimum yapan katsayının

c = \frac{n+2}{n+1}

olduğu bulunur. Bu optimal katsayı ana denklemde yerine konulduğunda, varyans ile yanlılığın karesinin toplamı en aza iner ve minimum MSE değeri olan

\frac{\theta^2}{(n+1)^2}

elde edilir.

Step-by-Step Solution

1

X_{(n)}

istatistiğinin birinci ve ikinci momentlerini belirle.

E[X_{(n)}] = \frac{n}{n+1}\theta

ve

E[X_{(n)}^2] = \frac{n}{n+2}\theta^2

MSE hesabında kullanılacak beklenen değer ve varyans bileşenleri için momentlere ihtiyaç vardır.

2

\hat{\theta}_c = cX_{(n)}

için Hata Kareler Ortalaması (MSE) fonksiyonunu

c

'ye bağlı olarak yaz.

MSE(\hat{\theta}_c) = E[(cX_{(n)} - \theta)^2] = c^2 E[X_{(n)}^2] - 2c\theta E[X_{(n)}] + \theta^2 = \theta^2 \left( c^2 \frac{n}{n+2} - 2c \frac{n}{n+1} + 1 \right)

Optimal

c

değerini bulabilmek için MSE'nin bir fonksiyon olarak ifade edilmesi gerekir.

3

MSE fonksiyonunun

c

'ye göre türevini alarak sıfıra eşitle ve optimal

c

değerini bul.

\frac{d}{dc} MSE = \theta^2 \left( 2c \frac{n}{n+2} - 2 \frac{n}{n+1} \right) = 0 \implies c = \frac{n+2}{n+1}

Bir fonksiyonun minimum noktası, birinci türevinin sıfır olduğu noktadır.

4

Bulunan optimal

c = \frac{n+2}{n+1}

değerini MSE fonksiyonunda yerine koy.

MSE_{min} = \theta^2 \left( \left(\frac{n+2}{n+1}\right)^2 \frac{n}{n+2} - 2\left(\frac{n+2}{n+1}\right) \frac{n}{n+1} + 1 \right) = \theta^2 \left( \frac{n(n+2)}{(n+1)^2} - \frac{2n(n+2)}{(n+1)^2} + 1 \right)

Soruda istenen değer minimum MSE değerinin kendisidir.

5

İfadeyi cebirsel olarak basitleştir.

MSE_{min} = \theta^2 \left( 1 - \frac{n(n+2)}{(n+1)^2} \right) = \theta^2 \left( \frac{n^2+2n+1 - n^2-2n}{(n+1)^2} \right) = \frac{\theta^2}{(n+1)^2}

Seçeneklerdeki nihai formata ulaşmak için ortak payda işlemi yapılır.

Key Concept

Hata Kareler Ortalamasının (MSE) varyans ve yan (bias) dengesi üzerinden optimizasyonu

Question 20Question →

$X_1, X_2, \dots, X_n$ , parametresi $\lambda > 0$ olan Poisson dağılımından alınmış $n$ ( $n>1$ ) hacimli rastgele bir örneklem olsun.

Buna göre, kitleden rassal olarak seçilen bir birimin sıfır değerini alma olasılığı olan $P(X = 0) = e^{-\lambda}$ parametrik fonksiyonunun Düzgün En Küçük Varyanslı Yansız Tahmin Edicisi (UMVUE) aşağıdakilerden hangisidir?

\left( \frac{n-1}{n} \right)^{\sum_{i=1}^n X_i}

e^{-\bar{X}}

\frac{1}{n} \sum_{i=1}^n I(X_i = 0)

\left( \frac{1}{n} \right)^{\sum_{i=1}^n X_i}

\left( \frac{n-1}{n} \right)^{\bar{X}}

Show answer & explanation

Answer: $\left( \frac{n-1}{n} \right)^{\sum_{i=1}^n X_i}$

Answer

e^{-\lambda}

için Düzgün En Küçük Varyanslı Yansız Tahmin Edici (UMVUE)

\left( \frac{n-1}{n} \right)^{\sum_{i=1}^n X_i}

ifadesidir.

Lehmann-Scheffe teoremine göre, bir parametrenin veya parametrik fonksiyonun UMVUE'si, o fonksiyon için yansız olan bir tahmin edicinin tam ve yeterli istatistiğe göre koşullu beklenen değeri (Rao-Blackwell yöntemi) alınarak bulunur. Poisson dağılımında

T = \sum_{i=1}^n X_i

istatistiği tam ve yeterlidir.

W = I(X_1 = 0)

yansız tahmin edici olarak seçilip,

E[W | T = t]

hesaplandığında sonuç

\left( \frac{n-1}{n} \right)^T

çıkar. Bu ifade yansızdır ve tam yeterli istatistiğin bir fonksiyonu olduğu için benzersiz (unique) UMVUE'dir.

Step-by-Step Solution

1

\lambda

parametresi için tam ve yeterli istatistiği belirlemek.

T = \sum_{i=1}^n X_i

tam ve yeterli istatistiktir ve dağılımı

T \sim Poisson(n\lambda)

şeklindedir.

Lehmann-Scheffe teoremine göre UMVUE, tam ve yeterli istatistiğin bir fonksiyonu olmalıdır.

2

e^{-\lambda}

için basit bir yansız tahmin edici bulmak.

W = I(X_1 = 0)

(yani

X_1 = 0

ise

1

, aksi halde

0

) alındığında,

E[W] = P(X_1 = 0) = e^{-\lambda}

olur.

Rao-Blackwelllaştırma işlemi için başlangıç noktası olarak herhangi bir yansız tahmin ediciye ihtiyaç vardır.

3

Rao-Blackwell teoremini uygulayarak koşullu beklenen değeri hesaplamak.

\phi(T) = E[W | T = t] = P(X_1 = 0 | \sum_{i=1}^n X_i = t)

olasılığı hesaplanmalıdır.

Tam ve yeterli istatistiğe göre koşullandırma yapılarak varyans küçültülür.

4

Koşullu olasılık formülünü açmak ve bağımsızlık özelliğini kullanmak.

P(X_1 = 0 | \sum_{i=1}^n X_i = t) = \frac{P(X_1 = 0) \cdot P(\sum_{i=2}^n X_i = t)}{P(\sum_{i=1}^n X_i = t)}

Örneklem birimleri bağımsız olduğundan ortak olasılık çarpım şeklinde yazılabilir.

5

İlgili Poisson olasılıklarını formülde yerine koymak.

\frac{e^{-\lambda} \cdot \left[ e^{-(n-1)\lambda} ((n-1)\lambda)^t / t! \right]}{e^{-n\lambda} (n\lambda)^t / t!} = \frac{e^{-n\lambda} ((n-1)\lambda)^t}{e^{-n\lambda} (n\lambda)^t} = \frac{(n-1)^t}{n^t} = \left( \frac{n-1}{n} \right)^t

Olasılıkların oranlanması sonucunda elde edilen ifade sadece yeterli istatistik

t

'ye bağlı bir fonksiyon olur.

6

Lehmann-Scheffe teoremi ile sonucu bağlamak.

\phi(T) = \left( \frac{n-1}{n} \right)^{\sum_{i=1}^n X_i}

benzersiz UMVUE'dir.

Bulunan tahmin edici tam ve yeterli istatistiğin bir fonksiyonudur ve yansızdır.

Key Concept

Poisson dağılımında tam ve yeterli istatistik kullanılarak Rao-Blackwell yöntemi ve Lehmann-Scheffe teoremi ile UMVUE elde edilmesi.

Nokta Tahmini ve Özellikleri

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Alternative Method

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Alternative Method

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer