Parametre Tahmin Yöntemleri

228 questions

Question 161Question

Bir kamu kurumunun bilgi işlem merkezinde, gelen destek taleplerinin yanıtlanma süresi (XX, saat cinsinden) bir rastgele değişken olup beklenen değeri E[X]=2θE[X] = 2\theta olarak ifade edilmektedir. Merkezden rastgele seçilen 5 talebin yanıtlanma süreleri aşağıda verilmiştir:

3, 5, 2, 6, 4

Buna göre, θ\theta parametresinin momentler yöntemi (MoM) ile elde edilen nokta tahmini aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 2

Answer

θ\theta parametresinin momentler yöntemi tahmini 2 olarak hesaplanır.
Verilen örneklem verilerinin aritmetik ortalaması 4'tür. Momentler yöntemi gereği kitlenin birinci momenti olan E[X]=2θE[X] = 2\theta ifadesi bu ortalamaya eşitlenir (2θ=42\theta = 4). Buradan θ\theta tahmini 2 olarak bulunur.

Step-by-Step Solution

1
Örneklem ortalamasının (xˉ\bar{x}) hesaplanması
xˉ=3+5+2+6+45=205=4\bar{x} = \frac{3 + 5 + 2 + 6 + 4}{5} = \frac{20}{5} = 4
Momentler yönteminde birinci örneklem momenti, verilerin aritmetik ortalamasıdır.
2
Kitle momenti ile örneklem momentinin eşitlenmesi
E[X]=xˉ2θ=4E[X] = \bar{x} \Rightarrow 2\theta = 4
Momentler yöntemi, teorik beklenen değerin gözlemlenen ortalamaya eşitlenmesi ilkesine dayanır.
3
Bilinmeyen parametrenin (θ\theta) yalnız bırakılması
θ^=42=2\hat{\theta} = \frac{4}{2} = 2
Eşitlik çözülerek parametrenin nokta tahmin edicisi elde edilir.

Key Concept

Momentler yöntemi (MoM), bir dağılımın parametrelerini tahmin etmek için kitle momentlerini (beklenen değerleri) ilgili örneklem momentlerine (ortalama vb.) eşitleyen bir istatistiksel yöntemdir.
Question 162Question

Bir kitlenin olasılık yoğunluk fonksiyonu θ>0\theta > 0 parametresi ile şu şekilde verilmiştir:

f(x;θ)=θxθ1,0<x<1f(x; \theta) = \theta x^{\theta-1}, \quad 0 < x < 1

Bu kitleden alınan nn birimlik bir rastgele örneklem temelinde, θ\theta parametresinin herhangi bir yansız tahmin edicisinin varyansı için Cramer-Rao alt sınırı aşağıdakilerden hangisidir?

Show answer & explanation

Answer: θ2n\frac{\theta^2}{n}

Answer

θ2n\frac{\theta^2}{n} ifadesi, verilen dağılım için Cramer-Rao alt sınırını temsil eder.
Verilen olasılık yoğunluk fonksiyonunun ikinci türevi 1/θ2-1/\theta^2 olarak bulunur. Bu değerin beklenen değerinin negatifi olan 1/θ21/\theta^2, tek bir birim için Fisher bilgisidir. nn birimlik örneklemde toplam bilgi n/θ2n/\theta^2 olur. Varyansın alt sınırı ise bu toplam bilginin çarpmaya göre tersi olan θ2/n\theta^2/n değeridir.

Step-by-Step Solution

1
Olasılık yoğunluk fonksiyonunun doğal logaritmasını alın.
lnf(x;θ)=lnθ+(θ1)lnx\ln f(x; \theta) = \ln \theta + (\theta - 1) \ln x
Fisher bilgisini hesaplamak için log-olabilirlik fonksiyonu gereklidir.
2
Parametreye (θ\theta) göre birinci ve ikinci mertebeden türevleri hesaplayın.
lnfθ=1θ+lnx\frac{\partial \ln f}{\partial \theta} = \frac{1}{\theta} + \ln x ve 2lnfθ2=1θ2\frac{\partial^2 \ln f}{\partial \theta^2} = -\frac{1}{\theta^2}
Fisher bilgisi, log-olabilirlik fonksiyonunun ikinci türevinin beklenen değerinin negatifine eşittir.
3
Tek bir gözlem için Fisher Bilgisini (I(θ)I(\theta)) bulun.
I(θ)=E[1θ2]=1θ2I(\theta) = -E\left[ -\frac{1}{\theta^2} \right] = \frac{1}{\theta^2}
Beklenen değer sabitin kendisine eşittir.
4
nn birimlik örneklem için Cramer-Rao Alt Sınırı (CRAS) formülünü uygulayın.
CRAS=1nI(θ)=1n(1/θ2)=θ2nCRAS = \frac{1}{n I(\theta)} = \frac{1}{n (1/\theta^2)} = \frac{\theta^2}{n}
Yansız bir tahmin edicinin varyansı 1/[nI(θ)]1 / [n I(\theta)] değerinden küçük olamaz.

Key Concept

Cramer-Rao Eşitsizliği, yansız bir tahmin edicinin varyansının alt sınırını belirler ve Fisher Bilgisi ile ters orantılıdır.
Question 163Question

θ\theta parametresini tahmin etmek amacıyla kullanılan bir θ^n\hat{\theta}_n tahmin edicisinin hata kareler ortalaması (MSEMSE) şu şekilde tanımlanmıştır:

MSE(θ^n)=E[(θ^nθ)2]MSE(\hat{\theta}_n) = E[(\hat{\theta}_n - \theta)^2]

Örneklem hacmi nn sonsuza giderken, bu tahmin edicinin hata kareler ortalamasının limitinin sıfır olduğu (limnMSE(θ^n)=0{\lim_{n \to \infty} MSE(\hat{\theta}_n) = 0}) bilinmektedir. Buna göre θ^n\hat{\theta}_n tahmin edicisi θ\theta parametresi için aşağıdakilerden hangisidir?

Show answer & explanation

Answer: Tutarlı bir tahmin edicidir

Answer

Hata kareler ortalaması (MSE) sıfıra giden tahmin ediciler tutarlı tahmin edicilerdir.
Doğru cevap olan ifade tutarlılık (consistency) özelliğini tanımlar. İstatistik teorisinde, bir tahmin edicinin hata kareler ortalaması (MSE) n sonsuza giderken sıfıra yaklaşıyorsa, bu tahmin edici ilgili parametreye olasılıkta yakınsar. Bu durum, tahmin edicinin tutarlı olduğunun bir kanıtıdır ve yeterli bir koşul olarak kabul edilir.

Step-by-Step Solution

1
MSE formülünü bileşenlerine ayırın
MSE(θ^n)=Var(θ^n)+[Yan(θ^n)]2MSE(\hat{\theta}_n) = Var(\hat{\theta}_n) + [Yan(\hat{\theta}_n)]^2
Hata kareler ortalaması, varyans ve yan miktarının karesinin toplamına eşittir.
2
Verilen limiti analiz edin
limnMSE(θ^n)=0    limnVar(θ^n)=0 ve limnYan(θ^n)=0\lim_{n \to \infty} MSE(\hat{\theta}_n) = 0 \implies \lim_{n \to \infty} Var(\hat{\theta}_n) = 0 \text{ ve } \lim_{n \to \infty} Yan(\hat{\theta}_n) = 0
Toplamın sıfıra gitmesi için her iki pozitif bileşenin de limitinin sıfır olması gerekir.
3
Tutarlılık tanımıyla ilişkilendirin
P(θ^nθ>ϵ)0 (Olasılıkta yakınsama)P(|\hat{\theta}_n - \theta| > \epsilon) \to 0 \text{ (Olasılıkta yakınsama)}
Varyansın ve yanın limitinin sıfır olması (MSE'nin sıfıra gitmesi), tahmin edicinin parametreye olasılıkta yakınsadığını gösterir ve bu durum tutarlılık olarak adlandırılır.

Key Concept

Hata Kareler Ortalamasının (MSE) limitinin sıfıra gitmesi tutarlılık için yeter koşuldur.

Hints

1
Hata kareler ortalaması varyans ve yan miktarının karesinin toplamıdır.
2
Bir tahmin edicinin parametreye 'yakınsaması' durumuna ne ad verilir?

Practice More

Farklı yanlılık ve varyans yapılarına sahip tahmin edicilerin tutarlılık durumlarını asimptotik olarak inceleyin.
Estimated Time:45s
Question 164Question

Bir kamu hizmet merkezinde işlem sırası bekleyen vatandaşların bekleme sürelerinin, beklenen değeri (ortalaması) θ\theta olan üstel dağılıma uygun olduğu varsayılmaktadır. Örneklem verilerine dayanarak θ\theta parametresinin en çok olabilirlik tahmin edicisi θ^=10\hat{\theta} = 10 dakika olarak hesaplanmıştır. En çok olabilirlik tahmin edicilerinin değişmezlik (invariance) özelliği dikkate alındığında, birim zamandaki ortalama hizmet hızı olan λ=1θ\lambda = \frac{1}{\theta} parametresinin en çok olabilirlik tahmin edicisi aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 110\frac{1}{10}

Answer

En çok olabilirlik tahmin edicilerinin değişmezlik özelliği gereği, λ=1/θ\lambda = 1/\theta ifadesinin en çok olabilirlik tahmin edicisi λ^=1/10\hat{\lambda} = 1/10 olarak bulunur.
En çok olabilirlik tahmin edicilerinin (MLE) en önemli özelliklerinden biri değişmezlik (invariance) özelliğidir. Bu özelliğe göre, eğer θ^\hat{\theta}, θ\theta parametresinin bir MLE'si ise, θ\theta'nın herhangi bir g(θ)g(\theta) fonksiyonu için en çok olabilirlik tahmin edicisi g(θ^)g(\hat{\theta}) olur. Soruda θ\theta için MLE değeri 1010 olarak verilmiş ve λ=1/θ\lambda = 1/\theta fonksiyonunun MLE'si sorulmuştur. Değişmezlik özelliği gereği, λ^=1/θ^=1/10\hat{\lambda} = 1/\hat{\theta} = 1/10 sonucu elde edilir.

Step-by-Step Solution

1
Tahmin edilecek fonksiyonun yapısı belirlenir.
g(θ)=λ=1/θg(\theta) = \lambda = 1/\theta
Değişmezlik özelliğinin uygulanacağı matematiksel dönüşümü netleştirmek.
2
En çok olabilirlik tahmin edicilerinin (MLE) değişmezlik (invariance) ilkesi temel alınır.
g(θ)^=g(θ^)\widehat{g(\theta)} = g(\hat{\theta})
Parametrenin herhangi bir fonksiyonunun MLE'sinin, o fonksiyonun parametre tahmin edicisine uygulanmasıyla elde edildiği kuralını uygulamak.
3
Hesaplanan θ^=10\hat{\theta} = 10 değeri ilgili fonksiyonda yerine yazılır.
λ^=1/10\hat{\lambda} = 1/10
Sayısal sonuca ulaşmak.

Key Concept

En Çok Olabilirlik Tahmin Edicilerinin Değişmezlik (Invariance) Özelliği
Estimated Time:45s
Question 165Question

Bir belediyenin kurumsal iletişim merkezine gelen ardışık iki telefon araması arasındaki süre (dakika), θ\theta parametreli ve f(x;θ)=1θex/θ,x>0f(x; \theta) = \frac{1}{\theta} e^{-x/\theta}, x > 0 olasılık yoğunluk fonksiyonuna sahip üstel dağılıma uygundur. Rastgele seçilen nn birimlik bir örneklem X1,X2,,XnX_1, X_2, \dots, X_n olduğuna göre, θ\theta parametresi için Neyman Çarpanlara Ayırma Teoremi ile elde edilen yeterli istatistik aşağıdakilerden hangisidir?

Show answer & explanation

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

Answer

Toplam gözlem değeri olan i=1nXi\sum_{i=1}^{n} X_i istatistiğidir.
Üstel dağılımın olabilirlik fonksiyonu θnexp(1θxi)\theta^{-n} \exp(-\frac{1}{\theta} \sum x_i) şeklindedir. Neyman Çarpanlara Ayırma Teoremi'ne göre bu ifade, θ\theta parametresine ve gözlemlerin toplamına bağlı bir gg fonksiyonu ile sadece gözlemlere bağlı (burada 1 olan) bir hh fonksiyonunun çarpımıdır. Dolayısıyla gözlemlerin toplamı, θ\theta için yeterli bir istatistiktir.

Step-by-Step Solution

1
Olabilirlik fonksiyonunu (Likelihood function) yazın.
L(θ;x)=i=1n1θexi/θ=θne1θi=1nxiL(\theta; \mathbf{x}) = \prod_{i=1}^{n} \frac{1}{\theta} e^{-x_i/\theta} = \theta^{-n} e^{-\frac{1}{\theta} \sum_{i=1}^{n} x_i}
Yeterli istatistiği bulmak için öncelikle tüm örneklemin ortak olasılık yoğunluk fonksiyonu olan olabilirlik fonksiyonu oluşturulmalıdır.
2
Neyman Çarpanlara Ayırma Teoremi'ni uygulayın.
L(θ;x)=g(T(x),θ)h(x)L(\theta; \mathbf{x}) = g(T(\mathbf{x}), \theta) \cdot h(\mathbf{x}) formunda g(xi,θ)=θne1θxig(\sum x_i, \theta) = \theta^{-n} e^{-\frac{1}{\theta} \sum x_i} ve h(x)=1h(\mathbf{x}) = 1 olarak belirlenir.
Teorem gereği olabilirlik fonksiyonu, parametre ve istatistiğe bağlı bir fonksiyon ile sadece gözlemlere bağlı bir fonksiyonun çarpımı şeklinde yazılmalıdır.
3
Yeterli istatistiği (T) tanımlayın.
T(X1,,Xn)=i=1nXiT(X_1, \dots, X_n) = \sum_{i=1}^{n} X_i
Fonksiyonun parametreye bağımlı olan kısmında yer alan tek örneklem bileşeni toplam sembolü olduğu için bu ifade yeterli istatistiktir.

Key Concept

Neyman Çarpanlara Ayırma Teoremi, bir istatistiğin parametre hakkında örneklemdeki tüm bilgiyi içerip içermediğini (yeterliliğini) belirlemek için olabilirlik fonksiyonunun çarpanlarına ayrılması yöntemidir.
Estimated Time:45s
Question 166Question

Bir belediyenin fen işleri müdürlüğü, şehir merkezindeki kaldırımların genişliğini (XX, metre cinsinden) incelemektedir. XX rastgele değişkeninin 00 ile θ+1\theta+1 aralığında düzgün (üniform) dağılım gösterdiği varsayılmaktadır. Örneklem olarak seçilen 4 kaldırımın genişliği 1,51,5; 2,52,5; 3,03,0 ve 1,01,0 metre olarak ölçülmüştür. Momentler yöntemi kullanılarak elde edilen θ\theta parametresinin tahmin değeri kaçtır?

Show answer & explanation

Answer: 3,0

Answer

Momentler yöntemiyle elde edilen tahmin değeri 3,0'dır.
Doğru cevap olan 3,0 değeri, örneklem ortalaması (2,02,0) ile düzgün dağılımın teorik ortalaması olan (θ+1)/2(\theta+1)/2 ifadesinin birbirine eşitlenmesiyle elde edilir. Bu eşitlikten θ+1=4\theta+1 = 4 ve dolayısıyla θ=3\theta = 3 sonucu çıkar.

Step-by-Step Solution

1
Örneklem ortalamasını (xˉ\bar{x}) hesaplayın.
xˉ=1,5+2,5+3,0+1,04=8,04=2,0\bar{x} = \frac{1,5 + 2,5 + 3,0 + 1,0}{4} = \frac{8,0}{4} = 2,0
Momentler yönteminde birinci örneklem momenti, verilerin aritmetik ortalamasıdır.
2
Kitlenin teorik beklenen değerini (E[X]E[X]) θ\theta cinsinden yazın.
E[X]=a+b2=0+(θ+1)2=θ+12E[X] = \frac{a + b}{2} = \frac{0 + (\theta+1)}{2} = \frac{\theta+1}{2}
Düzgün dağılımda beklenen değer, aralık uç noktalarının ortalamasıdır.
3
Örneklem momentini kitle momentine eşitleyerek θ\theta için çözün.
θ+12=2,0θ+1=4,0θ=3,0\frac{\theta+1}{2} = 2,0 \Rightarrow \theta+1 = 4,0 \Rightarrow \theta = 3,0
Momentler yönteminin temel prensibi kitle ve örneklem momentlerinin birbirine eşitlenmesidir.

Key Concept

Momentler Yöntemi (Method of Moments)
Estimated Time:45s
Question 167Question

X1,X2,,XnX_1, X_2, \dots, X_n bir kitleden alınan nn birimlik bir rastgele örneklem olsun. Söz konusu kitlenin olasılık kütle fonksiyonu, θ>0\theta > 0 parametresi ile şu şekilde verilmiştir:

f(x;θ)=eθθxx!,x=0,1,2,f(x; \theta) = \frac{e^{-\theta} \theta^x}{x!}, \quad x = 0, 1, 2, \dots

Buna göre, θ\theta parametresinin her yansız tahmin edicisinin varyansı için Cramer-Rao alt sınırı aşağıdakilerden hangisidir?

Show answer & explanation

Answer: θn\frac{\theta}{n}

Answer

Poisson dağılımı parametresi için Cramer-Rao alt sınırı θn\frac{\theta}{n} ifadesine eşittir.
Doğru cevap, Poisson dağılımı için hesaplanan Fisher bilgi sayısının (1/θ1/\theta) tersinin örneklem hacmi olan nn değerine bölünmesiyle elde edilen θ/n\theta/n ifadesidir. Bu değer, θ\theta parametresinin yansız tahmin edicileri (örneğin örneklem ortalaması) için ulaşılabilecek en düşük varyansı gösterir.

Step-by-Step Solution

1
Olasılık kütle fonksiyonunun logaritmasını alın.
lnf(x;θ)=θ+xlnθlnx!\ln f(x; \theta) = -\theta + x \ln \theta - \ln x!
Fisher bilgi sayısını hesaplamak için log-olabilirlik fonksiyonu gereklidir.
2
Logaritması alınan fonksiyonun θ\theta parametresine göre birinci ve ikinci türevlerini hesaplayın.
lnfθ=1+xθ\frac{\partial \ln f}{\partial \theta} = -1 + \frac{x}{\theta} ve 2lnfθ2=xθ2\frac{\partial^2 \ln f}{\partial \theta^2} = -\frac{x}{\theta^2}
Fisher bilgisi, ikinci türevin negatif beklenen değeridir.
3
Tek bir gözlem için Fisher bilgi sayısını (I(θ)I(\theta)) bulun.
I(θ)=E[Xθ2]=E[X]θ2=θθ2=1θI(\theta) = -E\left[ -\frac{X}{\theta^2} \right] = \frac{E[X]}{\theta^2} = \frac{\theta}{\theta^2} = \frac{1}{\theta}
Poisson dağılımında beklenen değer E[X]=θE[X] = \theta olduğu için sadeleştirme yapılır.
4
nn birimlik örneklem için Cramer-Rao alt sınırını hesaplayın.
CRLB=1nI(θ)=1n(1/θ)=θnCRLB = \frac{1}{n I(\theta)} = \frac{1}{n (1/\theta)} = \frac{\theta}{n}
Cramer-Rao eşitsizliği, nn birimlik bağımsız gözlemler için Fisher bilgisinin toplamına (n*I) dayalı bir alt sınır belirler.

Key Concept

Cramer-Rao alt sınırı, bir parametrenin yansız bir tahmin edicisinin sahip olabileceği teorik olarak en küçük varyans değerini tanımlar ve Fisher bilgi sayısı ile ters orantılıdır.
Estimated Time:1m 30s
Question 168Question

Bir araştırmacı, 10 gözlemden oluşan bir veri seti üzerinde basit doğrusal regresyon analizi yapmaktadır. Yapılan hesaplamalar sonucunda bağımsız değişkenin aritmetik ortalaması xˉ=5\bar{x} = 5 ve bağımlı değişkenin aritmetik ortalaması yˉ=12\bar{y} = 12 olarak bulunmuştur. En Küçük Kareler (EKK) yöntemiyle tahmin edilen regresyon doğrusunun eğim katsayısı β^1=2,5\hat{\beta}_1 = 2,5 olduğuna göre, bu regresyon doğrusunun sabit terimi (kesim noktası) olan β^0\hat{\beta}_0 değeri kaçtır?

Show answer & explanation

Answer: -0,5

Answer

Regresyon doğrusunun sabit terimi (kesim noktası) -0,5 değerine eşittir.
Basit doğrusal regresyon analizinde En Küçük Kareler (EKK) yöntemiyle elde edilen regresyon doğrusu, gözlemlerin ortalamalarından oluşan (xˉ,yˉ)(\bar{x}, \bar{y}) noktasından geçmek zorundadır. Bu geometrik özellikten türetilen β^0=yˉβ^1xˉ\hat{\beta}_0 = \bar{y} - \hat{\beta}_1 \bar{x} formülü uygulandığında, 12(2,5×5)=1212,5=0,512 - (2,5 \times 5) = 12 - 12,5 = -0,5 sonucu elde edilir.

Step-by-Step Solution

1
Kesim noktası formülünü belirleyin.
β^0=yˉβ^1xˉ\hat{\beta}_0 = \bar{y} - \hat{\beta}_1 \bar{x}
En Küçük Kareler yönteminde regresyon doğrusu her zaman değişkenlerin ortalamalarından geçer.
2
Verilen değerleri formülde yerine koyun.
β^0=12(2,5×5)\hat{\beta}_0 = 12 - (2,5 \times 5)
Bağımlı ve bağımsız değişken ortalamaları ile tahmin edilen eğim katsayısı arasındaki ilişkiyi kurmak için.
3
Matematiksel işlemi tamamlayın.
1212,5=0,512 - 12,5 = -0,5
EKK tahmin edicisinin sayısal değerine ulaşmak için.

Key Concept

En Küçük Kareler (EKK) tahmin edicilerinden kesim noktasının (intercept) hesaplanması.
Estimated Time:45s
Question 169Question

Bir gıda kontrol laboratuvarında analiz edilen ürünlerin tuz miktarları (gram), varyansı σ2=16\sigma^2=16 olan normal dağılıma uymaktadır. Bu analizlerden elde edilen nn birimlik bir rastgele örneklem X1,X2,,XnX_1, X_2, \dots, X_n olduğuna göre, kitle ortalaması μ\mu parametresinin Lehmann-Scheffe teoremi uyarınca düzgün en küçük varyanslı yansız tahmin edicisi (UMVUE) aşağıdakilerden hangisidir?

Show answer & explanation

Answer: Xˉ\bar{X}

Answer

Örneklem ortalaması olan Xˉ\bar{X}, kitle ortalaması μ\mu için düzgün en küçük varyanslı yansız tahmin edicidir (UMVUE).
Normal dağılımda kitle varyansı bilindiğinde, örneklem ortalaması olan Xˉ\bar{X} ifadesi, μ\mu parametresi için tam ve yeterli olan Xi\sum X_i istatistiğinin yansız bir fonksiyonudur. Lehmann-Scheffe teoremi uyarınca, bu özelliklere sahip bir tahmin edici, düzgün en küçük varyanslı yansız tahmin edici (UMVUE) olarak tanımlanır ve benzersizdir.

Step-by-Step Solution

1
Dağılımın tanımlanması
XN(μ,16)X \sim N(\mu, 16)
Soruda verilerin normal dağıldığı ve varyansın bilindiği ifade edilmiştir.
2
Tam ve yeterli istatistiğin belirlenmesi
T=i=1nXiT = \sum_{i=1}^n X_i istatistiği μ\mu için tam ve yeterlidir.
Normal dağılım üstel aile üyesidir ve kitle varyansı bilindiğinde gözlemlerin toplamı tam ve yeterli istatistiktir.
3
Yansızlık kontrolünün yapılması
E[Xˉ]=E[1ni=1nXi]=μE[\bar{X}] = E[\frac{1}{n} \sum_{i=1}^n X_i] = \mu
Örneklem ortalamasının beklenen değeri kitle ortalamasına eşittir, yani Xˉ\bar{X} yansız bir tahmin edicidir.
4
Lehmann-Scheffe teoreminin uygulanması
Xˉ\bar{X} bir UMVUE'dir.
Teorem gereği, tam ve yeterli istatistiğin yansız olan herhangi bir fonksiyonu, o parametre için benzersiz ve en küçük varyanslı yansız tahmin edicidir.

Key Concept

Lehmann-Scheffe Teoremi: Tam ve yeterli bir istatistiğin fonksiyonu olan yansız bir tahmin edici, benzersiz bir UMVUE'dir.

Alternative Method

Rao-Blackwell teoremi kullanılarak da herhangi bir yansız tahmin edicinin (örneğin X1X_1) tam ve yeterli istatistik (Xi\sum X_i) üzerine koşullu beklentisi alınarak E[X1Xi=t]=XˉE[X_1 | \sum X_i = t] = \bar{X} sonucuna ulaşılabilir.
Estimated Time:45s
Question 170Question

Bir kamu kurumunun arşiv dairesinde dosyaların dijitalleşme süreleri (dakika), ortalaması μ=15\mu = 15 olan normal dağılıma uymaktadır. Arşivden rastgele seçilen nn adet dosyanın dijitalleşme süreleri X1,X2,,XnX_1, X_2, \dots, X_n ile gözlemlendiğine göre, kitle varyansı σ2\sigma^2 için düzgün en küçük varyanslı yansız tahmin edici (UMVUE) aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 1ni=1n(Xi15)2\frac{1}{n} \sum_{i=1}^n (X_i - 15)^2

Answer

Varyans parametresi için UMVUE, bilinen ortalamadan sapmaların karelerinin ortalaması olan 1ni=1n(Xi15)2\frac{1}{n} \sum_{i=1}^n (X_i - 15)^2 ifadesidir.
Normal dağılımda kitle ortalaması μ\mu biliniyorsa, T=(Xiμ)2T = \sum (X_i - \mu)^2 istatistiği σ2\sigma^2 için tam ve yeterlidir. Bu istatistiğin yansız bir düzenlemesi olan Tn\frac{T}{n} ifadesi, Lehmann-Scheffe teoremi gereğince benzersiz bir şekilde UMVUE'dir.

Step-by-Step Solution

1
Yeterli ve tam istatistiği belirleyin.
T=i=1n(Xi15)2T = \sum_{i=1}^n (X_i - 15)^2
Normal dağılım üstel aileye aittir ve ortalama bilindiğinde (Xiμ)2\sum (X_i - \mu)^2 istatistiği σ2\sigma^2 için yeterli ve tamdır.
2
Yansızlık kontrolü yapın.
E[1nT]=σ2E[\frac{1}{n} T] = \sigma^2
(Xi15)2σ2\frac{(X_i - 15)^2}{\sigma^2} ifadesi 1 serbestlik dereceli Ki-kare dağılımına uyar, dolayısıyla toplamın beklenen değeri nσ2n\sigma^2 olur.
3
Lehmann-Scheffe teoremini uygulayın.
UMVUE elde edildi.
Tam ve yeterli bir istatistiğin yansız herhangi bir fonksiyonu, o parametre için yegane (unique) UMVUE'dir.

Key Concept

Lehmann-Scheffe teoremine göre, tam ve yeterli bir istatistiğin yansız fonksiyonu olan tahmin edici, düzgün en küçük varyanslı yansız tahmin edicidir (UMVUE).
Estimated Time:45s
Question 171Question

Bir araştırmacı, başarı olasılığı pp olan bir Bernoulli dağılımından X1,X2,,XnX_1, X_2, \dots, X_n (n>1n > 1) şeklinde nn çaplı bir rastgele örneklem çekmiştir. pp parametresini tahmin etmek için sadece ilk gözleme dayalı olan T=X1T = X_1 yansız tahmin edicisini tanımlamıştır. Ayrıca, S=i=1nXiS = \sum_{i=1}^n X_i istatistiğinin pp için yeterli (sufficient) olduğu bilinmektedir.

Rao-Blackwell teoremi uyarınca, TT tahmin edicisi SS yeterli istatistiği verildiğinde koşullandırılarak T=E[TS]T^* = E[T|S] şeklinde yeni bir tahmin edici elde ediliyor.

Buna göre, Rao-Blackwell teoreminin sağladığı varyans iyileştirmesi miktarını veren Var(T)Var(T)Var(T) - Var(T^*) farkı aşağıdakilerden hangisidir?

Show answer & explanation

Answer: (n1)p(1p)n\frac{(n-1)p(1-p)}{n}

Answer

Rao-Blackwell teoreminin sağladığı varyans iyileştirmesi (n1)p(1p)n\frac{(n-1)p(1-p)}{n} değerine eşittir.
Rao-Blackwell teoremine göre varyans bileşenleri Var(T)=Var(T)+E[Var(TS)]Var(T) = Var(T^*) + E[Var(T|S)] şeklindedir. İlk olarak orijinal tahmin edicinin varyansı Var(T)=Var(X1)=p(1p)Var(T) = Var(X_1) = p(1-p) bulunur. Daha sonra T=E[X1S]=Sn=XˉT^* = E[X_1|S] = \frac{S}{n} = \bar{X} olduğu görülür ve yeni varyans Var(T)=Var(Xˉ)=p(1p)nVar(T^*) = Var(\bar{X}) = \frac{p(1-p)}{n} elde edilir. İyileştirme miktarı olan varyans farkı cebirsel olarak, p(1p)p(1p)n=(n1)p(1p)np(1-p) - \frac{p(1-p)}{n} = \frac{(n-1)p(1-p)}{n} sonucunu verir.

Step-by-Step Solution

1
Orijinal tahmin edicinin varyansının belirlenmesi.
Var(T)=Var(X1)=p(1p)Var(T) = Var(X_1) = p(1-p)
X1X_1, başarı olasılığı pp olan bir Bernoulli şans değişkenidir.
2
Rao-Blackwell teoremine göre yeni tahmin edicinin (TT^*) koşullu beklenen değer yardımıyla bulunması.
T=E[X1Xi]=Xin=XˉT^* = E[X_1 | \sum X_i] = \frac{\sum X_i}{n} = \bar{X}
Örneklem bağımsız ve aynı dağılımlı olduğundan, toplam istatistiği verildiğinde herhangi bir gözlemin beklenen değeri toplamın nn'e bölümüdür.
3
Yeni tahmin edici TT^*'ın varyansının hesaplanması.
Var(T)=Var(Xˉ)=p(1p)nVar(T^*) = Var(\bar{X}) = \frac{p(1-p)}{n}
Örneklem ortalamasının varyansı, kitle varyansının örneklem çapına bölümüne eşittir.
4
Orijinal ve yeni tahmin edicilerin varyansları arasındaki farkın (iyileştirme miktarının) hesaplanması.
Var(T)Var(T)=p(1p)p(1p)n=(n1)p(1p)nVar(T) - Var(T^*) = p(1-p) - \frac{p(1-p)}{n} = \frac{(n-1)p(1-p)}{n}
Rao-Blackwell teoremi ile sağlanan varyans düşüş miktarını elde etmek için cebirsel çıkarma işlemi yapılır.

Key Concept

Rao-Blackwell teoremi ile yeterli istatistik kullanılarak koşullandırma yapılması ve varyans iyileştirme miktarının (E[Var(TS)]E[Var(T|S)]) hesaplanması.
Question 172Question
X1,X2,,XnX_1, X_2, \dots, X_n bağımsız ve aynı dağılımlı rastgele değişkenler olmak üzere, olasılık yoğunluk fonksiyonu
f(x;θ)={θxθ1,0<x<10,dig˘er durumlardaf(x; \theta) = \begin{cases} \theta x^{\theta-1}, & 0 < x < 1 \\ 0, & \text{diğer durumlarda} \end{cases}
şeklinde verilen bir kitleden nn birimlik bir örneklem çekilmiştir. θ>0\theta > 0 bilinmeyen bir parametredir.

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

Show answer & explanation

Answer: Xˉ1Xˉ\frac{\bar{X}}{1 - \bar{X}}

Answer

Momentler yöntemi tahmin edicisi Xˉ1Xˉ\frac{\bar{X}}{1 - \bar{X}} olarak bulunur.
Momentler yöntemi, dağılıma ait teorik momentlerin ilgili örneklem momentlerine eşitlenmesi esasına dayanır. Çözüm için öncelikle E[X]E[X] hesaplanır. Yoğunluk fonksiyonu f(x)=θxθ1f(x) = \theta x^{\theta-1} olduğu için E[X]=01θxθdx=θθ+1E[X] = \int_0^1 \theta x^\theta dx = \frac{\theta}{\theta+1} olarak bulunur. Momentler yöntemine göre birinci teorik moment, birinci örneklem momentine (örneklem ortalaması olan Xˉ\bar{X}) eşitlenmelidir. θθ+1=Xˉ\frac{\theta}{\theta+1} = \bar{X} denklemi θ\theta için çözüldüğünde; θ=Xˉθ+Xˉ    θ(1Xˉ)=Xˉ\theta = \bar{X}\theta + \bar{X} \implies \theta(1 - \bar{X}) = \bar{X} ve nihayetinde θ^MoM=Xˉ1Xˉ\hat{\theta}_{MoM} = \frac{\bar{X}}{1 - \bar{X}} sonucuna ulaşılır.

Step-by-Step Solution

1
Kitlenin birinci teorik momentini (E[X]E[X]) hesaplamak için olasılık yoğunluk fonksiyonunu xx ile çarparak tanım aralığında integralini alın.
E[X]=01xθxθ1dx=θ01xθdxE[X] = \int_{0}^{1} x \cdot \theta x^{\theta-1} dx = \theta \int_{0}^{1} x^{\theta} dx
Momentler yönteminin ilk aşaması, dağılımın kitleye ait teorik momentlerini parametre cinsinden bulmaktır.
2
İntegral işlemini tamamlayın.
E[X]=θ[xθ+1θ+1]01=θθ+1E[X] = \theta \left[ \frac{x^{\theta+1}}{\theta+1} \right]_{0}^{1} = \frac{\theta}{\theta+1}
Belirli integralin sınırları yerine konularak E[X]E[X]'in parametreye bağlı kesin matematiksel ifadesi elde edilir.
3
Birinci teorik momenti (E[X]E[X]), birinci örneklem momentine (m1=Xˉm_1 = \bar{X}) eşitleyin.
θθ+1=Xˉ\frac{\theta}{\theta+1} = \bar{X}
Momentler yönteminin temel prensibi; bilinmeyen parametreleri bulmak için kitle momentlerini, örneklemden hesaplanan karşılık gelen momentlere eşitlemektir.
4
Elde edilen denklemi bilinmeyen θ\theta parametresi için çözerek tahmin ediciyi (θ^\hat{\theta}) bulun.
θ=Xˉ(θ+1)    θθXˉ=Xˉ    θ(1Xˉ)=Xˉ    θ^=Xˉ1Xˉ\theta = \bar{X}(\theta + 1) \implies \theta - \theta\bar{X} = \bar{X} \implies \theta(1 - \bar{X}) = \bar{X} \implies \hat{\theta} = \frac{\bar{X}}{1 - \bar{X}}
Denklemde tahmin edilecek parametre yalnız bırakılarak momentler yöntemi tahmin edicisinin formülü nihai olarak türetilir.

Key Concept

Momentler Yöntemi ile Parametre Tahmini

Alternative Method

Aynı dağılım için En Çok Olabilirlik Yöntemi (MLE) kullanıldığında, log-olabilirlik fonksiyonu üzerinden türev alınır ve θ^MLE=nln(Xi)\hat{\theta}_{MLE} = -\frac{n}{\sum \ln(X_i)} elde edilir. Bu durum, aynı parametre için momentler yöntemi ile en çok olabilirlik yönteminin farklı tahmin ediciler verebileceğinin klasik bir göstergesidir.
Estimated Time:1m 30s
Question 173Question

Düzenlilik (regularity) koşullarını sağlayan belirli bir parametrik aileden alınan rastgele örneklem üzerinden elde edilen en çok olabilirlik tahmin edicisi (Maximum Likelihood Estimator - MLE) ve özellikleri ile ilgili aşağıdaki ifadelerden hangisi yanlıştır?

Show answer & explanation

Answer: Örneklem çapından bağımsız olarak, her zaman yansız (unbiased) bir tahmin edicidir.

Answer

En çok olabilirlik tahmin edicisinin her zaman yansız (unbiased) olduğunu belirten ifade yanlıştır.
En çok olabilirlik tahmin edicileri (MLE) asimptotik olarak yansız (örneklem çapı sonsuza giderken yansız) olmalarına rağmen, küçük veya sonlu örneklem çaplarında her zaman yansız değillerdir. Buna klasik örnek olarak normal dağılımlı bir kitleden çekilen nn çaplı örneklem ile elde edilen kitle varyansı tahmin edicisi verilebilir. MLE ile elde edilen kitle varyansı formülünde paydada 'n-1' yerine 'n' bulunur ve bu da tahmin edicinin sonlu örneklemlerde yanlı (biased) olmasına sebep olur. Bu nedenle, örneklem çapından bağımsız olarak her durumda yansız olduğu ifadesi kesinlikle yanlıştır.

Step-by-Step Solution

1
En çok olabilirlik tahmin edicilerinin asimptotik özelliklerini ve sonlu örneklem özelliklerini incele.
MLE, tutarlılık, asimptotik normallik ve asimptotik etkinlik gibi büyük örneklem özelliklerini sağlar.
Seçeneklerdeki ifadelerin doğruluğunu teyit etmek için asimptotik teorinin temel prensipleri gözden geçirilmelidir.
2
Değişmezlik (invariance) özelliğini değerlendir.
Değişmezlik teoremi, MLE'nin θ\theta için θ^\hat{\theta} olması durumunda g(θ)g(\theta) için g(θ^)g(\hat{\theta}) olmasını kesin bir şekilde garanti eder.
Değişmezlik kuralının doğru ifade edilip edilmediği kontrol edilmelidir.
3
Yansızlık (unbiasedness) ve tutarlılık (consistency) kavramları arasındaki farkı değerlendir.
MLE tutarlıdır (örneklem sonsuza giderken yansızlık ve varyansın sıfıra gitmesi durumu oluşur) ancak küçük örneklemlerde her zaman yansız değildir. Örneğin, normal dağılımlı bir kitleden elde edilen varyansın en çok olabilirlik tahmin edicisi (σ^2\hat{\sigma}^2) hesaplanırken payda 'n-1' değil 'n' olur, bu da yanlı bir tahmin edici üretir.
Hatalı olan seçeneği kesin olarak tespit etmek için yansızlık beklentisindeki istisnai durumlara bakılır.

Key Concept

En Çok Olabilirlik Tahmin Edicilerinin (MLE) Asimptotik Özellikleri ve Değişmezliği
Question 174Question

X1,X2,,XnX_1, X_2, \dots, X_n rastgele değişkenleri, olasılık yoğunluk fonksiyonu

f(x;θ)={θ2xeθx,x>00,dig˘er durumlardaf(x; \theta) = \begin{cases} \frac{\theta}{2\sqrt{x}} e^{-\theta \sqrt{x}}, & x > 0 \\ 0, & \text{diğer durumlarda} \end{cases}

olan bir kitleye ait bağımsız ve özdeş dağılımlı (i.i.d.) bir örneklem olsun (θ>0\theta > 0 bilinmeyen bir parametredir).

Buna göre, kitlenin beklenen değeri olan E[X]E[X] parametresinin en çok olabilirlik tahmin edicisi (MLE) aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 2n2(i=1nXi)2\frac{2}{n^2} \left( \sum_{i=1}^n \sqrt{X_i} \right)^2

Answer

Kitlenin beklenen değeri E[X]=2/θ2E[X] = 2/\theta^2'dir ve θ\theta'nın en çok olabilirlik tahmin edicisi kullanılarak hesaplanan 2n2(i=1nXi)2\frac{2}{n^2} \left( \sum_{i=1}^n \sqrt{X_i} \right)^2 ifadesidir.
Çözüm iki aşamadan oluşur: Önce verilen olasılık yoğunluk fonksiyonundan L(θ)L(\theta) yazılıp, lnL(θ)\ln L(\theta)'nın türevi ile θ\theta'nın en çok olabilirlik tahmin edicisi θ^=n/Xi\hat{\theta} = n / \sum \sqrt{X_i} olarak bulunur. Ardından soruda istenen E[X]E[X] ifadesi, y=xy = \sqrt{x} dönüşümüyle üstel dağılımın ikinci momentine eşitlenerek E[X]=2/θ2E[X] = 2/\theta^2 olarak hesaplanır. MLE'nin değişmezlik özelliği gereği, θ^\hat{\theta} parametresi bu fonksiyonda yerine konarak nihai tahmin edici olan 2n2(Xi)2\frac{2}{n^2} \left( \sum \sqrt{X_i} \right)^2 elde edilir.

Step-by-Step Solution

1
Kitlenin beklenen değerini (E[X]E[X]) θ\theta cinsinden hesaplayın.
E[X]=0xθ2xeθxdxE[X] = \int_0^\infty x \frac{\theta}{2\sqrt{x}} e^{-\theta \sqrt{x}} dx. Burada y=x    x=y2y = \sqrt{x} \implies x = y^2 ve dx=2ydydx = 2y dy dönüşümü yapılırsa integral 0y2θeθydy\int_0^\infty y^2 \theta e^{-\theta y} dy haline gelir. Bu, θ\theta parametreli Üstel dağılımın ikinci momentidir ve değeri 2/θ22/\theta^2'dir.
En çok olabilirlik tahmin edicilerinde değişmezlik (invariance) özelliğini kullanabilmek için, tahmin edilmesi istenen fonksiyonun τ(θ)=E[X]=2/θ2\tau(\theta) = E[X] = 2/\theta^2 olarak belirlenmesi gerekir.
2
Örneklem için olabilirlik (Likelihood) ve log-olabilirlik fonksiyonlarını yazın.
L(θ)=i=1n(θ2XieθXi)=θn2nXieθi=1nXiL(\theta) = \prod_{i=1}^n \left( \frac{\theta}{2\sqrt{X_i}} e^{-\theta \sqrt{X_i}} \right) = \frac{\theta^n}{2^n \prod \sqrt{X_i}} e^{-\theta \sum_{i=1}^n \sqrt{X_i}}. Buradan log-olabilirlik: lnL(θ)=nlnθnln212lnXiθi=1nXi\ln L(\theta) = n \ln \theta - n \ln 2 - \frac{1}{2} \sum \ln X_i - \theta \sum_{i=1}^n \sqrt{X_i} olur.
Maksimum noktayı bulmak için çarpım durumundaki olabilirlik fonksiyonunun logaritmasını almak türev işlemlerini kolaylaştırır.
3
Log-olabilirlik fonksiyonunun θ\theta'ya göre türevini alıp sıfıra eşitleyerek θ^\hat{\theta}'yı bulun.
lnL(θ)θ=nθi=1nXi=0    θ^=ni=1nXi\frac{\partial \ln L(\theta)}{\partial \theta} = \frac{n}{\theta} - \sum_{i=1}^n \sqrt{X_i} = 0 \implies \hat{\theta} = \frac{n}{\sum_{i=1}^n \sqrt{X_i}} olarak bulunur.
Birinci türevi sıfır yapan parametre değeri, olabilirlik fonksiyonunu maksimize eden en çok olabilirlik tahmin edicisidir.
4
MLE'nin değişmezlik (invariance) özelliğini kullanarak E[X]E[X]'in tahmin edicisini bulun.
E[X]^=2θ^2=2(ni=1nXi)2=2n2(i=1nXi)2\widehat{E[X]} = \frac{2}{\hat{\theta}^2} = \frac{2}{\left( \frac{n}{\sum_{i=1}^n \sqrt{X_i}} \right)^2} = \frac{2}{n^2} \left( \sum_{i=1}^n \sqrt{X_i} \right)^2
Eğer θ^\hat{\theta}, θ\theta'nın MLE'si ise, parametrenin bilinen bir τ(θ)\tau(\theta) fonksiyonunun MLE'si τ(θ^)\tau(\hat{\theta}) olur.

Key Concept

En Çok Olabilirlik Yöntemi ve Değişmezlik (Invariance) Özelliği
Question 175Question

Bir fabrikada üretilen parçaların kusurlu olma olasılığı pp'dir. Bu fabrikadan rastgele seçilen nn adet parçanın kusurlu olup olmama durumu X1,X2,,XnX_1, X_2, \ldots, X_n Bernoulli rastgele değişkenleri ile modellenmektedir (P(Xi=1)=pP(X_i=1)=p).

Kalite kontrol birimi, kitle varyansı olan θ=p(1p)\theta = p(1-p) parametresini tahmin etmek istemektedir.

T=i=1nXiT = \sum_{i=1}^n X_i istatistiğinin pp için tam ve yeterli (complete and sufficient) olduğu bilindiğine göre, Lehmann-Scheffe teoremi uyarınca θ\theta'nın Düzgün En Küçük Varyanslı Yansız Tahmin Edicisi (UMVUE) aşağıdakilerden hangisidir?

Show answer & explanation

Answer: T(nT)n(n1)\frac{T(n-T)}{n(n-1)}

Answer

Düzgün En Küçük Varyanslı Yansız Tahmin Edici (UMVUE), tam ve yeterli istatistik olan T'nin bir fonksiyonu olan T(nT)n(n1)\frac{T(n-T)}{n(n-1)} ifadesidir.
Lehmann-Scheffe teoremine göre, tam ve yeterli bir istatistiğin (bu soruda T) yansız bir fonksiyonu, tahmin ettiği parametre için UMVUE'dir. Parametremiz θ=p(1p)\theta = p(1-p)'dir. TBinomial(n,p)T \sim Binomial(n,p) olduğundan E(T)=npE(T) = np ve E(T2)=np(1p)+n2p2E(T^2) = np(1-p) + n^2p^2 olduğunu biliyoruz. Bizden beklenen değeri p(1p)p(1-p) olan ve sadece T'ye bağlı bir fonksiyon bulmamız istenmektedir. İlgili momentler yerine konulduğunda E(nTT2)=n2pnp+np2n2p2=n(n1)p(1p)E(nT - T^2) = n^2p - np + np^2 - n^2p^2 = n(n-1)p(1-p) sonucuna ulaşılır. Her iki taraf n(n1)n(n-1)'e bölündüğünde, T(nT)n(n1)\frac{T(n-T)}{n(n-1)} istatistiğinin beklenen değerinin p(1p)p(1-p) olduğu görülür. T, tam ve yeterli olduğundan, Lehmann-Scheffe teoremi gereği bu ifade hedeflenen parametre için UMVUE'dir.

Step-by-Step Solution

1
TT'nin dağılımı ve momentlerini belirleme
TBinomial(n,p)T \sim Binomial(n,p) olduğundan, E(T)=npE(T) = np ve E(T2)=Var(T)+[E(T)]2=np(1p)+n2p2=npnp2+n2p2E(T^2) = Var(T) + [E(T)]^2 = np(1-p) + n^2p^2 = np - np^2 + n^2p^2 olarak bulunur.
Lehmann-Scheffe teoremini uygulamak için tam ve yeterli istatistik olan TT'nin beklenen değer özelliklerini bilmemiz gerekir.
2
p(1p)p(1-p) için yansız bir g(T)g(T) fonksiyonu arama
g(T)=nTT2g(T) = nT - T^2 fonksiyonunun beklenen değerini hesaplayalım: E(nTT2)=nE(T)E(T2)=n(np)(npnp2+n2p2)E(nT - T^2) = nE(T) - E(T^2) = n(np) - (np - np^2 + n^2p^2).
Parametremiz θ=p(1p)\theta = p(1-p) olduğu için, beklenen değeri bu ifadeye orantılı olacak şekilde TT'ye bağlı bir polinom oluşturuyoruz.
3
Beklenen değer ifadesini sadeleştirip yansızlık katsayısını bulma
n2pnp+np2n2p2=n(n1)pn(n1)p2=n(n1)p(1p)n^2p - np + np^2 - n^2p^2 = n(n-1)p - n(n-1)p^2 = n(n-1)p(1-p) elde edilir.
Bulduğumuz ifadenin hedeflenen p(1p)p(1-p) parametresinin tam olarak n(n1)n(n-1) katı olduğunu doğruluyoruz.
4
Lehmann-Scheffe teoremini uygulayarak UMVUE'yi elde etme
E(nTT2n(n1))=p(1p)E\left(\frac{nT - T^2}{n(n-1)}\right) = p(1-p) olduğundan ve ifade sadece tam/yeterli istatistik TT'ye bağlı olduğundan, UMVUE T(nT)n(n1)\frac{T(n-T)}{n(n-1)} olarak bulunur.
Teoreme göre, tam ve yeterli istatistiğin yansız bir fonksiyonu her zaman tekil (unique) Düzgün En Küçük Varyanslı Yansız Tahmin Edicidir.

Key Concept

Tamlık, Lehmann-Scheffe Teoremi ve UMVUE (En İyi Yansız Tahmin)
Question 176Question

X1,X2,,XnX_1, X_2, \dots, X_n, parametresi λ>0\lambda > 0 olan Poisson dağılımından alınmış rastgele bir örneklem olsun. Bu dağılımın olasılık kütle fonksiyonu aşağıda verilmiştir:

P(X=x)=eλλxx!,x=0,1,2,P(X = x) = \frac{e^{-\lambda} \lambda^x}{x!}, \quad x = 0, 1, 2, \dots

Buna göre, g(λ)=e3λg(\lambda) = e^{-3\lambda} fonksiyonunun yansız bir tahmin edicisi için Cramer-Rao alt sınırı (CRLB) aşağıdakilerden hangisidir?

Show answer & explanation

Answer: 9λe6λn\frac{9\lambda e^{-6\lambda}}{n}

Answer

Doğru cevap 9λe6λn\frac{9\lambda e^{-6\lambda}}{n} ifadesidir.
Cramer-Rao alt sınırı (CRLB), ilgilenilen parametrenin fonksiyonunun türevinin karesinin, örneklem Fisher bilgi miktarına bölünmesiyle elde edilir. Poisson dağılımı için tek bir gözlemin Fisher bilgisi 1/λ1/\lambda ve nn hacimli örneklemin Fisher bilgisi n/λn/\lambda'dır. g(λ)=e3λg(\lambda) = e^{-3\lambda} fonksiyonunun türevi 3e3λ-3e^{-3\lambda} olup, karesi 9e6λ9e^{-6\lambda}'dır. Bu değer örneklem Fisher bilgisine bölündüğünde doğru sonuç olan 9λe6λn\frac{9\lambda e^{-6\lambda}}{n} elde edilir.

Step-by-Step Solution

1
Bir gözlem için log-olabilirlik fonksiyonunu ve parametreye göre türevlerini hesaplama.
lnf(x;λ)=λ+xlnλln(x!)\ln f(x; \lambda) = -\lambda + x \ln \lambda - \ln(x!) olup, birinci türev 1+xλ-1 + \frac{x}{\lambda} ve ikinci türev xλ2-\frac{x}{\lambda^2} olarak bulunur.
Fisher bilgi matrisini hesaplamak için log-olabilirlik fonksiyonunun ikinci türevine ihtiyaç vardır.
2
Tek gözlem ve n hacimli örneklem için Fisher bilgisini bulma.
I1(λ)=E[Xλ2]=E[X]λ2=λλ2=1λI_1(\lambda) = -E\left[-\frac{X}{\lambda^2}\right] = \frac{E[X]}{\lambda^2} = \frac{\lambda}{\lambda^2} = \frac{1}{\lambda} elde edilir. Örneklem Fisher bilgisi ise In(λ)=nλI_n(\lambda) = \frac{n}{\lambda} olur.
Cramer-Rao alt sınırının paydasında örneklem Fisher bilgisi yer alır.
3
g(λ)g(\lambda) fonksiyonunun türevini alıp karesini hesaplama.
g(λ)=3e3λg'(\lambda) = -3e^{-3\lambda} bulunur ve karesi [g(λ)]2=9e6λ[g'(\lambda)]^2 = 9e^{-6\lambda} elde edilir.
Cramer-Rao alt sınırının pay kısmında, ilgilenilen parametrik fonksiyonun türevinin karesi kullanılmalıdır.
4
Cramer-Rao alt sınırı formülünü uygulama.
CRLB=[g(λ)]2In(λ)=9e6λn/λ=9λe6λnCRLB = \frac{[g'(\lambda)]^2}{I_n(\lambda)} = \frac{9e^{-6\lambda}}{n/\lambda} = \frac{9\lambda e^{-6\lambda}}{n} sonucuna ulaşılır.
Alt sınırı bulmak için pay ve payda değerleri orantılanır.

Key Concept

Tahmin Edicilerin Özellikleri: Etkinlik ve Cramer-Rao Alt Sınırı
Question 177Question

Bir sistemin bozulma süresi XX, θ>0\theta > 0 parametreli üstel dağılıma sahip olup, olasılık yoğunluk fonksiyonu

f(xθ)=θeθx,x>0f(x|\theta) = \theta e^{-\theta x}, \quad x > 0

şeklinde verilmiştir.

θ\theta parametresinin önsel (prior) dağılımı, α>1\alpha > 1 ve β>0\beta > 0 parametreli Gamma dağılımıdır:

π(θ)=βαΓ(α)θα1eβθ,θ>0\pi(\theta) = \frac{\beta^\alpha}{\Gamma(\alpha)} \theta^{\alpha-1} e^{-\beta \theta}, \quad \theta > 0

Sistemden nn hacimli bağımsız bir rastgele örneklem alınmış ve örneklem ortalaması Xˉ\bar{X} olarak hesaplanmıştır.

θ\theta parametresini tahmin etmek için, aşağıda verilen ağırlıklı karesel kayıp (weighted squared error loss) fonksiyonu kullanılacaktır:

L(θ,θ^)=(θθ^)2θL(\theta, \hat{\theta}) = \frac{(\theta - \hat{\theta})^2}{\theta}

Buna göre, θ\theta'nın Bayes tahmin edicisi aşağıdakilerden hangisidir?

Show answer & explanation

Answer: n+α1β+nXˉ\frac{n+\alpha-1}{\beta + n\bar{X}}

Answer

Bayes tahmin edicisi, sonsal beklentiyi minimize eden n+α1β+nXˉ\frac{n+\alpha-1}{\beta + n\bar{X}} ifadesidir.
Bayes tahmin edicisi, sonsal risk fonksiyonunu (beklenen kaybı) minimize eden değerdir. Verilen kayıp fonksiyonu L(θ,θ^)=θ2θ^+θ^2θL(\theta, \hat{\theta}) = \theta - 2\hat{\theta} + \frac{\hat{\theta}^2}{\theta} olarak yazılabilir. Bu ifadenin sonsal beklenen değeri alınıp θ^\hat{\theta}'ya göre türevi sıfıra eşitlendiğinde Bayes tahmin edicisi θ^B=1/E[θ1x]\hat{\theta}_{B} = 1 / E[\theta^{-1}|\mathbf{x}] olarak bulunur. Üstel dağılımdan elde edilen olabilirlik fonksiyonu ile Gamma önsel dağılımı çarpıldığında, sonsal dağılım Gamma(n+α,β+nXˉ)\text{Gamma}(n+\alpha, \beta+n\bar{X}) olarak elde edilir. Bir Gamma dağılımı için θ1\theta^{-1}'in beklenen değeri λ/(k1)\lambda / (k-1) olduğundan, k=n+αk=n+\alpha ve λ=β+nXˉ\lambda=\beta+n\bar{X} yerine yazıldığında doğru yanıt n+α1β+nXˉ\frac{n+\alpha-1}{\beta+n\bar{X}} elde edilir.

Step-by-Step Solution

1
Olabilirlik fonksiyonunu ve önsel dağılımı çarparak sonsal (posterior) dağılımı belirle.
L(θx)=θneθnXˉL(\theta|\mathbf{x}) = \theta^n e^{-\theta n\bar{X}} ve π(θ)θα1eβθ\pi(\theta) \propto \theta^{\alpha-1} e^{-\beta \theta} olduğundan, π(θx)θn+α1eθ(β+nXˉ)\pi(\theta|\mathbf{x}) \propto \theta^{n+\alpha-1} e^{-\theta(\beta + n\bar{X})}. Sonsal dağılım Gamma(n+α,β+nXˉ)\text{Gamma}(n+\alpha, \beta+n\bar{X}) bulunur.
Bayes teoremine göre sonsal dağılım, olabilirlik fonksiyonu ile önsel dağılımın çarpımıyla orantılıdır.
2
Verilen kayıp fonksiyonunun sonsal riskini (beklenen değerini) yaz.
E[L(θ,θ^)x]=E[θ2θ^+θ^2θx]=E[θx]2θ^+θ^2E[θ1x]E[L(\theta, \hat{\theta})|\mathbf{x}] = E\left[\theta - 2\hat{\theta} + \frac{\hat{\theta}^2}{\theta} \Big| \mathbf{x}\right] = E[\theta|\mathbf{x}] - 2\hat{\theta} + \hat{\theta}^2 E[\theta^{-1}|\mathbf{x}]
Bayes tahmin edicisi, sonsal risk fonksiyonunu minimize eden değer olarak tanımlanır.
3
Sonsal riski θ^\hat{\theta}'ya göre minimize et.
Türev alınıp sıfıra eşitlendiğinde: 2+2θ^E[θ1x]=0    θ^B=1E[θ1x]-2 + 2\hat{\theta} E[\theta^{-1}|\mathbf{x}] = 0 \implies \hat{\theta}_B = \frac{1}{E[\theta^{-1}|\mathbf{x}]}
Minimum noktası, birinci türevin sıfır olduğu değerdir.
4
E[θ1x]E[\theta^{-1}|\mathbf{x}] değerini hesapla ve Bayes tahmin edicisini bul.
Bir Gamma(k,λ)\text{Gamma}(k, \lambda) dağılımında E[θ1]=λk1E[\theta^{-1}] = \frac{\lambda}{k-1}'dir. Formülde k=n+αk=n+\alpha ve λ=β+nXˉ\lambda=\beta+n\bar{X} yazıldığında sonuç n+α1β+nXˉ\frac{n+\alpha-1}{\beta+n\bar{X}} olarak bulunur.
Bulunan ters beklenen değer (inverse moment), minimizasyon sonucu elde edilen formülde yerine yazılır.

Key Concept

Bayes Risk Minimizasyonu ve Sonsal Dağılım Momentleri
Question 178Question

Bir fabrikada üretilen belirli bir elektronik parçanın kusurlu olma olasılığı θ\theta'dır. Üretim bandından rastgele seçilen nn adet parçanın XX tanesinin kusurlu olduğu gözlemlenmiştir (XBin(n,θ)X \sim Bin(n, \theta)).

θ\theta parametresini tahmin etmek için karesel kayıp fonksiyonu L(θ,θ^)=(θθ^)2L(\theta, \hat{\theta}) = (\theta - \hat{\theta})^2 kullanılmaktadır.

Buna göre, θ^=X+an+b\hat{\theta} = \frac{X + a}{n + b} formundaki bir tahmin edicinin θ\theta için minimax tahmin edici olması için aa ve bb sabitleri sırasıyla aşağıdakilerden hangisi olmalıdır?

Show answer & explanation

Answer: n2\frac{\sqrt{n}}{2} ve n\sqrt{n}

Answer

Minimax tahmin edici olması için katsayılar sırasıyla n2\frac{\sqrt{n}}{2} ve n\sqrt{n} olmalıdır.
Karesel kayıp fonksiyonu kullanıldığında, θ^\hat{\theta} Bayes tahmin edicisinin minimax olabilmesi için riskinin sabit, yani θ\theta'dan bağımsız olması gerekir. Risk fonksiyonu R(θ,θ^)=θ2(b2n)+θ(n2ab)+a2(n+b)2R(\theta, \hat{\theta}) = \frac{\theta^2(b^2 - n) + \theta(n - 2ab) + a^2}{(n+b)^2} olarak hesaplanır. Bu ifadenin θ\theta'dan bağımsız olabilmesi için θ2\theta^2'li ve θ\theta'lı terimlerin katsayıları sıfır olmalıdır. Buradan b2n=0    b=nb^2 - n = 0 \implies b = \sqrt{n} ve n2ab=0    a=n2n - 2ab = 0 \implies a = \frac{\sqrt{n}}{2} değerleri elde edilir.

Step-by-Step Solution

1
Risk fonksiyonunu Hata Kareler Ortalaması (MSE) üzerinden R(θ,θ^)=Var(θ^)+[Yan(θ^)]2R(\theta, \hat{\theta}) = Var(\hat{\theta}) + [Yan(\hat{\theta})]^2 şeklinde yazmak.
R(θ,θ^)=Var(X+an+b)+[E(X+an+b)θ]2R(\theta, \hat{\theta}) = Var\left(\frac{X+a}{n+b}\right) + \left[E\left(\frac{X+a}{n+b}\right) - \theta\right]^2
Karesel kayıp fonksiyonu altında tahmin edicinin riski, varyansı ile yan miktarının karesinin toplamına eşittir.
2
XBin(n,θ)X \sim Bin(n, \theta) dağılımının beklenen değer ve varyansını kullanarak risk fonksiyonunu oluşturmak.
R(θ,θ^)=nθ(1θ)(n+b)2+(nθ+an+bθ)2R(\theta, \hat{\theta}) = \frac{n\theta(1-\theta)}{(n+b)^2} + \left(\frac{n\theta+a}{n+b} - \theta\right)^2
Risk formülündeki terimleri θ\theta parametresine bağlı olarak açıkça ifade etmek gerekir.
3
Elde edilen risk fonksiyonunu genişletmek ve θ\theta'nın derecelerine göre gruplandırmak.
R(θ,θ^)=θ2(b2n)+θ(n2ab)+a2(n+b)2R(\theta, \hat{\theta}) = \frac{\theta^2(b^2 - n) + \theta(n - 2ab) + a^2}{(n+b)^2}
Riskin θ\theta'ya nasıl bağlı olduğunu görmek için cebirsel düzenleme yapılmalıdır.
4
Bir Bayes tahmin edicisinin minimax olabilmesi için sabit riskli olması koşulunu kullanmak, yani θ2\theta^2 ve θ\theta katsayılarını sıfıra eşitlemek.
b2n=0    b=nb^2 - n = 0 \implies b = \sqrt{n} ve n2ab=0    a=n2n - 2ab = 0 \implies a = \frac{\sqrt{n}}{2} bulunur.
Sabit riskli (risk fonksiyonu parametreden bağımsız olan) bir Bayes tahmin edicisi her zaman minimax tahmin edicidir.

Key Concept

Karesel Kayıp Altında Minimax Tahmin Edici ve Sabit Risk Özelliği
Estimated Time:4m 0s
Question 179Question
X1,X2,,XnX_1, X_2, \dots, X_n, olasılık yoğunluk fonksiyonu
f(x;θ)={4x3θ4,0<x<θ0,dig˘er durumlarf(x; \theta) = \begin{cases} \frac{4x^3}{\theta^4}, & 0 < x < \theta \\ 0, & \text{diğer durumlar} \end{cases}
olan bir kitleden alınan rastgele örneklem olsun.
Buna göre, bilinmeyen θ\theta (θ>0\theta > 0) parametresini tahmin etmek için kullanılan Xˉ\bar{X} (örneklem ortalaması) tahmin edicisinin Hata Kareler Ortalaması (MSE) aşağıdakilerden hangisidir?
Show answer & explanation

Answer: 3n+275nθ2\frac{3n+2}{75n}\theta^2

Answer

Xˉ\bar{X} tahmin edicisinin Hata Kareler Ortalaması 3n+275nθ2\frac{3n+2}{75n}\theta^2 olarak bulunur.
Örneklem ortalaması Xˉ\bar{X}'in beklenen değeri E[Xˉ]=45θE[\bar{X}] = \frac{4}{5}\theta ve varyansı Var(Xˉ)=275nθ2Var(\bar{X}) = \frac{2}{75n}\theta^2'dir. θ\theta'yı tahmin ederken oluşan yan miktarı Bias=E[Xˉ]θ=15θBias = E[\bar{X}] - \theta = -\frac{1}{5}\theta olur. Hata Kareler Ortalaması formülü olan MSE=Var+Bias2MSE = Var + Bias^2 uygulandığında 275nθ2+(15θ)2=275nθ2+375θ2\frac{2}{75n}\theta^2 + \left(-\frac{1}{5}\theta\right)^2 = \frac{2}{75n}\theta^2 + \frac{3}{75}\theta^2 işlemi sonucunda doğru ifade 3n+275nθ2\frac{3n+2}{75n}\theta^2 olarak bulunur.

Step-by-Step Solution

1
Kitle dağılımının beklenen değerini (E[X]E[X]) ve varyansını (Var(X)Var(X)) hesapla.
E[X]=0θx4x3θ4dx=45θE[X] = \int_0^\theta x \frac{4x^3}{\theta^4} dx = \frac{4}{5}\theta ve E[X2]=0θx24x3θ4dx=23θ2E[X^2] = \int_0^\theta x^2 \frac{4x^3}{\theta^4} dx = \frac{2}{3}\theta^2. Buradan Var(X)=23θ2(45θ)2=275θ2Var(X) = \frac{2}{3}\theta^2 - (\frac{4}{5}\theta)^2 = \frac{2}{75}\theta^2 elde edilir.
Örneklem ortalamasının özelliklerini bulabilmek için öncelikle kitlenin momentlerine ihtiyaç vardır.
2
Xˉ\bar{X} tahmin edicisinin beklenen değerini ve varyansını belirle.
E[Xˉ]=E[X]=45θE[\bar{X}] = E[X] = \frac{4}{5}\theta ve Var(Xˉ)=Var(X)n=275nθ2Var(\bar{X}) = \frac{Var(X)}{n} = \frac{2}{75n}\theta^2.
MSE hesabında kullanılacak olan varyans ve yan miktarını bulmak için Xˉ\bar{X}'in istatistiksel özellikleri gereklidir.
3
Xˉ\bar{X}'in θ\theta için yan miktarını (Bias) hesapla.
Bias(Xˉ)=E[Xˉ]θ=45θθ=15θBias(\bar{X}) = E[\bar{X}] - \theta = \frac{4}{5}\theta - \theta = -\frac{1}{5}\theta. Buradan Bias2=125θ2=375θ2Bias^2 = \frac{1}{25}\theta^2 = \frac{3}{75}\theta^2 bulunur.
Tahmin edici yanlı olduğundan MSE hesabında yan miktarının karesi kullanılmalıdır.
4
MSE = Varyans + Bias2Bias^2 formülünü uygula.
MSE(Xˉ)=275nθ2+375θ2=2+3n75nθ2MSE(\bar{X}) = \frac{2}{75n}\theta^2 + \frac{3}{75}\theta^2 = \frac{2 + 3n}{75n}\theta^2.
Hata Kareler Ortalaması, varyans ile yan miktarının karesinin toplamına eşittir.

Key Concept

Tahmin edicilerde yan miktarı hesaplama ve Hata Kareler Ortalaması (MSE) ile varyans arasındaki ilişki (MSE(θ^)=Var(θ^)+[Bias(θ^)]2MSE(\hat{\theta}) = Var(\hat{\theta}) + [Bias(\hat{\theta})]^2).
Question 180Question

Bir araştırmacı, X1,X2,,XnX_1, X_2, \dots, X_n bağımsız ve aynı dağılımlı rastgele değişkenlerinden oluşan bir örneklem ile çalışmaktadır. Bu değişkenlerin olasılık yoğunluk fonksiyonu aşağıdaki gibi verilmiştir:

f(x;θ)=xθ2ex/θ,x>0,θ>0f(x; \theta) = \frac{x}{\theta^2} e^{-x/\theta}, \quad x > 0, \theta > 0

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

Show answer & explanation

Answer: θ22n\frac{\theta^2}{2n}

Answer

Cramer-Rao alt sınırı θ22n\frac{\theta^2}{2n}'dir.
Verilen dağılım için log-olabilirlik fonksiyonunun ikinci türevinin negatifinin beklenen değeri I(θ)=2θ2I(\theta) = \frac{2}{\theta^2} olarak bulunur. Bağımsız nn hacimli örneklem için bu değer nn ile çarpılır (In(θ)=2nθ2I_n(\theta) = \frac{2n}{\theta^2}). Cramer-Rao eşitsizliğine göre, parametrenin yansız bir tahmin edicisi için varyansın alt sınırı bu toplam Fisher bilgisinin tersidir ve θ22n\frac{\theta^2}{2n} sonucuna ulaşılır.

Step-by-Step Solution

1
Olasılık yoğunluk fonksiyonunun doğal logaritmasını alma.
lnf(x;θ)=lnx2lnθxθ\ln f(x; \theta) = \ln x - 2\ln\theta - \frac{x}{\theta}
Fisher bilgi miktarını (Information) hesaplamak için log-olabilirlik fonksiyonuna geçilmesi gerekir.
2
Log-olabilirlik fonksiyonunun θ\theta'ya göre birinci ve ikinci türevlerini alma.
Birinci türev: 2θ+xθ2-\frac{2}{\theta} + \frac{x}{\theta^2}. İkinci türev: 2θ22xθ3\frac{2}{\theta^2} - \frac{2x}{\theta^3}.
İkinci türevin beklenen değerinin negatifi, Fisher bilgi miktarını verir.
3
Verilen dağılım üzerinden XX'in beklenen değerini (E[X]E[X]) bulma.
E[X]=αβ=2θE[X] = \alpha\beta = 2\theta (Dağılım Gamma(2, θ\theta) yapısındadır).
İkinci türevin formülündeki XX değişkeninin beklenen değerini yerine yazmak için gereklidir.
4
Tek bir gözlem için Fisher Bilgi miktarını (I(θ)I(\theta)) hesaplama.
I(θ)=E[2θ22Xθ3]=(2θ24θθ3)=2θ2I(\theta) = -E\left[\frac{2}{\theta^2} - \frac{2X}{\theta^3}\right] = -\left(\frac{2}{\theta^2} - \frac{4\theta}{\theta^3}\right) = \frac{2}{\theta^2}
Örneklem bilgisini bulmadan önceki temel adımdır.
5
nn çaplı örneklem için toplam Fisher Bilgisini bulup Cramer-Rao alt sınırını hesaplama.
In(θ)=nI(θ)=2nθ2    CRLB=1In(θ)=θ22nI_n(\theta) = n \cdot I(\theta) = \frac{2n}{\theta^2} \implies \text{CRLB} = \frac{1}{I_n(\theta)} = \frac{\theta^2}{2n}
Yansız bir tahmin edici için varyansın alt sınırı, toplam Fisher bilgi miktarının çarpmaya göre tersine eşittir.

Key Concept

Cramer-Rao Alt Sınırı (CRLB) Hesaplaması
Estimated Time:2m 0s
PreviousPage 9 / 12Next
Parametre Tahmin Yöntemleri Practice Questions — KPSS İstatistik — Page 9 | Examkin