4. Ders Fisher informasyonu s f rdan büyük ve sonlu, yani 0 < I() < 1; R f(x; )dx (kesikli da¼g l mlarda R yerine P.

Benzer belgeler
3. Ders Parametre Tahmini Tahmin Edicilerde Aranan Özellikler

5. Ders Yeterlilik. f(x 1 ; x 2 ; :::; x n ; ) = g (T (x 1 ; x 2 ; :::; x n ); ) h(x 1 ; x 2 ; :::; x n )

Tahmin Edici Elde Etme Yöntemleri

AKTÜERLK SINAVLARI OLASILIK VE STATSTK SINAVI ÖRNEK SORULARI. için. 01 olaslk younluk fonksiyonu aa daki seçeneklerden hangisinde yer.

TAHMİNLEYİCİLERİN ÖZELLİKLERİ Sapmasızlık 3.2. Tutarlılık 3.3. Etkinlik minimum varyans 3.4. Aralık tahmini (güven aralığı)

4/16/2013. Ders 9: Kitle Ortalaması ve Varyansı için Tahmin

2016 YILI I.DÖNEM AKTÜERLİK SINAVLARI RİSK ANALİZİ VE AKTÜERYAL MODELLEME. aşağıdaki seçeneklerden hangisinde verilmiştir? n exp 1.

ˆp x p p(1 p)/n. Ancak anakütle oranı p bilinmediğinden bu ilişki doğrudan kullanılamaz.

2.2. Fonksiyon Serileri

Tahmin teorisinde amaç örneklem (sample) bilgisine dayanarak anakütleye. (population) ilişkin çıkarsamalar yapmaktır. Bu çıkarsamalar örneklem

Bağımsızlık özelliğinden hareketle Ortak olasılık fonksiyonu (sürekli ise

Bir Rasgele Değişkenin Fonksiyonunun Olasılık Dağılımı

Bu bölümde kan tlayaca m z teoremi, artan ve üstten s -

7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar

6 Devirli Kodlar. 6.1 Temel Tan mlar

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LISANS TEZİ MARKOV ZİNCİRLERİNDE BOOTSTRAP. Serhat DUMAN İSTATİSTİK ANABİLİM DALI ANKARA 2006

İSTATİSTİK 2. Tahmin Teorisi 07/03/2012 AYŞE S. ÇAĞLI.

BEKLENEN DEĞER. 6. Ders. Tanım: X, bir rasgele değişken ve g : R R, B B R için x : g x B B R özelliğine sahip bir fonksiyon olmak üzere:

EME 3117 SİSTEM SIMÜLASYONU. Girdi Analizi Prosedürü. Dağılıma Uyum Testleri. Dağılıma Uyumun Kontrol Edilmesi. Girdi Analizi-II Ders 9


7. Ders. Bazı Kesikli Olasılık Dağılımları

Bu bölümde birkaç yak nsak dizi örne i daha görece iz.

İşlenmemiş veri: Sayılabilen yada ölçülebilen niceliklerin gözlemler sonucu elde edildiği hali ile derlendiği bilgiler.

(3) Eğer f karmaşık değerli bir fonksiyon ise gerçel kısmı Ref Lebesgue. Ref f. (4) Genel karmaşık değerli bir fonksiyon için. (6.

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ İSTATİSTİKSEL YAKINSAK ALT DİZİLER. Tuğba YURDAKADİM MATEMATİK ANABİLİM DALI

LİNEER OLMAYAN DENKLEMLERİN SAYISAL ÇÖZÜM YÖNTEMLERİ-2

AKT201 MATEMATİKSEL İSTATİSTİK I ÖDEV 6 ÇÖZÜMLERİ

5 İKİNCİ MERTEBEDEN LİNEER DİF. DENKLEMLERİN SERİ ÇÖZÜMLERİ

x 2$, X nın bir tahminidir. Bu durumda x ile X arasındaki farka bu örnek için örnekleme hatası x nın örnekleme hatasıdır. X = x - (örnekleme hatası)

İSTATİSTİKSEL TAHMİN. Prof. Dr. Levent ŞENYAY VIII - 1 İSTATİSTİK II

fonksiyonu, her x 6= 1 reel say s için tan ml d r. (x 1)(x+1) = = x + 1 yaz labilir. Bu da; f (x) = L

BASAMAK ATLAYARAK VEYA FARKLI ZIPLAYARAK İLERLEME DURUMLARININ SAYISI

PAMUKKALE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BAZI ÜÇGENSEL MATRİS METODLARININ MUTLAK YAKINSAKLIK ALANLARI VE TAUBERIAN TEOREMLERİ ÜZERİNE

ÖRNEKLEME TEORİSİ VE TAHMİN TEORİSİ

12. Ders Büyük Sayılar Kanunları. Konuya geçmeden önce DeMoivre-Stirling formülünü ve DeMoivre-Laplace teoremini hatırlayalım. DeMoivre, genel terimi,

İÇİNDEKİLER. Ön Söz Polinomlar II. ve III. Dereceden Denklemler Parabol II. Dereceden Eşitsizlikler...

İSTATİSTİK DERS NOTLARI

A= {1,2,3}, B={1,3,5,7}kümeleri veriliyor. A dan B ye tanımlanan aşağıdaki bağıntılardan hangisi fonksiyon değildir?

TOPOLOJİK TEMEL KAVRAMLAR

6. BÖLÜM VEKTÖR UZAYI VEKTÖR UZAYI VEKTÖR UZAYLARI

REGRESYON DENKLEMİNİN HESAPLANMASI Basit Doğrusal Regresyon Basit doğrusal regresyon modeli: .. + n gözlem için matris gösterimi,. olarak verilir.

altında ilerde ele alınacaktır.

Pareto Dağılımının Parametrelerinin Đlerleyen Tür Tip-II Sağdan Sansürlü Örneklemlere Dayalı En Küçük Kareler Tahmini

Veri nedir? p Veri nedir? p Veri kalitesi p Veri önişleme. n Geometrik bir bakış açısı. n Olasılıksal bir bakış açısı

ISF404 SERMAYE PİYASALARI VE MENKUL KIYMETYÖNETİMİ

Bölüm 5 Olasılık ve Olasılık Dağılışları. Doç.Dr. Suat ŞAHİNLER

LİNEER CEBİR DERS NOTLARI. Ayten KOÇ

Örnek 2.1 YÖNEYLEM ARAŞTIRMASI III. Markov Süreçleri Ders 7. Koşulsuz Durum Olasılıkları. Örnek 2.1

POLİNOMLAR. reel sayılar ve n doğal sayı olmak üzere. n n. + polinomu kısaca ( ) 2 3 n. ifadeleri polinomun terimleri,

Mühendislik Fakültesi Endüstri Mühendisliği Bölümü. Doç. Dr. Nil ARAS ENM411 Tesis Planlaması Güz Dönemi

1. GRUPLAR. 2) Aşağıdaki kümelerin verilen işlem altında bir grup olup olmadığını belirleyiniz.

Đki Oyun Yaz Dnemi 22 Haziran 2011, Çarşamba Đst201 Đstatistik Teorisi Dersin konusu: Olasılık Hesabı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

Burçin Gonca OKATAN YÜKSEK LİSANS TEZİ İSTATİSTİK GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ AĞUSTOS 2007 ANKARA

{ 1 3 5} { 2 4 6} OLASILIK HESABI

6. Uygulama. dx < olduğunda ( )

IV. DERS D FERENS YELLENEB L R MAN FOLDLAR

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ CHLODOWSKY-TAYLOR POLİNOMLARIYLA YAKLAŞIM. Seyide ATAK MATEMATİK ANABİLİM DALI

İstatistik Ders Notları 2018 Cenap Erdemir BÖLÜM 5 ÖRNEKLME DAĞILIMLARI. 5.1 Giriş

Analiz II Çalışma Soruları-2

NÜMER IK ANAL IZ. Nuri ÖZALP. SAYISAL TÜREV ve INTEGRAL. Bilimsel Hesaplama Matemati¼gi

2. Topolojik Uzaylarda Ba¼glant l l k Ba¼glant l Topolojik Uzaylar. Tan m (X; ) topolojik uzay n n her biri boş kümeden farkl olan ayr k

ÖZET Doktora Tezi KISITLI DURUM KALMAN FİLTRESİ VE BAZI UYGULAMALARI Esi KÖKSAL BABACAN Akara Üiversitesi Fe Bilimleri Estitüsü İstatistik Aabilim Dal

NOT: BU DERS NOTLARI TEMEL EKONOMETRİ-GUJARATİ KİTABINDAN DERLENMİŞTİR. HAFTA 1 İST 418 EKONOMETRİ

f n dµ = lim gerçeklenir. Gösteriniz (Bu teorem Monoton yakınsaklık teoreminde yakınsaklık f n = f ve (f n ) monoton artan dizi

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ ZAMAN SERİLERİNDE BİRİM KÖKLERİN İNCELENMESİ. Yeliz YALÇIN İSTATİSTİK ANABİLİM DALI

Bağıntı YILLAR ) AxB BxA. 2) Ax(BxC) = (AxB)xC. 4) s(axb) = s(bxa) = s(a).s(b)

Tümevarım_toplam_Çarpım_Dizi_Seri. n c = nc i= 1 n ca i. k 1. i= r n. Σ sembolü ile bilinmesi gerekli bazı formüller : 1) k =

T.C. PAMUKKALE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI

DÜZCE ÜN IVERS ITES I FEN-EDEB IYAT FAKÜLTES I

1) 6 kişilik bir aile yuvarlak bir masa etraf nda, anne ile baban n yan yana oturmamas koşulu ile kaç farkl biçimde oturabilir?

Istatistik ( IKT 253) 3. Çal şma Sorular - Cevaplar 5. CHAPTER (DISCRETE PROBABIL- ITY DISTRIBUTIONS - SÜREKS IZ OLASI- LIK DA ¼GILIMLARI)

Üstel Dağılım Babam: - Şu ampullerin hangisinin ömrünün daha kısa olduğu hiç belli olmuyor. Bazen yeni alınanlar eskilerden daha önce yanıyor.

BİR ÇUBUĞUN MODAL ANALİZİ. A.Saide Sarıgül

ÖRNEKLEME TEORİSİ VE TAHMİN TEORİSİ

1.3. Normal Uzaylar. Bu bölümde; regülerlikten daha kuvvetli bir ay rma aksiyomu tan mlanarak. baz temel özellikleri incelenecektir.

Öncelikle tek girdili bir üretim fonksiyonu kullanarak karş laşt rmal dura¼ganl k analizini nas l

POLİNOMLARDA İNDİRGENEBİLİRLİK. Derleyen Osman EKİZ Eskişehir Fatih Fen Lisesi 1. GİRİŞ

6. BÖLÜM VEKTÖR UZAYLARI


BÖLÜM 3 YER ÖLÇÜLERİ. Doç.Dr. Suat ŞAHİNLER

Fonksiyonlarda Limit. Dizi fonksiyonu, tanım kümesindeki bütün 1, 2, 3,, n, sayma sayılarına, sırasıyla

NİÇİN ÖRNEKLEME YAPILIR?

KOPULALAR TEORSNN FNANSTA UYGULAMALARI

Fonksiyonel Analize Giriş I Ara S nav Sorular 29 Kas m Bir metrik uzayda her kapal yuvar kapal bir kümedir. Ispatlay n z.

ÖRNEKLEME TEORİSİ VE TAHMİN TEORİSİ

SAYISAL ÇÖZÜMLEME. Sayısal Çözümleme

Bileşik faiz hesaplamalarında kullanılan semboller basit faizdeki ile aynıdır. Temel formüller ise şöyledir:

NÜMER IK ANAL IZ. Nuri ÖZALP FONKS IYONLARA YAKLAŞIM. Bilimsel Hesaplama Matemati¼gi

İKİNCİ BÖLÜM REEL SAYI DİZİLERİ

4/4/2013. Ders 8: Verilerin Düzenlenmesi ve Analizi. Betimsel İstatistik Merkezsel Eğilim Ölçüleri Dağılım Ölçüleri Grafiksel Gösterimler

M Ü H E N D İ S L E R İ Ç İ N S AY I S A L YÖ N T E M L E R

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ BİR VE İKİ DEĞİŞKENLİ BERNSTEIN-CHLODOWSKY POLİNOMLARI. Neşe İŞLER

2. Matematiksel kavramları organize bir şekilde sunarak, bu kavramları içselleştirmenizi sağlayacak pedagojik bir alt yapı ile yazılmıştır.

BAĞINTI VE FONKSİYON

OLASILIK DAĞILIŞLARI. Ek 1. Moment Türeten Fonksiyon

6. Ders. Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM)

n ; = w! =(w 1 ; :::; w n ) (1.2.2) ; :::; + :::

ÖRNEKLEME VE ÖRNEKLEME DAĞILIŞLARI

İstatistik Nedir? Sistem-Model Kavramı

Transkript:

4. Ders tkilik Küçük varyasl olmak, tahmi edicileri vazgeçilmez bir özelli¼gidir. Bir tahmi edicii, yal veya yas z, küçük varyasl olmas isteir. Parametrei kedisi () veya bir foksiyou (g()) ile ilgili tahmi ediciler aras da e küçük varyasl ola bir tahmi edici buluabilir mi? küçük varyasl ola bu tahmi edicii varyas edir? Baz kitle da¼g l mlar da (regüler ailelerde) yas z tahmi edicileri varyaslar içi bir alt s r Cramer-Rao şitsizli¼gi ile verilmektedir. Regüler aile kavram ile Cramer-Rao şitsizli¼gi i bu derste ele alaca¼g z. küçük varyasl yas z tahmi ediciyi bulma yötemii öümüzdeki derste görece¼giz. Ta m: F = ff(; ) : Rg olas l k yo¼guluk foksiyolar bir ailesi olmak üzere; ) f i = fx R : f(x) > 0g destek kümesi ya ba¼gl de¼gil, ) parametre kümesi R de bir aç k aral k, 3) Her içi f foksiyou destek kümesii heme heme her oktas da ya göre türevleebilir, 4) I() = l f (X; ) Fisher iformasyou s f rda büyük ve solu, yai 0 < I() < ; R 5) f(x; )dx = R f(x; )dx (kesikli da¼g l mlarda R yerie P gelir) oldu¼guda F ailesie regüler aile deir. Ta m: içi X ; X ; :::; X ler regüler bir F = ff(; ) : Rg ailesii elema ola f X (; ) olas l k (yo¼guluk) foksiyoua sahip da¼g l mda bir öreklem olmak üzere, S f ( X ; X ; :::; X ; ) = l( Y rasgele de¼gişkeie skor foksiyou, f X (X i ; )) = X I () = V ar (S f ( X ; X ; :::; X ; )) l f X(X i ; )

de¼gerie öreklemdeki Fisher iformasyou deir. Parametrei vektör, yai R r olmas durumuda, S f ( X ; X ; :::; X ; ) = l( Y f X (X i ; )) = 6 4 Q l( Q l( Q r l( f X (X i ; )) f X (X i ; )). f X (X i ; )) 3 7 5 rasgele vektörüe skor foksiyou ve I () = Cov (S f ( X ; X ; :::; X ; )) matrisie Fisher iformasyo matrisi deir. F = ff(; ) : Rg regüler bir aile ve i = ; ; :::; olmak üzere, l f X (X i ; ) = f X (X i ; ) f X (X i ; ) = f X (x; ) f X(x; )) f X (x; ) dx ( = f X (x; )dx = () = 0 d r. Bua göre bir rasgele de¼gişke ola S f ( X ; X ; :::; X ; ) skor foksiyouu beklee de¼geri, ve varyas, (S f ( X ; X ; :::; X ; )) = X! l f X (X i ; ) = 0

3! X V ar(s f ( X ; X ; :::; X ; )) = V ar l f X(X i ; ) X = V ar l f X(X i ; ) = = I () = I() d r. Öreklemdeki Fisher iformasyou içi I () = I () ve I () = I () d r, yai birimlik öreklemdeki Fisher iformasyou bir birimlik öreklemdekii kat d r. ¼ger f X foksiyou, ya göre iki kez türevleebiliyorsa, d r. Gerçekte: l f X (X; ) = l f X (X; ) ( l f X (X; ) = 0 l f X(x; ))f X (x; )dx = 0 eşitli¼gii her iki taraf ya göre türevi al rsa, l f X (x; ) f X (x; )dx + l f X(x; )) f X(x; )dx = 0 olmak üzere, elde edilir. l f X (X; ) + ( l f X (x; ) X l f X(x; ) f X (x; )dx = 0 + l f X (x; ) = 0 l f X (X; ) = l f X (X; ) l f X(X i ; )

4 Cramer-Rao şitsizli¼gi içi X ; X ; :::; X ler regüler bir F = ff(; ) : Rg ailesii elema ola f X (; ) olas l k (yo¼guluk) foksiyoua sahip da¼g l mda bir öreklem ve T =T (X ; X ; :::; X ) ikici mometi mevcut ola bir istatistik olsu. S f = S f ( X ; X ; :::; X ; ) skor foksiyou olmak üzere, T ile S f i kovaryas ve Cov (T; S f ) = (T S f ) (T ) (S f ) = (T S f ) (T S f ) = T (x ; x ; :::; x ) S f (x ; x ; :::; x ; ) f(x ; x ; :::; x ; ) dx dx :::dx X = T (x ; x ; :::; x ) l f X(x ; x ; :::; x ; ) f(x ; x ; :::; x ; ) dx dx :::dx X = T (x ; x ; :::; x ) f(x ; x ; :::; x ; ) dx dx :::dx = (T ) X olup, Cov (T; S f ) = (T ) d r. Cauchy-Schwartz eşitsizli¼gi kulla larak, (Cov(T; S f )) V ar (T ) V ar(s f ) (T ) V ar (T ) I() V ar (T ) (T ) I() elde edilir. Bu eşitsizli¼ge Cramer-Rao şitsizli¼gi deir.

içi (T ) = g() olsu. Başka bir ifade ile T istatisti¼gi g() içi yas z bir tahmi edici olsu. Cramer-Rao şitsizli¼gi g() yas z tahmi edicilerii varyaslar içi bir alt s r vermektedir. (T ) = durumuda Cramer-Rao şitsizli¼gi, 5 d r. V ar (T ) I()! I() = l f (X; ) = l f X (X; ) olmak üzere, Cramer-Rao şitsizli¼gi, V ar (T ) V ar (T ) l f (X; ) l f X (X; ) biçimide yaz labilir. Cramer-Rao şitsizli¼gi, yas z bir T tahmi edicisii varyas içi bir alt s r vermektedir. Örek: X ; X ; :::; X ; Poisso(); (0; ) da¼g l m da bir öreklem olsu. Öceki derste, X = X X i ve S = X X i X istatistiklerii yas z tahmi edicileri ve V ar(x) V ar(s ) oldu¼guu gördük. X tahmi edicisi, yas z tahmi ediciler aras da e küçük varyasl m d r, başka bir ifade ile düzgü e küçük varyasl yas z tahmi edici (UMVU) midir? V ar( X ) = = olmak üzere, e l X X! = ( + X l() l( X!)) = + X = X

6 ve e I() = l X X = X! = (X) = olup, V ar( X ) = I() d r. X i varyas Rao-Cramer eşitsizli¼gideki alt s ra eşit oldu¼guda, X tahmi edicisi bütü yas z tahmi ediciler aras da e küçük varyasl d r, yai UMVU dir. Örek: X ; X ; :::; X ler U(0; ) ; (0; ) düzgü da¼g l m da bir öreklem olsu. X () istatisti¼gi tam ve yeterli bir istatistik omak üzere, U = + X () istatisti¼gi içi yas z bir tahmi edicidir. Bu tahmi edicii varyas, V ar(u) = V ar( + X ()) = ( + ) V ar(x () ) = ( + ) [(X()) (X () ) ] = ( + ) [ 0 t t dt ( 0 t t dt) ] = ( + ) [ + ( + ) ] + = ( + ) ( + ) = ( + ) d r. Cramer-Rao şitsizli¼gideki alt s r = olmak üzere, yas z I() tahmi edicii varyas alt s rda daha küçüktür. Cramer-Rao şitsizli¼g sa¼glamamaktad r. Buu sebebi U(0; ) düzgü da¼g l m destek kümesii parametreye ba¼gl olmas, yai regülerlik şartlar sa¼glamamas d r.

tkilik Ta m: T ve T, parametresii yas z iki tahmi edicisi olmak üzere, her içi V ar (T ) V ar (T ) oluyorsa, T tahmi edicisie T de varyas alam da daha etkidir deir. Regülerlik şartlar sa¼glad ¼g da¼g l mlarda, parametresii yas z tahmi edicileri içi Cramer-Rao şitsizli¼gi V ar (T ) I() d r. Ta m: T yas z tahmi edicii varyas Rao-Cramer eşitsizli¼gideki alt s ra eşit, yai V ar (T ) = I() oluyorsa, bu tahmi ediciye etki 0 dir deir. Örek: X ; X ; :::; X, N(; ); R da¼g l m da bir öreklem olmak üzere, X, içi yas z bir tahmi edici olup, 7 V ar(x ) = dir. X i leri olas l k yo¼guluk foksiyou, f(x; ) = p e (x ) ; x R olup, dir. Burada, l (f(x; )) = X I() = l f(x; ) = (X ) = V ar(x) =

8 oldu¼guda, Rao-Cramer alt s r, I() = olarak hesapla r. Dolay s ile, V ar(x ) = = I() oldu¼guda, X tahmi edicisi içi etkidir. X tahmi edicisi içi e küçük varyasl yas z bir tahmi edicidir. Regülerlik şartlar sa¼glaa baz da¼g l mlarda, e küçük varyasl yas z tahmi edici etki olmayabilir, yai bu tahmi edicii varyas Rao-Cramer eşitsizli¼gideki alt s rda büyük kalabilir. Örek: X ; X ; :::; X, N(; ); R da¼g l m da bir öreklem olsu. g() = de¼geri tahmi edilmek istesi. Tahmi edici olarak X düşüülebilir. (X ) = V ar(x) + [(X)] = + olmak üzere, X tahmi edicisi içi yas z de¼gildir. X tahmi edicisi g() = içi yas zd r ve V ar X = V ar X 4 = + d r. Beklee de¼geri ola, yai içi yas z ola tahmi ediciler içi Cramer-Rao şitsizli¼gideki alt s r, olmak üzere, V ar X = d d g() I() + 4 = () > 4 = 4 = Rao-Cramer alt s r olup, bu yas z tahmi edicii varyas Rao-Cramer alt s r da daha büyüktür. Bu tahmi edici etki de¼gildir. içi etki bir tahmi edici var m d r? Bu soruu cevab soraki derse b rakal m.

9 Asimptotik tkilik Ta m: Bir T (X ; X ; :::; X ) tahmi edicisi içi, V ar (T (X ; X ; :::; X )) lim! [ (T (X ;X ;:::;X ))] l (f(x;)) = oluyorsa bu tahmi ediciye asimptotik etki tahmi edici deir. (T ) = g() olmak üzere, T (X ; X ; :::; X ) tahmi edicisi içi lim! V ar(t ) [ g()] I() oluyorsa T tahmi edicisi asimptotik etki tahmi edicidir. Örek: Yukar da verile örekte, N(; ); R da¼g l m da, X tahmi edicisi g() = içi yas z ve V ar X > Rao-Cramer alt s r oldu¼guda, X = tahmi edicisi etki bir tahmi edici de¼gildir. Acak, V ar (T (X ; X ; :::; X )) lim! olmak üzere, X [ (T (X ;X ;:::;X ))] l (f(x;)) V ar(t ) = lim! [ g()] I() = lim! + 4 4 tahmi edicisi içi asimptotik etkidir. = Örek: çok olabilirlik tahmi edicileri asimptotik olarak etkidirler. Bir parametresii e çok olabilirlik tahmi edicisi ^ = ( ^ X ; X ; :::; X ) olmak üzere, d r. lim! V ar(^ ) I() =