Parametre Tahmin Yöntemleri

228 questions

Question 141Question

İstatistiksel karar teorisinde, bilinmeyen bir θ\theta parametresinin tahmini için bir δ\delta tahmin edicisi ve bu tahmin ediciye ait R(θ,δ)R(\theta, \delta) risk fonksiyonu tanımlanmıştır. Buna göre, "minimax" karar kriterinin temel amacı aşağıdakilerden hangisidir?

Show answer & explanation

Answer: Risk fonksiyonunun parametre uzayı üzerindeki maksimum değerini minimize eden tahmin ediciyi belirlemek

Answer

Minimax karar kriterinin amacı, risk fonksiyonunun parametre uzayı üzerindeki maksimum değerini (en kötü durumu) minimize eden tahmin ediciyi belirlemektir.
Minimax (Minimum-Maksimum) terimi adından da anlaşılacağı üzere, risk fonksiyonunun (θ\theta parametre uzayı üzerindeki) maksimum değerlerinin en küçüğünü (minimumunu) veren tahmin edicinin seçilmesi ilkesine dayanır. Bu kriter, parametre hakkında hiçbir ön bilgi (önsel dağılım) bulunmadığında 'en kötü durum' riskini garanti altına almak için kullanılır.

Step-by-Step Solution

1
Risk fonksiyonunun tanımlanması
R(θ,δ)=E[L(θ,δ(X))]R(\theta, \delta) = E[L(\theta, \delta(X))] olduğu belirlenir.
Karar teorisinde performansın ölçütü olan risk fonksiyonu, kayıp fonksiyonunun beklenen değeridir.
2
Maksimum riskin belirlenmesi
M(δ)=supθR(θ,δ)M(\delta) = \sup_{\theta} R(\theta, \delta) değeri hesaplanır.
Minimax yaklaşımı, bir tahmin edicinin karşılaşabileceği en büyük kaybı (riski) kontrol altına almak ister.
3
Kriterin uygulanması
minδM(δ)=minδmaxθR(θ,δ)\min_{\delta} M(\delta) = \min_{\delta} \max_{\theta} R(\theta, \delta) işlemi gerçekleştirilir.
Farklı tahmin ediciler arasından, maksimum riski en küçük olanı seçmek minimax stratejisidir.

Key Concept

Minimax Karar Kriteri ve Maksimum Risk Optimizasyonu
Estimated Time:45s
Question 142Question

Bir kamu kurumu tarafından yürütülen dijital dönüşüm projesi kapsamında, vatandaşların e-devlet portalı üzerinden yaptıkları başvuruların sistem tarafından hata alınmadan onaylanma olasılığı pp (0<p<10 < p < 1) olarak öngörülmektedir. Birbirinden bağımsız olarak gerçekleşen nn adet başvuru incelenmiş ve başarıyla onaylanan başvuruların oranı örneklem ortalaması xˉ\bar{x} olarak saptanmıştır.

Buna göre, rastgele seçilen ve birbirinden bağımsız iki başvurunun her ikisinin de başarıyla onaylanma olasılığı olan g(p)=p2g(p) = p^2 parametresinin en çok olabilirlik (ML) tahmin edicisi aşağıdakilerden hangisidir?

Show answer & explanation

Answer: xˉ2\bar{x}^2

Answer

En çok olabilirlik tahmin edicilerinin değişmezlik özelliği uyarınca, xˉ2\bar{x}^2 ifadesi doğru tahmin edicidir.
Bernoulli dağılımına sahip bir örneklemde pp parametresinin en çok olabilirlik (ML) tahmin edicisi p^=xˉ\hat{p} = \bar{x} olarak bulunur. ML tahmin edicilerinin en önemli özelliklerinden biri olan değişmezlik (invariance) prensibine göre, bir θ\theta parametresinin ML tahmin edicisi θ^\hat{\theta} ise, bu parametrenin herhangi bir g(θ)g(\theta) fonksiyonunun ML tahmin edicisi g(θ^)g(\hat{\theta}) olur. Soruda g(p)=p2g(p) = p^2 fonksiyonunun tahmin edicisi sorulduğu için, sonuç p^2=xˉ2\hat{p}^2 = \bar{x}^2 olarak elde edilir.

Step-by-Step Solution

1
Bernoulli dağılımı için parametre tahmin edicisinin belirlenmesi
p^=xˉ\hat{p} = \bar{x}
Onaylanan ve onaylanmayan başvurular Bernoulli denemeleridir ve pp parametresi için en çok olabilirlik tahmin edicisi örneklem ortalamasına eşittir.
2
Değişmezlik (invariance) özelliğinin uygulanması
g(p)^=g(p^)=xˉ2\widehat{g(p)} = g(\hat{p}) = \bar{x}^2
ML tahmin edicileri için geçerli olan değişmezlik özelliği, bir parametrenin herhangi bir fonksiyonunun tahmin edicisinin, o parametrenin tahmin edicisinin aynı fonksiyonu olduğunu belirtir.

Key Concept

En çok olabilirlik tahmin edicilerinin değişmezlik (invariance) özelliği
Estimated Time:45s
Question 143Question

X1,X2,,XnX_1, X_2, \dots, X_n bir kitleden alınan nn birimlik bir rastgele örneklem olsun. Kitlenin varyansı σ2=4\sigma^2 = 4 olarak bilinen ve ortalaması μ\mu olan bir normal dağılıma sahip olduğu varsayılmaktadır:

f(x;μ)=18πexp((xμ)28),<x<f(x; \mu) = \frac{1}{\sqrt{8\pi}} \exp\left(-\frac{(x-\mu)^2}{8}\right), \quad -\infty < x < \infty

Buna göre, g(μ)=2μg(\mu) = 2\mu parametrik fonksiyonunun herhangi bir yansız tahmin edicisine ait varyans için Cramer-Rao alt sınırı aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 16n\frac{16}{n}

Answer

μ\mu parametresinin bir fonksiyonu olan g(μ)=2μg(\mu) = 2\mu için Cramer-Rao alt sınırı 16/n16/n olarak hesaplanır.
Varyansı σ2=4\sigma^2=4 olan normal dağılımda, μ\mu parametresi için Fisher bilgisi I(μ)=1/4I(\mu) = 1/4 düzeyindedir. Cramer-Rao alt sınırı formülü olan [g(μ)]2nI(μ)\frac{[g'(\mu)]^2}{n I(\mu)} ifadesinde g(μ)=2μg(\mu)=2\mu için türev g(μ)=2g'(\mu)=2 olarak yerine konulduğunda, pay kısmında 22=42^2=4 ve payda kısmında n(1/4)n \cdot (1/4) değerleri oluşur. Bu işlem sonucunda alt sınır 16/n16/n olarak belirlenir.

Step-by-Step Solution

1
Fisher Bilgisinin (I(μ)I(\mu)) hesaplanması
I(μ)=1/σ2=1/4I(\mu) = 1/\sigma^2 = 1/4
Varyansı bilinen normal dağılımda, konum parametresi μ\mu için tek bir gözlemin taşıdığı Fisher bilgisi varyansın tersine eşittir.
2
Tahmin edilmek istenen fonksiyonun türevinin (g(μ)g'(\mu)) bulunması
g(μ)=ddμ(2μ)=2g'(\mu) = \frac{d}{d\mu}(2\mu) = 2
Cramer-Rao alt sınırı formülünde pay kısmında yer alan payın karesini belirlemek için türev gereklidir.
3
Cramer-Rao Alt Sınırı (CRAS) formülünün uygulanması
CRAS=[g(μ)]2nI(μ)=22n(1/4)=4n/4=16nCRAS = \frac{[g'(\mu)]^2}{n \cdot I(\mu)} = \frac{2^2}{n \cdot (1/4)} = \frac{4}{n/4} = \frac{16}{n}
nn birimlik örneklem için bir fonksiyonun yansız tahmin edicisinin varyansının alt sınırı bu genel formülle bulunur.

Key Concept

Cramer-Rao Alt Sınırı ve Parametre Fonksiyonları
Question 144Question

İstatistiksel tahmin edicilerin iyileştirilmesi sürecinde, bir θ\theta parametresi için TT yansız bir tahmin edici ve SS ise θ\theta için yeterli bir istatistik olsun. Rao-Blackwell teoremi kullanılarak elde edilen T=E[TS]T^* = E[T|S] tahmin edicisi için aşağıdakilerden hangisi kesinlikle doğrudur?

Show answer & explanation

Answer: θ\theta için yansız bir tahmin edicidir ve varyansı TT tahmin edicisinin varyansından küçük veya eşittir.

Answer

Rao-Blackwell teoremi uyarınca, oluşturulan yeni tahmin edici yansızdır ve varyansı orijinal tahmin edicinin varyansından küçük veya eşittir.
Rao-Blackwell teoremi, TT yansız bir tahmin edici ve SS yeterli bir istatistik olduğunda, T=E[TS]T^* = E[T|S] tahmin edicisinin de θ\theta için yansız olduğunu ve varyansının Var(T)Var(T)Var(T^*) \leq Var(T) şartını sağladığını ifade eder. Bu, istatistiksel çıkarımda tahmin edicileri iyileştirmek için kullanılan temel bir yöntemdir.

Step-by-Step Solution

1
Koşullu beklentinin yansızlığını kontrol etme.
E[T]=E[E[TS]]=E[T]=θE[T^*] = E[E[T|S]] = E[T] = \theta
Yinelemeli beklentiler yasası (Law of Iterated Expectations) gereği, yansız bir tahmin edicinin koşullu beklentisi de yansızdır.
2
Varyans bileşenleri formülünü uygulama.
Var(T)=Var(E[TS])+E[Var(TS)]Var(T) = Var(E[T|S]) + E[Var(T|S)]
Varyansın her zaman pozitif veya sıfır olduğu (E[Var(TS)]0E[Var(T|S)] \geq 0) bilindiğinden, Var(T)Var(E[TS])Var(T) \geq Var(E[T|S]) eşitsizliği elde edilir.
3
Sonuçları Rao-Blackwell çerçevesinde birleştirme.
Var(T)Var(T)Var(T^*) \leq Var(T) ve E[T]=θE[T^*] = \theta
Teoremin iki temel sonucu olan yansızlık ve varyans iyileştirmesi doğrulanmış olur.

Key Concept

Rao-Blackwell Teoremi ve Varyans İyileştirme

Practice More

Lehmann-Scheffe teoreminin Rao-Blackwell üzerine hangi ek şartları (tamlık gibi) getirdiğini inceleyiniz.
Estimated Time:45s
Question 145Question

Bir kamu sağlığı projesinde, bir bölgedeki belirli bir hastalığın yaygınlık oranı θ\theta parametresi ile incelenmektedir. Araştırmacılar θ\theta için önsel dağılımı Beta(1,1)Beta(1, 1) (standart düzgün dağılım) olarak belirlemişlerdir. Bölgeden rastgele seçilen 10 kişilik bir örneklemde 4 kişide hastalığa rastlandığına göre, karesel hata kayıp fonksiyonu altında θ\theta parametresinin Bayes tahmin edicisi aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 512\frac{5}{12}

Answer

Karesel hata kayıp fonksiyonu altında Bayes tahmin edicisi 5/12 olarak hesaplanır.
Karesel hata kayıp fonksiyonu altında Bayes tahmin edicisi, sonsal dağılımın beklenen değerine karşılık gelir. Verilen problemde Beta(1,1)Beta(1,1) önsel dağılımı ile 10 denemede 4 başarılı gözlem birleştirildiğinde, sonsal dağılım Beta(5,7)Beta(5,7) olur. Bu dağılımın ortalaması 5/(5+7)=5/125/(5+7) = 5/12 şeklinde hesaplanır.

Step-by-Step Solution

1
Önsel dağılım ve veri parametrelerini belirle
Önsel: α=1,β=1\alpha=1, \beta=1; Veri: n=10,x=4n=10, x=4
Bayesyen güncelleme için başlangıç değerlerinin tanımlanması gerekir.
2
Sonsal dağılım parametrelerini hesapla
α=α+x=1+4=5\alpha' = \alpha + x = 1 + 4 = 5 ve β=β+nx=1+104=7\beta' = \beta + n - x = 1 + 10 - 4 = 7
Beta-Binom eşlenik (conjugate) yapısında sonsal dağılım yine bir Beta dağılımıdır.
3
Bayes tahmin edicisini bul (Karesel hata kaybı)
θ^Bayes=E[θx]=αα+β=55+7=512\hat{\theta}_{Bayes} = E[\theta|x] = \frac{\alpha'}{\alpha' + \beta'} = \frac{5}{5 + 7} = \frac{5}{12}
Karesel hata kayıp fonksiyonu kullanıldığında Bayes tahmin edicisi sonsal dağılımın ortalamasıdır.

Key Concept

Beta-Binom Eşlenik Dağılımları ve Sonsal Ortalama
Estimated Time:45s
Question 146Question

Bir kamu kurumunun ormancılık araştırma biriminde, bir bölgedeki ağaçların ortalama gövde çapı θ\theta (cm) parametresi ile modellenmektedir. Bu parametre için örneklem verileri kullanılarak elde edilen en çok olabilirlik tahmin edicisi (MLE) θ^\hat{\theta} olarak hesaplanmıştır. Kurum araştırmacıları, ağaçların hacim hesaplamalarında kullanılan θ2\theta^2 değerinin en çok olabilirlik tahmin edicisine ihtiyaç duymaktadır.

En çok olabilirlik tahmin edicilerinin değişmezlik (invariance) özelliği dikkate alındığında, θ2\theta^2 parametresinin en çok olabilirlik tahmin edicisi aşağıdakilerden hangisidir?

Show answer & explanation

Answer: θ^2\hat{\theta}^2

Answer

En çok olabilirlik tahmin edicisi θ^2\hat{\theta}^2 olarak belirlenir.
En çok olabilirlik tahmin edicileri (MLE) değişmezlik özelliğine sahiptir. Bu özelliğe göre, eğer θ^\hat{\theta} parametresi θ\theta için bir MLE ise, θ\theta'nın herhangi bir g(θ)g(\theta) fonksiyonunun MLE'si g(θ^)g(\hat{\theta})'dır. Bu soruda g(θ)=θ2g(\theta) = \theta^2 olduğu için sonuç θ^2\hat{\theta}^2 olmaktadır.

Step-by-Step Solution

1
Parametre ve mevcut tahmin ediciyi tanımlama
İncelenen parametre θ\theta, bu parametrenin en çok olabilirlik tahmin edicisi ise θ^\hat{\theta}'dir.
Değişmezlik özelliğinin uygulanabilmesi için başlangıç parametresi ve onun MLE değeri bilinmelidir.
2
Tahmin edilecek fonksiyonu belirleme
g(θ)=θ2g(\theta) = \theta^2
Soruda istenen yeni parametre, orijinal parametrenin bir fonksiyonu (karesi) olarak tanımlanmıştır.
3
Değişmezlik (Invariance) özelliğini uygulama
MLE(g(θ))=g(MLE(θ))=g(θ^)=θ^2MLE(g(\theta)) = g(MLE(\theta)) = g(\hat{\theta}) = \hat{\theta}^2
İstatistiksel teoride en çok olabilirlik tahmin edicilerinin en temel özelliklerinden biri, fonksiyonel dönüşümler altında korunmalarıdır.

Key Concept

En Çok Olabilirlik Tahmin Edicilerinin Değişmezlik (Invariance) Özelliği

Hints

1
En çok olabilirlik tahmin edicilerinin 'değişmezlik' (invariance) kuralını hatırlayın.
2
Eğer θ\theta için tahmin edici θ^\hat{\theta} ise, herhangi bir g(θ)g(\theta) fonksiyonu için tahmin edici nedir?

Practice More

Farklı fonksiyonlar (örneğin eθe^{\theta} veya 1/θ1/\theta) için bu özelliğin nasıl uygulandığını inceleyebilirsiniz.
Estimated Time:45s
Question 147Question

Bir kamu hastanesinde poliklinik hizmeti alan hastaların muayene süreleri (dakika cinsinden) XX rastgele değişkeni ile temsil edilmektedir. XX değişkeninin [0,θ+6][0, \theta+6] aralığında düzgün (üniform) dağılım gösterdiği varsayılmaktadır.

Buna göre, θ\theta parametresinin momentler yöntemi tahmin edicisi (θ^\hat{\theta}) aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 2Xˉ62\bar{X} - 6

Answer

2Xˉ62\bar{X} - 6 ifadesi θ\theta parametresi için momentler yöntemi tahmin edicisidir.
Düzgün dağılımın beklenen değeri aralığın orta noktasıdır. [0,θ+6][0, \theta+6] aralığı için bu değer (θ+6)/2(\theta+6)/2 olur. Momentler yöntemi gereği bu ifade örneklem ortalaması olan Xˉ\bar{X}'e eşitlendiğinde ve θ\theta yalnız bırakıldığında 2Xˉ62\bar{X} - 6 sonucuna ulaşılır.

Step-by-Step Solution

1
Kitlenin teorik beklenen değerini (E[X]E[X]) belirleyin.
XU(0,θ+6)X \sim U(0, \theta+6) olduğu için E[X]=0+(θ+6)2=θ+62E[X] = \frac{0 + (\theta+6)}{2} = \frac{\theta+6}{2}
Düzgün dağılımda beklenen değer, alt ve üst sınırın toplamının yarısıdır.
2
Momentler yöntemi ilkesine göre teorik momenti örneklem momentine eşitleyin.
θ^+62=Xˉ\frac{\hat{\theta}+6}{2} = \bar{X}
Momentler yöntemi, kitlenin birinci momentini örneklem ortalamasına eşitleyerek tahmin edici elde eder.
3
Eşitliği bilinmeyen θ^\hat{\theta} parametresi için çözün.
θ^+6=2Xˉθ^=2Xˉ6\hat{\theta}+6 = 2\bar{X} \Rightarrow \hat{\theta} = 2\bar{X} - 6
Parametreyi yalnız bırakmak için cebirsel işlemler uygulanır.

Key Concept

Momentler yöntemi, kitle momentlerinin karşılık gelen örneklem momentlerine eşitlenmesi esasına dayanır.

Practice More

Üniform dağılımın [θ,θ+10][\theta, \theta+10] gibi iki ucu da bilinmeyen parametreye bağlı olduğu durumlar için momentler yöntemini tekrar edebilirsiniz.
Estimated Time:45s
Question 148Question

θ\theta bir parametre olmak üzere, bir kitlenin olasılık yoğunluk fonksiyonu aşağıdaki gibi tanımlanmıştır:

f(x;θ)={1,θ<x<θ+10,dig˘er durumlarf(x; \theta) = \begin{cases} 1, & \theta < x < \theta + 1 \\ 0, & \text{diğer durumlar} \end{cases}

Bu kitleden alınan n=1n=1 birimlik bir örneklem (tek bir XX gözlemi) kullanılarak θ\theta parametresi için T=XT = X tahmin edicisi önerilmektedir. Buna göre, TT tahmin edicisinin hata kareler ortalaması (MSE) aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 13\frac{1}{3}

Answer

Tahmin edicinin varyansı olan 1/121/12 ile yan miktarının karesi olan 1/41/4 değerlerinin toplamı 1/31/3 sonucunu verir.
Verilen olasılık yoğunluk fonksiyonuna göre tek bir gözlemin beklenen değeri θ+0,5\theta + 0,5 olup yan miktarı 0,50,5'dir. Varyansı ise 1/121/12'dir. MSE=Var+Bias2MSE = Var + Bias^2 formülüne göre 1/12+(0,5)2=1/12+1/4=4/12=1/31/12 + (0,5)^2 = 1/12 + 1/4 = 4/12 = 1/3 elde edilir.

Step-by-Step Solution

1
Tahmin edicinin beklenen değerini (E[T]E[T]) hesaplayınız.
E[T]=E[X]=θθ+1x1dx=θ+0,5E[T] = E[X] = \int_{\theta}^{\theta+1} x \cdot 1 \, dx = \theta + 0,5
Düzgün dağılımın beklenen değeri uç noktaların aritmetik ortalamasıdır.
2
Tahmin edicinin yan miktarını (BiasBias) hesaplayınız.
Bias(T,θ)=E[T]θ=(θ+0,5)θ=0,5Bias(T, \theta) = E[T] - \theta = (\theta + 0,5) - \theta = 0,5
Yan miktarı, tahmin edicinin beklenen değeri ile gerçek parametre değeri arasındaki farktır.
3
Tahmin edicinin varyansını (Var[T]Var[T]) hesaplayınız.
Var(T)=Var(X)=(θ+1θ)212=112Var(T) = Var(X) = \frac{(\theta+1 - \theta)^2}{12} = \frac{1}{12}
Düzgün dağılımın varyansı (ba)2/12(b-a)^2/12 formülü ile hesaplanır.
4
Hata Kareler Ortalaması (MSE) formülünü uygulayınız.
MSE(T)=Var(T)+[Bias(T,θ)]2=112+(0,5)2=112+14=412=13MSE(T) = Var(T) + [Bias(T, \theta)]^2 = \frac{1}{12} + (0,5)^2 = \frac{1}{12} + \frac{1}{4} = \frac{4}{12} = \frac{1}{3}
MSE, varyans ile yan miktarının karesinin toplamına eşittir.

Key Concept

Hata Kareler Ortalaması (MSE) hesaplanırken varyans ile yan miktarının karesi toplanır.
Question 149Question

Bir tıp araştırmasında, yeni geliştirilen bir tedavi yönteminin hastalar üzerindeki başarı durumu pp parametreli Bernoulli dağılımı ile modellenmektedir:

f(x;p)=px(1p)1x,x{0,1}f(x; p) = p^x (1-p)^{1-x}, \quad x \in \{0, 1\}

Bu tedavi yönteminin uygulandığı nn hastadan oluşan bir rastgele örneklemde, başarı olasılığı pp için tanımlanacak herhangi bir yansız tahmin edicinin varyansı aşağıdakilerden hangisinden küçük olamaz?

Show answer & explanation

Answer: p(1p)n\frac{p(1-p)}{n}

Answer

Başarı olasılığı pp için Cramer-Rao alt sınırı p(1p)n\frac{p(1-p)}{n} ifadesidir.
Doğru cevap olan ifade, Bernoulli dağılımı için Fisher bilgisinin (I(p)=1/(p(1p))I(p) = 1/(p(1-p))) hesaplanıp, 1/(nI(p))1/(nI(p)) formülünde yerine konulmasıyla elde edilen varyans alt sınırıdır.

Step-by-Step Solution

1
Olasılık kütle fonksiyonunun logaritmasını alınız.
lnf(x;p)=xlnp+(1x)ln(1p)\ln f(x; p) = x \ln p + (1-x) \ln(1-p)
Fisher bilgisini hesaplamak için log-olabilirlik fonksiyonuna ihtiyaç duyulur.
2
pp parametresine göre birinci ve ikinci türevleri hesaplayınız.
lnfp=xp1x1p,2lnfp2=xp21x(1p)2\frac{\partial \ln f}{\partial p} = \frac{x}{p} - \frac{1-x}{1-p}, \quad \frac{\partial^2 \ln f}{\partial p^2} = -\frac{x}{p^2} - \frac{1-x}{(1-p)^2}
Fisher bilgisi, ikinci türevin negatif beklenen değeridir.
3
Fisher bilgisini (I(p)I(p)) hesaplayınız.
I(p)=E[Xp21X(1p)2]=pp2+1p(1p)2=1p(1p)I(p) = -E\left[-\frac{X}{p^2} - \frac{1-X}{(1-p)^2}\right] = \frac{p}{p^2} + \frac{1-p}{(1-p)^2} = \frac{1}{p(1-p)}
Beklenen değer işleminde E[X]=pE[X]=p olduğu kullanılır.
4
Cramer-Rao Alt Sınırı (CRAS) formülünü uygulayınız.
CRAS=1nI(p)=1n1p(1p)=p(1p)nCRAS = \frac{1}{n I(p)} = \frac{1}{n \cdot \frac{1}{p(1-p)}} = \frac{p(1-p)}{n}
nn birimlik bir örneklem için alt sınır, tek birimlik bilginin nn katına bölünmesiyle bulunur.

Key Concept

Cramer-Rao alt sınırı, bir parametrenin yansız tahmin edicileri için mümkün olan en küçük varyans değerini belirler ve Fisher bilgisinin bir fonksiyonudur.

Practice More

Poisson dağılımı için Cramer-Rao alt sınırının nasıl hesaplandığını inceleyerek bilgilerinizi pekiştirebilirsiniz.
Estimated Time:45s
Question 150Question

Bir istatistiksel modellemede kullanılan XX rassal değişkeninin olasılık yoğunluk fonksiyonu, θ>0\theta > 0 parametresine bağlı olarak aşağıdaki gibi verilmiştir:

f(x;θ)={2xθ2,0<x<θ0,dig˘er durumlarf(x; \theta) = \begin{cases} \frac{2x}{\theta^2}, & 0 < x < \theta \\ 0, & \text{diğer durumlar} \end{cases}

Bu kitleden alınan bir birimlik XX gözlemi, θ\theta parametresini tahmin etmek amacıyla T=XT = X şeklinde bir tahmin edici olarak önerilmektedir.

Buna göre, TT tahmin edicisinin Hata Kareler Ortalaması (MSE) aşağıdakilerden hangisidir?

Show answer & explanation

Answer: θ26\frac{\theta^2}{6}

Answer

Tahmin edicinin Hata Kareler Ortalaması (MSE) θ26\frac{\theta^2}{6} olarak hesaplanır.
Verilen olasılık yoğunluk fonksiyonu kullanılarak yapılan hesaplamada, tahmin edicinin varyansı θ2/18\theta^2/18 ve yan miktarının karesi θ2/9\theta^2/9 olarak bulunmuştur. MSE tanımı gereği bu iki değerin toplamı olan θ2/6\theta^2/6 doğru cevaptır.

Step-by-Step Solution

1
Tahmin edicinin beklenen değerini hesapla.
E[T]=E[X]=0θx2xθ2dx=0θ2x2θ2dx=[2x33θ2]0θ=2θ3E[T] = E[X] = \int_{0}^{\theta} x \cdot \frac{2x}{\theta^2} dx = \int_{0}^{\theta} \frac{2x^2}{\theta^2} dx = \left[ \frac{2x^3}{3\theta^2} \right]_{0}^{\theta} = \frac{2\theta}{3}
Yansızlık ve MSE hesabı için öncelikle tahmin edicinin ortalaması bulunmalıdır.
2
Tahmin edicinin varyansını hesapla.
E[X2]=0θx22xθ2dx=θ22E[X^2] = \int_{0}^{\theta} x^2 \cdot \frac{2x}{\theta^2} dx = \frac{\theta^2}{2} ve Var(T)=E[X2](E[X])2=θ22(2θ3)2=θ218Var(T) = E[X^2] - (E[X])^2 = \frac{\theta^2}{2} - (\frac{2\theta}{3})^2 = \frac{\theta^2}{18}
MSE formülünün temel bileşenlerinden biri olan varyansın belirlenmesi gerekir.
3
Yan (bias) miktarını ve karesini hesapla.
Yan(T)=E[T]θ=2θ3θ=θ3Yan2(T)=θ29Yan(T) = E[T] - \theta = \frac{2\theta}{3} - \theta = -\frac{\theta}{3} \Rightarrow Yan^2(T) = \frac{\theta^2}{9}
Tahmin edici yansız olmadığı için yan miktarının karesi MSE hesabına dahil edilmelidir.
4
Hata Kareler Ortalamasını (MSE) birleştir.
MSE(T)=Var(T)+Yan2(T)=θ218+θ29=θ2+2θ218=3θ218=θ26MSE(T) = Var(T) + Yan^2(T) = \frac{\theta^2}{18} + \frac{\theta^2}{9} = \frac{\theta^2 + 2\theta^2}{18} = \frac{3\theta^2}{18} = \frac{\theta^2}{6}
MSE, varyans ve yan karesinin toplamına eşittir.

Key Concept

Hata Kareler Ortalaması (MSE) Formülü: MSE(T)=Var(T)+[Yan(T)]2MSE(T) = Var(T) + [Yan(T)]^2

Practice More

Tahmin edici yansız olsaydı MSE ile varyans arasındaki ilişkinin nasıl değişeceğini düşününüz.
Estimated Time:1m 30s
Question 151Question

Basit doğrusal regresyon analizinde, model parametrelerini tahmin etmek amacıyla kullanılan En Küçük Kareler (EKK) yönteminin temel matematiksel amacı aşağıdakilerden hangisidir?

Show answer & explanation

Answer: Hata terimlerinin (kalıntıların) kareleri toplamını minimize etmek

Answer

En Küçük Kareler yönteminin temel amacı, hata terimlerinin (kalıntıların) kareleri toplamını minimize etmektir.
En Küçük Kareler yöntemi, doğrusal bir modelde gözlem noktaları ile regresyon doğrusu arasındaki dikey uzaklıkların (hataların) karelerini alarak bu değerlerin toplamını en aza indiren parametre kestirimlerini bulur. Bu, matematiksel olarak ei2\sum e_i^2 ifadesinin minimize edilmesidir.

Step-by-Step Solution

1
Hata terimini (kalıntı) matematiksel olarak tanımla.
ei=YiY^ie_i = Y_i - \hat{Y}_i
Gözlenen değer (YiY_i) ile modelden elde edilen tahmin (Y^i\hat{Y}_i) arasındaki fark, tahmin hatasını verir.
2
En Küçük Kareler (EKK) yönteminin kriter fonksiyonunu oluştur.
Q=i=1nei2=i=1n(Yiβ0β1Xi)2Q = \sum_{i=1}^{n} e_i^2 = \sum_{i=1}^{n} (Y_i - \beta_0 - \beta_1 X_i)^2
Yöntem, bu toplamı (QQ) en küçük (minimum) yapacak β0\beta_0 ve β1\beta_1 değerlerini bulmaya çalışır.
3
Seçeneklerle elde edilen fonksiyonu karşılaştır.
Hata terimlerinin kareleri toplamı seçeneği ile eşleşir.
Tanım gereği yöntem, hataların karelerini alarak negatif ve pozitif hataların birbirini yok etmesini engeller ve toplam hatayı minimize eder.

Key Concept

En Küçük Kareler Yönteminin Amacı

Hints

1
Yöntemin ismi, neyin minimize edildiği hakkında doğrudan bir ipucu vermektedir.
2
Gözlenen değerler (YY) ile tahmin edilen değerler (Y^\hat{Y}) arasındaki farka hata veya kalıntı denir.

Practice More

EKK tahmin edicilerinin varyansını hesaplayarak Gauss-Markov teoreminin 'en iyi doğrusal yansız tahmin edici' (BLUE) özelliğini inceleyebilirsiniz.
Estimated Time:45s
Question 152Question

Bilinmeyen bir θ\theta parametresi için yansız bir TT tahmin edicisi ve bu parametre için yeterli bir SS istatistiği tanımlanmıştır. Rao-Blackwell teoremi kullanılarak elde edilen T=E[TS]T^* = E[T|S] tahmin edicisi hakkında aşağıdakilerden hangisi her zaman doğrudur?

Show answer & explanation

Answer: TT^*, θ\theta için yansızdır ve Var(T)Var(T)Var(T^*) \leq Var(T) eşitsizliğini sağlar.

Answer

Yeni tahmin edicinin yansız olduğu ve varyansının orijinal tahmin edicinin varyansından küçük veya ona eşit olduğu ifadesi doğrudur.
Rao-Blackwell teoremi, yansız bir tahmin edicinin yeterli bir istatistik üzerine şartlı beklentisinin alınmasıyla elde edilen yeni tahmin edicinin de yansız kalacağını ve varyansının orijinal tahmin ediciden daha büyük olamayacağını (Var(T)Var(T)Var(T^*) \leq Var(T)) kesin olarak ifade eder.

Step-by-Step Solution

1
Tahmin edicinin beklenen değerini kontrol etme
E[T]=E[E[TS]]=E[T]=θE[T^*] = E[E[T|S]] = E[T] = \theta
İterasyonel beklenti kuralı (Law of Iterated Expectations) uyarınca, şartlı beklentinin beklenen değeri orijinal beklenen değere eşittir.
2
Varyansları karşılaştırma
Var(T)=Var(E[TS])+E[Var(TS)]Var(T) = Var(E[T|S]) + E[Var(T|S)] olduğundan Var(T)=Var(T)+E[Var(TS)]Var(T) = Var(T^*) + E[Var(T|S)]
Varyans ayrışım teoremi (Law of Total Variance) kullanılarak orijinal varyans bileşenlerine ayrılır.
3
Eşitsizliği kurma
E[Var(TS)]0E[Var(T|S)] \geq 0 olduğu için Var(T)Var(T)Var(T^*) \leq Var(T)
Varyans her zaman negatif olmayan bir değer olduğundan, yeni tahmin edicinin varyansı orijinal varyanstan büyük olamaz.

Key Concept

Rao-Blackwell Teoremi ve Varyans İyileştirme
Estimated Time:45s
Question 153Question

Türkiye İstatistik Kurumu (TÜİK) tarafından yürütülen bir hanehalkı bilişim teknolojileri kullanım araştırmasında, rastgele seçilen nn bireyin internet kullanma durumu (kullananlar 1, kullanmayanlar 0) pp parametreli Bernoulli dağılımına uymaktadır. Bu kitle içerisinden seçilen X1,X2,,XnX_1, X_2, \dots, X_n örneklemi için pp parametresinin yeterli istatistiği aşağıdakilerden hangisidir?

Show answer & explanation

Answer: i=1nXi\sum_{i=1}^{n} X_i

Answer

Bernoulli dağılımı için yeterli istatistik, gözlemlerin toplamı olan i=1nXi\sum_{i=1}^{n} X_i ifadesidir.
Doğru seçenek, Bernoulli dağılımının olabilirlik fonksiyonu üzerinden Neyman Çarpanlara Ayırma Teoremi uygulandığında, parametreye bağlı kısmın sadece gözlemlerin toplamı olan Xi\sum X_i üzerinden ifade edilebilmesi nedeniyle doğrudur.

Step-by-Step Solution

1
Olabilirlik fonksiyonunu (L(p)L(p)) yazın.
L(p)=i=1npxi(1p)1xi=pxi(1p)nxiL(p) = \prod_{i=1}^{n} p^{x_i} (1-p)^{1-x_i} = p^{\sum x_i} (1-p)^{n-\sum x_i}
Neyman Çarpanlara Ayırma Teoremi'ni uygulamak için fonksiyonun çarpım formuna ihtiyaç vardır.
2
Fonksiyonu g(T(x),p)g(T(x), p) ve h(x)h(x) bileşenlerine ayırın.
L(p)=[pxi(1p)nxi]×[1]L(p) = [p^{\sum x_i} (1-p)^{n-\sum x_i}] \times [1] burada g(T(x),p)=pxi(1p)nxig(T(x), p) = p^{\sum x_i} (1-p)^{n-\sum x_i} ve h(x)=1h(x) = 1 olur.
Teoreme göre, eğer olabilirlik fonksiyonu bu şekilde ayrılabiliyorsa T(x)T(x) yeterli istatistiktir.
3
Yeterli istatistiği (T(x)T(x)) tanımlayın.
T(x)=i=1nXiT(x) = \sum_{i=1}^{n} X_i
Parametreyi içeren fonksiyonun sadece gözlemlerin toplamına bağlı olduğu görülmektedir.

Key Concept

Neyman Çarpanlara Ayırma Teoremi: Bir T(x)T(x) istatistiğinin yeterli olması için olabilirlik fonksiyonunun L(θ)=g(T(x),θ)h(x)L(\theta) = g(T(x), \theta) \cdot h(x) formunda yazılabilmesi gerekir.

Practice More

Poisson dağılımı için yeterli istatistiğin de benzer şekilde gözlemlerin toplamı olup olmadığını kontrol ediniz.
Estimated Time:45s
Question 154Question

Rao-Blackwell teoremi, istatistiksel çıkarımda bir parametre için mevcut bir yansız tahmin edicinin varyansını iyileştirmek amacıyla kullanılır. θ\theta parametresi için TT yansız bir tahmin edici ve SS ise θ\theta için yeterli bir istatistik olarak tanımlanmıştır. Buna göre, Rao-Blackwell teoremi kullanılarak elde edilen T=E[TS]T^* = E[T|S] tahmin edicisi hakkında aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: θ\theta için yansızdır ve varyansı TT tahmin edicisinin varyansından küçük veya eşittir (Var(T)Var(T)Var(T^*) \leq Var(T)).

Answer

Rao-Blackwell teoremi uyarınca yeni tahmin edici yansızdır ve varyansı orijinalinden küçük veya eşittir.
Rao-Blackwell teoreminin temel sonucu, yansız bir tahmin edicinin yeterli bir istatistik üzerindeki koşullu beklenen değerinin de yansız olması ve varyansının orijinal tahmin edicinin varyansını geçmemesidir. Bu, istatistiksel çıkarımda daha etkin tahmin ediciler bulmak için kullanılan temel bir yöntemdir.

Step-by-Step Solution

1
Koşullu beklenen değerin yansızlık özelliğini kontrol et.
E[T]=E[E[TS]]=E[T]=θE[T^*] = E[E[T|S]] = E[T] = \theta
Yinelemeli beklentiler yasası (Law of Iterated Expectations) gereği, koşullu beklenen değerin beklenen değeri, orijinal değişkenin beklenen değerine eşittir.
2
Varyans bileşenleri formülünü uygulayarak varyans karşılaştırması yap.
Var(T)=Var(E[TS])+E[Var(TS)]=Var(T)+E[Var(TS)]Var(T) = Var(E[T|S]) + E[Var(T|S)] = Var(T^*) + E[Var(T|S)]
Varyans her zaman negatif olmayan bir değer olduğu için Var(T)Var(T)Var(T) \geq Var(T^*) olduğu matematiksel olarak kanıtlanır.

Key Concept

Rao-Blackwell Teoremi ve Varyans İyileştirme
Question 155Question

Bir vergi dairesinde gerçekleştirilen denetimler sonucunda, her bir vergi beyannamesinin hatalı olma olasılığı pp olan bir Bernoulli dağılımına uygun olduğu kabul edilmektedir. Bağımsız ve özdeş dağılımlı 10 beyanname üzerinde yapılan incelemede 4 beyannamenin hatalı olduğu saptanmıştır. Buna göre, bir beyannamenin hatasız olma olasılığını temsil eden 1p1 - p fonksiyonunun en çok olabilirlik (MLE) tahmini aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 0,60,6

Answer

Beyannamenin hatasız olma olasılığının en çok olabilirlik tahmini 0,60,6 olarak bulunur.
Verilen örneklemde 10 beyannameden 4'ü hatalı olduğu için hatalı olma olasılığı pp için en çok olabilirlik tahmini 4/10=0,44/10 = 0,4 olur. En çok olabilirlik yönteminin değişmezlik özelliği gereğince, bir parametrenin fonksiyonunun tahmini, o parametrenin tahmininin aynı fonksiyonuna eşittir. Bu nedenle, hatasız olma olasılığı olan 1p1-p için tahmin 10,4=0,61 - 0,4 = 0,6 olarak hesaplanır.

Step-by-Step Solution

1
Örneklem verilerini ve parametreleri tanımlayın.
n=10n = 10 (toplam beyanname), Xi=4\sum X_i = 4 (hatalı beyanname sayısı).
Bernoulli dağılımında en çok olabilirlik tahmini için örneklem toplamı ve boyutu gereklidir.
2
pp parametresi (hatalı olma olasılığı) için en çok olabilirlik tahmin edicisini (MLE) hesaplayın.
p^=Xin=410=0,4\hat{p} = \frac{\sum X_i}{n} = \frac{4}{10} = 0,4.
Bernoulli dağılımı için pp parametresinin MLE'si örneklem ortalamasına (Xˉ\bar{X}) eşittir.
3
En çok olabilirlik tahmin edicilerinin değişmezlik (invariance) özelliğini uygulayın.
1p^=1p^=10,4=0,6\widehat{1-p} = 1 - \hat{p} = 1 - 0,4 = 0,6.
Eğer θ^\hat{\theta}, θ\theta için bir MLE ise, g(θ^)g(\hat{\theta}) de g(θ)g(\theta) için bir MLE'dir.

Key Concept

En Çok Olabilirlik Tahmin Edicilerinin Değişmezlik (Invariance) Özelliği
Question 156Question

Bir istatistikçi, YY bağımlı değişkeni ile XX bağımsız değişkeni arasındaki ilişkiyi orijinden geçen Y=βX+ϵY = \beta X + \epsilon doğrusal modeli ile modellemektedir. Yapılan iki gözlem sonucunda elde edilen veriler aşağıdaki tabloda sunulmuştur:

Gözlem NoXXYY
112
234

Buna göre, En Küçük Kareler (EKK) yöntemi kullanılarak hesaplanan β^\hat{\beta} parametre tahmin edicisinin değeri aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 1,4

Answer

En Küçük Kareler yöntemiyle hesaplanan parametre tahmin edicisinin değeri 1,4'tür.
En Küçük Kareler (EKK) yöntemi, kalıntı kareler toplamını minimize eden parametre değerini bulur. Orijinden geçen Y=βXY = \beta X modelinde bu çözüm β^=XiYiXi2\hat{\beta} = \frac{\sum X_i Y_i}{\sum X_i^2} formülüne indirgenir. Verilen veri setinde çarpımların toplamı 14, karelerin toplamı 10 olduğu için tahmin edici 1,4 olarak bulunur.

Step-by-Step Solution

1
Orijinden geçen basit doğrusal regresyon modeli için EKK amaç fonksiyonunu belirle.
S(β)=i=1n(YiβXi)2S(\beta) = \sum_{i=1}^{n} (Y_i - \beta X_i)^2
EKK yöntemi, gözlenen değerler ile modelden tahmin edilen değerler arasındaki hata kareler toplamını minimize etmeyi amaçlar.
2
Amaç fonksiyonunun β\beta parametresine göre türevini alarak sıfıra eşitle (Normal Denklem).
2Xi(YiβXi)=0XiYi=βXi2-2 \sum X_i(Y_i - \beta X_i) = 0 \Rightarrow \sum X_i Y_i = \beta \sum X_i^2
Minimizasyon problemini çözmek için birinci türev şartı kullanılarak normal denklem elde edilir.
3
Elde edilen verileri normal denklemde yerine koyarak β^\hat{\beta} değerini hesapla.
XiYi=(1×2)+(3×4)=14\sum X_i Y_i = (1 \times 2) + (3 \times 4) = 14 ve Xi2=12+32=10\sum X_i^2 = 1^2 + 3^2 = 10. Buradan β^=14/10=1,4\hat{\beta} = 14 / 10 = 1,4 bulunur.
Tablodaki XX ve YY değerlerinin çarpımları ile XX karelerinin toplamı hesaplanarak oranlanır.

Key Concept

Orijinden geçen basit doğrusal regresyonda En Küçük Kareler (EKK) tahmini.

Alternative Method

Normal denklemleri yazmak yerine, seçenekler arasından her bir β\beta değeri için kalıntı kareler toplamını [e12+e22e_1^2 + e_2^2] manuel olarak hesaplayıp en küçüğünü seçebilirsiniz. Örneğin 1,4 için (21,4)2+(44,2)2=0,36+0,04=0,40(2-1,4)^2 + (4-4,2)^2 = 0,36 + 0,04 = 0,40 çıkarken, 1,5 için (21,5)2+(44,5)2=0,25+0,25=0,50(2-1,5)^2 + (4-4,5)^2 = 0,25 + 0,25 = 0,50 çıkar.
Estimated Time:1m 0s
Question 157Question

Bir kamu kurumunda işlem gören günlük evrak sayısı, λ\lambda parametreli Poisson dağılımına uygunluk göstermektedir. Bu kurumda rastgele seçilen nn günlük evrak sayılarını temsil eden X1,X2,,XnX_1, X_2, \dots, X_n örneklemi için Neyman Çarpanlara Ayırma Teoremi'ne göre λ\lambda parametresi için yeterli istatistik aşağıdakilerden hangisidir?

Show answer & explanation

Answer: i=1nXi\sum_{i=1}^{n} X_i

Answer

Gözlemlerin toplamı olan i=1nXi\sum_{i=1}^{n} X_i ifadesi λ\lambda parametresi için yeterli istatistiktir.
Poisson dağılımının olabilirlik fonksiyonu incelendiğinde, λ\lambda parametresini içeren terimlerin yalnızca gözlemlerin toplamı (Xi\sum X_i) üzerinden verilere bağlı olduğu görülür. Neyman Çarpanlara Ayırma Teoremi uyarınca, bu durum toplam istatistiğinin parametre için yeterli olduğunu kanıtlar.

Step-by-Step Solution

1
Olabilirlik fonksiyonunu (likelihood function) yazın.
L(λ;x1,,xn)=i=1neλλxixi!=enλλi=1nxii=1nxi!L(\lambda; x_1, \dots, x_n) = \prod_{i=1}^{n} \frac{e^{-\lambda} \lambda^{x_i}}{x_i!} = \frac{e^{-n\lambda} \lambda^{\sum_{i=1}^{n} x_i}}{\prod_{i=1}^{n} x_i!}
Yeterli istatistiği bulmak için öncelikle örneklemin ortak olasılık kütle fonksiyonu oluşturulmalıdır.
2
Neyman Çarpanlara Ayırma Teoremi'ni (Factorization Theorem) uygulayın.
L(λ;x)=g(T(x),λ)h(x)L(\lambda; \mathbf{x}) = g(T(\mathbf{x}), \lambda) \cdot h(\mathbf{x}) formunda; g(xi,λ)=enλλxig(\sum x_i, \lambda) = e^{-n\lambda} \lambda^{\sum x_i} ve h(x)=1xi!h(\mathbf{x}) = \frac{1}{\prod x_i!} olarak belirlenir.
Teorem gereği, olabilirlik fonksiyonu parametreye bağlı bir gg fonksiyonu ve sadece verilere bağlı bir hh fonksiyonu olarak ayrılabilmelidir.
3
Yeterli istatistiği (TT) tanımlayın.
T(X1,,Xn)=i=1nXiT(X_1, \dots, X_n) = \sum_{i=1}^{n} X_i
gg fonksiyonu sadece λ\lambda parametresine ve gözlemlerin toplamına bağlı olduğu için bu toplam yeterli bir istatistiktir.

Key Concept

Neyman Çarpanlara Ayırma Teoremi, bir istatistiğin parametre hakkındaki tüm bilgiyi içerip içermediğini belirlemek için olabilirlik fonksiyonunun iki parçaya ayrılmasını sağlar.
Estimated Time:45s
Question 158Question

Bir kamu araştırmasında, incelenen bir kitlenin karakteristik özelliği θ\theta parametresi ile modellenmektedir. Bu parametrenin en çok olabilirlik tahmin edicisi (MLE) θ^\hat{\theta} olarak elde edilmiştir. Araştırmacılar, θ\theta parametresine bağlı olarak tanımlanan η=θθ+1\eta = \frac{\theta}{\theta + 1} oranını tahmin etmek istemektedir. En çok olabilirlik tahmin edicilerinin değişmezlik (invariance) özelliği göz önüne alındığında, bu oran için en çok olabilirlik tahmin edicisi aşağıdakilerden hangisidir?

Show answer & explanation

Answer: θ^θ^+1\frac{\hat{\theta}}{\hat{\theta} + 1}

Answer

Parametrenin fonksiyonu olan θ^θ^+1\frac{\hat{\theta}}{\hat{\theta} + 1} ifadesi doğru cevaptır.
En çok olabilirlik tahmin edicileri (MLE) için geçerli olan değişmezlik özelliği, θ\theta parametresinin bir fonksiyonu olan g(θ)g(\theta)'nın en çok olabilirlik tahmin edicisinin g(θ^)g(\hat{\theta}) olduğunu ifade eder. Soruda verilen η=θθ+1\eta = \frac{\theta}{\theta + 1} fonksiyonu için bu özellik uygulandığında, θ\theta yerine θ^\hat{\theta} yazılarak elde edilen rasyonel ifade doğru tahmin edicidir.

Step-by-Step Solution

1
Parametre ve mevcut tahmin ediciyi belirle.
Parametre θ\theta, MLE değeri θ^\hat{\theta}.
Değişmezlik özelliğini uygulamak için temel bileşenlerin tanımlanması gerekir.
2
Tahmin edilmek istenen fonksiyonu (g(θ)g(\theta)) tanımla.
g(θ)=θθ+1g(\theta) = \frac{\theta}{\theta + 1}
Dönüşümün hangi kurala göre yapılacağı belirlenmelidir.
3
En çok olabilirlik tahmin edicilerinin değişmezlik (invariance) özelliğini uygula.
g(θ)^=g(θ^)\widehat{g(\theta)} = g(\hat{\theta})
Zehna teoremi uyarınca, MLE altında parametre fonksiyonlarının tahmini, fonksiyonun parametre tahmini üzerindeki değeridir.
4
Fonksiyonda θ\theta yerine θ^\hat{\theta} yazarak sonucu elde et.
η^=θ^θ^+1\hat{\eta} = \frac{\hat{\theta}}{\hat{\theta} + 1}
Matematiksel yerine koyma işlemi ile nihai tahmin edici formüle edilir.

Key Concept

En Çok Olabilirlik Tahmin Edicilerinin Değişmezlik (Invariance) Özelliği

Hints

1
En çok olabilirlik tahmin edicilerinin fonksiyonlar altındaki davranışını (değişmezlik ilkesi) hatırlayın.
2
Değişmezlik özelliği, g(θ)g(\theta) şeklindeki bir fonksiyonun tahmini için θ\theta yerine doğrudan θ^\hat{\theta} koymanıza izin verir.

Practice More

Farklı fonksiyonlar (örneğin logaritmik veya üstel) için aynı özelliği uygulayarak pratik yapabilirsiniz.
Estimated Time:45s
Question 159Question

θ>0\theta > 0 parametresine sahip bir kitleye ait olasılık yoğunluk fonksiyonu aşağıda verilmiştir:

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

Bu kitleden seçilen n=1n=1 birimlik bir örneklem için tanımlanan T=XT = X tahmin edicisinin hata kareler ortalaması (MSE) değeri aşağıdakilerden hangisidir?

Show answer & explanation

Answer: θ23\frac{\theta^2}{3}

Answer

Tahmin edicinin hata kareler ortalaması (MSE) θ23\frac{\theta^2}{3} değerine eşittir.
Verilen düzgün dağılımda n=1n=1 için XX değişkeninin beklenen değeri θ/2\theta/2 ve varyansı θ2/12\theta^2/12 olarak hesaplanır. Tahmin edici olan T=XT=X ifadesinin yan miktarı E(T)θ=θ/2E(T)-\theta = -\theta/2 olur. Hata kareler ortalaması (MSE) formülü gereği Var(T)+[Yan(T)]2=θ2/12+θ2/4Var(T) + [Yan(T)]^2 = \theta^2/12 + \theta^2/4 işlemi yapıldığında doğru sonuç olan θ2/3\theta^2/3 değerine ulaşılır.

Step-by-Step Solution

1
Tahmin edicinin beklenen değerini hesaplayınız.
E(T)=E(X)=0θx1θdx=[x22θ]0θ=θ2E(T) = E(X) = \int_{0}^{\theta} x \cdot \frac{1}{\theta} dx = \left[ \frac{x^2}{2\theta} \right]_{0}^{\theta} = \frac{\theta}{2}
Yan miktarını bulabilmek için öncelikle tahmin edicinin beklenen değeri belirlenmelidir.
2
Tahmin edicinin yan (bias) miktarını belirleyiniz.
Yan(T)=E(T)θ=θ2θ=θ2Yan(T) = E(T) - \theta = \frac{\theta}{2} - \theta = -\frac{\theta}{2}
Yan miktarı, tahmin edicinin beklenen değeri ile gerçek parametre değeri arasındaki farktır.
3
Tahmin edicinin varyansını hesaplayınız.
E(X2)=0θx21θdx=θ23E(X^2) = \int_{0}^{\theta} x^2 \cdot \frac{1}{\theta} dx = \frac{\theta^2}{3} ise Var(T)=E(X2)[E(X)]2=θ23(θ2)2=θ212Var(T) = E(X^2) - [E(X)]^2 = \frac{\theta^2}{3} - (\frac{\theta}{2})^2 = \frac{\theta^2}{12}
MSE formülündeki temel bileşenlerden biri tahmin edicinin varyansıdır.
4
MSE formülünü uygulayarak sonucu bulunuz.
MSE(T)=Var(T)+[Yan(T)]2=θ212+(θ2)2=θ212+θ24=4θ212=θ23MSE(T) = Var(T) + [Yan(T)]^2 = \frac{\theta^2}{12} + (-\frac{\theta}{2})^2 = \frac{\theta^2}{12} + \frac{\theta^2}{4} = \frac{4\theta^2}{12} = \frac{\theta^2}{3}
Hata kareler ortalaması (MSE), varyans ve yan miktarının karesinin toplamına eşittir.

Key Concept

Hata Kareler Ortalaması (MSE), bir tahmin edicinin kalitesini ölçen ve hem değişkenliği (varyans) hem de doğruluğu (yan) içeren bir ölçüttür.

Hints

1
MSE hesaplamak için MSE(T)=Var(T)+[Yan(T)]2MSE(T) = Var(T) + [Yan(T)]^2 formülünü kullanmalısınız.

Practice More

Eğer tahmin edici T=2XT = 2X olarak seçilseydi, bu tahmin edici yansız olur muydu ve MSE değeri nasıl değişirdi? Bunu hesaplayarak yansızlığın MSE üzerindeki etkisini inceleyebilirsiniz.
Estimated Time:1m 30s
Question 160Question

Bir üretim bandından çıkan ürünlerin kusurlu olma olasılığı θ\theta parametresi ile modellenmektedir. Bu parametre için önsel (prior) dağılım Beta(1,1)\text{Beta}(1, 1) olarak belirlenmiştir. Kontrol edilen bir ürünün kusurlu (x=1x=1) olduğu gözlemlendiğine göre; karesel hata kayıp fonksiyonu altında θ\theta parametresinin Bayes tahmin edicisi aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 23\frac{2}{3}

Answer

Bayes tahmin edicisi 23\frac{2}{3} olarak hesaplanır.
Sonsal dağılım Beta(2,1)\text{Beta}(2, 1) olarak bulunur. Karesel hata kaybı kullanıldığında Bayes tahmin edicisi bu dağılımın ortalaması olan 2/(2+1)=2/32/(2+1) = 2/3 değerine eşittir.

Step-by-Step Solution

1
Önsel dağılımın ve verinin tanımlanması
Önsel: Beta(α=1,β=1)\text{Beta}(\alpha=1, \beta=1), Veri: n=1,x=1n=1, x=1
Bayesyen güncelleme için başlangıç parametrelerini ve gözlem sonucunu belirlemek gerekir.
2
Sonsal (posterior) dağılımın güncellenmesi
θxBeta(α+x,β+nx)=Beta(1+1,1+0)=Beta(2,1)\theta | x \sim \text{Beta}(\alpha+x, \beta+n-x) = \text{Beta}(1+1, 1+0) = \text{Beta}(2, 1)
Beta önsel ve Bernoulli olabilirlik fonksiyonu eşlenik (conjugate) olduğu için sonsal dağılım yine bir Beta dağılımıdır.
3
Bayes tahmin edicisinin hesaplanması
E[θx]=αα+β=22+1=23E[\theta | x] = \frac{\alpha'}{\alpha' + \beta'} = \frac{2}{2+1} = \frac{2}{3}
Karesel hata kayıp fonksiyonu altında Bayes tahmin edicisi, sonsal dağılımın beklenen değeridir.

Key Concept

Beta-Bernoulli eşlenik dağılım çiftinde, sonsal dağılım parametreleri α=α+bas¸arı\alpha' = \alpha + \text{başarı} ve β=β+bas¸arısızlık\beta' = \beta + \text{başarısızlık} şeklindedir.
Estimated Time:45s
PreviousPage 8 / 12Next
Parametre Tahmin Yöntemleri Practice Questions — KPSS İstatistik — Page 8 | Examkin