İstatistiksel Belirsizlik: Hata Yayılımı ve Parametre Kestirimi
İstatistiksel belirsizlik, ölçüm ve modelleme süreçlerinde rastgele değişkenlerin neden olduğu hata aralığını ifade eder. Astrofiziksel uygulamalarda fotometrik akılar, tayfsal çizgi konumları ve kozmolojik parametreler belirsizlik analizi ile raporlanır. Kuramsal temel olasılık teorisi, istatistiksel kestirim ve hata yayılım kurallarına dayanır.
Rastgele Değişken ve Beklenen Değer
Beklenen değer:
$$\mu = \langle X \rangle = \int X p(X) dX$$
Varyans:
$$\sigma^2 = \langle (X-\mu)^2 \rangle$$
Gaussian Dağılım
Olasılık yoğunluğu:
$$p(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$
Standart sapma \(\sigma\) belirsizlik ölçüsüdür.
Örneklem Ortalaması
Tanım:
$$\bar{x} = \frac{1}{N} \sum_{i=1}^{N} x_i$$
Ortalamanın belirsizliği:
$$\sigma_{\bar{x}} = \frac{\sigma}{\sqrt{N}}$$
Hata Yayılımı
Bir fonksiyon için:
$$\sigma_f^2 = \sum_i \left( \frac{\partial f}{\partial x_i} \right)^2 \sigma_{x_i}^2$$
Korelasyon varsa:
$$\sigma_f^2 = \sum_{i,j} \frac{\partial f}{\partial x_i} \frac{\partial f}{\partial x_j} C_{ij}$$
\(C_{ij}\) kovaryans matrisidir.
En Küçük Kareler ve \\(\chi^2\)
Tanım:
$$\chi^2 = \sum_{i=1}^{N} \frac{(y_i – f_i)^2}{\sigma_i^2}$$
İndirgenmiş değer:
$$\chi^2_\nu = \frac{\chi^2}{N-k}$$
\(k\) serbest parametre sayısıdır.
Kovaryans Matrisi
Lineer model için:
$$C = (A^T W A)^{-1}$$
Parametre belirsizliği:
$$\sigma_{\theta_i} = \sqrt{C_{ii}}$$
Maksimum Olabilirlik
Gaussian hata için olabilirlik:
$$\mathcal{L}(\vec{\theta}) \propto e^{-\chi^2/2}$$
Belirsizlik, ikinci türev ile:
$$\sigma_{\theta}^2 = \left( -\frac{\partial^2 \ln \mathcal{L}}{\partial \theta^2} \right)^{-1}$$
Güven Aralığı
%68 güven aralığı için:
$$\Delta \chi^2 = 1$$
%95 için:
$$\Delta \chi^2 \approx 4$$
Bayesçi Belirsizlik
Posterior dağılım:
$$P(\theta | D) \propto \mathcal{L}(\theta) \Pi(\theta)$$
Marjinalizasyon:
$$P(\theta_i | D) = \int P(\vec{\theta}|D) d\theta_{j \neq i}$$
Monte Carlo Yöntemi
Rastgele örnekleme ile belirsizlik:
$$\sigma_f \approx \sqrt{\frac{1}{M} \sum_{k=1}^{M} (f_k – \bar{f})^2}$$
\(M\) simülasyon sayısıdır.
Bootstrap Yöntemi
Yeniden örnekleme ile:
$$\sigma_{\text{boot}} = \sqrt{\frac{1}{B-1} \sum_{b=1}^{B} ( \hat{\theta}_b – \bar{\theta} )^2}$$
\(B\) tekrar sayısıdır.
Sistematik Hata
Toplam hata:
$$\sigma_{\text{toplam}}^2 = \sigma_{\text{istat}}^2 + \sigma_{\text{sist}}^2$$
Sistematik hatalar model varsayımlarından kaynaklanır.
Sonuç
İstatistiksel belirsizlik analizi, ölçüm güvenilirliğini ve parametre kestirim doğruluğunu belirler. Varyans ve kovaryans matrisi temel nicel araçlardır. Hata yayılımı fonksiyonel bağıntılarda kullanılır; \\(\chi^2\) ve maksimum olabilirlik yöntemleri parametre kestirimi sağlar. Bayesçi yaklaşım tam posterior dağılımı verir. Monte Carlo ve bootstrap yöntemleri karmaşık modellerde belirsizlik tahmini için etkilidir.