---
title: "Alıştırmalar"
url: https://acik-matematik.com/dersler/matematiksel-istatistik/alistirmalar
course: "Matematiksel İstatistik"
language: tr
license: CC BY-NC-SA 4.0 (https://creativecommons.org/licenses/by-nc-sa/4.0/deed.tr)
format: acik-matematik-md/2
source: 43214ef1efc662cb6b6af0436f7e7b4cd2d496d0
---
# 17  Alıştırmalar

Bu bölümdeki alıştırmalar kitabın farklı kısımlarını bir araya getirir: yansızlık, iki tahmin yöntemi, bir hipotez testinin gücü ve iki varyansın oranı için güven aralığı. Her çözüm, kullandığı sonucun anlatıldığı bölüme bağlantı verir; tablo değerleri [Tablolar](./tablolar.md) sayfasından okunur.

**Alıştırma 17.1 (Farkların karelerinden yansız tahmin edici)** $(X_1, X_2, X_3)$, ortalaması $2$ ve varyansı $\sigma^2$ olan bir kitleden alınmış bir rastgele örneklem olsun. $$T = c\left[(X_1 - X_2)^2 + (X_2 - X_3)^2\right]$$ istatistiğinin $\sigma^2$ için yansız bir tahmin edici olması için $c$ ne olmalıdır?

Çözüm

$T$’nin yansız olması $E(T) = \sigma^2$ demektir ([yansızlık](./tahmin-edicilerin-ozellikleri.md)). Bu yüzden önce $E\big[(X_i - X_j)^2\big]$’yi hesaplayalım.

Örneklem rastgele olduğundan $X_1, X_2, X_3$ bağımsızdır ve hepsi kitle ile aynı dağılıma sahiptir. Buna göre her $i$ için $$E(X_i^2) = \operatorname{Var}(X_i) + \big(E(X_i)\big)^2 = \sigma^2 + 4,$$ ve $i \ne j$ için bağımsızlıktan $E(X_i X_j) = E(X_i)\,E(X_j) = 2 \cdot 2 = 4$ olur. Böylece $$\begin{aligned}
E\big[(X_i - X_j)^2\big] &= E(X_i^2) - 2E(X_i X_j) + E(X_j^2)\\
&= (\sigma^2 + 4) - 2 \cdot 4 + (\sigma^2 + 4) = 2\sigma^2 .
\end{aligned}$$ Yani ortalama $2$ sadeleşip gider; iki gözlemin farkı yalnız yayılımı taşır. Beklenen değerin doğrusallığıyla $$E(T) = c\left(2\sigma^2 + 2\sigma^2\right) = 4c\,\sigma^2 .$$ $E(T) = \sigma^2$ olması her $\sigma^2$ için $4c = 1$ demektir. O hâlde $c = \dfrac{1}{4}$ ve $$T = \frac{(X_1 - X_2)^2 + (X_2 - X_3)^2}{4}$$ $\sigma^2$’nin yansız bir tahmin edicisidir.

**Alıştırma 17.2 (Momentler yöntemiyle tahmin)** Olasılık yoğunluk fonksiyonu $$f(x;\theta) = (\theta^2 + \theta)\,x^{\theta - 1}(1 - x), \qquad 0 < x < 1,\ \theta > 0$$ olan bir kitleden $n$ birimlik bir rastgele örneklem alınıyor. $\theta$ parametresinin tahmin edicisini [momentler yöntemi](./momentler-yontemi.md) ile bulunuz.

Çözüm

Momentler yönteminde kitle momentleri örneklem momentlerine eşitlenir. Tek parametre olduğundan birinci moment yeter: $E(X) = \bar X$.

Önce $E(X)$’i hesaplayalım. $\theta^2 + \theta = \theta(\theta + 1)$ yazıp integrali terim terim alırsak $$\begin{aligned}
E(X) &= \theta(\theta + 1)\int_0^1 x \cdot x^{\theta - 1}(1 - x)\,dx
= \theta(\theta + 1)\int_0^1 \left(x^{\theta} - x^{\theta + 1}\right)dx\\
&= \theta(\theta + 1)\left(\frac{1}{\theta + 1} - \frac{1}{\theta + 2}\right)
= \theta(\theta + 1)\cdot\frac{1}{(\theta + 1)(\theta + 2)}
= \frac{\theta}{\theta + 2}.
\end{aligned}$$ (Aynı hesap $x$ çarpanı olmadan yapılınca $\theta(\theta+1)\big(\tfrac{1}{\theta} - \tfrac{1}{\theta+1}\big) = 1$ çıkar; yani $f$ gerçekten bir yoğunluktur.)

Şimdi $\dfrac{\theta}{\theta + 2} = \bar X$ denklemini $\theta$ için çözelim: $$\theta = \bar X\theta + 2\bar X
\quad\Longrightarrow\quad
\theta(1 - \bar X) = 2\bar X
\quad\Longrightarrow\quad
\hat\theta = \frac{2\bar X}{1 - \bar X}.$$ Gözlemler $(0,1)$ aralığında olduğundan $0 < \bar X < 1$’dir; bu yüzden payda sıfır olmaz ve $\hat\theta > 0$ çıkar.

**Alıştırma 17.3 (En çok olabilirlik tahmin edicisi)** $(X_1, \ldots, X_n)$, olasılık yoğunluk fonksiyonu $$f(x;\tau) = \frac{1}{\tau}\,x^{\frac{1 - \tau}{\tau}}, \qquad 0 < x < 1,\ \tau > 0$$ olan bir kitleden alınmış bir rastgele örneklem olsun. $\tau$ parametresinin [en çok olabilirlik](./en-cok-olabilirlik-yontemi.md) tahmin edicisini bulunuz.

Çözüm

Gözlemler bağımsız olduğundan olabilirlik fonksiyonu yoğunlukların çarpımıdır: $$L(\tau) = \prod_{i=1}^{n} \frac{1}{\tau}\,x_i^{\frac{1 - \tau}{\tau}}
= \frac{1}{\tau^n}\left(\prod_{i=1}^{n} x_i\right)^{\frac{1 - \tau}{\tau}} .$$ Logaritma artan olduğundan $L$ ile $\ln L$ aynı noktada en büyük olur. $\frac{1-\tau}{\tau} = \frac{1}{\tau} - 1$ yazarsak $$\ln L(\tau) = -n\ln\tau + \left(\frac{1}{\tau} - 1\right)\sum_{i=1}^{n}\ln x_i .$$ Türev alıp sıfıra eşitleyelim: $$\frac{d}{d\tau}\ln L(\tau) = -\frac{n}{\tau} - \frac{1}{\tau^2}\sum_{i=1}^{n}\ln x_i = 0 .$$ Her iki tarafı $\tau^2$ ile çarpınca $-n\tau - \sum \ln x_i = 0$, yani $$\hat\tau = -\frac{1}{n}\sum_{i=1}^{n}\ln X_i .$$ $0 < X_i < 1$ olduğundan her $\ln X_i$ negatiftir; dolayısıyla $\hat\tau > 0$ olur.

Bulunan noktanın gerçekten en büyük değer olduğunu görelim. İkinci türev $$\frac{d^2}{d\tau^2}\ln L(\tau) = \frac{n}{\tau^2} + \frac{2}{\tau^3}\sum_{i=1}^{n}\ln x_i$$ olup $\sum \ln x_i = -n\hat\tau$ yazılınca $\tau = \hat\tau$’da $\dfrac{n}{\hat\tau^2} - \dfrac{2n}{\hat\tau^2} = -\dfrac{n}{\hat\tau^2} < 0$ çıkar. Ayrıca birinci türev $\tau < \hat\tau$ için pozitif, $\tau > \hat\tau$ için negatiftir; yani $\hat\tau$ tek kritik noktadır ve $\ln L$’nin mutlak en büyük değeri oradadır.

**Alıştırma 17.4 (Normal ortalama testi ve testin gücü)** Standart sapması $\sigma = 2$ olan normal bir kitleden $n = 16$ birimlik bir rastgele örneklem alınıyor. $H_0 : \mu = 9$ hipotezi $H_1 : \mu \ne 9$ hipotezine karşı $\alpha = 0{,}10$ anlamlılık düzeyinde test edilecektir. Kritik bölgeyi örneklem ortalaması $\bar X$ cinsinden yazınız ve gerçek ortalama $\mu = 10$ iken testin gücünü bulunuz.

Çözüm

**Test istatistiği.** $\sigma$ bilindiğinden $H_0$ doğruyken $$Z = \frac{\bar X - 9}{\sigma/\sqrt{n}} = \frac{\bar X - 9}{2/4} = \frac{\bar X - 9}{0{,}5} \sim N(0,1)$$ olur ([normal ortalama testi](./hipotez-testlerine-giris.md)).

**Kritik bölge.** Karşı hipotez iki yönlü olduğundan $\alpha = 0{,}10$ iki kuyruğa eşit bölünür: her kuyrukta $0{,}05$. [Standart normal tablosunda](./tablolar.md#sec-tablo-normal) $0{,}45$ alanı $1{,}64$ ile $1{,}65$ arasında kalır; $z_{0{,}95} = 1{,}645$. $H_0$, $|Z| > 1{,}645$ olduğunda reddedilir. $\bar X$ cinsinden: $$\bar X < 9 - 0{,}5 \cdot 1{,}645 = 8{,}1775
\quad\text{ya da}\quad
\bar X > 9 + 0{,}5 \cdot 1{,}645 = 9{,}8225 .$$ Kabul bölgesi $8{,}1775 \le \bar X \le 9{,}8225$ aralığıdır.

**Güç.** Testin gücü $1 - \beta$, $H_0$ yanlışken onu reddetme olasılığıdır; burada $\mu = 10$ iken $H_0$’ın reddedilme olasılığı. $\mu = 10$ iken $\bar X \sim N(10;\ 0{,}5^2)$ olduğundan standartlaştırma $\bar X$’ten $10$ çıkarıp $0{,}5$’e bölmektir: $$\begin{aligned}
1 - \beta &= P(\bar X < 8{,}1775) + P(\bar X > 9{,}8225)\\
&= P\left(Z < \tfrac{8{,}1775 - 10}{0{,}5}\right) + P\left(Z > \tfrac{9{,}8225 - 10}{0{,}5}\right)\\
&= P(Z < -3{,}645) + P(Z > -0{,}355).
\end{aligned}$$ Simetriyle $P(Z < -3{,}645) = 0{,}5 - A(3{,}645)$ olur ve tablodan bu değer yaklaşık $0{,}0001$ bulunur. İkinci terimde simetriyle $P(Z > -0{,}355) = 0{,}5 + A(0{,}355)$ olur. $A(0{,}35) = 0{,}1368$ ile $A(0{,}36) = 0{,}1406$ arasında ara değer alınırsa $A(0{,}355) \approx 0{,}1387$ bulunur. Buna göre $$1 - \beta \approx 0{,}0001 + 0{,}6387 = 0{,}6388 .$$ Yani gerçek ortalama $10$ iken test, yanlış olan $H_0$’ı yaklaşık $\%64$ olasılıkla reddeder. Sol kuyruğun katkısı yok denecek kadar küçüktür, çünkü $\mu = 10$ sağ taraftadır. Aşağıdaki şekilde iki dağılım ve kritik bölge görülüyor.

Mavi eğri H₀ altında (μ = 9), kesikli turuncu eğri μ = 10 iken X̄'nin dağılımı. Mavi kuyruklar toplamı α = 0,10; turuncu taralı alan testin gücüdür.

**Alıştırma 17.5 (İki varyansın oranı için güven aralığı)** İki çeşit mısırın her biri aynı düzgün büyüme koşullarında, birinci çeşit $6$, ikinci çeşit $11$ parsele ekiliyor. Parsel verimlerinin örneklem varyansları birinci çeşit için $s_1^2 = 6$, ikinci çeşit için $s_2^2 = 14$ bulunuyor. Verimlerin normal dağıldığını varsayarak, birinci çeşidin kitle varyansı $\sigma_1^2$ ile ikinci çeşidin kitle varyansı $\sigma_2^2$’nin oranı $\sigma_1^2/\sigma_2^2$ için $\%95$ güven aralığını bulunuz.

Çözüm

Örneklem büyüklükleri $n_1 = 6$ ve $n_2 = 11$’dir. İki bağımsız normal örneklem için $$F = \frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2} \sim F_{n_1 - 1,\ n_2 - 1} = F_{5,10}$$ olur ([iki varyansın oranı için aralık](./varyans-ve-iki-kitle-icin-aralik-tahmini.md)). $1 - \alpha = 0{,}95$ için her kuyruğa $0{,}025$ kalır: $$P\left(F_{5,10,\,0{,}025} \le \frac{S_1^2}{S_2^2}\cdot\frac{\sigma_2^2}{\sigma_1^2} \le F_{5,10,\,0{,}975}\right) = 0{,}95 .$$ Eşitsizlikleri $\sigma_1^2/\sigma_2^2$ için çözelim. Terimlerin tersini alınca yönler değişir; sonra $S_1^2/S_2^2$ ile çarparız: $$\frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{5,10,\,0{,}975}}
\le \frac{\sigma_1^2}{\sigma_2^2} \le
\frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{5,10,\,0{,}025}} .$$ Sol kuyruk kantili tabloda yoktur, ama $F_{5,10,\,0{,}025} = 1/F_{10,5,\,0{,}975}$ olduğundan üst sınır $\dfrac{S_1^2}{S_2^2}\,F_{10,5,\,0{,}975}$ olur. [$F$ tablosundan](./tablolar.md#sec-tablo-f) $F_{5,10,\,0{,}975} = 4{,}24$ ve $F_{10,5,\,0{,}975} = 6{,}62$ okunur. $s_1^2/s_2^2 = 6/14 \approx 0{,}4286$ ile $$\frac{0{,}4286}{4{,}24} \approx 0{,}101
\qquad\text{ve}\qquad
0{,}4286 \cdot 6{,}62 \approx 2{,}837 .$$ Buna göre $\%95$ güven aralığı $$0{,}101 \le \frac{\sigma_1^2}{\sigma_2^2} \le 2{,}837$$ olur. Aralık $1$’i içerdiğinden bu verilerle iki çeşidin varyanslarının farklı olduğu söylenemez.
