9.5. En Güçlü Testler
Bir hipotez testi probleminde, hata olasılıklarının küçük olması arzu edilir. Birinci tür hata olasılığı sabit tutularak ikinci tür hata olasılığı en küçük (gücü en fazla) olacak şekilde test kuralları geliştirilmeye çalışılır. Bazı testler, birinci tür hata olasılıklarını kontrol altında tutar (örneğin,
düzeyli testlerin birinci tür hata olasılığı en fazla
kadardır). Ancak, iyi bir test için ikinci tür hata olasılığının da küçük (testin gücünün de fazla) olması beklenir. Herhangi iki test, Test I ve Test II olsun. Eğer Test I in ikinci tür hata olasılığı Test II nin ikinci tür hata olasılığından daha küçük ise Test I tercih edilir. Kısaca, birinci tür hata olasılığı sabit tutulduğunda ikinci tür hata olasılığı küçük olan test daha iyidir. Birinci tür hata olasılığı sabit tutulduğunda ikinci tür hata olasılığı en küçük olan bir test varsa böyle bir test en iyi testtir. Bu kısımda bu tür testler ele alınacaktır.Tanım 9.5.1
H
0:
0 hipotezininH
a:
0c alternatif hipotezine karşı testi problemi için bütün
düzeyli testlerin sınıfı T olsun. T sınıfı içinde güç fonksiyonu
( ) olan bir
testi güç fonksiyonu
*( )
olan her
T
* ve
0c için( )
*( )
oluyorsa,
testine düzgün en güçlü (uniformly most powerful, UMP) test denir
Tanım 9.5.2
güç fonksiyonu
( ) olan bir test olmak üzere,0 1 0 0 1 0
( ) ( ) , her , c
ise,
test fonksiyonuna yansızdır denir
Tanımdaki koşul o kadar ağırdır ki, bir çok hipotez testi problemi için düzgün en güçlü test bulunamaz. Ayrıca, birinci tür hata olasılığı dikkate alınmadan ikinci tür hata olasılığını en küçük yapmak o kadar önemli değildir. Örneğin, bir test
H
0 hipotezini 1 olasılıkla red ederse, bu test için ikinci tür hata olasılığından bahsedilemez.Aşağıdaki teorem,
ölçekli düzgün en güçlü testlerin bulunması için önemlidir. Bu teorem, parametre uzayının sadece iki elemandan oluştuğu varsayımına dayanır. Bilindiği gibi, parametre kümesinde sadece bir eleman bulunan hipotezler basit, birden fazla eleman bulunan hipotezler de karmaşık hipotezlerdir. Yani, teorem basit hipotezlerin basit hipotezlere karşı test edilmesi problemleri için geçerlidir. { , }
0 1 iseH
0:
0 hipotezininH
a:
1 alternatifhipotezine karşı test edilmesi problemi için düzgün en güçlü test aşağıdaki teorem yardımı ile bulunabilir.
Teorem 9.5.1 (Neyman-Pearson Lemması)
X X
1,
2, , X
n olasılık veya olasılık yoğunluk fonksiyonu i0,1 içinf x ( ; )
i olan kitleden bir örneklem olsun.H
0:
0 yokluk hipotezininH
a:
1 alternatif hipotezine karşı testi problemi için önerilen1 0 1 0 1 0
( ; ) 1 , ( ; ) ( ; )
( ) ,
( ; ) ( ; ) 0 , ( ; )
f x c
f x
x f x c
f x
f x c
f x
(
n
örneklem hacmi yeterince büyük olduğunda test1 0 1 0
( ; ) 1 , ( ; )
( ) ( ; )
0 , ( ; )
f x c
x f x
f x c
f x
şeklinde ifade edilir).
bir test için
vec
sabitleri ( 0
1,c ) 0E
0( ( )) X
olacak şekilde belirlendiğinde, bu test bütün
düzeyli testler arasında en güçlüdür Teoremin ispatı bir çok istatistik teorisi kitabında bulunabilir (Öztürk, Akdi, Aydoğdu ve Karabulut (2006), sayfa 190 veya biraz değişik bir ifade ile Casella ve Berger (2002), sayfa 388).
Bu kısımda, bu teoremin uygulamaları üzerinde durulacaktır. Ayrıca,
nın yeterli bir T tahmin edicisi için Neyman-Pearson Lemması’nın uygulaması daha kolaydır.1
,
2, ,
nX X X
parametresi
olan kitleden bir örneklem, T de
için yeterli ve T ninolasılık veya olasılık yoğunluk fonksiyonu i0,1 için
g t ( ; )
i olsun. Bu durumda, Neyman- Pearson lemması T nin değerine göre yazılabilir. Neyman-Pearson lemmasındaki
test fonksiyonu için
( )
1
( )
0olup bu test yansızdır.
Örnek 9.5.1
N ( ,
2)
dağılımından bir örneklemX X
1,
2, , X
n olsun.
0
1olmak üzere,
H
0:
0 hipoteziniH
a:
1alternatif hipotezine karşı test etmek isteyelim.
Burada, parametre uzayı
{ ,
0 1}
gibi iki elemandan oluşan bir kümedir. X örneklemn ortalaması
için yeterli olup dağılımıX
n~ ( , N
2/ ) n
dir. X nin olasılık yoğunlukn fonksiyonu da, ;
2exp
2( ) ,
22 2
n n
g x x x
şeklindedir. Herhangi bir pozitif
k
sayısı (k 0
) içing x ( ;
1) k g x ( ;
0)
ise,1 0
( ; ) / ( ; ) g x g x k
dir. Buradan,
g x ( ; )
1 kg x ( ;
0)
isex
n c
olduğu1 2
1 2 2 2
1 0
2 2
0 2
2 2 2
0 1 1 0
2 2 2
2 2 2
1 0
1 0
0 1 0 1
exp ( )
( ; ) 2 exp ( ) ( )
( ; ) exp () 2
2
2 ln( )
2 ( )
2 ln( ) / ( )
( 2 ln( ) / ) ( )
2( ) 2( )
n x
g x n
k k x x k
n g x
x k
n k n k n
x c
önermelerinin denkliğinden açıktır. Yani,
g x ( ;
1) k g x ( ;
0)
ise herhangi bir
c
sayısı içinx c
dir. Burada, önceden belirlenen bir
sayısı (birinci tür hata olasılığı, testin anlam düzeyi) için,0 0
0 0
0
( ) ( )
( )
(
n) n X
nn c n c
P
X c P
P Z
eşitliği yazılır. Buna göre,
0.5
için n c(
0) /
zdır.
P Z ( z
)
olup, normal dağılım tablosundanc
0 z
/ n
olarak bulunur. Dolayısı ile, bu problem için red bölgesi { : x x
n
0 z
/ n }
R
olan bir test UMP
düzeyli testtir
Aynı problemde, önceden belirlenen bir
0 sayısı için hipotezlerH
0:
0 ve:
0H
a
olarak alınmış olsaydı, test kuralı aynı olacaktı. Ancak, elde edilen testin UMP
düzeyli olduğunu söyleyemezdik. Neyman-Pearson lemması basit hipotezlerin basit hipotezlere karşı testi probleminde UMP
düzeyli testlerin bulunmasında kullanılır. Burada, karmaşık hipotezlerin karmaşık hipotezlere karşı testi söz konusudur. Karmaşık hipotezler için bazı özel durumlarda UMP
düzeyli testler bulunabilir.Tanım 9.5.3 (Monoton Olabilirlik Oranı) T rasgele değişkeninin olasılık veya olasılık yoğunluk fonksiyonlarının ailesi C{ ( ; ):g t
} olsun. Eğer
2
1için
g t ( ;
2) / ( ; ) g t
1oranı
t
nin azalmayan bir fonksiyonu iseC
sınıfına monoton olabilirlik oranı (MLR) özelliğine sahiptir denir
Bu oran,
{ : ( ; ) 0 ve ( ; t g t
1 g t
2) 0}
kümesi üzerinde tanımlı olup,
c 0
içinc / 0
,
olarak alınır. Bilinen bir çok olasılık dağılımlarının ailesi MLR özelliğine sahiptir. Aslında, üstel aile özelliğine sahip olasılık veya olasılık yoğunluk fonksiyonlarının ailesi MLR özelliğine de sahiptir.
{ ( ; ): ( ; )g t
g t
h t c( ) ( ) exp( ( ) ) ,
w
t
}
C
şeklinde üstel aile özelliğine sahip olasılık fonksiyonlarının ailesinde ( )w
,
nın azalmayan bir fonksiyonu ise MLR özelliğine sahiptir. ( )w
,
nın azalmayan bir fonksiyonu ise
2
1için
2 1
( ) ( ) 0 w w
dır. Ayrıca,
2 2 2 2
2 1
1 1 1 1
( ; ) ( ) ( ) exp( ( ) ) ( )
exp{[ ( ) ( )] }
( ; ) ( ) ( ) exp ( ) ( )
g t h t c w t c
w w t
g t h t c w t c
olup,
c ( ) / ( ) 0
2c
1ve
w ( )
2 w ( ) 0
1
olduğundan
g t ( ;
2) / ( ; ) g t
1oranı her zaman
t
nin azalmayan bir fonksiyonudur. Yani, ( )w
,
nın azalmayan bir fonksiyonu ise üstel aile özelliğine sahip olasılık fonksiyonlarının ailesi MLR özelliğine de sahiptir.Örnek 9.5.2 a) Poission dağılımlar ailesini göz önüne alalım. Poisson dağılımının olasılık fonksiyonu x0,1, 2,3,... için P X
x
e
x / !x olup
2
1için
2
2 2 1
1 1
( )
2 2
1 1
( ) / !
( ) / !
x x
x
P X x e x
P X x e x e
şeklinde yazılır. Buradan,
(
2/
1) 1
için bu oran
x
in azalmayan bir fonksiyonudur. Yani, Poisson dağılımlar ailesi MLR özelliğine sahiptir.b) X ~N( ,1)
ise
2
1için
1/2 2 2
2 2
2
1/2 2 2
1 1 1
2 2
1 2 2 1 1 2 2 1
(2 ) exp ( ) / 2 exp ( ) / 2 ( ; )
( ; ) (2 ) exp ( ) / 2 exp ( ) / 2
exp[( ) / 2] exp( ( )) ( , ) exp( ( ))
x x
f x
f x x x
x c x
olup
2
1 0
olduğundan olasılık yoğunluk fonksiyonlarının oranı,
x
in azalmayan bir fonksiyonudur. Dolayısı ile, X ~ ( ,1)N
dağılımlar ailesi de MLR özelliğine sahiptir.c) Binom dağılımlar ailesi de MLR özelliğine sahiptir. Çünkü
p
2 p
1 için olasılık fonksiyonlarının oranı
2 1
22 2 2
2 2
2 2
2 12 1 1 1
1 1
2 1 2
1 2
1 2 1
(1 )
( ) (1 ) 1
( ) (1 ) (1 ) 1
(1 ) 1
(1 ) 1 ,
n x n x x n x
p
n x n x p
x n
x
n p p
P X x x p p p p
P X x n p p p p p p
x
p p p
c p p a
p p p
olarak yazılabilir. Burada,
p
2 p
1 olduğundana ( p
2(1 p
1)) / ( (1 p
1 p
2)) 1
dir. Dolayısı ile olasılık fonksiyonlarının Pp2(X x P) / p1(X x)
oranı
x
in azalmayan bir fonksiyonudur
Basit hipotezlerin basit hipotezlere karşı testi için UMP
düzeyli testler Neyman-Pearson lemması ile bulunabilir. Olasılık fonksiyonlarının ailesi MLR özelliğine sahip ise karmaşık hipotezler için de UMP
düzeyli testler aşağıdaki teorem yardımı ile bulunur. Bu teoremin ispatı da bir çok istatistik teorisi kitabında bulunabilir (Öztürk, Akdi, Aydoğdu ve Karabulut (2006), sayfa 209 veya biraz değişik bir ifade ile Casella ve Berger (2002), sayfa 391). Teoremin ifadesi aşağıda verilmiştir.Teorem 9.5.2
X X
1,
2, , X
n olasılık veya olasılık yoğunluk fonksiyonu ( ; )f x
olan kitleden bir örneklem ve T de
için yeterli olsun. T nin olasılık veya olasılık yoğunluk fonksiyonlarının ailesi, C{ ( ; ):g t
} MLR özelliğine sahip ise,H
0:
0yokluk hipotezinin
H
a:
0 alternatif hipotezine karşı testi problemi için 1 , , ( ) ( )
0 , ( ) T x c
x T x c
T x c
gibi bir test fonksiyonundaki
( 0 ve ,( 0)
1) c c sabitleri0
( ( ))
0( ( ) )
0( ( ) ) E
X P T X
c P T X
c
olacak şekilde belirlendiğinde
testi UMP
düzeyli testtir Örnek 9.5.3 a) N( ,
2) dağılımından bir örneklemX X
1,
2, , X
n olsun. Önceden belirlenen bir
0sayısı için
H
0:
0hipotezini
H
a:
0alternatif hipotezine karşı test etmek isteyelim. X örneklem ortalaması n
için yeterli olup dağılımı normaldir. Yani,~ ( ,
2/ )
X
nN n
olup normal dağılımlar ailesi üstel ve tamdır. Ayrıca, normal dağılımlar ailesi MLR özelliğine sahiptir (Örnek (9.5.2b)). Buradan Teorem (9.5.2) ye göre, 1 ,
0 , . . x
nc
x d y
şeklindeki bir test
düzeyli düzgün en güçlü testtir. Burada,P Z ( z
)
olmak üzere,0
(
n)
0[ (
n 0) / (
0) / ] ( (
0) / )
P
X c P
n X n c P Z n c
eşitliğinden
c
sabitinin değeri P Z ( n c (
0) / )
olacak şekilde normal dağılım tablosundan belirlenir. Yani, z n c(
0) /
olup c
0
z / ndir. Buradan bu hipotez testi problemi için,
1 ,
0/
( ) 0 , . .
x
nz n
x d y
veya buna denk olan
1 , (
0) / ( ) 0 , . .
n x
nz
x d y
şeklindeki bir test
düzeyli düzgün en güçlü testtir.b)
X X
1,
2, , X
n parametresi p olan Bernoulli dağılımından bir örneklem olsun. Önceden belirlenen birp
0sayısı için
(0 p
0 1) H
0: p p
0hipotezinin
H
a: p p
0alternatif
hipotezine karşı testi problemini ele alalım. 1
n i i
T X
istatistiği p için yeterli olup dağılımı
~ ( , )
T Binom n p dir. Ayrıca, Binom dağılımlar ailesinin MLR özelliğine sahiptir (Örnek (9.5.2)).
Buna göre, önceden belirlenen bir
sayısı (testin anlam düzeyi veya birinci tür hata olasılığı) için,1 , ( )
( ) , ( )
0 , ( ) T x c
x T x c
T x c
şeklindeki bir test
düzeyli düzgün en güçlü testtir. Buradaki,
vec
sabitleri,0 0 0
1 1
( ( ))
n np p i p i
i i
E X P X c P X c
eşitliği ile belirlenir.c)
X X
1,
2, , X
n beklenen değeri
olan üstel dağılımdan bir örneklem olsun. Önceden belirlenen bir
0sayısı için
H
0:
0hipotezinin
H
a:
0alternatif hipotezine karşı testi
problemini ele alalım. 1
n i i
T X
istatistiği
için yeterli ve tam olup dağılımı Gamma n( , )
dır.Bu dağılımlar ailesi de üstel olup MLR özelliğine sahiptir. Dolayısı ile, bu hipotez testi problemi için
düzeyli düzgün en güçlü test,1 , ( ) ( ) 0 , ( )
T x c
x T x c
şeklindedir. Yani,
H
0:
0hipotezinin
H
a:
0alternatif hipotezinin testi problemi için
düzeyli düzgün en güçlü test,1 , ( )
( ) 0 , ( ) T x c
x T x c
dir. Burada,
c
sabitinin değeri önceden belirlenen bir
sayısı (birinci tür hata olasılığı veya testin anlam düzeyi) ile belirlenir
Bir çok hipotez testi problemi için düzgün en güçlü test yoktur.
Örnek 9.5.4
N ( ,
2)
dağılımından bir örneklemX X
1,
2, , X
n olsun. Önceden belirlenen bir
0sayısı için
H
0:
0hipotezinin
H
a:
0alternatif hipotezine karşı testi problemini ele alalım.
Bu problem için düzgün en güçlü test bulunamaz. Bir an için düzgün en güçlü testin bulunduğunu varsayalım.
1
0olacak şekilde
1belirlendiğinde, önceden belirlenen bir
sayısı (birinci tür hata olasılığı vaya testin anlam düzeyi) için,1 0
1 , /
( ) 0 , . .
x
nz n
x d y
testi
1noktasında en yüksek güce sahiptir. Yani, düzgün en güçlü test varsa bu
1olacaktır.
Ayrıca,
2 0
1 , /
( ) 0 , . .
x
nz n
x d y
testi verilmiş olsun. Bu test de
düzeylidir. Şimdi,
2
1olacak şekilde bir
2noktası belirleyelim.
1( )
ve
2( )
bu testlerin sırası ile güç fonksiyonlarını göstersin. Buradan, bu iki testin güç fonksiyonları arasında
2 2 2 0
0 2 0 2
( ) ( / )
( ( )) , 0 olduğundan
P Xn z n
P Z z n
2 2
0 2
2 0
1 2
( ) ( ) , 0 olduğundan
( ( ) / ) ( / )
( )
n n
P Z z P Z z
P n X z P X z n
şeklinde bir karşılaştırma yapılabilir. Bu ise bir çelişkidir. Çünkü, böyle bir hipotez testi problemi için düzgün en güçlü test varsa bunun
1olması gerektiğini söyledik. Oysa, aynı noktada gücü
1 in gücünden daha fazla olan bir
2testi bulundu (
2(
2)
1(
2)
). O halde böyle bir problem için düzgün en güçlü test bulunamaz
Testin gücü ve kritik değeri birinci tür hata olasılığına bağlıdır.
Örnek 9.5.5
X X
1,
2, , X
30 başarı olasılığı p olan Bernoulli dağılımından bir örneklemolsun.
H
0: p 1/ 2
hipoteziniH
a: p 1/ 4
alternatif hipotezine karşı test edelim. 1n i i
T X
, p için yeterli olup dağılımı Binom n p dir. ( , )
n
örneklem hacmi yeterince büyükse,
düzeyli düzgün en güçlü test, Neyman-Pearson lemmasına göre, 1 , ( ;1/ 4) / ( ;1/ 2) 0 , . .
f t f t c
x d y
dir. Burada, ( ;1/ 4) / ( ;1/ 2)f t f t oranı
t
nin azalan bir fonksiyonu olupt
nin küçük değerleri içinH
0: p 1/ 2
hipotezi red edilir. Yani,
düzeyli düzgün en güçlü test1 , ( ) ( ) 0 , . .
T x c
x d y
şeklindedir.
0.05
ve 0.022
anlam düzeyleri verilmiş olsun. 0.05
için,10 10 30 10
1/2 30
0 0 0
30 1 1 1 30
( 10) ( )
2 2 2
26504551
0.049368573 0.05 536870912
k k
p k k k
P T P T k
k k
olduğundan,
0.05
anlam düzeyli düzgün en güçlü test1 1
1 , 10
( )
0 , . .
n i i
x x
d y
şeklinde olur. Ayrıca,
0.022
için,9 9 30 9
1/2 30
0 0 0
30 1 1 1 30
( 9) ( )
2 2 2
22964087
= 0.021386972 0.022 1073741824
k k
p k k k
P T P T k
k k
olduğundan
0.022
anlam düzeyli düzgün en güçlü test de2 1
1 , 9
( )
0 , . .
n i i
x x
d y
dir. Buna göre,1 1
1 , 10
( )
0 , . .
n i i
x x
d y
,
2 1
1 , 9
( )
0 , . .
n i i
x x
d y
şeklinde verilen testlerin güç fonksiyonları sırası ile
10 10
1 0 30
0 0
( )
p( Red)
p( 10)
p( ) 30
k(1 )
kk k
p P H P T P T k p p
k
9 9
2 0 30
0 0
( )
p( Red)
p( 9)
p( ) 30
k(1 )
kk k
p P H P T P T k p p
k
şeklindedir. Açıkça görüldüğü gibi
1( ) p
2( ) p
dir
9.6. Güven Aralıkları
1
,
2, ,
nX X X
parametresi
olan kitleden bir örneklem ise,
yı tahmin etmek için örneklemin bir fonksiyonu olan T rasgele değişkeni kullanıldı. T nin değerine de
nın bir tahmini demiştik.
parametre kümesini göstermek üzere T nin değeri parametre kümesinde bir noktadır ( ( )T x ).
Güven aralıkları ile hipotez testleri arasında yakın bir ilişki vardır.
X X
1,
2, , X
n beklenen değeri
, varyansı
2 olan normal dağılımdan bir örneklem olsun.H
0:
0hipotezinin
:
0H
a
alternatifine karşı
anlam düzeyinde testi için test kuralının “(
0) /
h n
z n x
olmak üzere,| z
h| z
/2 iseH
0 hipotezi red edilir” şeklinde olduğunu biliyoruz.Şekil 9.6.1 Güven aralığı ile çift yölü hipotez testi arasındaki ilişki
Yani,
z
/2 z
h z
/2 iseH
0 red edilemez. Burada,z
h nin değeri yerine konulduğunda/2 /2
( / ) ( / )
n n
x n z
x n z
şeklinde bir eşitsizlik elde edilir. Şekil (9.6.1) de görüldüğü gibi
z
h değeri taralı alan içinde (/2
/
h h
z x z
n
veyaz
h x
h z
/2/ n
) kalıyorsaH
0:
0red edilir. Buna göre, aralığın
parametresini içermesi olasılığı1
dır. Böylece,
için1
lık güven aralığı,/2 /2
( x
h z
/ n , x
h z
/ n )
şeklinde yazılabilir.Tanım 9.6.1
X X
1,
2, , X
n olasılık veya olasılık yoğunluk fonksiyonu ( ; )f x
olan kitleden bir örneklem olsun. ( )L X U X( ) eşitsizliğini sağlayan [ ( ),L X U X( )]
rasgele aralığına
için bir aralık tahmin edicisi denir
Tanımdaki kapalı aralık yerine (, ( )]U X
gibi tek taraflı aralık tahmin ediciler (Öztürk ve diğerleri, 2006, sayda 252) de kullanılabilir.
Tanım 9.6.2
parametresinin [ ( ),L X U X( )] gibi bir aralık tahmin edicisi için
( [ ( ), ( )])
P
L X U X
olasılığına tahmin edicinin örtme olasılığı,inf P
( [ ( ), ( )]) L X U X
sayısına da bu tahmin edicinin güven katsayısı denir
Bir aralık tahmin edicisi, güven katsayısı ile birlikte güven aralığı olarak isimlendirilir.
Alışılagelmiş olarak güven katsayısı değeri
1
gibi bir olasılıkla ifade edilir.1
güvenkatsayılı bir güven aralığı için,
inf P
( [ ( ), ( )]) 1 L X U X
dır.
nın1
güven katsayılı bir güven aralığı [ ( ),L X U X( )] olmak üzere,
( ( , ( ))) ( ( ( ), )) / 2 P
L X P
U X
ise bu güven aralığına dengeli-kuyruklu (equally tailed) güven aralığı denir.
Örnek 9.6.1
X X
1,
2, , X
n beklenen değeri
, varyansı
2 olan normal dağılımdan bir örneklem olsun. X , n
için arzu edilen birçok istatistiki özelliği sağlar.
içina
olmak üzere [Xna X, na] gibi bir güven aralığını ele alalım. Bu durumda örtme olasılığı,( [ , ]) ( ) ( )
( )
n n n n n
n
P X a X a P X a X a P a X a
P a n X a P a Z a
n n n n
şeklindedir. Bu örtme olasılığı parametreye bağlı değildir. Dolayısı ile,
inf P ( [ X
na X ,
na ]) P a Z a
n n
dir. Bazı durumlarda, örtme olasılığı parametreye bağlı olabilir (Öztürk ve diğerleri, 2006, sayfa 253)
Örnek 9.6.2 Hipotez testleri ile güven aralıkları arasında, her test fonksiyonuna bir güven aralığı, her güven aralığına da bir test fonksiyonu karşılık gelecek şekilde bir bağ kurulabilir.
( , 2)
N
dağılımından bir örneklemX X
1,
2, , X
n olsun. Önceden belirlenen bir
0 için0
:
0H
hipotezinin
H
a:
0alternatif hipotezine karşı testi problemi için,
( 0) /
h n
z n x
olmak üzere,
anlam düzeyli testin 1 , | |
/20 , . . z
hz
x d y
şeklinde verildiğini biliyoruz. Bu testin red bölgesi,
{ :| x z
h| z
/2}
R
olupH
0:
0hipotezinin kabul bölgesi
/2 0 /2 /2 0 /2
{ : | x z
h| z } { :| x n x (
n) / | z } x x :
nz x
nz
n n
dir. Ayrıca,
0
:
n /2 0 n /21
P x X z X z
n n
olup bu ifade her
0 için geçerli olduğundan,0
:
n /2 n /21
P x X z X z
n n
veya
0
:
/2 n /21
P x z X z
n n
dir. Yani,
için1
güven katsayılı güven aralığı/2
,
/2n n
X z X z
n
n
şekildedir. Buradan, X örneklem ortalamasının n
x
n gözlem değeri için güven aralığı,/ 2
,
/ 2n n
x z x z
n
n
olarak yazılır
Güven aralıkları ile ilgili, varyansın bilinip veya bilinmediği durumlara göre normal dağılımın beklenen değeri ve varyansı için güven aralıklarının nasıl yazılacağı aşağıda özetlenmiştir. Bu güven aralıkları birçok temel istatistik kitabında bulunabilir.
a)
2 biliniyor ise,
için1
güven katsayılı güven aralığı,/2 /2
[ x
n z
/ n , x
n z
/ n ]
dır.b)
2 bilinmiyorsa,
için1
güven katsayılı güven aralığı da1 1
[ x
n s t
n n( / 2) / n , x
n s t
n n( / 2) / n ]
şeklinde yazılır.c)
2 için1
güven katsayılı güven aralığı ise2 2
2 2
1,1 /2 1, /2
( 1) ( 1)
n
,
nn n
n s n s
olarak verilir.
d) Benzer şekilde, normal dağılımlı iki kitlenin beklenen değerleri arasındaki fark (
x
y ) için1
güven katsayılı güven aralığı (varyansların biliniyor olması halinde),2 2 2 2
/2 /2
( x
ny
m) z
(
x/ ) ( n
y/ ), ( m x
ny
m) z
(
x/ ) ( n
y/ ) , m
varyanslar bilinmiyor (
2 2 2
x y
) ise,2 2
[(xn ym)sp (1/ ) (1/ )n m tn m ( / 2), ( xn ym)sp (1/ ) (1/ )n m tn m ( / 2)] şeklindedir. Burada,
2
(( 1)
2( 1)
2) / ( 2)
p X Y
S n S m S n m
dir.Örnek 9.6.3. Bir istatistik dersinin A grubundaki öğrencilerin notları
(
a,
a2) N
, B
grubundaki öğrencilerin notları da
(
b,
b2) N
dağılımlarına uygun olsun. Bu gruplardan rasgele seçilen
25
öğrencinin notları aşağıda verilmiştir.A Grubu Notları B Grubu Notları
60 61 70 58 56 65 69 74 71 68 65 70 84 79 74 97
72 85 81 56 72 73 73 71 68 72 76 70 81 71 73 78
87 56 74 72 67 67 71 49 76 78 71 72 57 86 81 66
64 81
Bu verilereden
x
n 68.12
,s
2x 85.1933
,y
n 74.6
ves
2y 64.5833
özet bilgileri elde edilmiştir.
a) Varyanslar biliniyor (
a2
b2 81
) ise
a ve
b parametreleri için %95 lik (yani, 0.05
için %95 güven katsayılı) güven aralıklarını oluşturalım. 0.05
için,(
/2) / 2 0.025
P Z z
için normal dağılım tablosundanz
/2 1.96
dir. Buna göre,i)
a için %95 lik güven aralığı:[ x
n z
/2/ n x ,
n z
/2/ n ]
olup değerler yerine konulduğunda aralık,/2 /2
[ x
n z
/ n x ,
n z
/ n ] [68.12 9(1.96) / 5 , 68.12 9(1.96) / 5] [64.592,71.648]
olur.ii)
biçin %95 lik güven aralığı:
[ y
n z
/2/ n y ,
n z
/2/ n ]
olup değerler yerine konulduğunda bu aralık da,/2 /2
[ y
n z
/ n y ,
n z
/ n ] [74.6 9(1.96) / 5, 74.6 9(1.96) / 5] [71.072,78.128]
olarak belirlenir.b) Varyansların bilinmediği durumda
ave
bparametreleri için %95 lik (
0.05
için0.95
güven katsayılı) güven aralığı yazalım. 0.05
için,P t t (
n1( / 2)) 0.025
ise
t
dağılım tablosundant
24(0.025) 2.064
bulunur.i)
aiçin %95 lik güven aralığı:
[ x
n s t
x n1( / 2) / n , x
n s t
x n1( / 2) / n ]
olup değerler yerine konulduğunda
aiçin %95 lik güven aralığı,
1 1
[ ( / 2) / , ( / 2) / ]
[68.12 (9.23)(2.064) / 5 , 68.12 (9.23)(2.064) / 5] [64.031 , 71.93]
n x n n x n
x s t
n x s t
n
olur.
ii)
b için %95 lik güven aralığı: [yns ty n1( / 2) /
n , yns ty n1( / 2) /
n] olup değerler yerine konulduğunda
b için %95 lik güven aralığı da,1 1
[ ( / 2) / , ( / 2) / ]
[74.6 (8.036)(2.064) / 5 , 74.6 (8.036)(2.064) / 5] [71.28 , 77.92]
n y n n y n
y s t
n y s t
n
olarak hesaplanmıştır.
c)
a2 için %95 lik güven aralığı yazalım. 0.05
için ki-kare dağılım tablosundan,2 2
1,1 /2 24,0.975
39.364
n
ve
2 2
1, /2 24,0.025
12.401
n
olarak bulunmuştur. Buna göre,
2a
için %95 lik güven aralığı,
2 2
2 2
1,1 /2 1, /2
(24) 85.1933 (24) 85.1933
( 1) ( 1)
, , 51.93,164.88
39.364 12.401
n n
n n
n s n s
olarak hesaplanmıştır.
Şekil 9.6.2 Örnek (9.6.3c) de varyans için güven aralığına ait ki-kare değeri
d) Şimdi de, varyansların eşit olduğu varsayımı altında,
b
a farkı için %95 lik güven aralığı oluşturalım. Önce,2 2
, , 0.05
24,24
2 2
, ,
max{ , } max{85.1933, 64.5833} 85.1933
1.32 1.98 min{85.1933, 64.5833} 64.5833
min{ , }
n X m Y n X m Y
S S
F F
S S
olup
2 2
0
:
a bH
hipotezi
0.05
anlam düzeyinde red edilemez. Diğer taraftan,2p
(( 1)
2x( 1) ) / (
2y2) (
x2 2y) / 2 (85.1933 64.5833) / 2 74.8883
s n s m s n m s s
olup,
2 2
[ynxnsp (1/ ) (1/ )n n tn n ( / 2) ,
ynxnsp (1/ ) (1/ )n n tn n ( / 2)]
formülündet
48(0.025) 2.009
ile beraber diğer değerler yerine yazıldığında,
b
a farkı için%95 lik güven aralığı,
( ) 2 / 25 48( / 2) (74.6 68.12) 2 / 25 ( 74.8883) (2.009) 6.48 4.92 (1.56 , 11.4)
n n p
y x s t
olarak hesaplanmıştır