Tahmin Edicilerin Özellikleri: Tutarlılık (Consistency)

24 questions

Question 1Question

Matematiksel istatistik dersinde bir öğretim üyesi, tutarlılık (olasılıkta yakınsama) kavramının doğasını tartışırken öğrencilerine teorik bir tahmin edici sunmuştur.

Kitle ortalaması θ\theta ve kitle varyansı σ2<\sigma^2 < \infty olan bir dağılımdan alınan nn hacimli rastgele bir örneklemin ortalaması Xˉn\bar{X}_n olsun. Bilinmeyen θ\theta parametresini tahmin etmek için aşağıdaki TnT_n tahmin edicisi tanımlanmıştır:

Tn={Xˉn,11n olasılıklan2,1n olasılıkla T_n = \begin{cases} \bar{X}_n, & 1 - \frac{1}{n} \text{ olasılıkla} \\ n^2, & \frac{1}{n} \text{ olasılıkla} \end{cases}

Buna göre, nn \to \infty durumunda TnT_n tahmin edicisinin özellikleri için aşağıdakilerden hangisi kesinlikle doğrudur?

Show answer & explanation

Answer: TnT_n, θ\theta için tutarlı bir tahmin edicidir; ancak asimptotik olarak yansız değildir ve ortalama hata karesi (MSE) sonsuza ıraksar.

Answer

TnT_n tahmin edicisi, limit durumunda ortalama hata karesi sonsuza ıraksayan ve asimptotik yansız olmayan, ancak yine de tutarlılık özelliğini koruyan bir tahmin edicidir.
Verilen karışım dağılımlı tahmin edicide, TnT_n'nin Xˉn\bar{X}_n'ye eşit olma olasılığı (11/n)(1 - 1/n)'dir ve nn \to \infty iken bu olasılık 1'e yaklaşır. Xˉn\bar{X}_n halihazırda tutarlı olduğundan, TnT_n de olasılıkta θ\theta'ya yakınsar ve tutarlı olur. Ancak uç değer olan n2n^2, 1/n1/n olasılıkla gelse bile, beklenen değer hesabında n2(1/n)=nn^2 \cdot (1/n) = n terimini ürettiği için E[Tn]E[T_n] ve dolayısıyla MSE sonsuza ıraksar. Bu durum, MSE'nin tutarlılık için zorunlu değil, yalnızca yeterli bir koşul olduğunu gösteren klasik bir matematiksel istatistik örneğidir.

Step-by-Step Solution

1
Tahmin edicinin beklenen değerini (E[T_n]) ve asimptotik yansızlığını incelemek.
E[Tn]=E[Xˉn](11n)+n2(1n)=θ(11n)+nE[T_n] = E[\bar{X}_n](1 - \frac{1}{n}) + n^2(\frac{1}{n}) = \theta(1 - \frac{1}{n}) + n. Limit alındığında limnE[Tn]=\lim_{n \to \infty} E[T_n] = \infty olur.
Bir tahmin edicinin asimptotik yansız olabilmesi için limit durumunda beklenen değerinin parametreye eşit olması gerekir. Beklenen değer sonsuza ıraksadığı için asimptotik yansız değildir.
2
Ortalama Hata Karesinin (MSE) limit durumunu incelemek.
MSE(Tn)=Var(Tn)+[Bias(Tn)]2MSE(T_n) = Var(T_n) + [Bias(T_n)]^2. Yanlılık (Bias) miktarı (E[Tn]θ)(E[T_n] - \theta) sonsuza gittiğinden, MSE de sonsuza ıraksar.
MSE'nin asimptotik davranışını görmek için yanlılığın karesine bakmak yeterlidir. MSE sıfıra gitmez.
3
Tutarlılık için olasılıkta yakınsama şartını (P(Tnθ>ϵ)0P(|T_n - \theta| > \epsilon) \to 0) kontrol etmek.
Herhangi bir ϵ>0\epsilon > 0 için, P(Tnθ>ϵ)P(Xˉnθ>ϵ)(11n)+P(n2θ>ϵ)(1n)P(|T_n - \theta| > \epsilon) \leq P(|\bar{X}_n - \theta| > \epsilon)(1 - \frac{1}{n}) + P(|n^2 - \theta| > \epsilon)(\frac{1}{n}).
Karışım dağılımının olasılık limitini, bileşenlerinin olasılıkları üzerinden koşullu olarak ayrıştırarak hesaplamak gerekir.
4
Olasılık sınırlarının limitini almak.
Xˉn\bar{X}_n tutarlı olduğu için ilk terim 01=00 \cdot 1 = 0'a yakınsar. İkinci terim ise maksimum 11n1 \cdot \frac{1}{n} olabilir ve nn \to \infty için 00'a yakınsar. Toplam olasılık limiti 00'dır.
Hata olasılığının limiti sıfır olduğu için, TnT_n tahmin edicisi olasılıkta θ\theta'ya yakınsar; yani tanım gereği tutarlıdır.

Key Concept

Olasılıkta Yakınsama (Tutarlılık) ve MSE İlişkisi
Estimated Time:2m 30s
Question 2Question

Bir araştırma enstitüsünde görevli istatistikçi, bir bölgedeki hanelerin aylık ortalama su tüketim miktarını (μ\mu) tahmin etmek amacıyla nn hacimli bir rastgele örneklem çekmiştir. Uzman, kitle varyansının σ2<\sigma^2 < \infty olduğunu bilmekte ve μ\mu parametresini tahmin etmek için μ^n=Xˉ+cn\hat{\mu}_n = \bar{X} + \frac{c}{n} tahmin edicisini önermektedir (burada c0c \neq 0 bilinen bir sabittir ve Xˉ\bar{X} örneklem ortalamasıdır).

Buna göre, μ^n\hat{\mu}_n tahmin edicisinin yansızlık ve tutarlılık özellikleri dikkate alındığında aşağıdaki ifadelerden hangisi doğrudur?

Show answer & explanation

Answer: μ^n\hat{\mu}_n tahmin edicisi sonlu örneklem hacimlerinde yanlı olmasına karşın, nn \to \infty iken ortalama hata karesi sıfıra yakınsadığı için μ\mu için tutarlı bir tahmin edicidir.

Answer

μ^n\hat{\mu}_n tahmin edicisi, sonlu örneklem çaplarında yanlı olmasına rağmen, asimptotik olarak ortalama hata karesi (MSE) sıfıra gittiği için μ\mu parametresi adına tutarlı bir tahmin edicidir.
Doğru ifade, tahmin edicinin yanlı olmasına rağmen tutarlı olduğunu belirten ifadedir. E(μ^n)=μ+cnE(\hat{\mu}_n) = \mu + \frac{c}{n} olduğu için sonlu nn değerlerinde tahmin edici yanlıdır. Varyansı Var(μ^n)=σ2nVar(\hat{\mu}_n) = \frac{\sigma^2}{n} ve yan miktarı cn\frac{c}{n} olarak bulunmuştur. Ortalama Hata Karesi (MSE) hesaplandığında MSE=σ2n+c2n2MSE = \frac{\sigma^2}{n} + \frac{c^2}{n^2} elde edilir. nn \to \infty iken hem varyans hem de yan sıfıra yakınsadığı için MSE sıfıra gider. MSE'si asimptotik olarak sıfıra giden tahmin ediciler tutarlı olduğundan, bu tahmin edici sonlu örneklemde yanlı da olsa asimptotik olarak tutarlıdır.

Step-by-Step Solution

1
Tahmin edicinin beklenen değerini hesaplayarak yansızlık durumunu analiz et.
E(μ^n)=E(Xˉ)+E(cn)=μ+cnE(\hat{\mu}_n) = E(\bar{X}) + E(\frac{c}{n}) = \mu + \frac{c}{n} bulunur ve tahmin edicinin yanlı olduğu görülür.
Yansızlık ve yan miktarını tespit etmek, MSE hesabı için gereklidir.
2
Tahmin edicinin varyansını hesapla.
Var(μ^n)=Var(Xˉ+cn)=Var(Xˉ)=σ2nVar(\hat{\mu}_n) = Var(\bar{X} + \frac{c}{n}) = Var(\bar{X}) = \frac{\sigma^2}{n} elde edilir.
Sabit terimin varyansı sıfır olduğundan, varyans doğrudan örneklem ortalamasının varyansına eşittir.
3
Tahmin edicinin Ortalama Hata Karesini (MSE) oluştur.
MSE(μ^n)=Var(μ^n)+[Yan]2=σ2n+c2n2MSE(\hat{\mu}_n) = Var(\hat{\mu}_n) + [Yan]^2 = \frac{\sigma^2}{n} + \frac{c^2}{n^2} olarak bulunur.
Bir tahmin edicinin tutarlılığını göstermek için kullanılabilecek yeter koşul, asimptotik MSE davranışıdır.
4
MSE için nn \to \infty limitini alarak tutarlılık kararını ver.
limn(σ2n+c2n2)=0\lim_{n \to \infty} \left( \frac{\sigma^2}{n} + \frac{c^2}{n^2} \right) = 0 olduğundan tahmin edici tutarlıdır.
MSE değeri asimptotik olarak sıfıra yakınsıyorsa, Chebyshev eşitsizliğine göre tahmin edici olasılıkta yakınsar ve tutarlıdır.

Key Concept

Tutarlılık, Yansızlık ve Ortalama Hata Karesi (MSE) İlişkisi
Question 3Question
X1,X2,,XnX_1, X_2, \dots, X_n, ortalaması μ\mu ve varyansı σ2<\sigma^2 < \infty olan bir kitleye ait rastgele bir örneklem olsun. Kitle ortalaması olan μ\mu parametresini tahmin etmek için,
Tn=1n+1i=1nXiT_n = \frac{1}{n+1} \sum_{i=1}^n X_i
tahmin edicisi öneriliyor.

Buna göre, TnT_n tahmin edicisi ile ilgili aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: μ\mu için yanlı fakat tutarlı bir tahmin edicidir.

Answer

Tahmin edici, μ\mu parametresi için yanlı fakat tutarlı bir tahmin edicidir.
Tahmin edicinin beklenen değeri E(Tn)=nn+1μE(T_n) = \frac{n}{n+1}\mu olup μ\mu'den farklıdır, bu nedenle tahmin edici yanlıdır. Ancak nn \to \infty iken limE(Tn)=μ\lim E(T_n) = \mu olduğu için asimptotik olarak yansızdır. Diğer taraftan varyansı Var(Tn)=n(n+1)2σ2Var(T_n) = \frac{n}{(n+1)^2}\sigma^2 olup sonsuzda limiti sıfırdır. Varyans ve yan miktarının her ikisi de nn \to \infty iken sıfıra gittiğinden, Hata Kareler Ortalaması (MSE) sıfıra yakınsar. MSE'si sıfıra giden bir tahmin edici tutarlı olduğundan, TnT_n yanlı fakat tutarlı bir tahmin edicidir.

Step-by-Step Solution

1
Tahmin edicinin beklenen değerini hesaplamak
E(Tn)=E(1n+1i=1nXi)=1n+1i=1nE(Xi)=nn+1μE(T_n) = E\left(\frac{1}{n+1} \sum_{i=1}^n X_i\right) = \frac{1}{n+1} \sum_{i=1}^n E(X_i) = \frac{n}{n+1}\mu
Bir tahmin edicinin yansız olup olmadığını belirlemek için beklenen değerinin kitle parametresine (μ\mu) eşit olup olmadığına bakılır.
2
Yansızlık durumunu değerlendirmek
E(Tn)=nn+1μμE(T_n) = \frac{n}{n+1}\mu \neq \mu olduğundan tahmin edici yanlıdır. Yan miktarı B(Tn)=nn+1μμ=μn+1B(T_n) = \frac{n}{n+1}\mu - \mu = -\frac{\mu}{n+1} olarak bulunur.
Beklenen değer parametreye eşit çıkmadığı için yanlılık tespiti yapılmış olur.
3
Varyans ve MSE limitlerini inceleyerek tutarlılığı test etmek
Var(Tn)=Var(1n+1Xi)=1(n+1)2Var(Xi)=n(n+1)2σ2Var(T_n) = Var\left(\frac{1}{n+1} \sum X_i\right) = \frac{1}{(n+1)^2} \sum Var(X_i) = \frac{n}{(n+1)^2}\sigma^2.
limnVar(Tn)=0\lim_{n \to \infty} Var(T_n) = 0 ve limnB(Tn)=0\lim_{n \to \infty} B(T_n) = 0 olduğundan, Hata Kareler Ortalamasının (MSE) limiti sıfırdır: limnMSE(Tn)=0\lim_{n \to \infty} MSE(T_n) = 0.
Bir tahmin edicinin tutarlı olması için, nn \to \infty iken varyansının ve yan miktarının sıfıra yakınsaması yeterlidir.
4
Sonuçları birleştirmek
Tahmin edici yanlıdır, ancak tutarlıdır.
Yansızlık şartını sağlamamasına rağmen asimptotik özelliklerinden ötürü tutarlılık şartını sağlamaktadır.

Key Concept

Hata Kareler Ortalaması (MSE) üzerinden tutarlılık analizi ve asimptotik yansızlık
Question 4Question

Ortalaması μ\mu ve varyansı σ2\sigma^2 (0<σ2<0 < \sigma^2 < \infty) olan bir kitleye ait X1,X2,,XnX_1, X_2, \dots, X_n rastgele örneklemi çekilmiştir. Kitle ortalaması μ\mu'yü tahmin etmek amacıyla aşağıdaki üç nokta tahmin edicisi tanımlanmıştır:

T1=Xˉ=1ni=1nXiT_1 = \bar{X} = \frac{1}{n} \sum_{i=1}^{n} X_i
T2=X1T_2 = X_1
T3=1n+2i=1nXiT_3 = \frac{1}{n+2} \sum_{i=1}^{n} X_i

Bu tahmin edicilerin yansızlık (unbiasedness) ve tutarlılık (consistency) özellikleri ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Show answer & explanation

Answer: T2T_2 yansız olmasına rağmen varyansı nn \to \infty için sıfıra gitmediğinden tutarsızdır; T3T_3 ise yanlı olmasına karşın tutarlı bir tahmin edicidir.

Answer

T2T_2 yansız olmasına rağmen varyansı nn \to \infty için sıfıra gitmediğinden tutarsızdır; T3T_3 ise yanlı olmasına karşın tutarlı bir tahmin edicidir.
Tutarlılık için yeter koşul, tahmin edicinin Hata Kareler Ortalamasının (MSE) nn sonsuza giderken sıfıra yakınsamasıdır. T2T_2 tahmin edicisi yansızdır (Bias=0Bias=0) fakat varyansı σ2\sigma^2 olup nn'den bağımsızdır. Bu nedenle MSE'si sıfıra gitmez ve tutarsızdır. Öte yandan T3T_3 tahmin edicisi yanlıdır (yan miktarı 2μn+2\frac{-2\mu}{n+2}), ancak hem varyansı hem de yan miktarının karesi nn \to \infty iken sıfıra yakınsadığı için MSE sıfıra gider. Bu durum onu asimptotik yansız ve tutarlı yapar. Böylece yansızlığın tutarlılık için gerekli veya yeterli bir koşul olmadığını açıkça görürüz.

Step-by-Step Solution

1
Tahmin edicilerin beklenen değerlerini bularak yansızlık durumlarını incelemek.
E(T1)=μE(T_1) = \mu (yansız), E(T2)=E(X1)=μE(T_2) = E(X_1) = \mu (yansız), E(T3)=nn+2μE(T_3) = \frac{n}{n+2}\mu (yanlı).
Tutarlılık analizinde kullanılacak Hata Kareler Ortalaması (MSE) hesabı için yan miktarlarını (Bias) belirlemek.
2
Tahmin edicilerin varyanslarını hesaplamak.
Var(T1)=σ2nVar(T_1) = \frac{\sigma^2}{n}, Var(T2)=σ2Var(T_2) = \sigma^2, Var(T3)=nσ2(n+2)2Var(T_3) = \frac{n\sigma^2}{(n+2)^2}.
MSE formülündeki (MSE=Varyans+Yan2MSE = Varyans + Yan^2) varyans bileşenini elde etmek.
3
nn \to \infty iken MSE limitlerini alarak tutarlılıklarını değerlendirmek.
limnMSE(T1)=0\lim_{n \to \infty} MSE(T_1) = 0 (tutarlı), limnMSE(T2)=σ20\lim_{n \to \infty} MSE(T_2) = \sigma^2 \neq 0 (tutarsız), limnMSE(T3)=limn(nσ2+4μ2(n+2)2)=0\lim_{n \to \infty} MSE(T_3) = \lim_{n \to \infty} \left( \frac{n\sigma^2 + 4\mu^2}{(n+2)^2} \right) = 0 (tutarlı).
Tutarlılık için yeter koşul olan MSE'nin asimptotik olarak sıfıra gitme prensibini uygulamak.

Key Concept

Yansızlık ve Tutarlılık Arasındaki İlişki
Question 5Question

Bir araştırmacı, kitle varyansı bilinen (σ2=1\sigma^2=1) ancak kitle ortalaması (μ\mu) bilinmeyen normal dağılıma sahip bir kitleden nn hacimli rastgele bir örneklem (X1,X2,,XnX_1, X_2, \dots, X_n) almıştır.

Araştırmacı, θ=eμ\theta = e^\mu parametresini tahmin etmek amacıyla aşağıdaki iki tahmin ediciyi önermektedir:

θ^1=eXˉ\hat{\theta}_1 = e^{\bar{X}}
θ^2=eXˉ12n\hat{\theta}_2 = e^{\bar{X} - \frac{1}{2n}}

Burada Xˉ\bar{X} örneklem ortalamasıdır.

Buna göre, bu iki tahmin edicinin yansızlık (unbiasedness) ve tutarlılık (consistency) özellikleri ile ilgili aşağıdakilerden hangisi kesinlikle doğrudur?

Show answer & explanation

Answer: θ^1\hat{\theta}_1 yanlı fakat tutarlıdır; θ^2\hat{\theta}_2 ise yansız ve tutarlıdır.

Answer

θ^1\hat{\theta}_1'in beklenen değeri log-normal özellikten dolayı tam θ\theta olmadığından yanlıdır fakat olasılıkta yakınsadığı için tutarlıdır. θ^2\hat{\theta}_2 ise düzeltme katsayısıyla tam yansız hale getirilmiştir ve o da tutarlıdır.
Doğru seçenek θ^1\hat{\theta}_1'in yanlı fakat tutarlı, θ^2\hat{\theta}_2'nin ise hem yansız hem de tutarlı olduğunu ifade eden seçenektir. Xˉ\bar{X}'in normal dağılımından dolayı eXˉe^{\bar{X}}'in beklenen değeri Moment Çıkaran Fonksiyon ile hesaplandığında θe1/(2n)\theta e^{1/(2n)} bulunur, bu nedenle θ^1\hat{\theta}_1 yanlıdır. Ancak nn \to \infty iken olasılıkta Xˉμ\bar{X} \to \mu yakınsaması Sürekli Dönüşüm Teoremi gereği eXˉeμe^{\bar{X}} \to e^\mu sonucunu verir ve tutarlıdır. θ^2\hat{\theta}_2'de ise e1/(2n)e^{-1/(2n)} düzeltme faktörü beklenen değeri tam θ\theta'ya eşitler (yansızdır) ve limit durumunda bu faktör 11'e gittiğinden tutarlılığı etkilemez.

Step-by-Step Solution

1
Örneklem ortalamasının dağılımını ve Moment Çıkaran Fonksiyonunu (MGF) belirleme
XˉN(μ,1/n)\bar{X} \sim N(\mu, 1/n) ve MXˉ(t)=E(etXˉ)=eμt+t2/(2n)M_{\bar{X}}(t) = E(e^{t\bar{X}}) = e^{\mu t + t^2/(2n)} elde edilir.
Üstel dönüşümlerin beklenen değerini doğru hesaplamak için MGF tanımına ve Xˉ\bar{X}'in dağılım özelliklerine ihtiyaç vardır.
2
İlk tahmin edicinin (θ^1\hat{\theta}_1) beklenen değerini hesaplayarak yansızlığını kontrol etme
E(θ^1)=E(eXˉ)=MXˉ(1)=eμ+1/(2n)=θe1/(2n)θE(\hat{\theta}_1) = E(e^{\bar{X}}) = M_{\bar{X}}(1) = e^{\mu + 1/(2n)} = \theta e^{1/(2n)} \neq \theta sonucuna ulaşılır. Dolayısıyla θ^1\hat{\theta}_1 yanlıdır.
Tahmin edicinin beklenen değeri tam olarak parametreye eşit olmadığında (burada e1/(2n)e^{1/(2n)} çarpanı kadar yan vardır), tahmin edici yanlı kabul edilir.
3
İkinci tahmin edicinin (θ^2\hat{\theta}_2) beklenen değerini hesaplama
E(θ^2)=E(eXˉ1/(2n))=e1/(2n)E(eXˉ)=e1/(2n)θe1/(2n)=θE(\hat{\theta}_2) = E(e^{\bar{X} - 1/(2n)}) = e^{-1/(2n)} \cdot E(e^{\bar{X}}) = e^{-1/(2n)} \cdot \theta e^{1/(2n)} = \theta sonucuna ulaşılır. Dolayısıyla θ^2\hat{\theta}_2 yansızdır.
Üstteki sabit eksi çarpan, önceki adımdaki yan miktarını tam olarak dengeleyecek şekilde tasarlanmıştır.
4
Her iki tahmin edicinin olasılıkta yakınsamasını (tutarlılığını) test etme
nn \to \infty iken olasılıkta Xˉpμ\bar{X} \xrightarrow{p} \mu olduğundan, Sürekli Dönüşüm Teoremi gereği eXˉpeμ=θe^{\bar{X}} \xrightarrow{p} e^\mu = \theta olur (θ^1\hat{\theta}_1 tutarlı). Yine nn \to \infty iken 1/(2n)01/(2n) \to 0 olduğu için Xˉ1/(2n)pμ\bar{X} - 1/(2n) \xrightarrow{p} \mu ve dolayısıyla eXˉ1/(2n)pθe^{\bar{X} - 1/(2n)} \xrightarrow{p} \theta elde edilir (θ^2\hat{\theta}_2 tutarlı).
Tutarlılık için örneklem hacmi sonsuza giderken tahmin edicinin hedeflenen parametreye olasılıkta yakınsaması yeterlidir; yanlılık asimptotik olarak kaybolduğunda ve varyans sıfıra gittiğinde tutarlılık sağlanır.

Key Concept

Tutarlılık (Consistency) ve Beklenen Değer Dönüşümleri (Sürekli Dönüşüm Teoremi & Jensen Eşitsizliği)
Question 6Question

Bir araştırmacı, bir çağrı merkezine belirli bir zaman aralığında gelen çağrı sayısını modellemek için Poisson dağılımını kullanmaktadır. Süreçteki hiç çağrı gelmeme olasılığı olan θ=eλ\theta = e^{-\lambda} parametresini tahmin etmek amacıyla, nn çaplı rastgele örneklemin ortalaması olan Xˉ\bar{X} kullanılarak Tn=eXˉT_n = e^{-\bar{X}} tahmin edicisi önerilmiştir.

Buna göre, TnT_n tahmin edicisinin yansızlık ve tutarlılık özellikleri ile ilgili aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: TnT_n, θ\theta için yanlı ancak tutarlı bir tahmin edicidir.

Answer

TnT_n, θ\theta için yanlı ancak tutarlı bir tahmin edicidir.
Doğru yanıt, tahmin edicinin yanlı ancak tutarlı olduğunu ifade eden seçenektir. Yansızlık analizi yapıldığında, exe^{-x} dışbükey bir fonksiyon olduğu için Jensen eşitsizliği gereği E[eXˉ]>eE[Xˉ]=eλE[e^{-\bar{X}}] > e^{-E[\bar{X}]} = e^{-\lambda} olur, dolayısıyla tahmin edici yanlıdır. Ancak tutarlılık açısından bakıldığında; örneklem ortalaması Xˉ\bar{X}, kitle ortalaması λ\lambda için tutarlı bir tahmin edicidir (Zayıf Büyük Sayılar Yasası). exe^{-x} sürekli bir fonksiyon olduğundan, sürekli dönüşüm teoremi (continuous mapping theorem) gereğince eXˉe^{-\bar{X}} de eλe^{-\lambda} için tutarlı bir tahmin edicidir.

Step-by-Step Solution

1
Yansızlık durumunu Jensen eşitsizliği kullanarak analiz etme
g(x)=exg(x) = e^{-x} fonksiyonu kesin dışbükey (strictly convex) bir fonksiyondur. Jensen eşitsizliğine göre E[g(X)]>g(E[X])E[g(X)] > g(E[X]) olur. Dolayısıyla E[eXˉ]>eE[Xˉ]=eλE[e^{-\bar{X}}] > e^{-E[\bar{X}]} = e^{-\lambda}'dır.
Bir tahmin edicinin fonksiyonunun beklenen değerinin, fonksiyonun beklenen değerine eşit olup olmadığını test etmek için dışbükeylik analizi yapılmalıdır. Eşitlik sağlanmadığı için TnT_n yanlı bir tahmin edicidir.
2
Tutarlılık durumunu sürekli dönüşüm teoremi (Continuous Mapping Theorem) ile inceleme
Zayıf Büyük Sayılar Yasası'na göre Xˉpλ\bar{X} \xrightarrow{p} \lambda'dır. g(x)=exg(x) = e^{-x} sürekli bir fonksiyon olduğundan, eXˉpeλe^{-\bar{X}} \xrightarrow{p} e^{-\lambda} gerçekleşir.
Olasılıkta yakınsama özelliği, sürekli fonksiyonlar altında korunur. Bu durum TnT_n'nin θ\theta için tutarlı bir tahmin edici olduğunu kanıtlar.
3
Elde edilen sonuçları birleştirme
TnT_n, küçük örneklemlerde yanlı bir tahmin edici olmasına rağmen, örneklem çapı sonsuza giderken gerçek parametre değerine olasılıkta yakınsadığı için tutarlıdır.
Yansızlık ve tutarlılık birbirinden farklı kavramlardır; yanlı bir tahmin edici pekâlâ tutarlı olabilir.

Key Concept

Tahmin Edicilerin Özellikleri: Tutarlılık (Consistency) ve Jensen Eşitsizliği
Question 7Question

Bir araştırmacı, kitle ortalaması θ\theta ve kitle varyansı σ2<\sigma^2 < \infty olan bir dağılımdan alınan nn çaplı rastgele bir örneklem (X1,X2,,Xn)(X_1, X_2, \dots, X_n) üzerinden θ\theta parametresini tahmin etmek istemektedir.

Örneklem ortalaması Xˉn\bar{X}_n olmak üzere, araştırmacı aşağıdaki gibi yeni bir TnT_n tahmin edicisi tanımlamıştır:
Tn=Xˉn+UnT_n = \bar{X}_n + U_n
Burada UnU_n, örneklemden bağımsız bir rastgele değişken dizisi olup olasılık fonksiyonu şu şekildedir:
P(Un=n)=1n2,P(Un=0)=11n2P(U_n = n) = \frac{1}{n^2}, \quad P(U_n = 0) = 1 - \frac{1}{n^2}

Bu tahmin edici TnT_n ile ilgili olarak aşağıda verilen ifadelerden hangisi doğrudur?

Show answer & explanation

Answer: TnT_n, θ\theta için tutarlı ve asimptotik yansız bir tahmin edicidir, ancak Ortalama Hata Karesi (MSE) sıfıra yakınsamaz.

Answer

Tahmin edici asimptotik yansızdır ve olasılıkta kitle ortalamasına yakınsadığı için tutarlıdır; ancak karesel sapmaları içeren MSE değeri sıfıra değil, 1'e yakınsamaktadır.
Tahmin edicinin tutarlılığı, olasılıkta yakınsama (convergence in probability) ile tanımlanır. UnU_n rassal değişkeninin büyük bir değer (nn) alma olasılığı (1/n21/n^2) çok hızlı bir şekilde sıfıra gittiği için UnU_n olasılıkta 0'a yakınsar. Büyük Sayılar Yasası gereği Xˉn\bar{X}_n de olasılıkta θ\theta'ya yakınsar. Bu ikisinin toplamı olan TnT_n, olasılıkta θ\theta'ya yakınsadığı için tutarlıdır. Aynı zamanda E(Tn)=θ+1/nθE(T_n) = \theta + 1/n \to \theta olduğundan asimptotik yansızdır. Ancak, UnU_n'nin varyansı karesel sapmalardan dolayı 1'e yakınsadığı için, toplam MSE değeri 1 olur ve sıfıra yakınsamaz. Bu özel kurgu, MSE'nin sıfıra gitmesinin tutarlılık için yeter koşul olduğunu ancak gerek koşul olmadığını kanıtlayan klasik bir örnektir.

Step-by-Step Solution

1
TnT_n'nin beklenen değerini ve asimptotik yansızlığını hesaplayın.
E(Un)=n(1/n2)+0(11/n2)=1/nE(U_n) = n \cdot (1/n^2) + 0 \cdot (1 - 1/n^2) = 1/n. Dolayısıyla E(Tn)=E(Xˉn)+E(Un)=θ+1/nE(T_n) = E(\bar{X}_n) + E(U_n) = \theta + 1/n. Limit alındığında limnE(Tn)=θ\lim_{n \to \infty} E(T_n) = \theta olur. Tahmin edici asimptotik yansızdır.
Yansızlık durumunu ve asimptotik özelliklerini belirlemek.
2
TnT_n'nin varyansını ve Ortalama Hata Karesini (MSE) hesaplayın.
E(Un2)=n2(1/n2)+0=1E(U_n^2) = n^2 \cdot (1/n^2) + 0 = 1. Buradan Var(Un)=1(1/n)2Var(U_n) = 1 - (1/n)^2. TnT_n'nin varyansı: Var(Tn)=σ2n+11n2Var(T_n) = \frac{\sigma^2}{n} + 1 - \frac{1}{n^2}. Limit alındığında varyans 1'e gider. MSE(Tn)=Var(Tn)+[Yan]2=σ2n+11MSE(T_n) = Var(T_n) + [Yan]^2 = \frac{\sigma^2}{n} + 1 \to 1.
Tutarlılık için yeter koşul olan MSE'nin sıfıra gidip gitmediğini kontrol etmek.
3
TnT_n'nin olasılıkta yakınsamasını (tutarlılığını) temel tanımdan inceleyin.
Olasılıkta yakınsama için P(Un>ϵ)P(|U_n| > \epsilon) limitine bakılır. ϵ>0\epsilon > 0 için P(Un>ϵ)P(Un=n)=1/n20P(|U_n| > \epsilon) \le P(U_n = n) = 1/n^2 \to 0. O halde Unp0U_n \xrightarrow{p} 0. Xˉnpθ\bar{X}_n \xrightarrow{p} \theta olduğundan, toplamları TnpθT_n \xrightarrow{p} \theta olur.
MSE sıfıra gitmediğinde tahmin edicinin hala tutarlı olup olamayacağını zayıf tutarlılık (olasılıkta yakınsama) tanımıyla doğrulamak.

Key Concept

Tutarlılık (Consistency) ve Ortalama Hata Karesi (MSE) İlişkisi
Question 8Question

X1,X2,,XnX_1, X_2, \dots, X_n, beklenen değeri μ\mu ve varyansı σ2\sigma^2 (σ2<\sigma^2 < \infty) olan bir dağılımdan rastgele çekilmiş nn hacimli bir örneklemi göstersin. μ\mu parametresini tahmin etmek amacıyla,

Tn=Xˉ+3nT_n = \bar{X} + \frac{3}{\sqrt{n}}

tahmin edicisi tanımlanmıştır.

Buna göre TnT_n tahmin edicisi için aşağıdaki ifadelerden hangisi kesinlikle doğrudur?

Show answer & explanation

Answer: Yanlı bir tahmin edicidir, ancak hata kareler ortalaması (MSE) örneklem çapı sonsuza giderken sıfıra yakınsadığı için tutarlıdır.

Answer

Tahmin edici sonlu örneklemlerde yanlıdır ancak hata kareler ortalaması asimptotik olarak sıfıra gittiği için tutarlı bir tahmin edicidir.
Doğru ifade, tahmin edicinin yanlı olduğunu ancak tutarlılık özelliğini taşıdığını belirten ifadedir. E(Tn)=μ+3/nE(T_n) = \mu + 3/\sqrt{n} olduğundan tahmin edici yanlıdır. Ancak MSE'yi hesaplarsak: MSE(Tn)=Var(Tn)+Bias(Tn)2=σ2n+9nMSE(T_n) = Var(T_n) + Bias(T_n)^2 = \frac{\sigma^2}{n} + \frac{9}{n}. Örneklem çapı nn sonsuza giderken MSE'nin limiti 00 olmaktadır. MSE'si sıfıra giden bir tahmin edici olasılıkta yakınsar ve dolayısıyla tutarlıdır.

Step-by-Step Solution

1
TnT_n'nin beklenen değerini ve yan miktarını (Bias) hesaplayın.
E(Tn)=E(Xˉ)+E(3n)=μ+3nE(T_n) = E(\bar{X}) + E(\frac{3}{\sqrt{n}}) = \mu + \frac{3}{\sqrt{n}}. Yan miktarı Bias(Tn)=E(Tn)μ=3nBias(T_n) = E(T_n) - \mu = \frac{3}{\sqrt{n}} bulunur.
Tahmin edicinin yansız olup olmadığını ve asimptotik yan davranışını belirlemek için.
2
TnT_n'nin varyansını hesaplayın.
Var(Tn)=Var(Xˉ+3n)Var(T_n) = Var(\bar{X} + \frac{3}{\sqrt{n}}). Sabit bir terimin varyansı 00 olduğu için Var(Tn)=Var(Xˉ)=σ2nVar(T_n) = Var(\bar{X}) = \frac{\sigma^2}{n} elde edilir.
Hata kareler ortalamasını (MSE) bulabilmek için tahmin edicinin varyansına ihtiyaç vardır.
3
Hata Kareler Ortalamasını (MSE) hesaplayın ve nn \to \infty için limitini alın.
MSE(Tn)=Var(Tn)+[Bias(Tn)]2=σ2n+(3n)2=σ2n+9n=σ2+9nMSE(T_n) = Var(T_n) + [Bias(T_n)]^2 = \frac{\sigma^2}{n} + (\frac{3}{\sqrt{n}})^2 = \frac{\sigma^2}{n} + \frac{9}{n} = \frac{\sigma^2 + 9}{n}. Limit alındığında limnσ2+9n=0\lim_{n \to \infty} \frac{\sigma^2 + 9}{n} = 0 olur.
Bir tahmin edicinin tutarlı olması için yeterli koşul, asimptotik olarak MSE değerinin sıfıra gitmesidir.

Key Concept

Tutarlılık (Consistency) ve Hata Kareler Ortalaması Yakınsaması
Question 9Question

İstatistiksel sonuç çıkarımında parametre tahminleri elde edilirken, gözlemlerin özellikleri tahmin edicinin asimptotik davranışını doğrudan etkiler. Bağımsız Y1,Y2,,YnY_1, Y_2, \dots, Y_n rastgele değişkenlerinin beklenen değerleri her bir gözlem için E(Yi)=θE(Y_i) = \theta ve varyansları indeksine bağlı olarak Var(Yi)=iσ2Var(Y_i) = i \cdot \sigma^2 (burada σ2>0\sigma^2 > 0) şeklinde verilmiştir.

Bilinmeyen θ\theta parametresini tahmin etmek için örneklem ortalaması olan Tn=1ni=1nYiT_n = \frac{1}{n} \sum_{i=1}^n Y_i istatistiği önerilmiştir.

Buna göre, TnT_n tahmin edicisinin yansızlık ve tutarlılık özellikleri hakkında aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Her nn örneklem çapı için yansızdır, ancak varyansının limiti sıfır olmadığı için tutarlı değildir.

Answer

Her nn örneklem çapı için yansızdır, ancak varyansının limiti sıfır olmadığı için tutarlı değildir.
Tahmin edicinin yansızlık ve tutarlılık özellikleri sırasıyla beklenen değer ve limit varyans koşullarıyla incelenir. Matematiksel olarak E(Tn)=θE(T_n) = \theta hesaplandığından tahmin edici yansızdır. Yansız tahmin edicilerde Hata Kareler Ortalaması (MSE) doğrudan varyansa eşittir. Varyans hesaplandığında Var(Tn)=σ2n+12nVar(T_n) = \sigma^2 \frac{n+1}{2n} bulunur. nn sonsuza giderken bu ifadenin limiti σ22\frac{\sigma^2}{2}'dir. MSE asimptotik olarak sıfıra gitmediği için bu tahmin edici tutarlı değildir.

Step-by-Step Solution

1
Tahmin edicinin beklenen değerini hesaplayarak yansızlık durumunu kontrol edin.
E(Tn)=E(1ni=1nYi)=1ni=1nE(Yi)=1ni=1nθ=nθn=θE(T_n) = E\left(\frac{1}{n} \sum_{i=1}^n Y_i\right) = \frac{1}{n} \sum_{i=1}^n E(Y_i) = \frac{1}{n} \sum_{i=1}^n \theta = \frac{n\theta}{n} = \theta.
Bir tahmin edicinin yansız olabilmesi için her nn değeri için beklenen değerinin tahmin edilen parametreye eşit olması gerekir.
2
Değişkenlerin bağımsızlığını kullanarak tahmin edicinin varyansını hesaplayın.
Var(Tn)=Var(1ni=1nYi)=1n2i=1nVar(Yi)=1n2i=1n(iσ2)=σ2n2n(n+1)2=σ2n+12nVar(T_n) = Var\left(\frac{1}{n} \sum_{i=1}^n Y_i\right) = \frac{1}{n^2} \sum_{i=1}^n Var(Y_i) = \frac{1}{n^2} \sum_{i=1}^n (i \cdot \sigma^2) = \frac{\sigma^2}{n^2} \frac{n(n+1)}{2} = \sigma^2 \frac{n+1}{2n}.
Bağımsız rastgele değişkenlerin toplamının varyansı, varyanslarının toplamına eşittir. Burada Gauss toplam formülü (i=1ni=n(n+1)2\sum_{i=1}^n i = \frac{n(n+1)}{2}) kullanılır.
3
Tutarlılık için gerekli koşulu değerlendirmek üzere nn \to \infty iken varyansın limitini alın.
limnVar(Tn)=limnσ2n+12n=σ22\lim_{n \to \infty} Var(T_n) = \lim_{n \to \infty} \sigma^2 \frac{n+1}{2n} = \frac{\sigma^2}{2}. Limit sıfırdan farklıdır (σ220\frac{\sigma^2}{2} \neq 0).
Yansız bir tahmin edicinin tutarlı olabilmesi için yeter koşul, varyansının (aynı zamanda Hata Kareler Ortalaması - MSE'sinin) limit durumunda sıfıra gitmesidir. Sıfıra gitmediği için olasılıkta yakınsama garanti edilemez, tutarlı değildir.

Key Concept

Tahmin edicilerde yansızlık ve tutarlılık için yeter koşul (MSE'nin limiti)
Question 10Question

Bir endüstriyel kalite kontrol sürecinde, üretilen parçaların dayanıklılık ömürlerinin beklenen değeri (μ\mu) tahmin edilmek istenmektedir. Sürecin varyansının σ2\sigma^2 (σ2>0\sigma^2 > 0) olduğu bilinmektedir. Kalite kontrol mühendisi, rastgele seçilen nn adet parçanın dayanıklılık sürelerinden (X1,X2,,XnX_1, X_2, \dots, X_n) yararlanarak μ\mu parametresi için aşağıdaki üç tahmin ediciyi önermiştir:

W1=Xˉ+10nW_1 = \bar{X} + \frac{10}{n}
W2=X1+X22W_2 = \frac{X_1 + X_2}{2}
W3=(13n)XˉW_3 = \left( 1 - \frac{3}{n} \right) \bar{X}

Burada Xˉ\bar{X}, örneklem ortalamasını ifade etmektedir.

Bu tahmin edicilerin yansızlık ve tutarlılık özellikleri incelendiğinde, aşağıdakilerden hangisi kesinlikle doğrudur?

Show answer & explanation

Answer: W1W_1 ve W3W_3 tahmin edicileri yanlı olmalarına karşın varyansları ve yan miktarları asimptotik olarak sıfıra gittiği için tutarlıdır; W2W_2 ise yansız olmasına rağmen tutarlı değildir.

Answer

W1W_1 ve W3W_3 tahmin edicilerinin yanlı fakat tutarlı, W2W_2 tahmin edicisinin ise yansız fakat tutarsız olduğunu belirten ifadedir.
Tutarlılık için yeter koşul, tahmin edicinin Hata Kareler Ortalamasının (MSE) nn \to \infty iken sıfıra gitmesidir. MSE = Varyans + (Yan)2^2 formülüne göre; W1W_1 tahmin edicisinin varyansı σ2/n\sigma^2/n ve yan miktarı 10/n10/n'dir. Her ikisi de limit durumunda sıfıra gittiği için MSE sıfıra yakınsar ve W1W_1 tutarlıdır. Benzer şekilde, W3W_3'ün varyansı (13/n)2σ2/n(1-3/n)^2 \sigma^2/n ve yan miktarı 3μ/n-3\mu/n olup, asimptotik limitleri sıfırdır; yani W3W_3 de tutarlıdır. Her iki tahmin edici de sonlu örneklemlerde yanlıdır. Öte yandan, W2W_2 tahmin edicisinin beklenen değeri μ\mu olduğu için tam yansızdır. Ancak varyansı nn'den bağımsız olarak σ2/2\sigma^2/2 sabit değerine eşittir. Varyansı sıfıra gitmediğinden olasılıkta μ\mu'ye yakınsamaz ve tutarsızdır. Dolayısıyla W1W_1 ve W3W_3 yanlı fakat tutarlı, W2W_2 ise yansız fakat tutarsızdır.

Step-by-Step Solution

1
W1W_1 tahmin edicisinin yansızlık ve tutarlılık analizinin yapılması
Beklenen değer E(W1)=μ+10/nE(W_1) = \mu + 10/n (Yanlı). Asimptotik varyans lim(σ2/n)=0\lim (\sigma^2/n) = 0 ve asimptotik yan lim(10/n)=0\lim (10/n) = 0. MSE 0\to 0 olduğu için tutarlıdır.
Tutarlılığın yeter koşulu olan MSE'nin sıfıra gitme prensibini kontrol etmek.
2
W2W_2 tahmin edicisinin yansızlık ve tutarlılık analizinin yapılması
Beklenen değer E(W2)=(μ+μ)/2=μE(W_2) = (\mu + \mu)/2 = \mu (Yansız). Varyans Var(W2)=σ2/2Var(W_2) = \sigma^2/2'dir. Varyans nn'e bağlı olmadığı için sıfıra gitmez, dolayısıyla tutarsızdır.
Sadece ilk iki gözlemi kullanan bir tahmin edicinin büyük örneklem özelliklerini incelemek.
3
W3W_3 tahmin edicisinin yansızlık ve tutarlılık analizinin yapılması
Beklenen değer E(W3)=(13/n)μ=μ3μ/nE(W_3) = (1 - 3/n)\mu = \mu - 3\mu/n (Yanlı). Asimptotik varyans ve yan miktarı sıfıra gittiği için MSE 0\to 0'dır ve tutarlıdır.
Örneklem ortalamasının ölçeklendirilmiş bir versiyonunun asimptotik davranışını değerlendirmek.
4
Bulguların karşılaştırılarak doğru seçeneğin belirlenmesi
W1W_1 ve W3W_3 yanlı fakat tutarlı, W2W_2 yansız fakat tutarsızdır.
Seçenekler arasında yansızlık ve tutarlılık kavramlarını doğru sentezleyen ifadeyi bulmak.

Key Concept

Hata Kareler Ortalamasının (MSE) sıfıra yakınsaması durumu, bir tahmin edicinin tutarlı olması için yeter koşuldur. MSE hem varyansı hem de yanlılık miktarını içerir. Yansızlık, tutarlılık için zorunlu bir koşul değildir.
Question 11Question

Bir tarım araştırma enstitüsü, yeni geliştirilen bir buğday türünün hektar başına ortalama verimini (μ\mu) tahmin etmek amacıyla, bu türün ekildiği birbirinden bağımsız nn farklı tarladan elde edilen verim miktarlarını (X1,X2,,XnX_1, X_2, \dots, X_n) gözlemlemektedir. Verim miktarının kitle varyansı σ2\sigma^2 (0<σ2<0 < \sigma^2 < \infty) olarak bilinmektedir.

Araştırmacılar, kitle ortalaması μ\mu'yü tahmin etmek için aşağıdaki iki farklı tahmin ediciyi önermişlerdir:

μ^1=nn+5Xˉn \hat{\mu}_1 = \frac{n}{n+5} \bar{X}_n
μ^2=12X1+12(n1)i=2nXi \hat{\mu}_2 = \frac{1}{2} X_1 + \frac{1}{2(n-1)} \sum_{i=2}^n X_i

(Burada Xˉn\bar{X}_n, nn hacimli örneklemin aritmetik ortalamasıdır.)

Bu tahmin edicilerin yansızlık ve tutarlılık özellikleri değerlendirildiğinde aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: μ^1\hat{\mu}_1 yanlı fakat tutarlı bir tahmin edicidir; μ^2\hat{\mu}_2 ise yansız fakat tutarlı olmayan bir tahmin edicidir.

Answer

μ^1\hat{\mu}_1 yanlı fakat tutarlı bir tahmin edicidir; μ^2\hat{\mu}_2 ise yansız fakat tutarlı olmayan bir tahmin edicidir.
μ^1\hat{\mu}_1 tahmin edicisinin beklenen değeri nn+5μ\frac{n}{n+5}\mu olup yanlıdır, ancak hem asimptotik varyansı hem de yan miktarı nn \to \infty iken sıfıra gittiği için MSE'si sıfıra yakınsar ve tutarlıdır. μ^2\hat{\mu}_2'nin beklenen değeri μ\mu olup yansızdır, fakat varyansının limiti σ240\frac{\sigma^2}{4} \neq 0 olduğundan limit durumunda olasılıkta yakınsama gerçekleşmez ve tutarlı değildir.

Step-by-Step Solution

1
μ^1\hat{\mu}_1 tahmin edicisinin yansızlık durumunun incelenmesi.
E[μ^1]=nn+5E[Xˉn]=nn+5μμE[\hat{\mu}_1] = \frac{n}{n+5} E[\bar{X}_n] = \frac{n}{n+5} \mu \neq \mu olduğundan μ^1\hat{\mu}_1 yanlı bir tahmin edicidir.
Bir tahmin edicinin yansız olması için beklenen değerinin kitle parametresine (μ\mu) eşit olması gerekir.
2
μ^1\hat{\mu}_1 tahmin edicisinin tutarlılık durumunun analizi.
Var(μ^1)=(nn+5)2σ2nVar(\hat{\mu}_1) = (\frac{n}{n+5})^2 \frac{\sigma^2}{n}. Yan miktarı Bias=5n+5μBias = \frac{-5}{n+5}\mu. nn \to \infty iken varyans ve yanın karesi sıfıra gittiği için limnMSE(μ^1)=0\lim_{n \to \infty} MSE(\hat{\mu}_1) = 0 olur ve tahmin edici tutarlıdır.
Hata kareler ortalaması (MSE) sıfıra yakınsayan tahmin ediciler parametre için tutarlıdır.
3
μ^2\hat{\mu}_2 tahmin edicisinin yansızlık durumunun incelenmesi.
E[μ^2]=12E[X1]+12(n1)i=2nE[Xi]=12μ+12(n1)(n1)μ=μE[\hat{\mu}_2] = \frac{1}{2} E[X_1] + \frac{1}{2(n-1)} \sum_{i=2}^n E[X_i] = \frac{1}{2}\mu + \frac{1}{2(n-1)}(n-1)\mu = \mu. Dolayısıyla μ^2\hat{\mu}_2 yansızdır.
Tahmin edicinin içerdiği rastgele değişkenlerin beklenen değerleri toplamı kitle ortalamasına eşittir.
4
μ^2\hat{\mu}_2 tahmin edicisinin tutarlılık durumunun varyans limiti ile analizi.
Var(μ^2)=14Var(X1)+14(n1)2i=2nVar(Xi)=σ24+σ24(n1)Var(\hat{\mu}_2) = \frac{1}{4} Var(X_1) + \frac{1}{4(n-1)^2} \sum_{i=2}^n Var(X_i) = \frac{\sigma^2}{4} + \frac{\sigma^2}{4(n-1)}. nn \to \infty iken limnVar(μ^2)=σ240\lim_{n \to \infty} Var(\hat{\mu}_2) = \frac{\sigma^2}{4} \neq 0. Dağılım yozlaşmadığı için tutarlı değildir.
Yansız bir tahmin edicinin tutarlı olabilmesi için örneklem hacmi artarken varyansının sıfıra yakınsaması gerekir.

Key Concept

Tahmin edicilerde yansızlık ve tutarlılık ilişkisi ile Hata Kareler Ortalaması (MSE) limiti
Question 12Question

Bir finansal risk analisti, bir kredi portföyündeki müşterilerin temerrüde düşme durumlarını bağımsız Bernoulli denemeleri olarak modellemiş ve başarı olasılığını pp (0<p<10 < p < 1) olarak tanımlamıştır. Analist, bu dağılımın varyansı olan θ=p(1p)\theta = p(1-p) parametresini tahmin etmek amacıyla nn hacimli (n2n \geq 2) bir rastgele örneklem üzerinden aşağıdaki üç farklı tahmin ediciyi kurgulamıştır:

I. T1=Xˉ(1Xˉ)T_1 = \bar{X}(1 - \bar{X})
II. T2=nn1Xˉ(1Xˉ)T_2 = \frac{n}{n-1} \bar{X}(1 - \bar{X})
III. T3=X1(1X2)T_3 = X_1(1 - X_2)

Tahmin edicilerin asimptotik davranışları ve tutarlılık (consistency) özellikleri incelendiğinde aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Yalnızca T1T_1 ve T2T_2 tutarlı tahmin edicilerdir; T3T_3 yansız olmasına rağmen varyansı asimptotik olarak sıfıra yakınsamadığı için tutarlı değildir.

Answer

Yalnızca T1T_1 ve T2T_2 tutarlı tahmin edicilerdir; T3T_3 yansız olmasına rağmen varyansı asimptotik olarak sıfıra yakınsamadığı için tutarlı değildir.
Bir tahmin edicinin tutarlı olması için nn \to \infty iken parametreye olasılıkta yakınsaması gerekir. Xˉ\bar{X} tahmin edicisi Büyük Sayılar Yasası (WLLN) gereği pp'ye olasılıkta yakınsar (XˉPp\bar{X} \xrightarrow{P} p). Sürekli Dönüşüm Teoremi'ne göre g(x)=x(1x)g(x)=x(1-x) sürekli bir fonksiyon olduğundan Xˉ(1Xˉ)Pp(1p)\bar{X}(1-\bar{X}) \xrightarrow{P} p(1-p) olur, yani T1T_1 tutarlıdır. T2T_2 ise T1T_1'in asimptotik olarak 11'e yakınsayan n/(n1)n/(n-1) sabiti ile çarpılmış halidir ve Slutsky Teoremi gereği tutarlıdır. T3T_3 tahmin edicisi E(X1(1X2))=p(1p)E(X_1(1-X_2)) = p(1-p) olduğu için tam yansızdır ancak tahmini yalnızca iki gözleme dayandırır. Örneklem çapı nn sonsuza gitse bile verinin geri kalanını kullanmadığı için varyansı azalmaz ve sıfıra gitmez. Bu sebeple olasılıkta θ\theta'ya yığılma gerçekleşmez ve T3T_3 tutarlı değildir.

Step-by-Step Solution

1
T1T_1, T2T_2 ve T3T_3 tahmin edicilerinin beklenen değerlerini inceleyerek yansızlık durumlarını belirlemek.
E(T1)=n1np(1p)E(T_1) = \frac{n-1}{n}p(1-p) olup yanlıdır (ancak limitinde asimptotik yansızdır). E(T2)=p(1p)E(T_2) = p(1-p) olup tam yansızdır. E(T3)=E(X1)E(1X2)=p(1p)E(T_3) = E(X_1)E(1-X_2) = p(1-p) olup tam yansızdır.
Tutarlılık analizi için öncelikle tahmin edicilerin asimptotik olarak parametreye yakınsayıp yakınsamadığı (beklenen değer limiti) kontrol edilmelidir.
2
Büyük Sayılar Yasası (WLLN) ve Sürekli Dönüşüm Teoremi kullanarak T1T_1 ve T2T_2'nin tutarlılığını değerlendirmek.
Büyük Sayılar Yasası gereği XˉPp\bar{X} \xrightarrow{P} p olur. Sürekli Dönüşüm Teoremi uygulanırsa Xˉ(1Xˉ)Pp(1p)\bar{X}(1-\bar{X}) \xrightarrow{P} p(1-p) elde edilir. Bu nedenle T1T_1 tutarlıdır. Slutsky Teoremi ile nn11\frac{n}{n-1} \to 1 olduğundan T2T_2 de aynı değere olasılıkta yakınsar ve tutarlıdır.
Olasılıkta yakınsama özellikleri, tahmin edicilerin tutarlılığını ispatlamak için yeterlidir.
3
T3T_3'ün varyansının nn \to \infty durumundaki limitini incelemek.
T3T_3 sadece ilk iki bağımsız gözleme (X1X_1 ve X2X_2) dayanır. Örneklem çapı nn ne kadar büyürse büyüsün yapısı değişmez. Varyansı sabittir ve sıfıra yakınsamaz. Bu nedenle olasılıkta yakınsama gerçekleşmez ve T3T_3 tutarlı değildir.
Yansız bir tahmin edicinin tutarlı olabilmesi için MSE'sinin (ve dolayısıyla varyansının) asimptotik olarak sıfıra gitmesi şarttır.

Key Concept

Tahmin Edicilerin Özellikleri: Tutarlılık (Consistency)
Question 13Question

Kitle ortalaması μ\mu ve varyansı σ2<\sigma^2 < \infty olan bir ana kütleden nn hacimli bir rastgele örneklem çekilmiştir. μ\mu parametresini tahmin etmek amacıyla önerilen Tn=i=1nXi+1nT_n = \frac{\sum_{i=1}^n X_i + 1}{n} tahmin edicisinin asimptotik davranışları dikkate alındığında, tutarlılık (consistency) özelliği ile ilgili aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Yanlı bir tahmin edicidir ancak örneklem hacmi sonsuza giderken hata kareler ortalaması sıfıra yaklaştığı için tutarlıdır.

Answer

Önerilen tahmin edici yanlıdır fakat örneklem hacmi sonsuza giderken hata kareler ortalaması sıfıra yaklaştığı için tutarlıdır.
Tahmin edicinin beklenen değeri μ+1/n\mu + 1/n olduğu için nn değerinin her sonlu seçimi için yanlıdır. Ancak nn \rightarrow \infty iken beklenen değer μ\mu değerine yakınsar ve varyansı σ2/n\sigma^2/n de sıfıra gider. Bu iki durum Hata Kareler Ortalamasının (MSE) sıfıra gitmesini sağlar, bu da tutarlılık için yeterli bir şarttır.

Step-by-Step Solution

1
Tahmin edicinin beklenen değerini hesaplayın.
E(Tn)=E(Xi+1n)=1n[E(Xi)+1]=nμ+1n=μ+1nE(T_n) = E\left(\frac{\sum X_i + 1}{n}\right) = \frac{1}{n} [E(\sum X_i) + 1] = \frac{n\mu + 1}{n} = \mu + \frac{1}{n}
Yansızlık ve asimptotik yansızlık durumunu belirlemek için beklenen değer hesaplanmalıdır.
2
Tahmin edicinin varyansını hesaplayın.
Var(Tn)=Var(Xi+1n)=1n2Var(Xi+1)=1n2(nσ2)=σ2nVar(T_n) = Var\left(\frac{\sum X_i + 1}{n}\right) = \frac{1}{n^2} Var(\sum X_i + 1) = \frac{1}{n^2} (n\sigma^2) = \frac{\sigma^2}{n}
Tutarlılık için varyansın örneklem hacmi arttıkça davranışını incelemek gerekir.
3
Hata Kareler Ortalamasının (MSE) limitini kontrol edin.
MSE(Tn)=Var(Tn)+[Bias(Tn)]2=σ2n+(1n)2MSE(T_n) = Var(T_n) + [Bias(T_n)]^2 = \frac{\sigma^2}{n} + \left(\frac{1}{n}\right)^2. nn \rightarrow \infty iken MSE(Tn)0MSE(T_n) \rightarrow 0.
Bir tahmin edicinin MSE'sinin sıfıra gitmesi, o tahmin edicinin parametreye olasılıkta yakınsadığını (tutarlı olduğunu) gösteren yeterli bir koşuldur.

Key Concept

Bir tahmin edicinin tutarlı olması için örneklem hacmi sonsuza giderken parametreye olasılıkta yakınsaması gerekir (TnPθT_n \xrightarrow{P} \theta). Eğer MSE(Tn)0MSE(T_n) \rightarrow 0 ise bu koşul sağlanır.
Estimated Time:1m 30s
Question 14Question

Kitlenin ortalaması θ\theta ve varyansı σ2<\sigma^2 < \infty olan bir ana kütleden nn hacimli bir rastgele örneklem (X1,X2,,XnX_1, X_2, \dots, X_n) çekilmiştir. θ\theta parametresini tahmin etmek amacıyla önerilen

Tn=i=1nXi+1n+1T_n = \frac{\sum_{i=1}^n X_i + 1}{n+1}

tahmin edicisi için aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Yanlı bir tahmin edicidir ancak tutarlıdır.

Answer

Önerilen tahmin edici yanlı bir tahmin edicidir ancak tutarlıdır.
Hesaplamalar sonucunda tahmin edicinin beklenen değerinin θ\theta'ya eşit olmadığı (yanlı olduğu) ancak Ortalama Hata Karesinin (MSE) nn sonsuza giderken sıfıra yaklaştığı görülmektedir. MSE'nin sıfıra gitmesi, tahmin edicinin olasılıkta θ\theta'ya yakınsadığını, yani tutarlı olduğunu kanıtlar.

Step-by-Step Solution

1
Tahmin edicinin beklenen değerini hesaplayın.
E[Tn]=E[Xi+1n+1]=nθ+1n+1E[T_n] = E\left[\frac{\sum X_i + 1}{n+1}\right] = \frac{n\theta + 1}{n+1}
Toplama işleminin beklenen değeri, beklenen değerlerin toplamına eşittir.
2
Yan (bias) miktarını belirleyin.
Bias(Tn)=E[Tn]θ=nθ+1n+1θ=1θn+1Bias(T_n) = E[T_n] - \theta = \frac{n\theta + 1}{n+1} - \theta = \frac{1 - \theta}{n+1}
θ=1\theta = 1 durumu hariç sonuç sıfır değildir, bu nedenle tahmin edici yanlıdır.
3
Tahmin edicinin varyansını hesaplayın.
Var(Tn)=Var[Xi+1n+1]=nσ2(n+1)2Var(T_n) = Var\left[\frac{\sum X_i + 1}{n+1}\right] = \frac{n\sigma^2}{(n+1)^2}
Sabitlerin varyansı sıfırdır ve varyans operatörü katsayıyı karesiyle dışarı çıkarır.
4
Ortalama Hata Karesinin (MSE) limitini kontrol ederek tutarlılığı inceleyin.
limnMSE(Tn)=limn[nσ2(n+1)2+(1θn+1)2]=0+0=0\lim_{n \rightarrow \infty} MSE(T_n) = \lim_{n \rightarrow \infty} \left[ \frac{n\sigma^2}{(n+1)^2} + \left(\frac{1 - \theta}{n+1}\right)^2 \right] = 0 + 0 = 0
MSE'nin limitinin sıfır olması, tahmin edicinin parametreye olasılıksal olarak yakınsadığını (tutarlılığı) gösteren yeterli bir koşuldur.

Key Concept

Bir tahmin edicinin tutarlı olması için örneklem hacmi arttıkça Ortalama Hata Karesinin (MSE) sıfıra yaklaşması yeterlidir. Bu durum, tahmin edicinin hem varyansının hem de yan miktarının asimptotik olarak yok olması anlamına gelir.
Estimated Time:2m 0s
Question 15Question
Kitle ortalaması θ\theta ve varyansı σ2<\sigma^2 < \infty olan bir ana kütleden nn hacimli bir rastgele örneklem (X1,X2,,XnX_1, X_2, \dots, X_n) çekilmiştir. θ\theta parametresini tahmin etmek amacıyla önerilen

Tn=(n1n)Xˉ+2nT_n = \left( \frac{n-1}{n} \right) \bar{X} + \frac{2}{n}

tahmin edicisi hakkında aşağıdakilerden hangisi söylenebilir?
Show answer & explanation

Answer: Yanlı bir tahmin edicidir ancak tutarlıdır.

Answer

Önerilen tahmin edici yanlı bir tahmin edicidir ancak tutarlılık şartlarını sağladığı için tutarlıdır.
Verilen tahmin edicinin beklenen değeri θ\theta parametresine eşit değildir, bu nedenle yanlıdır. Ancak nn \rightarrow \infty iken hem yan miktarı (2θn)(\frac{2-\theta}{n}) hem de varyans sıfıra gittiği için tahmin edicinin Hata Kareler Ortalaması (MSE) sıfıra ulaşır. Bu durum, tahmin edicinin tutarlı olduğunu kanıtlar.

Step-by-Step Solution

1
Tahmin edicinin beklenen değerini (E[Tn]E[T_n]) hesaplamak.
E[Tn]=E[n1nXˉ+2n]=n1nθ+2nE[T_n] = E\left[ \frac{n-1}{n} \bar{X} + \frac{2}{n} \right] = \frac{n-1}{n} \theta + \frac{2}{n}
Yansızlık kontrolü yapmak için beklenen değerin parametreye eşit olup olmadığı incelenir.
2
Yan (bias) miktarını belirlemek.
B(Tn)=E[Tn]θ=(n1)θ+2nθn=2θnB(T_n) = E[T_n] - \theta = \frac{(n-1)\theta + 2 - n\theta}{n} = \frac{2 - \theta}{n}
Tahmin edici nn sonsuza gitmediği sürece yanlıdır (θ=2\theta = 2 durumu hariç genel olarak).
3
Tahmin edicinin varyansını hesaplamak.
Var(Tn)=(n1n)2Var(Xˉ)=(n1n)2σ2nVar(T_n) = \left( \frac{n-1}{n} \right)^2 Var(\bar{X}) = \left( \frac{n-1}{n} \right)^2 \frac{\sigma^2}{n}
Tutarlılık için yeter koşul olan Hata Kareler Ortalaması (MSE) hesabı için varyans gereklidir.
4
Hata Kareler Ortalamasının (MSE) limitini kontrol etmek.
limnMSE(Tn)=limn[Var(Tn)+B(Tn)2]=limn[(n1)2σ2n3+(2θn)2]=0\lim_{n \to \infty} MSE(T_n) = \lim_{n \to \infty} [Var(T_n) + B(T_n)^2] = \lim_{n \to \infty} [\frac{(n-1)^2 \sigma^2}{n^3} + (\frac{2-\theta}{n})^2] = 0
Bir tahmin edicinin MSE değeri nn sonsuza giderken sıfıra yaklaşıyorsa, o tahmin edici tutarlıdır.

Key Concept

Hata Kareler Ortalaması (MSE) nn \rightarrow \infty iken sıfıra giden bir tahmin edici, ilgili parametre için tutarlı (consistent) bir tahmin edicidir.
Question 16Question

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 17Question

Bir istatistiksel araştırmada, bilinmeyen bir θ>0\theta > 0 parametresinin tahmini için rassal bir örneklem üzerinden TnT_n tahmin edicisi geliştirilmiştir. TnT_n tahmin edicisinin olasılık dağılımının, örneklem hacmi nn'ye bağlı olarak aşağıdaki gibi olduğu bilinmektedir:

P(Tn=θ)=11nP(T_n = \theta) = 1 - \frac{1}{n}
P(Tn=n2)=1nP(T_n = n^2) = \frac{1}{n}

Buna göre, örneklem hacmi sonsuza giderken (nn \to \infty) TnT_n tahmin edicisinin asimptotik özellikleri (tutarlılık, yansızlık ve hata kareler ortalaması) hakkında aşağıdaki ifadelerden hangisi kesinlikle doğrudur?

Show answer & explanation

Answer: TnT_n tahmin edicisi θ\theta için tutarlıdır, ancak asimptotik olarak yansız değildir ve Hata Kareler Ortalaması (MSE) sonsuza ıraksar.

Answer

TnT_n tutarlı bir tahmin edicidir ancak asimptotik olarak yansız değildir ve MSE değeri sonsuza ıraksar.
Doğru yanıt olan ifadede, tutarlılığın olasılıkta yakınsama üzerinden gerçekleştiği, ancak beklentinin ve MSE'nin sonsuza ıraksadığı kusursuz biçimde özetlenmiştir. Tutarlılık için limnP(Tnθ>ϵ)=0\lim_{n \to \infty} P(|T_n - \theta| > \epsilon) = 0 olmalıdır. Soru kökündeki dağılımda bu olasılık doğrudan 1n\frac{1}{n}'dir ve sıfıra gider. Bu yüzden TnT_n tutarlıdır. Ancak E(Tn)=θθn+nE(T_n) = \theta - \frac{\theta}{n} + n limit durumunda sonsuza gider. Dolayısıyla asimptotik yansız değildir ve MSE sonsuza ıraksar.

Step-by-Step Solution

1
Tutarlılık (Olasılıkta Yakınsama) kontrolü yapılır.
Her ϵ>0\epsilon > 0 için limnP(Tnθ>ϵ)=limnP(Tn=n2)=limn1n=0\lim_{n \to \infty} P(|T_n - \theta| > \epsilon) = \lim_{n \to \infty} P(T_n = n^2) = \lim_{n \to \infty} \frac{1}{n} = 0 bulunur.
Tutarlılığın tanımı gereği, tahmin edicinin gerçek parametreden sapma olasılığının asimptotik olarak sıfır olması gerekir. Bu şart sağlandığı için TnT_n tutarlıdır.
2
Asimptotik yansızlık için beklenen değer E(Tn)E(T_n) hesaplanır.
E(Tn)=θ(11n)+n2(1n)=θθn+nE(T_n) = \theta(1 - \frac{1}{n}) + n^2(\frac{1}{n}) = \theta - \frac{\theta}{n} + n. Limit alındığında limnE(Tn)=\lim_{n \to \infty} E(T_n) = \infty olur.
Yansızlık incelemesi için istatistiğin beklenen değeri hesaplanmalıdır. Sonuç sonsuza gittiği için tahmin edici asimptotik yansız değildir.
3
Hata Kareler Ortalaması (MSE) hesaplanır.
MSE(Tn)=E[(Tnθ)2]=02(11n)+(n2θ)2(1n)=(n2θ)2nMSE(T_n) = E[(T_n - \theta)^2] = 0^2(1 - \frac{1}{n}) + (n^2 - \theta)^2(\frac{1}{n}) = \frac{(n^2 - \theta)^2}{n}. Limit alındığında limnMSE(Tn)=\lim_{n \to \infty} MSE(T_n) = \infty elde edilir.
Tutarlılık ve yansızlık arasındaki teorik farkı göstermek adına MSE değerinin asimptotik davranışını bilmek gerekir. MSE sıfıra gitmese bile tahmin edici tutarlı olabilir.

Key Concept

Hata Kareler Ortalaması (MSE) ile Tutarlılık Arasındaki İlişki ve Olasılıkta Yakınsama
Estimated Time:2m 30s
Question 18Question

Bir veri analitik modelleme sürecinde, bir dağılıma ait bilinmeyen bir λ\lambda parametresini tahmin etmek amacıyla nn birimlik bir rastgele örneklem üzerinden TnT_n tahmin edicisi tanımlanmıştır. Yapılan matematiksel incelemeler sonucunda TnT_n tahmin edicisinin beklenen değerinin E(Tn)=λ(12n)E(T_n) = \lambda \left(1 - \frac{2}{n}\right) ve varyansının Var(Tn)=4λ2nVar(T_n) = \frac{4\lambda^2}{n} olduğu bulunmuştur.

Buna göre, TnT_n tahmin edicisinin özellikleri hakkında aşağıdakilerden hangisi kesinlikle doğrudur?

Show answer & explanation

Answer: Sonlu örneklemlerde yanlı bir tahmin edicidir, ancak hata kareler ortalaması sıfıra yakınsadığı için tutarlıdır.

Answer

Verilen tahmin edici sonlu örneklemler için yanlıdır, ancak örneklem çapı büyüdükçe hata kareler ortalaması (MSE) sıfıra gittiği için tutarlı bir tahmin edicidir.
Bir tahmin edicinin hata kareler ortalaması (MSE), varyansı ile yan miktarının karesinin toplamıdır. Soruda verilen tahmin edici için yan miktarı 2λn-\frac{2\lambda}{n}'dir. Dolayısıyla tahmin edici yanlıdır. Ancak nn \to \infty iken hem varyans (4λ2n)\left(\frac{4\lambda^2}{n}\right) hem de yanın karesi (4λ2n2)\left(\frac{4\lambda^2}{n^2}\right) sıfıra yakınsar. Limit durumunda MSE sıfır olduğundan, bu durum tutarlılık için yeterli bir koşuldur ve tahmin edici tutarlıdır.

Step-by-Step Solution

1
Tahmin edicinin yan (bias) miktarını hesapla.
Yan(Tn)=E(Tn)λ=λ(12n)λ=2λnYan(T_n) = E(T_n) - \lambda = \lambda \left(1 - \frac{2}{n}\right) - \lambda = -\frac{2\lambda}{n}. Yan sıfırdan farklı olduğu için TnT_n yanlı bir tahmin edicidir.
Bir tahmin edicinin yansız olup olmadığını belirlemek için beklenen değeri ile gerçek parametre değeri arasındaki farka bakılır.
2
Tahmin edicinin asimptotik yansızlığını kontrol et.
limnYan(Tn)=limn(2λn)=0\lim_{n \to \infty} Yan(T_n) = \lim_{n \to \infty} \left(-\frac{2\lambda}{n}\right) = 0. Tahmin edici asimptotik olarak yansızdır.
Örneklem çapı sonsuza giderken yan miktarının sıfıra gidip gitmediği incelenmelidir.
3
Hata Kareler Ortalamasının (MSE) limitini hesapla.
MSE(Tn)=Var(Tn)+[Yan(Tn)]2=4λ2n+(2λn)2=4λ2n+4λ2n2MSE(T_n) = Var(T_n) + [Yan(T_n)]^2 = \frac{4\lambda^2}{n} + \left(-\frac{2\lambda}{n}\right)^2 = \frac{4\lambda^2}{n} + \frac{4\lambda^2}{n^2}. limnMSE(Tn)=0+0=0\lim_{n \to \infty} MSE(T_n) = 0 + 0 = 0.
Tutarlılık için yeterli koşul, tahmin edicinin hata kareler ortalamasının nn \to \infty iken sıfıra yakınsamasıdır.
4
Tutarlılık sonucuna var.
limnMSE(Tn)=0\lim_{n \to \infty} MSE(T_n) = 0 olduğu için TnT_n tahmin edicisi λ\lambda için tutarlı bir tahmin edicidir.
Markov veya Chebyshev eşitsizliği gereği, MSE sıfıra yakınsıyorsa tahmin edici parametreye olasılıkta yakınsar (tutarlıdır).

Key Concept

Hata Kareler Ortalaması (MSE) ile Tutarlılık İlişkisi
Question 19Question

Bir kamu kurumu uzmanı, bir hizmetin işlem sürelerini analiz ederken verilerin f(x;θ)=θxθ1f(x; \theta) = \theta x^{\theta-1} (0<x<1,θ>00 < x < 1, \theta > 0) olasılık yoğunluk fonksiyonuna sahip bir dağılımdan geldiğini öngörmektedir. Rastgele seçilen nn hacimli bir örneklem (X1,X2,,XnX_1, X_2, \dots, X_n) üzerinden θ\theta parametresini tahmin etmek amacıyla,

Tn=ni=1nlnXiT_n = -\frac{n}{\sum_{i=1}^n \ln X_i}

istatistiği önerilmiştir. (Bilgi: XX belirtilen dağılıma sahipken lnX-\ln X rastgele değişkeni üstel dağılıma uymaktadır.)

Bu TnT_n tahmin edicisinin özellikleri ve tutarlılığı (consistency) incelendiğinde, aşağıdakilerden hangisi doğrudur?

Show answer & explanation

Answer: Belirli bir nn hacminde beklenen değeri θ\theta'dan farklı olduğundan yanlıdır; buna karşın örneklem çapı büyüdükçe parametreye olasılıkta yakınsadığı için tutarlıdır.

Answer

Doğru yanıt, tahmin edicinin belirli bir n hacmi için yanlı olduğunu ancak örneklem çapı büyüdükçe parametreye olasılıkta yakınsadığı için tutarlı olduğunu belirten ifadedir.
Verilen dağılımdan Yi=lnXiY_i = -\ln X_i dönüşümü yapıldığında YiY_i değişkeninin üstel dağılıma (Exp(θ)Exp(\theta)) sahip olduğu görülür. TnT_n tahmin edicisi, örneklem ortalamasının tersi olan 1/Yˉ1/\bar{Y} formundadır. Zayıf Büyük Sayılar Yasası gereği Yˉ\bar{Y} olasılıkta 1/θ1/\theta'ya yakınsar. Sürekli Dönüşüm Teoremi kullanıldığında 1/Yˉ1/\bar{Y}'nin de olasılıkta θ\theta'ya yakınsadığı, dolayısıyla TnT_n'nin tutarlı bir tahmin edici olduğu kanıtlanır. Ancak, Gamma dağılımı özellikleri üzerinden beklenen değeri hesaplandığında E(Tn)=nn1θE(T_n) = \frac{n}{n-1}\theta bulunur ki bu, tahmin edicinin sonlu örneklemlerde yanlı olduğunu kesinleştirir.

Step-by-Step Solution

1
Verilen f(x;θ)f(x; \theta) yoğunluk fonksiyonu üzerinden Yi=lnXiY_i = -\ln X_i dönüşümü yapılarak YiY_i'nin dağılımının belirlenmesi.
YiExp(θ)Y_i \sim Exp(\theta) olduğu ve E(Yi)=1/θE(Y_i) = 1/\theta olduğu bulunur.
TnT_n tahmin edicisinin paydasındaki toplamın olasılıksal davranışını analiz edebilmek için dönüşüm gereklidir.
2
Zayıf Büyük Sayılar Yasası (WLLN) kullanılarak Yˉ\bar{Y}'nin asimptotik davranışının incelenmesi.
Yˉ=1nYiP1/θ\bar{Y} = \frac{1}{n} \sum Y_i \xrightarrow{P} 1/\theta şeklinde olasılıkta yakınsama tespit edilir.
Tahmin edicinin tutarlılığını kanıtlamak için örneklem ortalamasının limit durumu temel alınmalıdır.
3
Sürekli Dönüşüm Teoremi (Continuous Mapping Theorem - CMT) uygulanarak TnT_n'nin limitinin hesaplanması.
Tn=1YˉT_n = \frac{1}{\bar{Y}} sürekli bir fonksiyon olduğundan TnP11/θ=θT_n \xrightarrow{P} \frac{1}{1/\theta} = \theta bulunur. Dolayısıyla TnT_n tutarlıdır.
Bir istatistiğin sürekli bir fonksiyonunun olasılık limiti, o istatistiğin limitinin fonksiyonuna eşittir.
4
Tahmin edicinin beklenen değerinin (yansızlığının) Gamma dağılımı özellikleri ile incelenmesi.
YiGamma(n,θ)\sum Y_i \sim Gamma(n, \theta) olduğundan E(Tn)=nE((Yi)1)=nn1θθE(T_n) = n E((\sum Y_i)^{-1}) = \frac{n}{n-1}\theta \neq \theta hesaplanır. Tahmin edici yanlıdır.
Tutarlılık ile yansızlık kavramlarının farkını ortaya koymak için sonlu örneklem hacminde beklenti kontrol edilmelidir.

Key Concept

Tahmin Edicilerin Tutarlılığı (Consistency) ve Sürekli Dönüşüm Teoremi

Alternative Method

Tutarlılık ispatı için Chebyshev Eşitsizliği de kullanılabilir, ancak bunun için Var(Tn)Var(T_n) değerinin limit durumunda sıfıra gittiğini ispatlamak gerekir ki bu yol daha fazla cebirsel işlem gerektirir. CMT yaklaşımı çok daha analitik ve hızlıdır.
Estimated Time:2m 30s
Question 20Question

Bir araştırmacı, kitleye ait bilinmeyen bir θ\theta parametresini tahmin etmek amacıyla nn çaplı rastgele bir örneklem üzerinden TnT_n tahmin edicisini önermiştir.

İstatistiksel analizler sonucunda bu tahmin edicinin beklenen değeri ve varyansı sırasıyla aşağıdaki gibi elde edilmiştir:
E(Tn)=nθ3nE(T_n) = \frac{n\theta - 3}{n}
V(Tn)=4θ2nV(T_n) = \frac{4\theta^2}{n}

Buna göre, TnT_n tahmin edicisinin yansızlık ve tutarlılık özellikleri hakkında aşağıdaki ifadelerden hangisi doğrudur?

Show answer & explanation

Answer: TnT_n yanlı bir tahmin edicidir; ancak örneklem çapı sonsuza giderken hata kareler ortalaması (MSE) sıfıra yaklaştığı için θ\theta'nın tutarlı bir tahmin edicisidir.

Answer

Verilen tahmin edici küçük örneklemlerde yanlıdır, ancak örneklem çapı sonsuza giderken hata kareler ortalaması (MSE) sıfıra yaklaştığından dolayı tutarlı bir tahmin edicidir.
Verilen beklenen değer ifadesi E(Tn)=θ3nE(T_n) = \theta - \frac{3}{n} şeklinde düzenlendiğinde, yan miktarının 3n-\frac{3}{n} olduğu görülür. Bu nedenle TnT_n küçük örneklemlerde yanlıdır. Tutarlılık için yeterli şart olan Hata Kareler Ortalamasının (MSE) limitine bakıldığında; MSE=V(Tn)+Bias2=4θ2n+9n2MSE = V(T_n) + Bias^2 = \frac{4\theta^2}{n} + \frac{9}{n^2} elde edilir. Örneklem çapı sonsuza giderken (nn \to \infty) bu ifadenin limiti 00'dır. MSE0MSE \to 0 şartı sağlandığından, TnT_n tahmin edicisi θ\theta için tutarlıdır. Doğru ifade, bu iki temel çıkarımı tam olarak karşılamaktadır.

Step-by-Step Solution

1
Tahmin edicinin yan miktarını (Bias) hesapla.
Bias(Tn)=E(Tn)θ=(θ3n)θ=3nBias(T_n) = E(T_n) - \theta = \left(\theta - \frac{3}{n}\right) - \theta = -\frac{3}{n}
Yansızlık özelliğini kontrol etmek için beklenen değerden gerçek parametre değeri çıkarılmalıdır. Sonuç sıfırdan farklı olduğu için tahmin edici yanlıdır.
2
Örneklem çapı sonsuza giderken asimptotik yansızlığı kontrol et.
limnBias(Tn)=limn(3n)=0\lim_{n \to \infty} Bias(T_n) = \lim_{n \to \infty} \left(-\frac{3}{n}\right) = 0
Yan limitinin sıfır olması, tahmin edicinin asimptotik olarak yansız olduğunu gösterir.
3
Hata Kareler Ortalaması (MSE) değerini formüle et.
MSE(Tn)=V(Tn)+[Bias(Tn)]2=4θ2n+(3n)2=4θ2n+9n2MSE(T_n) = V(T_n) + [Bias(T_n)]^2 = \frac{4\theta^2}{n} + \left(-\frac{3}{n}\right)^2 = \frac{4\theta^2}{n} + \frac{9}{n^2}
Bir tahmin edicinin tutarlılığını göstermenin yeter koşulu, MSE değerinin limitinin sıfır olmasıdır.
4
MSE'nin nn \to \infty için limitini hesapla.
limnMSE(Tn)=limn(4θ2n+9n2)=0+0=0\lim_{n \to \infty} MSE(T_n) = \lim_{n \to \infty} \left(\frac{4\theta^2}{n} + \frac{9}{n^2}\right) = 0 + 0 = 0
Hem varyans limiti hem de yan miktarının karesinin limiti sıfır olduğundan, MSE sıfıra yakınsar. Bu durum tahmin edicinin θ\theta için tutarlı olduğunu ispatlar.

Key Concept

Hata Kareler Ortalaması (MSE) Yoluyla Tutarlılık Analizi
Page 1 / 2Next