19 Uygulamalı Özet
Bu sayfa kitabın yöntemlerini ispatsız, soru çözmeye dönük bir kopya kâğıdı olarak toplar. Uygulamada en sık gelen sorular şunlardır: bir sayma probleminde doğru dağılımı seçip olasılık hesaplamak; normal tablodan olasılık ya da kantil okumak; örneklem ortalaması veya toplamı için merkezi limit teoremiyle olasılık bulmak; bir parametrenin tahmin edicisini momentler ya da en çok olabilirlik yöntemiyle bulup yansızlığını ve etkinliğini incelemek; uygun güven aralığını seçip kurmak; bir hipotezi test edip \(p\) değerini ve testin gücünü hesaplamak. Sayfa her soru tipi için adım adım bir reçete, formül tablolarını, kısa yolları, sık yapılan hataları ve yeni sayılarla tam çözülmüş kısa örnekleri verir. Her kural, gerekçesinin bulunduğu tanıma, teoreme ya da bölüme bağlanır. Kantiller kitap boyunca olduğu gibi sol kuyruk gösterimiyle yazılır: \(P(Z \le z_p) = p\); tablo değerleri Tablolar sayfasındadır.
19.1 Soru Tipine Göre Yöntem
Bir soruyu okuyunca ilk iş, sorunun hangi kalıba girdiğini belirlemektir. Aşağıdaki tablo soru kalıplarını yöntemlerle eşleştirir.
| Soruda istenen | Yöntem | Bu sayfada |
|---|---|---|
| Bir sayma deneyinde olasılık, beklenen değer | Modeli tanı: binom, hipergeometrik, geometrik, negatif binom, Poisson | Bölüm 19.2 |
| Moment üreten fonksiyonu verilen değişkenin dağılımı | Hazır moment üreten fonksiyonlarla karşılaştır | Bölüm 19.3 |
| Normal olasılık, “en üstteki %10’a girmek için” | Standartlaştır, \(A(z)\) ile yaz; tersine \(x = \mu + z_p\sigma\) | Bölüm 19.4 |
| Büyük \(n\)’li binom olasılığı | Poisson ya da süreklilik düzeltmeli normal yaklaşım | Bölüm 19.5 |
| Ortalama ya da toplam hakkında olasılık, kaç gözlem | Merkezi limit teoremi, Chebyshev eşitsizliği | Bölüm 19.6 |
| Ortalama, medyan, çeyreklik, varyans | Tanım ve kareler toplamı kısa yolu | Bölüm 19.7 |
| Bir parametrenin tahmin edicisi | Momentler yöntemi ya da en çok olabilirlik | Bölüm 19.8 |
| Yansız mı, hangisi daha iyi, tutarlı mı | \(E(T)\), HKO, göreli etkinlik, \(\operatorname{Var}(T_n) \to 0\) | Bölüm 19.9 |
| Bir istatistiğin dağılımı, \(\chi^2\), \(t\), \(F\) tablo değeri | Pivot tablosu ve tablo okuma kuralları | Bölüm 19.10 |
| Güven aralığı, gereken örneklem hacmi | Parametre ve durumdan aralığı seç | Bölüm 19.11 |
| Test, kritik bölge, \(p\) değeri, güç | Beş adımlı test şeması | Bölüm 19.12 |
19.2 Kesikli Dağılımlar
Kesikli bir olasılık sorusunda asıl iş, deneyin hangi modele uyduğunu görmektir; model bulununca olasılık, beklenen değer ve varyans tablodan okunur. Ayrıntılar Bernoulli, Binom ve Çok Terimli, Hipergeometrik, Geometrik ve Negatif Binom ve Poisson ve Kesikli Düzgün bölümlerindedir. Tabloda \(q = 1 - p\)’dir.
| Model | Ne zaman | \(P(X = x)\) | \(E(X)\) | \(\operatorname{Var}(X)\) |
|---|---|---|---|---|
| \(\operatorname{Binom}(n, p)\) | \(n\) bağımsız denemede başarı sayısı | \(\binom{n}{x}p^x q^{n-x}\) | \(np\) | \(npq\) |
| \(\operatorname{HG}(N, a, n)\) | iadesiz çekilişte özellikli birim sayısı | \(\binom{a}{x}\binom{N-a}{n-x}\big/\binom{N}{n}\) | \(n\frac{a}{N}\) | \(\frac{N-n}{N-1}\,n\frac{a}{N}\big(1 - \frac{a}{N}\big)\) |
| \(\operatorname{Geo}(p)\) | ilk başarıya kadar deneme sayısı, \(x \ge 1\) | \(q^{x-1}p\) | \(\frac{1}{p}\) | \(\frac{q}{p^2}\) |
| \(\operatorname{NB}(k, p)\) | \(k\)-ıncı başarıya kadar deneme sayısı, \(x \ge k\) | \(\binom{x-1}{k-1}q^{x-k}p^k\) | \(\frac{k}{p}\) | \(\frac{kq}{p^2}\) |
| \(\operatorname{Poisson}(\lambda)\) | birim zamanda ya da alanda olay sayısı | \(\frac{e^{-\lambda}\lambda^x}{x!}\) | \(\lambda\) | \(\lambda\) |
| Kesikli düzgün, \(\{1, \ldots, n\}\) | eşit olasılıklı \(n\) değer | \(\frac{1}{n}\) | \(\frac{n+1}{2}\) | \(\frac{n^2 - 1}{12}\) |
Bernoulli dağılımı \(n = 1\) olan binomdur. Hipergeometrik varyanstaki \(\frac{N-n}{N-1}\) düzeltme faktörüdür (Tanım 2.1); Poisson momentleri Teorem 3.2, kesikli düzgün momentleri Teorem 3.4 içindedir.
Kısa yollar.
- “En az bir” sorusunda tümleyen alınır: \(P(X \ge 1) = 1 - P(X = 0)\).
- Geometrikte kuyruk \(P(X > s) = q^s\)’dir ve dağılım belleksizdir: \(P(X > s \mid X > t) = P(X > s - t)\).
- Poisson deneyinde \(t\) uzunluklu aralıktaki olay sayısı \(\operatorname{Poisson}(\lambda t)\) dağılımlıdır (Teorem 3.1): saatte \(6\) gelişin \(20\) dakikalık karşılığı \(\lambda t = 2\)’dir.
- Kazanç ya da maliyet \(K = a + bX\) biçimindeyse \(E(K) = a + bE(X)\) ve \(\operatorname{Var}(K) = b^2\operatorname{Var}(X)\); dağılımı yeniden kurmaya gerek yoktur.
- Büyük bir kitleden küçük bir örneklem iadesiz çekiliyorsa hipergeometrik yerine \(\operatorname{Binom}(n, a/N)\) kullanılabilir.
- Bu kitapta \(\operatorname{Geo}(p)\) ve \(\operatorname{NB}(k, p)\) deneme sayısını sayar. Soruda başarısızlık sayısı isteniyorsa \(Y = X - k\) alınır.
- “İadeli” binom, “iadesiz” hipergeometrik demektir; ikisi karıştırılırsa varyans yanlış çıkar.
- Poisson parametresi aralığın uzunluğuyla orantılı değiştirilmeden kullanılmaz.
Örnek 19.1 (Üçüncü İsabetin Altıncı Atışta Gelmesi) Bir atıcı her atışta, öteki atışlardan bağımsız olarak, hedefi \(0{,}4\) olasılıkla vuruyor. Üçüncü isabetin tam altıncı atışta gelmesi olasılığını bulunuz.
Çözüm
\(X\), üçüncü isabete kadar yapılan atış sayısı olsun. Sabit olan deneme sayısı değil başarı sayısı olduğundan model negatif binomdur: \(X \sim \operatorname{NB}(3;\ 0{,}4)\) ve \(q = 0{,}6\).
\(X = 6\) olması için altıncı atış isabet olmalı, ilk beş atışta da tam iki isabet bulunmalıdır: \[ P(X = 6) = \binom{5}{2}(0{,}6)^{3}(0{,}4)^{3} = 10 \cdot 0{,}216 \cdot 0{,}064 = 0{,}13824 . \] Karşılaştırma için ortalama bekleme \(E(X) = \frac{3}{0{,}4} = 7{,}5\) atıştır.
\(\blacksquare\)
19.3 Sürekli Dağılımlar ve Moment Üreten Fonksiyonlar
Sürekli dağılımlarda da tablo aynı işi görür; ayrıca moment üreten fonksiyon, bir değişkenin dağılımını tanımanın en kısa yoludur. Ayrıntılar Önemli Sürekli Dağılımlar ve Normal Dağılım bölümlerindedir.
| Dağılım | Yoğunluk | \(E(X)\) | \(\operatorname{Var}(X)\) |
|---|---|---|---|
| \(U(a, b)\) | \(\frac{1}{b-a}\), \(a \le x \le b\) | \(\frac{a+b}{2}\) | \(\frac{(b-a)^2}{12}\) |
| \(\operatorname{Gamma}(r, \alpha)\) | \(\frac{\alpha^r}{\Gamma(r)}x^{r-1}e^{-\alpha x}\), \(x > 0\) | \(\frac{r}{\alpha}\) | \(\frac{r}{\alpha^2}\) |
| \(\operatorname{Üstel}(\alpha) = \operatorname{Gamma}(1, \alpha)\) | \(\alpha e^{-\alpha x}\), \(x > 0\) | \(\frac{1}{\alpha}\) | \(\frac{1}{\alpha^2}\) |
| \(\operatorname{Beta}(\alpha, \beta)\) | \(\frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha, \beta)}\), \(0 < x < 1\) | \(\frac{\alpha}{\alpha+\beta}\) | \(\frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}\) |
| \(\chi^2_\nu = \operatorname{Gamma}\big(\frac{\nu}{2}, \frac{1}{2}\big)\) | Tanım 12.1 | \(\nu\) | \(2\nu\) |
| \(N(\mu, \sigma^2)\) | \(\frac{1}{\sigma\sqrt{2\pi}}e^{-(x-\mu)^2/(2\sigma^2)}\) | \(\mu\) | \(\sigma^2\) |
Gamma momentleri Teorem 4.2, beta momentleri Teorem 4.6, ki-kare momentleri Teorem 12.1 içindedir. Log-normal dağılımda \(E(X) = e^{\mu + \sigma^2/2}\) ve \(\operatorname{Var}(X) = e^{2\mu + \sigma^2}(e^{\sigma^2} - 1)\)’dir (Teorem 4.12).
| Moment üreten fonksiyon \(M_X(t)\) | Dağılım |
|---|---|
| \((q + pe^t)^n\) | \(\operatorname{Binom}(n, p)\) |
| \(\dfrac{pe^t}{1 - qe^t}\), ve bunun \(k\)-ıncı kuvveti | \(\operatorname{Geo}(p)\), \(\operatorname{NB}(k, p)\) |
| \(e^{\lambda(e^t - 1)}\) | \(\operatorname{Poisson}(\lambda)\) |
| \(\left(\dfrac{\alpha}{\alpha - t}\right)^r\) | \(\operatorname{Gamma}(r, \alpha)\) |
| \((1 - 2t)^{-\nu/2}\) | \(\chi^2_\nu\) |
| \(e^{\mu t + \sigma^2 t^2/2}\) | \(N(\mu, \sigma^2)\) |
Kısa yollar.
- Gamma integrali: \(\int_0^\infty x^{r-1}e^{-\alpha x}\,dx = \frac{\Gamma(r)}{\alpha^r}\); ayrıca \(\Gamma(n) = (n-1)!\), \(\Gamma(p+1) = p\,\Gamma(p)\), \(\Gamma\big(\frac12\big) = \sqrt\pi\) (Teorem 4.1).
- Beta integrali: \(\int_0^1 x^{u-1}(1-x)^{v-1}\,dx = B(u, v)\) ve \(B(u, v) = \frac{\Gamma(u)\Gamma(v)}{\Gamma(u+v)}\) (Teorem 4.5). Momentler yönteminde çıkan \(\int_0^1\) integrallerinin çoğu budur.
- Toplamlar: bağımsız \(\operatorname{Gamma}(r_i, \alpha)\)’ların toplamı \(\operatorname{Gamma}(\sum r_i, \alpha)\)’dır (Teorem 4.4); özel olarak \(n\) bağımsız \(\operatorname{Üstel}(\alpha)\)’nın toplamı \(\operatorname{Gamma}(n, \alpha)\)’dır. Bağımsız normallerin \(\sum a_iX_i\) birleşimi \(N\big(\sum a_i\mu_i, \sum a_i^2\sigma_i^2\big)\)’dir (Sonuç 5.1).
- Üstel kuyruk \(P(X > t) = e^{-\alpha t}\)’dir; üstel dağılım da belleksizdir.
Örnek 19.2 (Moment Üreten Fonksiyondan Dağılımı Tanımak) \(X\)’in moment üreten fonksiyonu \(t < 2\) için \(M_X(t) = (1 - 0{,}5t)^{-6}\) ise \(X\)’in dağılımını, beklenen değerini ve varyansını bulunuz.
Çözüm
Gamma biçimine getirmek için kesrin payını ve paydasını \(2\) ile genişletelim: \[ \frac{1}{1 - 0{,}5t} = \frac{2}{2 - t}, \qquad M_X(t) = \left(\frac{2}{2 - t}\right)^{6}. \] Bu, \(r = 6\) ve \(\alpha = 2\) için gamma dağılımının moment üreten fonksiyonudur (Teorem 4.3); teklik gereği \(X \sim \operatorname{Gamma}(6, 2)\). Tablodan \[ E(X) = \frac{r}{\alpha} = \frac{6}{2} = 3, \qquad \operatorname{Var}(X) = \frac{r}{\alpha^2} = \frac{6}{4} = 1{,}5 . \]
\(\blacksquare\)
19.4 Normal Tablo ve Kantiller
Standart normal tablosu \(z \ge 0\) için \(A(z) = P(0 \le Z \le z)\) alanını verir. Bütün normal olasılıklar standartlaştırmayla bu alanlara indirgenir.
| İstenen (\(z, a, b \ge 0\)) | Tablo ile |
|---|---|
| \(P(Z \le z)\) | \(0{,}5 + A(z)\) |
| \(P(Z \ge z)\) ya da \(P(Z \le -z)\) | \(0{,}5 - A(z)\) |
| \(P(-z \le Z \le z)\) | \(2A(z)\) |
| \(P(a \le Z \le b)\), \(a \le b\) | \(A(b) - A(a)\) |
| \(P(-a \le Z \le b)\) | \(A(a) + A(b)\) |
| \(p\) | \(0{,}90\) | \(0{,}95\) | \(0{,}975\) | \(0{,}99\) | \(0{,}995\) |
|---|---|---|---|---|---|
| \(z_p\) | \(1{,}282\) | \(1{,}645\) | \(1{,}960\) | \(2{,}326\) | \(2{,}576\) |
- Standartlaştır. \(X \sim N(\mu, \sigma^2)\) için \(z = \dfrac{x - \mu}{\sigma}\); \(z\)’yi iki ondalığa yuvarla.
- Alanları \(0\)’dan başlat. İstenen olasılığı Tablo 19.5 ile \(A(z)\) cinsinden yaz.
- Ters soru (kantil). \(P(X \le x) = p\) isteniyorsa tabloda \(A(z) = p - 0{,}5\) ara ve \(x = \mu + z_p\,\sigma\) yaz. \(p < 0{,}5\) ise \(z_p = -z_{1-p}\)’dir (Tanım 5.1).
- \(N(\mu, \sigma^2)\)’deki ikinci parametre varyanstır; standartlaştırırken standart sapmaya bölünür: \(N(70, 64)\) için \(\sigma = 8\).
- Tablo \(P(Z \le z)\) değil \(P(0 \le Z \le z)\) verir; \(0{,}5\) eklemeyi ya da çıkarmayı unutmamak gerekir.
Örnek 19.3 (En Üstteki Yüzde Ona Girmek İçin Gereken Puan) Bir yarışmadaki puanlar \(N(70, 64)\) dağılımına uyuyor. Puanı en yüksek olan %10’luk dilime girmek için en az kaç puan gerekir?
Çözüm
\(\sigma = \sqrt{64} = 8\)’dir. Aranan \(x\) için \(P(X \ge x) = 0{,}10\), yani \(P(X \le x) = 0{,}90\) olmalıdır; dolayısıyla \(x = \mu + z_{0{,}90}\,\sigma\).
Tabloda \(A(z) = 0{,}40\) aranır: \(A(1{,}28) = 0{,}3997\) ve \(A(1{,}29) = 0{,}4015\) olduğundan \(z_{0{,}90} \approx 1{,}28\), daha kesin olarak \(z_{0{,}90} = 1{,}282\). Buna göre \[ x = 70 + 1{,}282 \cdot 8 = 80{,}256 . \] En yüksek %10’a girmek için yaklaşık \(80{,}26\) puan gerekir.
\(\blacksquare\)
19.5 Binoma Poisson ve Normal Yaklaşım
Büyük \(n\)’li bir binom olasılığını terim terim toplamak yerine yaklaşık bir dağılımla hesaplamak çoğu zaman tek yoldur. Hangi yaklaşımın seçileceği \(n\) ve \(p\)’ye bağlıdır.
| Durum | Yaklaşım | Koşul |
|---|---|---|
| \(\operatorname{Binom}(n, p)\), \(p\) küçük | \(\operatorname{Poisson}(np)\) | \(n \ge 50\), \(p \le 0{,}05\) |
| \(\operatorname{Binom}(n, p)\) | \(N(np, npq)\) ve süreklilik düzeltmesi | \(np \ge 5\), \(nq \ge 5\) |
| \(\operatorname{HG}(N, a, n)\), \(N\) büyük | \(\operatorname{Binom}(n, a/N)\) | \(n\), \(N\)’ye göre küçük |
| \(\chi^2_\nu\) | \(N(\nu, 2\nu)\) | \(\nu > 30\) |
| \(t_\nu\) | \(N(0, 1)\) | \(\nu > 30\) |
Normal yaklaşımın dayanağı De Moivre-Laplace teoremidir (Teorem 5.1); ki-kare yaklaşımı Önerme 12.1, \(t\) yaklaşımı Önerme 13.2 içindedir.
- Olayı tam sayılarla yaz. Katı eşitsizlikleri kaldır: \(X > 275\) olayı \(X \ge 276\), \(X < 20\) olayı \(X \le 19\)’dur.
- Uçları yarım birim dışa it. \(a \le X \le b\) olayı \(a - 0{,}5 \le Y \le b + 0{,}5\) olur; \(P(X = x)\) için \(x \mp 0{,}5\) alınır (Tanım 5.2).
- \(Y \sim N(np, npq)\) ile standartlaştır ve normal tablodan oku.
- Süreklilik düzeltmesi yalnız tam sayı değerli bir değişkene normal yaklaşım yapılırken kullanılır; Poisson yaklaşımında düzeltme yoktur.
- \(np\) ya da \(nq\) \(5\)’ten küçükse normal yaklaşım kötüdür; kesin binom ya da Poisson tercih edilir.
Örnek 19.4 (Hatalı Sayfa Sayısına Poisson Yaklaşımı) Bir baskıda her sayfa, ötekilerden bağımsız olarak \(0{,}002\) olasılıkla hatalı basılıyor. \(1500\) sayfalık bir baskıda en az iki hatalı sayfa bulunması olasılığını Poisson yaklaşımıyla bulunuz.
Çözüm
Hatalı sayfa sayısı \(X \sim \operatorname{Binom}(1500;\ 0{,}002)\)’dir. \(n = 1500 \ge 50\) ve \(p = 0{,}002 \le 0{,}05\) olduğundan \(\lambda = np = 3\) ile Poisson yaklaşımı kullanılır. Tümleyenden \[ \begin{aligned} P(X \ge 2) &= 1 - P(X = 0) - P(X = 1) \approx 1 - e^{-3}(1 + 3)\\[1mm] &= 1 - 4 \cdot 0{,}049787 \approx 1 - 0{,}19915 = 0{,}80085 . \end{aligned} \] Binom dağılımıyla kesin değer \(0{,}80115\)’tir; yaklaşımın hatası \(0{,}0003\) kadardır.
\(\blacksquare\)
Örnek 19.5 (Yüz Denemede Başarı Sayısının Bir Aralıkta Olması) \(X \sim \operatorname{Binom}(100;\ 0{,}3)\) ise \(P(25 \le X \le 35)\) olasılığını süreklilik düzeltmeli normal yaklaşımla bulunuz.
Çözüm
\(\mu = np = 30\), \(\sigma^2 = npq = 21\), \(\sigma \approx 4{,}583\); \(np = 30\) ve \(nq = 70\) olduğundan yaklaşım uygundur. \(Y \sim N(30, 21)\) alıp uçları yarım birim dışa itelim: \[ \begin{aligned} P(25 \le X \le 35) &\approx P(24{,}5 \le Y \le 35{,}5)\\[1mm] &= P\Big(\frac{-5{,}5}{4{,}583} \le Z \le \frac{5{,}5}{4{,}583}\Big) = P(-1{,}20 \le Z \le 1{,}20). \end{aligned} \] Tablodan \(A(1{,}20) = 0{,}3849\) olduğundan olasılık \(2 \cdot 0{,}3849 = 0{,}7698\)’dir. Kesin binom değeri \(0{,}7704\)’tür.
\(\blacksquare\)
19.6 Örneklem Ortalaması ve Merkezi Limit Teoremi
Örneklem ortalaması ya da toplamı hakkındaki her olasılık sorusu, önce bu istatistiğin beklenen değerini ve varyansını, sonra dağılımını bulmaktan ibarettir.
| Durum | \(E(\bar X)\) | \(\operatorname{Var}(\bar X)\) | Dağılım |
|---|---|---|---|
| Bağımsız gözlemler ya da iadeli çekiliş | \(\mu\) | \(\frac{\sigma^2}{n}\) | kitleye bağlı |
| İadesiz çekiliş, \(N\) birimlik kitle | \(\mu\) | \(\frac{N-n}{N-1}\cdot\frac{\sigma^2}{n}\) | kitleye bağlı |
| Normal kitle | \(\mu\) | \(\frac{\sigma^2}{n}\) | tam \(N(\mu, \sigma^2/n)\) |
| Herhangi kitle, \(n \ge 30\) | \(\mu\) | \(\frac{\sigma^2}{n}\) | yaklaşık \(N(\mu, \sigma^2/n)\) |
İadesiz çekiliş Teorem 7.3, standart hata \(\sigma_{\bar X}\) Tanım 7.10, merkezi limit teoremi Teorem 8.5 içindedir. Örneklem kitlenin %5’inden büyükse (\(n/N > 0{,}05\)) düzeltme çarpanı ihmal edilmez. Toplam \(S_n = X_1 + \cdots + X_n\) için \(S_n \approx N(n\mu, n\sigma^2)\) yazılır (Sonuç 8.2).
- Tek gözlemin \(\mu\) ve \(\sigma^2\) değerlerini bul.
- Soru ortalama hakkındaysa \(\bar X \approx N(\mu, \sigma^2/n)\), toplam hakkındaysa \(S_n \approx N(n\mu, n\sigma^2)\) al.
- Sınırları standartlaştır: \(z = \dfrac{\bar x - \mu}{\sigma/\sqrt n}\) ya da \(z = \dfrac{s - n\mu}{\sigma\sqrt n}\).
- Normal tablodan oku; tam sayı değerli bir toplamın tek bir değeri soruluyorsa süreklilik düzeltmesi yap.
Kısa yollar.
- Dağılım hakkında hiçbir şey kullanmadan bir sınır gerekiyorsa Chebyshev eşitsizliği (Teorem 7.5): \(P\big(|\bar X - \mu| \ge \varepsilon\big) \le \dfrac{\sigma^2}{n\varepsilon^2}\).
- “\(P(|\bar X - \mu| < \varepsilon) \ge 1 - \alpha\) için kaç gözlem?” sorusunda merkezi limit teoremi \(n \ge \big(z_{1-\alpha/2}\,\sigma/\varepsilon\big)^2\), Chebyshev ise \(n \ge \sigma^2/(\alpha\varepsilon^2)\) verir. Chebyshev her dağılımda geçerlidir ama çok daha büyük \(n\) ister.
Örnek 19.6 (Asansördeki Toplam Ağırlık) Bir binadaki yolcuların ağırlığının ortalaması \(75\) kg, standart sapması \(12\) kg’dır. Asansöre rastgele binen \(36\) yolcunun toplam ağırlığının \(2800\) kg’ı aşma olasılığı yaklaşık nedir?
Çözüm
Soru toplam hakkındadır. \(n = 36\) olduğundan merkezi limit teoremiyle \(S_{36} \approx N(n\mu, n\sigma^2)\) ve \[ n\mu = 36 \cdot 75 = 2700, \qquad \sigma\sqrt n = 12 \cdot 6 = 72 . \] Standartlaştıralım: \[ P(S_{36} > 2800) \approx P\Big(Z > \frac{2800 - 2700}{72}\Big) = P(Z > 1{,}39). \] Tablodan \(A(1{,}39) = 0{,}4177\) olduğundan olasılık \(0{,}5 - 0{,}4177 = 0{,}0823\)’tür. Yani yaklaşık her on iki asansör dolusundan biri \(2800\) kg’ı aşar.
\(\blacksquare\)
19.7 Betimsel Ölçüler
Betimsel sorularda iş, tanımı doğru uygulamak ve hesabı kısaltmaktır; tanımlar İstatistiğe Giriş ve Betimsel Ölçüler bölümündedir. \(x_{(1)} \le \cdots \le x_{(n)}\) sıralı gözlemlerdir.
| Ölçü | Formül | Tanım |
|---|---|---|
| Medyan | \(n\) tekse \(x_{((n+1)/2)}\), çiftse ortadaki ikisinin ortalaması | Tanım 6.22 |
| \(P\). yüzdelik | konum \(L_P = (n+1)\frac{P}{100}\); \(L_P = k + d\) ise \(x_{(k)} + d\big(x_{(k+1)} - x_{(k)}\big)\) | Tanım 6.29 |
| Çeyreklikler | \(Q_1 = Y_{25}\), \(Q_2 = Y_{50}\), \(Q_3 = Y_{75}\) | Tanım 6.30 |
| Çeyrekler arası açıklık | \(Q_3 - Q_1\) | Tanım 6.31 |
| Örneklem varyansı | \(s^2 = \frac{1}{n-1}\sum (x_i - \bar x)^2\) | Tanım 6.26 |
| Değişim katsayısı | \(\frac{s}{\bar x} \cdot 100\%\) | Tanım 6.28 |
Kısa yollar.
- Sapmaları tek tek hesaplamak yerine \(\sum (x_i - \bar x)^2 = \sum x_i^2 - n\bar x^{\,2}\) kullanılır (Önerme 6.3).
- Pozitif sayılarda harmonik, geometrik ve aritmetik ortalama \(H \le G \le \bar x\) sıralamasındadır (Teorem 6.1).
- Değişim katsayısı küçük olan küme daha homojendir; birimleri farklı kümeler yalnız bu ölçüyle karşılaştırılır.
19.8 Momentler Yöntemi ve En Çok Olabilirlik
“Tahmin edicisini bulunuz” sorusunda iki yöntem vardır. Momentler yöntemi (Tanım 9.3) kitle momentlerini örneklem momentlerine eşitler; en çok olabilirlik yöntemi (Tanım 10.2) gözlenen veriyi en olası kılan parametreyi seçer.
- Parametre sayısı \(m\) ise \(E(X), \ldots, E(X^m)\)’yi parametreler cinsinden hesapla.
- Her \(E(X^k)\)’yi \(M_k = \frac1n\sum X_i^k\)’ye eşitle (\(M_1 = \bar X\)).
- Sistemi parametreler için çöz.
- \(L(\theta) = \prod f(x_i;\theta)\)’yı yazıp sadeleştir.
- \(\ln L(\theta) = \sum \ln f(x_i;\theta)\)’yı toplam olarak yaz (Önerme 10.1).
- \(\frac{d}{d\theta}\ln L = 0\) denklemini çöz.
- İkinci türevin negatif olduğunu göster, sonra \(x_i\) yerine \(X_i\) yaz.
| Kitle | Momentler yöntemi | En çok olabilirlik |
|---|---|---|
| \(\operatorname{Bernoulli}(p)\), \(\operatorname{Poisson}(\lambda)\) | \(\bar X\) | \(\bar X\) |
| \(\operatorname{Geo}(p)\) | \(1/\bar X\) | \(1/\bar X\) |
| \(\operatorname{Üstel}(\alpha)\) | \(1/\bar X\) | \(1/\bar X\) |
| \(\operatorname{Gamma}(r, \alpha)\), \(r\) bilinen | \(r/\bar X\) | \(r/\bar X\) |
| \(N(\mu, \sigma^2)\) | \(\bar X\) ve \(\frac1n\sum (X_i - \bar X)^2\) | aynı |
| \(U(0, \theta)\) | \(2\bar X\) | \(\max X_i\) |
Kısa yollar.
- Logaritma çarpımı toplama çevirir; \(\theta\)’ya bağlı olmayan terimler (\(\ln x_i!\), \(\ln\Gamma(r)\) gibi) türevde düşer.
- Değişmezlik: \(\hat\theta\) en çok olabilirlik tahmin edicisiyse \(g(\theta)\)’nın tahmin edicisi \(g(\hat\theta)\)’dır (Teorem 10.1). Örneğin normalde \(\hat\sigma = \sqrt{\widehat{\sigma^2}}\).
- İki parametreli gammada momentler yöntemi \(\hat\alpha = \dfrac{\bar X}{M_2 - \bar X^2}\) ve \(\hat r = \dfrac{\bar X^2}{M_2 - \bar X^2}\) verir.
- Değer kümesi \(\theta\)’ya bağlıysa (\(U(0, \theta)\) gibi) türev sıfır olmaz; \(L\)’nin biçimine bakılır ve tahmin bir uç gözlem çıkar (Örnek 10.15).
- Momentler yöntemi veriyle çelişebilir: \(\hat\theta = 3\bar X\) en büyük gözlemden küçük çıkabilir (Örnek 9.12).
- \(E(X)\) ancak varsa kullanılabilir; momentin hangi parametre değerleri için sonlu olduğu denetlenmelidir.
Aşağıdaki iki örnek aynı kitleyi kullanır: yoğunluğu \(f(x;\theta) = \theta x^{-(\theta+1)}\), \(x > 1\), \(\theta > 0\) olan bir kitleden \(1{,}2;\ 2{,}5;\ 1{,}6;\ 3{,}0;\ 1{,}1\) gözlemleri alınmıştır.
Örnek 19.7 (Kuyruklu Bir Yoğunlukta Moment Tahmini) Yoğunluğu \(f(x;\theta) = \theta x^{-(\theta+1)}\) (\(x > 1\)) olan kitleden alınan \(1{,}2;\ 2{,}5;\ 1{,}6;\ 3{,}0;\ 1{,}1\) gözlemleriyle \(\theta\)’nın momentler yöntemiyle tahminini bulunuz (\(\theta > 1\) kabul ediniz).
Çözüm
Adım 1. \(\theta > 1\) iken integral yakınsaktır ve \[ E(X) = \int_1^\infty x \cdot \theta x^{-\theta-1}\,dx = \theta\int_1^\infty x^{-\theta}\,dx = \theta \cdot \frac{1}{\theta - 1} = \frac{\theta}{\theta - 1}. \] \(\theta \le 1\) için bu integral ıraksaktır; yöntem ancak \(\theta > 1\) iken uygulanabilir.
Adım 2 ve 3. \(\frac{\theta}{\theta - 1} = \bar X\) denklemi \(\theta = \bar X\theta - \bar X\), yani \(\theta(\bar X - 1) = \bar X\) verir: \[ \hat\theta = \frac{\bar X}{\bar X - 1}. \] Gözlemlerin toplamı \(9{,}4\) olduğundan \(\bar x = 1{,}88\) ve \(\hat\theta = \dfrac{1{,}88}{0{,}88} \approx 2{,}136\).
\(\blacksquare\)
Örnek 19.8 (Kuyruklu Bir Yoğunlukta En Çok Olabilirlik Tahmini) Yoğunluğu \(f(x;\theta) = \theta x^{-(\theta+1)}\) (\(x > 1\), \(\theta > 0\)) olan kitleden alınan \(1{,}2;\ 2{,}5;\ 1{,}6;\ 3{,}0;\ 1{,}1\) gözlemleriyle \(\theta\)’nın en çok olabilirlik tahminini bulunuz.
Çözüm
Olabilirlik ve logaritma. \[ L(\theta) = \theta^{n}\Big(\prod_{i=1}^{n} x_i\Big)^{-(\theta+1)}, \qquad \ln L(\theta) = n\ln\theta - (\theta + 1)\sum_{i=1}^{n}\ln x_i . \]
Türev. \(\dfrac{d}{d\theta}\ln L = \dfrac{n}{\theta} - \sum \ln x_i = 0\) denkleminden \[ \hat\theta = \frac{n}{\sum_{i=1}^{n}\ln X_i}. \] Her \(x_i > 1\) olduğundan payda pozitiftir. İkinci türev \(-n/\theta^2 < 0\) olduğundan bu nokta mutlak en büyük değerdir.
Sayısal değer. Gözlemlerin çarpımı \[ 1{,}2 \cdot 2{,}5 \cdot 1{,}6 \cdot 3{,}0 \cdot 1{,}1 = 15{,}84 \] olduğundan \(\sum \ln x_i = \ln 15{,}84 \approx 2{,}7625\) ve \[ \hat\theta = \frac{5}{2{,}7625} \approx 1{,}810 . \] Momentler yöntemi aynı veriyle \(2{,}136\) vermişti (Örnek 19.7); iki yöntem genellikle farklı sonuç verir ve en çok olabilirlik \(\theta > 1\) kısıtına ihtiyaç duymaz.
\(\blacksquare\)
19.9 Tahmin Edicilerin Özellikleri
Bir tahmin edicinin ne kadar iyi olduğu dört ölçütle sorulur; hepsi Tahmin Edicilerin Özellikleri bölümündedir.
| Ölçüt | Koşul ya da formül | Tanım |
|---|---|---|
| Yansızlık | \(E(T) = \theta\) (her \(\theta\) için) | Tanım 11.1 |
| Yanlılık | \(E(T) - \theta\) | Tanım 11.2 |
| Hata kareler ortalaması | \(\operatorname{HKO} = \operatorname{Var}(T) + \text{Yanlılık}^2\) | Teorem 11.2 |
| Göreli etkinlik | \(e(T_1, T_2) = \operatorname{Var}(T_2)/\operatorname{Var}(T_1)\) | Tanım 11.5 |
| Asimptotik yansızlık | \(E(T_n) \to \theta\) | Tanım 11.3 |
| Tutarlılık (yeter koşul) | \(E(T_n) \to \theta\) ve \(\operatorname{Var}(T_n) \to 0\) | Sonuç 11.2 |
| Hazır sonuç | Değer |
|---|---|
| \(E(\bar X)\), \(\operatorname{Var}(\bar X)\) | \(\mu\), \(\sigma^2/n\) |
| \(E(S^2)\) (Teorem 11.1) | \(\sigma^2\) |
| \(E(\hat\sigma^2)\), \(\hat\sigma^2 = \frac1n\sum (X_i - \bar X)^2\) (Sonuç 11.1) | \(\frac{n-1}{n}\sigma^2\) |
| Normal kitlede \(\operatorname{Var}(S^2)\) (Sonuç 12.2) | \(\frac{2\sigma^4}{n-1}\) |
| \(E(M_k)\) (Önerme 11.2) | \(E(X^k)\) |
- \(E(T)\)’yi doğrusallıkla hesapla. Rastgele örneklemde \(E(X_i^2) = \sigma^2 + \mu^2\) ve \(i \ne j\) için \(E(X_iX_j) = \mu^2\) kullanılır.
- \(E(T)\)’yi \(\theta\) ile karşılaştır. Bilinmeyen bir \(c\) varsa \(E(T) = \theta\) denkleminden bulunur.
- \(E(T) = a\theta + c\) çıkarsa \(\dfrac{T - c}{a}\) yansızdır (Önerme 11.1).
Kısa yollar.
- \(T = \sum a_iX_i\) biçimindeki tahmin ediciler \(\sum a_i = 1\) ise \(\mu\) için yansızdır ve \(\operatorname{Var}(T) = \sigma^2\sum a_i^2\)’dir; bunlar arasında en etkini \(\bar X\)’tir (Teorem 11.3). Yani iki doğrusal yansız tahmin edicinin karşılaştırılması \(\sum a_i^2\)’leri karşılaştırmaktır.
- HKO’su \(0\)’a giden tahmin edici tutarlıdır (Teorem 11.4); tutarlılık sorusu çoğu zaman yalnız \(E(T_n)\) ve \(\operatorname{Var}(T_n)\) hesabıdır.
- Yansız bir tahmin edicinin HKO’su varyansıdır. Yanlı ama varyansı küçük bir tahmin edicinin HKO’su daha küçük olabilir.
Örnek 19.9 (İki Doğrusal Tahmin Edicinin Etkinliği) \((X_1, X_2, X_3)\), ortalaması \(\mu\) ve varyansı \(\sigma^2\) olan bir kitleden alınmış bir rastgele örneklem ve \(T_1 = \dfrac{X_1 + 2X_2 + X_3}{4}\) olsun. \(T_1\)’in \(\mu\) için yansız olduğunu gösterip \(\bar X\)’in \(T_1\)’e göre göreli etkinliğini bulunuz.
Çözüm
Katsayıların toplamı \(\frac14 + \frac24 + \frac14 = 1\) olduğundan \(E(T_1) = \mu\); \(T_1\) yansızdır. Gözlemler bağımsız olduğundan \[ \operatorname{Var}(T_1) = \frac{1 + 4 + 1}{16}\,\sigma^2 = \frac{3}{8}\sigma^2, \qquad \operatorname{Var}(\bar X) = \frac{\sigma^2}{3}. \] Göreli etkinlik \[ e(\bar X, T_1) = \frac{\operatorname{Var}(T_1)}{\operatorname{Var}(\bar X)} = \frac{3/8}{1/3} = \frac{9}{8} = 1{,}125 \] olup \(1\)’den büyüktür: \(\bar X\) daha etkindir ve \(T_1\)’in varyansı \(\bar X\)’inkinin \(1{,}125\) katıdır.
\(\blacksquare\)
Örnek 19.10 (İki Varyans Tahmin Edicisinin Hata Kareler Ortalaması) \(N(\mu, \sigma^2)\) kitlesinden \(n = 10\) birimlik bir rastgele örneklem alınıyor. \(\sigma^2\) için \(S^2\) ile \(\hat\sigma^2 = \frac{1}{10}\sum (X_i - \bar X)^2\) tahmin edicilerinden hangisinin hata kareler ortalaması daha küçüktür?
Çözüm
\(S^2\). Yansız olduğundan HKO varyansıdır: \(\operatorname{HKO}(S^2) = \dfrac{2\sigma^4}{9} \approx 0{,}2222\,\sigma^4\).
\(\hat\sigma^2\). \(\hat\sigma^2 = \frac{9}{10}S^2\) olduğundan \(E(\hat\sigma^2) = 0{,}9\,\sigma^2\), yanlılık \(-0{,}1\,\sigma^2\) ve \[ \operatorname{Var}(\hat\sigma^2) = \Big(\frac{9}{10}\Big)^2\cdot\frac{2\sigma^4}{9} = 0{,}18\,\sigma^4 . \] HKO ayrışımından (Teorem 11.2) \[ \operatorname{HKO}(\hat\sigma^2) = 0{,}18\,\sigma^4 + (0{,}1\,\sigma^2)^2 = 0{,}19\,\sigma^4 . \] \(0{,}19 < 0{,}2222\) olduğundan yanlı olan \(\hat\sigma^2\)’nin HKO’su daha küçüktür. Genel olarak \(\operatorname{HKO}(\hat\sigma^2) = \frac{2n-1}{n^2}\sigma^4\)’tür ve her \(n \ge 2\) için \(\frac{2\sigma^4}{n-1}\)’den küçüktür.
\(\blacksquare\)
19.10 Örneklem Dağılımları ve Tablo Okuma
Güven aralıkları ve testler, içinde yalnız bilinmeyen parametreyi taşıyan ve dağılımı tam bilinen bir büyüklüğe dayanır. Normal kitle için bu büyüklükler şunlardır (Örneklem Dağılımları):
| Büyüklük | Dağılım | Dayanak |
|---|---|---|
| \(\dfrac{\bar X - \mu}{\sigma/\sqrt n}\) | \(N(0, 1)\) | Sonuç 5.1 |
| \(\dfrac{\bar X - \mu}{S/\sqrt n}\) | \(t_{n-1}\) | Teorem 12.9 |
| \(\dfrac{(n-1)S^2}{\sigma^2}\) | \(\chi^2_{n-1}\) | Teorem 12.8 |
| \(\sum \Big(\dfrac{X_i - \mu}{\sigma}\Big)^2\) | \(\chi^2_n\) | Sonuç 12.1 |
| \(\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\) | \(F_{n_1-1,\,n_2-1}\) | Teorem 14.2 |
Tanımlar: \(Z/\sqrt{V/\nu} \sim t_\nu\) (Tanım 12.3), \(\frac{U_1/\nu_1}{U_2/\nu_2} \sim F_{\nu_1,\nu_2}\) (Tanım 12.5), \(T^2 \sim F_{1,\nu}\) (Önerme 12.4). Bağımsız ki-karelerin toplamında serbestlik dereceleri toplanır (Teorem 12.3).
| Tablo | Verdiği değer | Sol kuyruk |
|---|---|---|
| \(t\) | \(t_{\nu,\,p}\) | \(t_{\nu,\,1-p} = -t_{\nu,\,p}\) |
| \(\chi^2\) | \(\chi^2_{\nu,\,p}\), iki kuyruk da | ayrı ayrı okunur |
| \(F\) | \(F_{\nu_1,\nu_2,\,p}\), \(p = 0{,}95;\ 0{,}975;\ 0{,}99\) | \(F_{\nu_1,\nu_2,\,1-p} = 1/F_{\nu_2,\nu_1,\,p}\) |
Örneğin \(F_{12,8,\,0{,}95} = 3{,}28\) olduğundan \(F_{8,12,\,0{,}05} = 1/3{,}28 \approx 0{,}305\)’tir (Önerme 12.3).
- Bu kitapta alt indis sol kuyruktaki alandır: “sağında \(0{,}05\) alan bırakan nokta” \(t_{\nu,\,0{,}95}\)’tir, \(t_{\nu,\,0{,}05}\) değil.
- \(\chi^2\) simetrik değildir; \(\chi^2_{\nu,\,\alpha/2}\), \(-\chi^2_{\nu,\,1-\alpha/2}\)’ye eşit değildir.
- \(F\)’nin tersinde serbestlik dereceleri yer değiştirir; sütun \(\nu_1\) (pay), satır \(\nu_2\) (payda)’dır.
- Serbestlik derecesi \(S^2\) kullanıldığında \(n - 1\), \(\mu\) bilinip kareler toplamı kullanıldığında \(n\)’dir.
19.11 Güven Aralıkları
Bir güven aralığı sorusunda iki karar verilir: hangi parametre ve hangi durum. Bu iki karar aralığı tümüyle belirler (Tanım 13.1). Simetrik aralıklar “nokta tahmini \(\mp\) hata payı \(E\)” biçimindedir (Tanım 13.2).
| Parametre | Durum | Hata payı \(E\) | Dayanak |
|---|---|---|---|
| \(\mu\) | \(\sigma\) bilinen (normal kitle ya da \(n > 30\)) | \(z_{1-\alpha/2}\,\dfrac{\sigma}{\sqrt n}\) | Teorem 13.1 |
| \(\mu\) | normal kitle, \(\sigma\) bilinmeyen | \(t_{n-1,\,1-\alpha/2}\,\dfrac{S}{\sqrt n}\) | Teorem 13.2 |
| \(\mu\) | \(n > 30\), \(\sigma\) bilinmeyen | \(z_{1-\alpha/2}\,\dfrac{S}{\sqrt n}\) | Ortalama |
| \(\mu_1 - \mu_2\) | varyanslar bilinen | \(z_{1-\alpha/2}\sqrt{\dfrac{\sigma_1^2}{n_1} + \dfrac{\sigma_2^2}{n_2}}\) | Teorem 14.4 |
| \(\mu_1 - \mu_2\) | bilinmeyen, eşit | \(t_{n_1+n_2-2,\,1-\alpha/2}\,S_p\sqrt{\dfrac{1}{n_1} + \dfrac{1}{n_2}}\) | Teorem 14.6 |
| \(\mu_1 - \mu_2\) | bilinmeyen, farklı | \(t_{\nu,\,1-\alpha/2}\sqrt{\dfrac{S_1^2}{n_1} + \dfrac{S_2^2}{n_2}}\) | Teorem 14.7 |
| \(p\) | \(n\hat p \ge 5\), \(n\hat q \ge 5\) | \(z_{1-\alpha/2}\sqrt{\dfrac{\hat p\hat q}{n}}\) | Teorem 15.1 |
| \(p_1 - p_2\) | \(n_1\), \(n_2\) büyük | \(z_{1-\alpha/2}\sqrt{\dfrac{\hat p_1\hat q_1}{n_1} + \dfrac{\hat p_2\hat q_2}{n_2}}\) | Teorem 15.2 |
Ortak varyans \(S_p^2 = \dfrac{(n_1 - 1)S_1^2 + (n_2 - 1)S_2^2}{n_1 + n_2 - 2}\)’dir (Tanım 14.1). Welch aralığında \(a_i = S_i^2/n_i\) olmak üzere \[ \nu = \frac{(a_1 + a_2)^2}{\dfrac{a_1^2}{n_1 - 1} + \dfrac{a_2^2}{n_2 - 1}} \] alınır ve bir alt tam sayıya yuvarlanır. Varyans ve varyans oranı aralıkları simetrik değildir (Teorem 14.1, Teorem 14.3): \[ \frac{(n-1)S^2}{\chi^2_{n-1,\,1-\alpha/2}} \le \sigma^2 \le \frac{(n-1)S^2}{\chi^2_{n-1,\,\alpha/2}}, \] \[ \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{\nu_1,\nu_2,\,1-\alpha/2}} \le \frac{\sigma_1^2}{\sigma_2^2} \le \frac{S_1^2}{S_2^2}\,F_{\nu_2,\nu_1,\,1-\alpha/2} . \] Burada \(\nu_i = n_i - 1\)’dir; \(\sigma\) ya da \(\sigma_1/\sigma_2\) için sınırların karekökü alınır (Sonuç 14.1).
- Parametreyi belirle: \(\mu\), \(\sigma^2\), \(p\) ya da iki kitlenin farkı veya oranı.
- Durumu belirle: varyans biliniyor mu, örneklem büyük mü, kitle normal mi? İki ortalamada varyanslar bilinmiyor ve örneklemler küçükse önce \(\sigma_1^2/\sigma_2^2\) aralığını kur: \(1\)’i içeriyorsa ortak varyanslı \(t\), içermiyorsa Welch.
- Kantili oku: \(1 - \alpha\)’dan \(\alpha/2\)’yi bul, tablodan \(1 - \alpha/2\) kantilini (varyansta iki kantili) al.
- Sınırları hesapla ve yorumla: aralık \(\mu_0\)’ı, \(0\)’ı ya da \(1\)’i içeriyor mu?
| Hedef | Gereken en küçük \(n\) |
|---|---|
| \(\mu\) için hata payı en çok \(E_0\) | \(n \ge \Big(\dfrac{z_{1-\alpha/2}\,\sigma}{E_0}\Big)^2\) |
| \(p\) için hata payı en çok \(E_0\), ön tahmin \(\hat p\) | \(n \ge \dfrac{z_{1-\alpha/2}^2\,\hat p\hat q}{E_0^2}\) |
| \(p\) için hata payı en çok \(E_0\), ön bilgi yok | \(n \ge \dfrac{z_{1-\alpha/2}^2}{4E_0^2}\) |
- Varyans aralığında büyük kantil alt sınırın, küçük kantil üst sınırın paydasına gider.
- Soruda \(s\) verilmişse formüle \(s^2\) yazılır; \(s^2\) verilmişse karekök alınmadan kullanılır.
- Örneklem hacmi her zaman yukarı yuvarlanır (\(96{,}04 \to 97\)); Welch serbestlik derecesi aşağı yuvarlanır.
- Güven düzeyi, tek bir hesaplanmış aralığın \(\theta\)’yı içerme olasılığı değil, yöntemin uzun vadeli başarısıdır.
Örnek 19.11 (Dolum Hacimlerinin Standart Sapması İçin Aralık) Bir dolum makinesinden rastgele seçilen \(15\) şişenin hacimlerinin örneklem varyansı \(s^2 = 2{,}4\) mL² bulunuyor. Hacimlerin normal dağıldığını kabul ederek \(\sigma\) için %95 güven aralığını bulunuz.
Çözüm
Önce \(\sigma^2\) için aralık kurulur. \(\nu = 14\) ve \(\chi^2\) tablosundan \(\chi^2_{14,\,0{,}025} = 5{,}63\), \(\chi^2_{14,\,0{,}975} = 26{,}12\). \((n - 1)s^2 = 14 \cdot 2{,}4 = 33{,}6\) olduğundan \[ \frac{33{,}6}{26{,}12} \le \sigma^2 \le \frac{33{,}6}{5{,}63} \quad\Longrightarrow\quad 1{,}286 \le \sigma^2 \le 5{,}968 . \] Karekök kesin artan olduğundan sınırların karekökü alınır: \(1{,}134 \le \sigma \le 2{,}443\) mL. Aralık \(s = \sqrt{2{,}4} \approx 1{,}549\)’a göre simetrik değildir.
\(\blacksquare\)
Örnek 19.12 (İki Gübrenin Ortalama Verim Farkı) İki gübre karşılaştırılıyor. Birinci gübreyle \(8\) parselin ortalama verimi \(\bar x_1 = 24{,}3\), örneklem varyansı \(s_1^2 = 4{,}1\); ikinci gübreyle \(10\) parselin ortalaması \(\bar x_2 = 21{,}9\), örneklem varyansı \(s_2^2 = 5{,}3\)’tür. Verimler normal, örneklemler bağımsızdır ve kitle varyansları bilinmiyor. \(\mu_1 - \mu_2\) için %95 güven aralığını uygun yöntemi seçerek bulunuz.
Çözüm
Yöntem. Varyanslar bilinmiyor ve örneklemler küçük; önce varyans oranına bakalım. \(F\) tablosundan \(F_{7,9,\,0{,}975} = 4{,}20\), \(F_{9,7,\,0{,}975} = 4{,}82\) ve \(s_1^2/s_2^2 \approx 0{,}7736\) ile \[ \frac{0{,}7736}{4{,}20} \approx 0{,}184 \le \frac{\sigma_1^2}{\sigma_2^2} \le 0{,}7736 \cdot 4{,}82 \approx 3{,}729 . \] Aralık \(1\)’i içerdiğinden varyanslar eşit kabul edilir ve ortak varyanslı \(t\) aralığı kullanılır.
Ortak varyans. \[ s_p^2 = \frac{7 \cdot 4{,}1 + 9 \cdot 5{,}3}{16} = \frac{28{,}7 + 47{,}7}{16} = 4{,}775, \qquad s_p \approx 2{,}1852 . \]
Aralık. \(\sqrt{\frac18 + \frac{1}{10}} = \sqrt{0{,}225} \approx 0{,}4743\), dolayısıyla farkın tahmini standart sapması \(2{,}1852 \cdot 0{,}4743 \approx 1{,}0365\)’tir. \(t\) tablosundan \(t_{16,\,0{,}975} = 2{,}120\) ve hata payı \(2{,}120 \cdot 1{,}0365 \approx 2{,}197\)’dir. Nokta tahmini \(24{,}3 - 21{,}9 = 2{,}4\) olduğundan \[ 0{,}203 \le \mu_1 - \mu_2 \le 4{,}597 . \] Aralık \(0\)’ı içermez: %95 güvenle birinci gübrenin ortalama verimi daha yüksektir.
\(\blacksquare\)
Örnek 19.13 (Abonelik Oranı İçin Gereken Örneklem Hacmi) Bir ilçedeki hanelerin internet aboneliği oranı \(p\), %95 güvenle en çok \(0{,}02\) hata payıyla tahmin edilecektir. Bir ön çalışmada oran \(0{,}22\) bulunmuştur. En az kaç hane seçilmelidir?
Çözüm
\(z_{0{,}975} = 1{,}96\), \(\hat p = 0{,}22\) ve \(\hat q = 0{,}78\) ile Tablo 19.16 formülü \[ n \ge \frac{1{,}96^2 \cdot 0{,}22 \cdot 0{,}78}{0{,}02^2} = \frac{3{,}8416 \cdot 0{,}1716}{0{,}0004} \approx 1648{,}05 \] verir; \(n\) yukarı yuvarlanır ve en az \(1649\) hane seçilir. Ön çalışma olmasaydı \(\hat p\hat q \le \frac14\) sınırıyla \(n \ge \frac{1{,}96^2}{4 \cdot 0{,}0004} = 2401\) gerekirdi.
\(\blacksquare\)
19.12 Hipotez Testleri
Bir test sorusu her zaman aynı beş adımı izler (Hipotez Testlerine Giriş). Kritik bölgenin büyüklüğü \(\alpha\) ile, yeri karşı hipotezin yönüyle belirlenir.
- Hipotezleri kur. \(H_0 : \mu = \mu_0\); \(H_1\)’in yönünü sorunun iddiasından oku (\(<\), \(>\) ya da \(\ne\)).
- \(\alpha\)’yı al. Verilmemişse \(\alpha = 0{,}05\).
- İstatistiği seç. \(\sigma\) biliniyorsa \(Z = \dfrac{\bar X - \mu_0}{\sigma/\sqrt n}\), bilinmiyorsa \(T = \dfrac{\bar X - \mu_0}{S/\sqrt n}\) (\(n - 1\) serbestlik derecesi).
- Kritik bölgeyi yaz (Tablo 19.17).
- Karar ver ve sonucu sorunun diliyle yaz: “reddedilmez”, “kabul edilir” ile aynı şey değildir.
| \(H_1\) | \(Z\) testi reddeder (Teorem 16.1) | \(t\) testi reddeder (Teorem 16.3) | \(p\) değeri (Tanım 16.12) |
|---|---|---|---|
| \(\mu > \mu_0\) | \(Z > z_{1-\alpha}\) | \(T > t_{n-1,\,1-\alpha}\) | \(P(Z \ge z)\) |
| \(\mu < \mu_0\) | \(Z < -z_{1-\alpha}\) | \(T < -t_{n-1,\,1-\alpha}\) | \(P(Z \le z)\) |
| \(\mu \ne \mu_0\) | \(\lvert Z \rvert > z_{1-\alpha/2}\) | \(\lvert T \rvert > t_{n-1,\,1-\alpha/2}\) | \(2P(Z \ge \lvert z \rvert)\) |
Hatalar ve güç (Tanım 16.9, Tanım 16.11): \(\alpha = P(H_0 \text{ reddedilir} \mid H_0)\), \(\beta = P(H_0 \text{ reddedilmez} \mid H_1)\), güç \(1 - \beta\). \(Z\) testinde \(\delta = \dfrac{(\mu - \mu_0)\sqrt n}{\sigma}\) ile (Teorem 16.2) \[ \begin{aligned} H_1 : \mu > \mu_0 &: \quad \pi(\mu) = P(Z > z_{1-\alpha} - \delta),\\[1mm] H_1 : \mu < \mu_0 &: \quad \pi(\mu) = P(Z < -z_{1-\alpha} - \delta); \end{aligned} \] iki yönlü testte ise iki kuyruğun \(z_{1-\alpha/2}\) ile yazılmış olasılıkları toplanır.
Kısa yollar.
- \(p < \alpha\) ise \(H_0\) reddedilir. \(t\) testinde \(p\), gözlenen \(|t|\)’nin arasına düştüğü iki tablo kantilinden sıkıştırılır.
- İki yönlü \(\alpha\) düzeyli test, \(\mu_0\) %\(100(1-\alpha)\) güven aralığının dışındaysa reddeder (Teorem 16.4); aralık elde varsa yeni hesap gerekmez.
- Sağa yönlü \(Z\) testinde \(\mu\) noktasında gücün en az \(1 - \beta\) olması \(\delta \ge z_{1-\alpha} + z_{1-\beta}\), yani \(n \ge \Big(\dfrac{(z_{1-\alpha} + z_{1-\beta})\,\sigma}{\mu - \mu_0}\Big)^2\) demektir.
- \(H_1\)’in yönü veriden değil sorunun iddiasından okunur.
- İki yönlü testte \(\alpha\) iki kuyruğa bölünür; tek yönlüde tamamı bir kuyruktadır.
- Güç hesabında kritik değer \(H_0\) altında bulunur, olasılık ise gerçek ortalama \(\mu\) altında hesaplanır.
Örnek 19.14 (Pil Ömrü İddiasının t Testi) Bir üretici pillerinin ortalama ömrünün \(50\) saat olduğunu söylüyor. Rastgele seçilen \(16\) pilin ortalama ömrü \(\bar x = 48{,}2\) saat, standart sapması \(s = 3{,}6\) saat bulunuyor. Ömürlerin normal dağıldığını kabul ederek, \(\alpha = 0{,}05\) düzeyinde ortalama ömrün \(50\) saatten az olduğu söylenebilir mi? \(p\) değeri hangi aralıktadır?
Çözüm
Hipotezler. \(H_0 : \mu = 50\), \(H_1 : \mu < 50\) (sola yönlü).
İstatistik. \(\sigma\) bilinmediğinden \(t\) testi: \(S/\sqrt n = 3{,}6/4 = 0{,}9\) ve serbestlik derecesi \(15\).
Kritik bölge. \(t\) tablosundan \(t_{15,\,0{,}95} = 1{,}753\); \(H_0\), \(T < -1{,}753\) ise reddedilir.
Karar. Gözlenen değer \[ t = \frac{48{,}2 - 50}{0{,}9} = -2{,}00 < -1{,}753 \] olduğundan \(H_0\) reddedilir: %5 düzeyinde ortalama ömrün \(50\) saatten az olduğu sonucuna varılır.
\(p\) değeri. \(|t| = 2{,}00\), tabloda \(t_{15,\,0{,}95} = 1{,}753\) ile \(t_{15,\,0{,}975} = 2{,}131\) arasındadır; dolayısıyla \(0{,}025 < p < 0{,}05\).
\(\blacksquare\)
Örnek 19.15 (Sağa Yönlü Z Testinin Gücü) \(\sigma = 5\) olan normal bir kitleden \(n = 25\) birimlik örneklemle \(H_0 : \mu = 40\) hipotezi \(H_1 : \mu > 40\)’a karşı \(\alpha = 0{,}05\) düzeyinde test ediliyor. Gerçek ortalama \(\mu = 42{,}5\) ise testin gücü nedir?
Çözüm
Kritik bölge. \(\sigma/\sqrt n = 5/5 = 1\) ve \(z_{0{,}95} = 1{,}645\) olduğundan \(H_0\), \(\bar X > 40 + 1{,}645 = 41{,}645\) ise reddedilir.
Güç. \(\mu = 42{,}5\) iken \(\bar X \sim N(42{,}5;\ 1)\)’dir: \[ \pi(42{,}5) = P(\bar X > 41{,}645) = P\Big(Z > \frac{41{,}645 - 42{,}5}{1}\Big) = P(Z > -0{,}855). \] Simetriden bu \(0{,}5 + A(0{,}855)\)’tir. Tabloda \(A(0{,}85) = 0{,}3023\) ile \(A(0{,}86) = 0{,}3051\) arasında ara değer alınırsa \(A(0{,}855) \approx 0{,}3037\) ve \[ \pi(42{,}5) \approx 0{,}8037, \qquad \beta \approx 0{,}1963 . \] Aynı sonuç güç formülünden de çıkar: \(\delta = \frac{2{,}5 \cdot 5}{5} = 2{,}5\) ve \(\pi = P(Z > 1{,}645 - 2{,}5)\). Gücü \(0{,}90\)’a çıkarmak için kısa yoldaki formül \[ n \ge \Big(\frac{(1{,}645 + 1{,}282) \cdot 5}{2{,}5}\Big)^2 \approx 34{,}27, \] yani \(n = 35\) verir.
\(\blacksquare\)
Kitabın konularını bir arada kullanan çözümlü sorular Alıştırmalar bölümünde, bütün tablo değerleri Tablolar sayfasındadır.