END 214 - Olasılık ve İstatistik II

DERS 7-8: Noktasal Tahminediciler-II

2022-2023 Bahar Dönemi

Prof. Dr. Tahir HANALİOĞLU

TOBB ETÜ
1
 DERS 7-Devam-03.02.2023-Cuma
NOKTASAL TAHMİN EDİCİNİN TEMEL ÖZELLİKLERİ
Bu bölümde tahmin edicilerin aşağıdaki 4 özelliği incelenecektir:
1. Yansızlık özelliği
2. Tutarlılık özelliği
3. Etkinlik özelliği
4. Asimptotik Normallik özelliği
Bir tahmin edici bu özelliklerden en az ilk 3’ünü sağlıyorsa o «iyi» tahmin
edicidir.

2
YANSIZLIK ÖZELLİĞİ
𝑋 = (𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) örneklemi, dağılım fonksiyonu 𝐹𝜃 𝑥 olan bir kitleden seçilmiş olsun. 𝜃
parametresinin bilinmediği varsayılıyor. Bu takdirde, 𝜃෠𝑛 = 𝑔(𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) istatistiği 𝜃
bilinmeyen kitle parametresi için önerilmiş bir tahmin edici olsun.

෡ 𝒏 = 𝜽 eşitliği sağlanıyor ise, bu takdirde, 𝜃෠𝑛 tahmin

Tanım 1. Eğer her 𝑛 = 1, 2, 3 … için 𝑬 𝜽
edicisi 𝜃 parametresi için Yansız bir Tahmin Edicidir denir. Bu özelliği de yansızlık özelliği denir.

3
Not 1. 𝐸 𝜃෠𝑛 ≠ 𝜃 ise, bu takdirde, 𝜃෠𝑛 Tahmin Edicisi Yanlıdır denir Ayrıca,
Yanlılık≡ 𝐵𝑖𝑎𝑠 𝜃෠𝑛 ≡ 𝐸 𝜃෠𝑛 − 𝜃 şeklinde tanımlanır.

Not 2. lim 𝐸 𝜃෠𝑛 = 𝜃 oluyor ise bu takdirde, 𝜃෠𝑛 Tahmin Edicisi 𝜃 parametresi için
𝑛→∞
Asimptotik Yansızdır denir.

1 𝑛
෠ ത
Örnek 1. 𝜃𝑛 ≡ 𝑋 = 𝑛 σ𝑖=1 𝑋𝑖 istatistiğinin 𝜃 = 𝜇 kitle ortalaması için yansız bir
tahmin edici olduğunu gösteriniz.

4
Çözüm. 𝜃෠𝑛 ≡ 𝑋ത Örneklem Ortalamasının 𝜇 Kitle Ortalaması için Yansız bir
Tahmin Edici olduğunu aşağıdaki gibi gösterebiliriz:
𝑛 𝑛 𝑛 𝑛
1 1 1 1
𝐸 𝜃෠𝑛 = 𝐸 𝑋ത = 𝐸 ෍ 𝑋𝑖 = 𝐸 ෍ 𝑋𝑖 = ෍ 𝐸 𝑋𝑖 = ෍ 𝜇
𝑛 𝑛 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1
1
= ∙ 𝑛𝜇 = 𝜇
𝑛

Burada 𝐸 𝑋𝑖 = 𝜇, 𝑖 = 1, 2, … , 𝑛 dir.

5
 1
Örnek 2. Örneklem Varyansı 𝜃෠𝑛 ≡ 𝑆መ𝑋2 = 𝑛−1 σ𝑛𝑖=1(𝑋𝑖 − 𝑋)
ത 2 istatistiğinin 𝜃 = 𝜎 2

Kitle Varyansı için Yansız Tahmin Edici olduğunu gösteriniz.

6
 .

1 1
Çözüm. 𝐸 𝜃෠𝑛 = 𝐸 𝑆መ𝑋2 = 𝐸 𝑛−1
σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 2
= 𝑛−1
𝐸 σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 2

𝑛 𝑛
1 1
= ෍ 𝐸 𝑋𝑖 − 𝑋ത 2
= ത
෍ 𝐸 𝑋𝑖 − 𝜇) + (𝜇 − 𝑋) 2
=
𝑛−1 𝑛−1
𝑖=1 𝑖=1

𝑛
1
= ෍ 𝐸 𝑋𝑖 − 𝜇 2
+ 2 𝑋𝑖 − 𝜇 𝜇 − 𝑋ത + 𝜇 − 𝑋ത 2
𝑛−1
𝑖=1

7
 .

𝑛
1
= ෍ 𝐸 𝑋𝑖 − 𝜇 2
− 2 𝑋𝑖 − 𝜇 𝑋ത − 𝜇 + 𝑋ത − 𝜇 2
𝑛−1
𝑖=1

𝑛 𝑛 𝑛
1
= ෍ 𝐸 𝑋𝑖 − 𝜇 2
− 2 ෍ 𝐸(𝑋𝑖 −𝜇) 𝑋ത − 𝜇 + ෍ 𝐸 𝑋ത − 𝜇 2
𝑛−1
𝑖=1 𝑖=1 𝑖=1

𝑛 𝑛 𝑛
1
= ෍ 𝑉𝑎𝑟 𝑋𝑖 − 2𝐸 ෍(𝑋𝑖 −𝜇) 𝑋ത − 𝜇 + ෍ 𝑉𝑎𝑟 𝑋ത
𝑛−1
𝑖=1 𝑖=1 𝑖=1

8
 . 𝑛
1
= 𝑛𝑉𝑎𝑟 𝑋1 − 2𝐸 𝑋ത − 𝜇 ෍ 𝑋𝑖 − 𝑛𝜇 + 𝑛𝑉𝑎𝑟 𝑋ത
𝑛−1
𝑖=1

1
= 𝑛𝜎 2 − 2𝐸 𝑋ത − 𝜇 𝑛𝑋ത − 𝑛𝜇 + 𝑛𝑉𝑎𝑟 𝑋ത
𝑛−1
1
= 𝑛𝜎 2 − 2𝑛𝐸 𝑋ത − 𝜇 2
+ 𝑛𝑉𝑎𝑟 𝑋ത
𝑛−1
1
= 𝑛𝜎 2 − 2𝑛𝑉𝑎𝑟 𝑋ത + 𝑛𝑉𝑎𝑟 𝑋ത
𝑛−1
2
1 2
𝜎 1
= 𝑛𝜎 − 𝑛 ∙ = 𝑛 − 1 𝜎2 = 𝜎2
𝑛−1 𝑛 𝒏−𝟏
9
 .

Özetle, 𝐸 𝑆መ𝑋2 ≡ 𝜎 2 olduğu için 𝑆መ𝑋2 tahmin edicisi 𝜎 2 için yansız tahmin edicidir.

10
TUTARLILIK ÖZELLİĞİ .

𝑋 = (𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) örneklemi, dağılım fonksiyonu 𝐹𝜃 𝑥 olan bir kitleden

seçilmiş olsun. 𝜃 parametresinin bilinmediği varsayılıyor. Bu takdirde, 𝜃෠𝑛 =
𝑔(𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) istatistiği 𝜃 bilinmeyen kitle parametresi için önerilmiş bir
tahmin edici olsun.

Tanım 2. Eğer 𝜃෠𝑛 İstatistiği 𝜃 parametresine 𝑛 → ∞ iken Olasılığa göre

yakınsıyor ise bu takdirde, 𝜃෠𝑛 istatistiği 𝜃 kitle parametresi için Tutarlı Tahmin
Edicidir denir. Yani, her 𝜀 > 0 için 𝑷 𝜽 ෡ 𝒏 − 𝜽 ≥ 𝜺 → 𝟎, 𝒏 → ∞ oluyorsa, 𝜃෠𝑛
istatistiği 𝜃 kitle parametresi için tutarlı tahmin edicidir.

Başka bir deyişle, eğer 𝜃෠𝑛 𝜃 Olasılığa göre oluyor ise 𝜃෠𝑛 istatistiği 𝜃 kitle
𝑛→∞
parametresi için tutarlı tahmin edicidir.
11
 .

Örnek 3. 𝑋 = (𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) verileri dağılım fonksiyonu 𝐹𝜃 𝑥 olan bir

1 𝑛
෠ ത
kitleden seçilmiş olsun. 𝜃𝑛 ≡ 𝑋 = 𝑛 σ𝑖=1 𝑋𝑖 istatistiğinin 𝜃 = 𝜇 kitle ortalaması

için Tutarlı bir Tahmin Edici olduğunu gösteriniz.

12
 .

Çözüm. Amacımız 𝜃෠𝑛 𝜃 Olasılığa göre olduğunu göstermektir. Bunun için

𝑛→∞
aşağıdaki hesaplamaları yapalım:
𝑛 𝑛
1 1
𝐸 𝜃෠𝑛 = 𝐸 𝑋ത = 𝐸 ෍ 𝑋𝑖 = 𝐸 ෍ 𝑋𝑖
𝑛 𝑛
𝑖=1 𝑖=1
𝑛 𝑛
1 1 1
= ෍ 𝐸 𝑋𝑖 = ෍ 𝜇 = ∙ 𝑛𝜇 = 𝜇
𝑛 𝑛 𝑛
𝑖=1 𝑖=1

𝐸 𝑋ത = 𝜇 olduğunu yukarıda gösterdik.

13
 .

𝜃෠𝑛 ≡ 𝑋ത İstatistiğinin Tutarlı olduğunu göstermek için Chebyşev eşitsizliğini

kullanacağız. Bu amaçla, Chebyşev eşitsizliğini hatırlayalım:
𝑉𝑎𝑟 𝑋
𝑃 𝑋−𝜇 ≥𝜀 ≤
𝜀2
ത i bulalım:
Bu nedenle, önce 𝑉𝑎𝑟(𝑋)'

1 𝑛 1 𝑛 1 𝜎2
𝑉𝑎𝑟 𝑋ത = 𝑉𝑎𝑟 σ 𝑋 = σ 𝑉𝑎𝑟 𝑋𝑖 = 2
×𝑛𝜎 =
𝑛 𝑖=1 𝑖 𝑛2 𝑖=1 𝑛2 𝑛

14
 .
Chebysev eşitsizliğine göre, ∀𝜀 > 0 için
2
𝜎2 𝜎
𝑉𝑎𝑟 𝑋ത 𝑛 𝜎 2
𝜀 2 𝑐
0 ≤ 𝑃 𝑋ത − 𝐸 𝑋ത ≥𝜀 ≤ 2
= 2 = 2= = 0 1
𝜀 𝜀 𝑛𝜀 𝑛 𝑛 𝑛→∞
𝜎2
Burada 𝑐 ≡ ’ dır.
𝜀2

Başka bir değişle, olasılığa göre 𝑋ത 𝜇 oluyor.

𝑛→∞

(1) eşitsizliği 𝑋ത tahmin edicisinin 𝜇 için tutarlı tahmin edici olduğunu

göstermektedir.

15
Tahmin Edicinin tutarlı olması için yeterli koşullar vardır.

Teorem 1. 𝜃෠𝑛 Tahmin Edicisi bilinmeyen kitle parametresi 𝜃 için Yansız Tahmin

Edici ise ve lim 𝑉𝑎𝑟 𝜃෠𝑛 = 0 ise, bu durumda 𝜃෠𝑛 istatistiği 𝜃 parametresi için
𝑛→∞

Tutarlı Tahmin Edicidir.

16
Örnek 4. 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 örneklemi Normal dağılıma sahip 𝑋𝑖 ∈ 𝑁 𝜇, 𝜎 2 bir
𝟏
෡
kitleden seçilen bir örneklem olsun. Bu durumda, 𝑺𝑿 = 𝒏−𝟏 σ𝒏𝒊=𝟏(𝑿𝒊 − 𝑿
𝟐 ഥ )𝟐 örneklem

Varyansının, kitle varyansı olan 𝜎 2 için Tutarlı bir Tahmin Edici olduğunu gösteriniz.

17
Çözüm. 𝑆መ𝑋2 , Tahmin Edicisinin 𝜎 2 için Yansız bir Tahmin Edici olduğunu Örnek 2’
𝟐𝝈𝟒
de göstermiştik. Ayrıca, 𝑽𝒂𝒓 ෡
𝑺𝟐𝑿 = olduğunu biliyoruz. Bu durumda,
𝒏−𝟏

aşağıdaki eşitliği yazabiliriz:

2𝜎 4
lim 𝑉𝑎𝑟 𝑆መ𝑋2 = lim =0
𝑛→∞ 𝑛→∞ 𝑛 − 1

lim 𝑉𝑎𝑟 𝑆መ𝑋2 = 0 olduğu için 𝑆መ𝑋2 tahminedicisi 𝜎 2 için Tutarlı bir Tahmin Edici
𝑛→∞
oluyor.

18
ETKİNLİK ÖZELLİĞİ
𝑋Ԧ = (𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) örneklemi, dağılım fonksiyonu 𝐹𝜃 𝑥 olan bir kitleden seçilmiş olsun.

Tanım 3. 𝜃መ1𝑛 , 𝜃መ2𝑛 , … , 𝜃መ𝑟𝑛 , 𝑟 = 2, 3, … istatistikleri bilinmeyen 𝜃 parametresi için birer Tutarlı ve
Yansız Tahmin Ediciler olsun. Bu tahmin Ediciler arasından Varyansı en küçük olan Tahmin
Ediciye Etkin Tahmin Edici denir. Bunu matematiksel olarak aşağıdaki gibi ifade edebiliriz:

𝑉𝑎𝑟 𝜃መ𝑛∗ ≡ min 𝑉𝑎𝑟 𝜃መ1𝑛 , 𝑉𝑎𝑟 𝜃መ2𝑛 , … , 𝑉𝑎𝑟 𝜃መ𝑟𝑛

Varsayalım ki, 𝑖. Tahmin Edicinin (yani 𝜃መ𝑖𝑛

′
𝑛𝑖𝑛) Varyansı 𝑉𝑎𝑟 𝜃መ𝑛∗ ’ e eşittir. Başka bir deyişle,

𝑉𝑎𝑟 𝜃መ𝑖𝑛 = 𝑉𝑎𝑟 𝜃መ𝑛∗ olsun. Bu takdirde, 𝑖. Tahmin Edici daha Etkin bir Tahmin Edicidir.

19
Örnek 5. 𝑋Ԧ = (𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋2𝑛−1 , 𝑋2𝑛 ) örneklemi olsun. Bu durumda, Kitle ortalaması 𝜇 için
aşağıdaki Tahmin Ediciler önerilmiş olsun:

𝑛
1
𝜃෠1𝑛 = ෍ 𝑋2𝑖−1 ;
𝑛
𝑖=1

𝑛
1
𝜃෠2𝑛 = ෍ 𝑋2𝑖 ;
𝑛
𝑖=1

2𝑛
1
𝜃෠3𝑛 = ෍ 𝑋𝑖 ;
2𝑛
𝑖=1

Bu Tahmin Edicilerden hangisi daha etkindir?

20
Çözüm. Öncelikle, yukarıdaki Tahmin Edicilerin Yansız ve Tutarlı birer
Tahmin Ediciler olduğunu gösterelim.
𝑛 𝑛
1 1 1
𝐸 𝜃෠1𝑛 = 𝐸 ෍ 𝑋2𝑖−1 = ෍ 𝐸 𝑋2𝑖−1 = ∙ 𝑛𝜇 = 𝜇
𝑛 𝑛 𝑛
𝑖=1 𝑖=1
𝑛
1 1
𝐸 𝜃෠2𝑛 = 𝐸 ෍ 𝑋2𝑖 = ∙ 𝑛𝜇 = 𝜇
𝑛 𝑛
𝑖=1
2𝑛
1 1
𝐸 𝜃෠3𝑛 = 𝐸 ෍ 𝑋𝑖 = ∙ 2𝑛𝜇 = 𝜇
2𝑛 2𝑛
𝑖=1

Yani, 𝜃෠1𝑛 , 𝜃෠2𝑛 , 𝜃෠3𝑛 Tahmin Edicileri Yansız birer Tahmin Edicidır. Şimdi de
Tutarlı olduğunu gösterelim. Bunun için Varyanslarını bulalım.
21
 𝑛
1 1 𝑛
𝑉𝑎𝑟 𝜃෠1𝑛 = 𝑉𝑎𝑟 ෍ 𝑋2𝑖−1 = 2 ෍ 𝑉𝑎𝑟 𝑋2𝑖−1
𝑛 𝑛 𝑖=1
𝑖=1
2
1 𝜎
= 2 ∙ 𝑛𝜎 2 = 2
𝑛 𝑛

Teorem 1’ e göre lim 𝑉𝑎𝑟 𝜃෠𝑛 = 0 ise Tahmin Edici Tutarlı olacaktır. Bu takdirde,
𝑛→∞
𝜎2
lim 𝑉𝑎𝑟 𝜃෠1𝑛 = lim =0
𝑛→∞ 𝑛→∞ 𝑛

oluyor.

Yani, 𝜃෠1𝑛 Tahmin Edicisi Tutarlı bir Tahmin Edicidir.

22
Benzer şekilde 𝜃෠2𝑛 ve 𝜃෠3𝑛 Tahmin Edicilerinin Tutarlı bir Tahmin Edici olduğunu
gösterelim:

𝑛 2
1 1 𝑛 1 𝜎
𝑉𝑎𝑟 𝜃෠2𝑛 = 𝑉𝑎𝑟 ෍ 𝑋2𝑖 = 2 ෍ 𝑉𝑎𝑟 𝑋2𝑖 = 2 ∙ 𝑛𝜎 2 = 3
𝑛 𝑛 𝑖=1 𝑛 𝑛
𝑖=1

𝜎2
lim 𝑉𝑎𝑟 𝜃෠2𝑛 = lim =0
𝑛→∞ 𝑛→∞ 𝑛

23
 2𝑛 2
1 1 2𝑛 1 𝜎
𝑉𝑎𝑟 𝜃෠3𝑛 = 𝑉𝑎𝑟 ෍ 𝑋𝑖 = 2 ෍ 𝑉𝑎𝑟 𝑋𝑖 = 2 ∙ 2𝑛𝜎 2 = 4
2𝑛 4𝑛 𝑖=1 4𝑛 2𝑛
𝑖=1
𝜎2
lim 𝑉𝑎𝑟 𝜃෠3𝑛 = lim =0
𝑛→∞ 𝑛→∞ 2𝑛

(2), (3) ve (4) eşitliklerinden görünmektedir ki, 𝑉𝑎𝑟 𝜃෠3𝑛 < 𝑉𝑎𝑟 𝜃෠2𝑛 =

𝑉𝑎𝑟 𝜃෠1𝑛 ’ dır.

Sonuç olarak, 𝜃෠3𝑛 Tahmin Edicisi minimal Varyansa sahiptir. Yani, 𝜃෠3𝑛 istatistiği 𝜇
Kitle Ortalaması için daha Etkin bir Tahmin Edicidir.

24
DERS 8: En Etkin Tahmin Edici-07.02.2023-Salı
𝑋Ԧ = (𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) örneklemi, dağılım fonksiyonu 𝐹𝜃 𝑥 olan bir kitleden seçilmiş olsun. 𝑓𝜃 𝑥
ile bu dağılımın Olasılık Yoğunluk Fonksiyonunun (eğer sürekli dağılım söz konusu ise) veya
Olasılık Fonksiyonunu (eğer kesikli dağılım söz konusu ise) göstereceğiz. 𝜃መ𝑛 İstatistiği bilinmeyen 𝜃
parametresi için önerilmiş bir Tahmin Edici olsun. Ayrıca, bu Tahmin Edicinin Yansız ve Tutarlı
Tahmin Edici olduğunu varsayalım. Bu takdirde, 𝜃መ𝑛 Tahmin Edicinin Varyansı aşağıdan sınırlı olup,
verilen eşitsizliği sağlar:
𝟏
෡𝒏 ≥
𝑽𝒂𝒓 𝜽 5
𝒏𝑰 𝜽

𝜕 2 ln 𝑓𝜃 𝑥
Burada I 𝜃 ≡ 𝐸 − |𝑥=𝑋1 olup, Fisher Enformasyon Fonksiyonu denir.
𝜕𝜃 2

25
Not 1. Eğer bir 𝜃෠𝑛 için (5) eşitsizliği, eşitliğe dönüşüyor ise, bu takdirde, 𝜃෠𝑛 Tahmin
Ediciye En Etkin Tahmin Edici denir.

Not 2. (5) eşitsizliğine literatürde Rao – Cramer - Fisher eşitsizliği denir.

Örnek 6. 𝑋 = (𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) örneklemi, 𝜆 parametreli Poisson dağılıma sahip

bir kitleden seçilmiş olsun. Bu durumda,

1
𝜃෠𝑛 = 𝑋ത = 𝑛 σ𝑛𝑖=1 𝑋𝑖 İstatistiğinin 𝜆 parametresi için En Etkin Tahmin Edici

olduğunu gösteriniz.

26
 𝜆𝑛 ∙𝑒 −𝜆 𝜆𝑥 ∙𝑒 −𝜆
Çözüm. 1) 𝑝𝑛 = , 𝑛 = 0, 1, 2, … ⇒ 𝑓𝜃 𝑥 = , 𝑥 = 0, 1, 2, …
𝑛! 𝑥!

𝜃 ≡ 𝜆 olarak tanımlansın.

𝜆𝑥 ∙𝑒 −𝜆
2) ln 𝑓𝜆 𝑥 = ln 𝑥!
= ln 𝜆𝑥 + ln 𝑒 −𝜆 − ln 𝑥! = 𝑥 ln 𝜆 − 𝜆 − ln 𝑥!

′ ′ 𝑥
3) ln 𝑓𝜆 𝑥 𝜆 = 𝑥 ln 𝜆 − 𝜆 − ln 𝑥! 𝜆 = −1
𝜆

𝑥 ′ 𝑥
′′
ln 𝑓𝜆 𝑥 𝜆𝜆 = −1 = − 𝜆2
𝜆 𝜆

27
 𝜕2 ln 𝑓𝜃 𝑥 𝑋
4) − 𝜕𝜃2
|𝑥=𝑋1 = 𝜆21

𝜕2 ln 𝑓𝜃 𝑥 𝑋1 1 1 1
5) I 𝜃 ≡ 𝐸 − |𝑥=𝑋1 = 𝐸 = 𝐸 𝑋1 = ∙𝜆=
𝜕𝜃2 𝜆2 𝜆2 𝜆2 𝜆

1 1 𝜆
⇒I 𝜃 = ; ⇒ = (sağ taraf)
𝜆 𝑛𝐼 𝜃 𝑛

Özetlersek, (5) eşitsizliğinin sağ tarafını bulmuş olduk.

28
Şimdi de bu eşitsizliğin sol tarafını bulalım:

𝑛 𝑛 2
1 1 1 𝜎
𝑉𝑎𝑟 𝜃෠𝑛 = 𝑉𝑎𝑟 𝑋ത = 𝑉𝑎𝑟 ෍ 𝑋𝑖 = 2 ෍ 𝑉𝑎𝑟 𝑋𝑖 = 2 ∙ 𝑛𝜎 2 =
𝑛 𝑖=1 𝑛 𝑖=1 𝑛 𝑛

Burada, 𝜎 2 = 𝑉𝑎𝑟 𝑋1 ’ dır.

𝑋1 ∈ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝜆 olduğu için 𝑉𝑎𝑟 𝑋1 = 𝜆’ dır. Bu durumda, 𝜎 2 = 𝜆 olacaktır. Bu
durumda,
𝜎2 𝜆
𝑉𝑎𝑟 𝜃෠𝑛 = 𝑛
= 𝑛
sonucunu elde ederiz. (sol taraf)

29
Yani, (5) eşitsizliğinin sol tarafını da elde etmiş olduk. (5) eşitsizliğinin sol ve sağ
tarafı bir birine eşit oldu. Rao – Cramer - Fisher eşitsizliği eşitliğe dönüştü. Bu o
1
demektir ki, 𝜃෠𝑛 = 𝑋ത = 𝑛 σ𝑛𝑖=1 𝑋𝑖 İstatistiği 𝜆 parametresi için En Etkin Tahmin

Edicidir.

30
Örnek 7. 𝑋 = (𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) örneklemi, 𝜇, 𝜎 2 parametreli Normal
dağılıma sahip bir kitleden seçilmiş olsun. Bu durumda,
1 𝑛
෠ ത
𝜃𝑛 = 𝑋 = σ𝑖=1 𝑋𝑖 İstatistiğinin 𝜇 parametresi için En Etkin Tahmin Edici
𝑛

olduğunu gösteriniz.

31
Çözüm. İlk olarak Normal dağılımın olasılık yoğunluk fonksiyonunu yazalım:

2
1 𝑥−𝜇
𝑓𝜃 𝑥 = exp − ,𝑥 ∈ 𝑅 6
2𝜋𝜎 2𝜎 2

(6) eşitliğinin her iki tarafının logaritmasını alalım:

2
1 𝑥−𝜇
ln 𝑓𝜃 𝑥 = ln exp −
2𝜋𝜎 2𝜎 2

2
1 𝑥−𝜇
= ln + ln exp −
2𝜋𝜎 2𝜎 2

2
𝑥−𝜇
= − ln 2𝜋𝜎 −
2𝜎 2
32
Şimdi aşağıdaki hesaplamaları yapalım:
′
′ 𝑥−𝜇 2 𝑥−𝜇
ln 𝑓𝜇 𝑥 = − ln 2𝜋𝜎 − =
𝜇 2𝜎 2 𝜇
𝜎2
′′ 𝑥−𝜇 ′ 1 𝜕2 ln 𝑓𝜇 𝑥 1
ln 𝑓𝜇 𝑥 𝜇𝜇
= 𝜎2 𝜇
= − 𝜎2 ⇒ − 𝜕𝜇2
|𝑥=𝑋1 = 𝜎2

𝜕2 ln 𝑓𝜃 𝑥
Şimdi I 𝜃 ≡ 𝐸 − 𝜕𝜃2
|𝑥=𝑋1 ifadesini hesaplayalım:

𝜕 2 ln 𝑓𝜇 𝑥 1 1
I 𝜃 ≡𝐸 − |𝑥=𝑋1 =𝐸 2 = 2
𝜕𝜇2 𝜎 𝜎

33
 1 1 𝜎2
⇒I 𝜃 = ; ⇒ = (sağ taraf)
𝜎2 𝑛𝐼 𝜃 𝑛

Özetlersek, (5) eşitsizliğinin sağ tarafını bulmuş olduk. Şimdi de bu eşitsizliğin sol tarafını bulalım:

1 𝑛 1 1 𝜎2
𝑉𝑎𝑟 𝜃መ𝑛 = 𝑉𝑎𝑟 𝑋ത = 𝑉𝑎𝑟 σ 𝑋 = σ𝑛𝑖=1 𝑉𝑎𝑟 𝑋𝑖 = ∙ 𝑛𝜎 2 = (sol taraf)
𝑛 𝑖=1 𝑖 𝑛 2 𝑛2 𝑛

Burada, 𝜎 2 = 𝑉𝑎𝑟 𝑋1 ’ dır.

𝜎 2
𝑋1 ∈ 𝑁 𝜇, 𝜎 2 olduğu için 𝑉𝑎𝑟 𝑋1 = 𝜎 2 ’ dır. Bu durumda, 𝑉𝑎𝑟 𝜃መ𝑛 = sonucunu elde ederiz.
𝑛

34
Yani, (5) eşitsizliğinin sol tarafını da elde etmiş olduk. (5) eşitsizliğinin sol ve
sağ tarafı bir birine eşit oldu. Rao – Cramer - Fisher eşitsizliği eşitliğe
1 𝑛
෠ ത
dönüştü. Bu o demektir ki, 𝜃𝑛 = 𝑋 = σ𝑖=1 𝑋𝑖 İstatistiği 𝜇 parametresi için
𝑛

En Etkin Tahmin Edicidir.

35
 ASİMPTOTİK NORMALLİK ÖZELLİĞİ
𝑋 = (𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) örneklemi, dağılım fonksiyonu 𝐹𝜃 𝑥 olan bir kitleden seçilmiş olsun.

Tanım 4. Bilinmeyen 𝜃 parametresi için 𝜃መ𝑛 Tahmin Edicisi önerilmiş olsun. Eğer, öyle 𝐴𝑛 ve 𝐵𝑛 > 0
rasgele olmayan sabitler varsa ve onlar için aşağıdaki ilişki sağlanıyor ise, 𝜃መ𝑛 Tahmin Edicisi
Asimptotik Normaldir denir:

𝜃መ𝑛 − 𝐴𝑛
𝑍 𝑖𝑛 𝑁 0, 1 𝑑𝑎ğı𝑙ı𝑚𝑎 𝑔ö𝑟𝑒 7
𝐵𝑛 𝑛→∞

Not 3. Çoğu zaman, 𝐴𝑛 ≈ 𝐸 𝜃መ𝑛 ; 𝐵𝑛2 ≈ 𝑉𝑎𝑟 𝜃መ𝑛 olarak seçiliyor.

36
 1
Örnek 8. Bilindiği üzere 𝑋ത = 𝑛 σ𝑛𝑖=1 𝑋𝑖 İstatistiği Kitle ortalaması için Yansız,
ത nin Asimptotik Normal bir Tahmin Edici
Tutarlı ve En Etkin Tahmin Edicidir. 𝑋’
olduğunu gösteriniz.

37
 𝜎 2 𝜎 2
Çözüm. 𝐸 𝑋ത = 𝜇 ve 𝑉𝑎𝑟 𝑋ത = olduğu bilinmektedir. Bu durumda, 𝐴𝑛 = 𝜇 ve 𝐵𝑛2 = kabul edilebilir. Bu
𝑛 𝑛

takdirde, aşağıdaki hesaplamaları yapabiliriz:

1 𝑛
𝜃መ𝑛 − 𝐴𝑛 𝑋ത − 𝜇 𝑛 σ𝑖=1 𝑋𝑖 − 𝜇
= 𝜎 = 𝜎
𝐵𝑛
𝑛 𝑛
σ𝑛𝑖=1 𝑋𝑖 − 𝑛𝜇
= 𝑍 ∈ 𝑁 0, 1 𝑀𝑒𝑟𝑘𝑒𝑧𝑖 𝐿𝑖𝑚𝑖𝑡 𝑇𝑒𝑜𝑟𝑒𝑚𝑖𝑛𝑒 𝑔ö𝑟𝑒
𝜎 𝑛 𝑛→∞

𝜎
Bu durumda, 𝑋ത = 𝐴𝑛 + 𝐵𝑛 𝑍 = 𝜇 + 𝑍 sonucuna ulaşmış oluyoruz. Yani, 𝑋ത İstatistiği Asimptotik Normal bir
𝑛

Tahmin Edicidir.

38