Home SSC CGL Syllabus Statistics Point Interval Estimation Maximum Likelihood Least Squares

Point Interval Estimation Maximum Likelihood Least Squares

Complete 5-Tab SSC CGL Statistics Guide: Theory, Shortcuts, Notes & FAQs, Practice MCQs, & PYQs.

Quick Overviewत्वरित अवलोकन

Point and interval estimation, Maximum Likelihood Estimation (MLE), and the Method of Least Squares (MLS) are foundational pillars of statistical inference in SSC CGL Statistics (Paper-III). This module covers estimating population parameters from sample data, finding estimators via likelihood functions, and minimizing residual errors.

पॉइंट और ��ंटरवल एस्टीमेशन, मैक्सिमम लाइkelihood एस्टीमेशन (MLE), और लीस्ट स्क्वेयर्स विधि (MLS) SSC CGL सांख्यिकी (पेपर-III) में सांख्यिकीय अनुमान के मूल स्तंभ हैं। यह मॉड्यूल नमूना डेटा से जनसंख्या मापदंडों का अनुमान लगाने, लाइkelihood फ़ंक्शन के माध्यम से एस्टीमेटर खोजने और अवशिष्ट त्रुटियों को कम करने को कवर करता है।

Learning Objectivesसीखने के उद्देश्य

Understand the distinction between Point and Interval Estimation.पॉइंट और इंटरवल ��स्टीमेशन के बीच अंतर को समझें।
Master Maximum Likelihood Estimation (MLE) derivation and properties.मैक्सिमम लाइkelihood एस्टीमेशन (MLE) व्युत्पत्ति और गुणों में महारत हासिल करें।
Learn Least Squares Estimation (LSE) for regression and curve fitting.रिग्रेशन और कर्व फिटिंग के लिए लीस्ट स्क्वेयर्स एस्टीमेशन (LSE) सीखें।

Concept Introductionअवधारणा परिचय

Statistical inference involves drawing conclusions about a population based on a sample. Point Estimation provides a single numerical value as an estimate of a population parameter (e.g., sample mean $\bar{x}$ for population mean $\mu$). Interval Estimation provides a range of values, bounded by a confidence level (e.g., $95\%$), within which the true parameter is expected to lie.

सांख्यिकीय अनुमान में एक नमूना के आधार पर जनसंख्या के बारे में निष्कर्ष निकालना शामिल है। पॉइंट एस्टीमेशन जनसंख्या पैरामीटर के अनुमान के रूप में एक एकल संख्यात्मक मान प्रदान करता है (जैसे, जनसंख्या माध्य $\mu$ के लिए नमूना माध्य $\bar{x}$)। इंटरवल एस्टीमेशन मानों की एक श्रेणी प्रदान करता है, जो एक विश्वास स्तर (जैसे, $95\%$) से बंधा होता है, जिसके भीतर सच्चे पैरामीटर के होने की उम्मीद होती है।

Maximum Likelihood Estimation (MLE) selects the parameter value that maximizes the likelihood of observing the given sample data. Least Squares Estimation (MLS) minimizes the sum of squared differences (residuals) between observed values and theoretical values.

मैक्सिमम लाइkelihood एस्टीमेशन (MLE) उस पैरामीटर मान का चयन करता है जो दिए गए नमूना डेटा को देखने की संभावना को अधिकतम करता है। लीस्ट स्क्वेयर्स एस्टीमेशन (MLS) देखे गए मूल्यों और सैद्धांतिक मूल्यों के बीच वर्ग अंतर (अवशेषों) के योग को कम करता है।

Real-Life Applicationsवास्तविक जीवन के अनुप्रयोग

Election Polling: Interval estimation is used to report vote share percentages with a margin of error (e.g., $45\% \pm 3\%$).चुनाव मतदान: त्रुटि के मार्जिन के साथ वोट शेयर प्रतिशत की रिपोर्ट करने के लिए इंटरवल एस्टीमेशन का उपयोग किया जाता है (जैसे, $45\% \pm 3\%$)।
Quality Control: MLE estimates defect rates in manufacturing pipelines based on batch sampling.गुणवत्ता नियंत्रण: MLE बैच नमूने के आधार पर विनिर्माण पाइपलाइनों में दोष दरों का अनुमान लगाता है।
Econometrics: Least squares method is used in GDP forecasting and economic regression modeling.अर्थमिति: जीडीपी पूर्वानुमान और आर्थिक प्रतिगमन मॉडलिंग में लीस्ट स्क्वेयर्स विधि का उपयोग किया जाता है।

Important Terms & Definitionsमहत्वपूर्ण शर्तें और परिभाषाएँ

Termशब्द	Definitionपरिभाषा
Estimatorएस्टीमेटर (आकलक)	A rule or formula used to calculate an estimate of a population parameter based on sample data.नमूना ड��टा के आधार पर जनसंख्या पैरामीटर का अनुमान लगाने के लिए प्रयुक्त नियम या सूत्र।
Likelihood Functionलाइkelihood फ़ंक्शन	The joint probability distribution function viewed as a function of the parameter(s) for a fixed sample.निश्चित नमूने के लिए पैरामीटर (ओं) के फ़ंक्शन के रूप में देखी जाने वाली संयुक्त प्रायिकता वितरण फ़ंक्शन।
Residualअवशिष्ट (Residual)	The difference between the observed value and the estimated/fitted value ($y_i - \hat{y}_i$).देखे गए मूल्य और अनुमानित/फिट किए गए मूल्य के बीच का अंतर ($y_i - \hat{y}_i$)।
Confidence Intervalकॉन्फिडेंस इंटरवल (विश्वास अंतराल)	An interval estimate with an associated confidence coefficient ($1-\alpha$) indicating reliability.विश्वसनीयता दर्शाने वाले संबंधित कॉन्फिडेंस गुणांक ($1-\alpha$) के साथ एक अंतराल अनुमान।

Formula Sheetसूत्र तालिका

Concept / Parameterअवधारणा / पैरामीटर	Formula / Expressionसूत्र / अभिव्यक्ति
Confidence Interval for $\mu$ ($\sigma$ known)$\mu$ के लिए कॉन्फिडेंस इंटरवल ($\sigma$ ज्ञात)	$\bar{x} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}}$$\bar{x} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}}$
Likelihood Function $L(\theta)$लाइkelihood फ़ंक्शन $L(\theta)$	$L(\theta) = \prod_{i=1}^{n} f(x_i; \theta)$$L(\theta) = \prod_{i=1}^{n} f(x_i; \theta)$
Log-Likelihood Equationलॉग-लाइkelihood समीकरण	$\frac{d}{d\theta} \ln L(\theta) = 0$$\frac{d}{d\theta} \ln L(\theta) = 0$
Sum of Squared Errors (SSE)वर्ग त्रुटियों का योग (SSE)	$S = \sum_{i=1}^{n} (y_i - (\alpha + \beta x_i))^2$$S = \sum_{i=1}^{n} (y_i - (\alpha + \beta x_i))^2$

Mathematical Derivations & Propertiesगणितीय व्युत्पत्ति और गुण

To find the MLE for parameter $\theta$, we maximize $\ln L(\theta)$ by taking its derivative with respect to $\theta$ and equating it to zero. For normal distribution $N(\mu, \sigma^2)$, the MLE of $\mu$ is sample mean $\bar{x}$, and MLE of $\sigma^2$ is $\frac{1}{n}\sum(x_i - \bar{x})^2$ (which is biased).

पैरामीटर $\theta$ के लिए MLE खोजने के लिए, हम $\theta$ के संबंध में इसका डेरिवेटिव लेकर और इसे शून्य के बराबर करके $\ln L(\theta)$ को अधिकतम करते हैं। सामान्य वितरण $N(\mu, \sigma^2)$ के लिए, $\mu$ का MLE नमूना माध्य $\bar{x}$ है, और $\sigma^2$ का MLE $\frac{1}{n}\sum(x_i - \bar{x})^2$ है (जो पक्षपाती है)।

For Least Squares Regression $y = \alpha + \beta x$, normal equations are obtained by partially differentiating $S$ with respect to $\alpha$ and $\beta$ and setting them to zero, yielding estimators that satisfy the Gauss-Markov theorem (BLUE: Best Linear Unbiased Estimator).

लीस्ट स्क्वेयर्स रिग्रेशन $y = \alpha + \beta x$ के लिए, सामान्य समीकरण $S$ को $\alpha$ और $\beta$ के संबंध में आंशिक रूप से अवकलित करके और उन्हें शून्य पर सेट करके प्राप्त किए जाते हैं, जिससे ऐसे एस्टीमेटर मिलते हैं जो गास-मार्कोव प्रमेय को संतुष्ट करते हैं (BLUE: बेस्ट लीनियर अनबייस्ड एस्टीमेटर)।

Shortcuts & Fast Calculation Methodsशॉर्टकट और तेज़ गणना विधियाँ

In SSC CGL Paper-III, you rarely need to perform full integration for MLE. Memorize standard MLE results for common distributions (Bernoulli, Poisson, Normal, Uniform). For Least Squares slope ($\beta$), use the covariance-variance shortcut formula: $\beta = \frac{\text{Cov}(x,y)}{\text{Var}(x)}$.

SSC CGL ��ेपर-III में, आपको शायद ही कभी MLE के लिए पूर्ण एकीकरण करने की आवश्यकता हो। सामान्य वितरण (बर्नौली, पॉ Fsson, सामान्य, समान) के लिए मानक MLE परिणामों को याद रखें। लीस्ट स्क्वेयर्स ढलान ($\beta$) के लिए, सहसंयोजन-विचरण शॉर्टकट सूत्र का उपयोग करें: $\beta = \frac{\text{Cov}(x,y)}{\text{Var}(x)}$।

Exam Tricks for SSC CGLSSC CGL के लिए परीक्षा ट्रिक्स

Trick 1: If asked for MLE of parameter $p$ in Bernoulli distribution $B(1, p)$ based on $n$ trials with $x$ successes, directly write $\hat{p} = \frac{x}{n}$ (sample proportion).ट्रिक 1: यदि $x$ सफलताओं के साथ $n$ परीक्षणों के आधार पर बर्नौली वितरण $B(1, p)$ में पैरामीटर $p$ के MLE के लिए कहा जाता है, तो सीधे $\hat{p} = \frac{x}{n}$ (नमूना अनुपात) लिखें।
Trick 2: For Poisson distribution $P(\lambda)$, MLE of $\lambda$ is always the sample mean $\bar{x}$.ट्रिक 2: पॉ Fsson वितरण $P(\lambda)$ के लिए, $\lambda$ का MLE हमेशा नमूना माध्य $\bar{x}$ होता है।
Trick 3: Remember that MLEs are invariant under transformation. If $\hat{\theta}$ is MLE of $\theta$, then $g(\hat{\theta})$ is MLE of $g(\theta)$.ट्रिक 3: याद रखें कि MLE रूपांतरण के तहत अपरिवर्तनीय हैं। यदि $\hat{\theta}$, $\theta$ का MLE है, तो $g(\hat{\theta})$, $g(\theta)$ का MLE है।

Shortcut Comparison Tableशॉर्टकट तुलना तालिका

Distributionवितरण	Parameterपैरामीटर	MLE Formula ShortcutMLE सूत्र शॉर्टकट
Bernoulli / Binomialबर्नौली / द्विपद	$p$$p$	$\frac{\sum x_i}{n} = \bar{x}$$\frac{\sum x_i}{n} = \bar{x}$
Poissonपॉ Fsson	$\lambda$$\lambda$	$\bar{x}$$\bar{x}$
Normal ($\mu, \sigma^2$)सामान्य ($\mu, \sigma^2$)	$\mu, \sigma^2$$\mu, \sigma^2$	$\hat{\mu} = \bar{x}, \hat{\sigma}^2 = \frac{1}{n}\sum(x_i-\bar{x})^2$$\hat{\mu} = \bar{x}, \hat{\sigma}^2 = \frac{1}{n}\sum(x_i-\bar{x})^2$

Memory Tricks & Mnemonicsस्मृति ट्रिक्स और मुनेमोनिक्स

Mnemonic for MLE: "Make Likelihood Extreme" — always take log, differentiate, and equate to zero.
Mnemonic for Least Squares: "SUM of SQUARES goes LOW" (minimize SSE).

MLE के लिए मुनेमोनिक्स: "Make Likelihood Extreme" — हमेशा लॉग लें, अवकलन करें, और शून्य के बराबर करें।
लीस्ट स्क्वेयर्स के लिए: "SUM of SQUARES goes LOW" (SSE को कम करें)।

1-Page Revision Notes1-पेज संशोधन नोट्स

Point estimation gives a single value; interval estimation gives a range with confidence level $(1-\alpha)$. MLE maximizes the joint probability of sample observations. Least Squares minimizes residual sum of squares. Key properties include unbiasedness, efficiency, consistency, and sufficiency.

पॉइंट एस्टीमेशन एक एकल मान देता है; इंटरवल एस्टीमेशन विश्वास स्तर $(1-\alpha)$ के साथ एक श्रेणी देता है। MLE नमूना अव Observation की संयुक्त संभावना को अधिकतम करता है। लीस्ट स्क्वेयर्स अवशिष्ट वर्गों के योग को कम करता है। प्रमुख गुणों में निष्पक्षता, दक्षता, निरंतरता और पर्याप्तता शामिल हैं।

One Minute Revision Bulletsएक मिनट संशोधन बुलेट्स

Sample mean $\bar{x}$ is the MLE for normal mean $\mu$ and Poisson parameter $\lambda$.नमूना माध्य $\bar{x}$ सामान्य माध्य $\mu$ और पॉ Fsson पैरामीटर $\lambda$ के लिए MLE है।
Sample variance with divisor $n$ is MLE for $\sigma^2$, while divisor $n-1$ gives unbiased sample variance.भाजक $n$ के साथ नमूना विचरण $\sigma^2$ के लिए MLE है, जबकि भाजक $n-1$ निष्पक्ष नमूना विचरण देता है।
Least squares estimators are BLUE under Gauss-Markov assumptions.गास-मार्कोव मान्यताओं के तहत लीस्ट स्क्वेयर्स एस्टीमेटर BLUE होते हैं।

Conceptual Questionsवैचारिक प्रश्न

Q: Is an MLE always unbiased?
A: No. For instance, the MLE of variance $\sigma^2$ is divided by $n$ instead of $n-1$, making it a biased estimator (though it is asymptotically unbiased).

Q: क्या MLE हमेशा निष्पक्ष होता है?
A: नहीं। उदाहरण के लिए, विचरण $\sigma^2$ का MLE $n-1$ के बजाय $n$ से विभाजित होता है, जिससे यह एक पक्षपाती एस्टीमेटर बन जाता है (हालांकि यह एसिम्प्टोटिक रूप से निष्पक्ष है)।

Frequently Asked Questionsअक्सर पूछे जाने वाले प्रश्न

Q1: What is the difference between point and interval estimation?
A: Point estimation gives a single best guess for a parameter, while interval estimation provides a range of plausible values with a specific confidence level. Q1: पॉइंट और इंटरवल एस्टीमेशन में क्या अंतर है?
A: पॉइंट एस्टीमेशन एक पैरामीटर के लिए एक एकल सर्वोत्तम अनुमान देता है, जबकि इंटरवल एस्टीमेशन विशिष्ट विश्वास स्तर के साथ संभावित मूल्यों की एक श्रृंखला प्रदान करता है।
Q2: What does MLE stand for in statistics?
A: Maximum Likelihood Estimation. Q2: सांख्यिकी में MLE का क्या अर्थ है?
A: मैक्सिमम लाइkelihood एस्टीमेशन (Maximum Likelihood Estimation)।
Q3: Why do we use log-likelihood in MLE?
A: Taking the natural logarithm converts products into sums, making differentiation much easier while preserving the maximum location. Q3: हम MLE में लॉग-लाइkelihood का उपयोग क्यों करते हैं?
A: प्राकृतिक लघुगणक लेने से उत्पादों को योग में बदल दिया जाता है, जिससे अधिकतम स्थान को बनाए रखते हुए अवकलन बहुत आसान हो जाता है।
Q4: What is the method of least squares used for?
A: It is used for regression analysis and curve fitting by minimizing the sum of squared residuals. Q4: लीस्ट स्क्वेयर्स विधि का उपयोग किसके लिए किया जाता है?
A: इसका उपयोग अवशिष्ट वर्गों के योग को कम करके प्रतिगमन विश्लेषण और वक्र फिटिंग के लिए किया जाता है।
Q5: Is the MLE of population variance unbiased?
A: No, the MLE divides by $n$, making it biased, whereas dividing by $n-1$ gives an unbiased estimate. Q5: क्या जनसंख्या विचरण का MLE निष्पक्ष है?
A: नहीं, MLE $n$ से विभाजित करता है, जिससे यह पक्षपाती हो जाता है, जबकि $n-1$ से विभाजित करने पर निष्पक्ष अनुमान मिलता है।
Q6: What is BLUE in Least Squares?
A: Best Linear Unbiased Estimator, guaranteed by the Gauss-Markov theorem. Q6: लीस्ट स्क्वेयर्स में BLUE क्या है?
A: बेस्ट लीनियर अनबייस्ड एस्टीमेटर, जिसकी गारंटी गास-मार्कोव प्रमेय द्वारा दी जाती है।
Q7: How is confidence interval calculated for large samples?
A: $\text{Estimate} \pm z_{\alpha/2} \times \text{Standard Error}$. Q7: बड़े नमूनों के लिए कॉन्फिडेंस इंटरवल की गणना कैसे की जाती है?
A: $\text{Estimate} \pm z_{\alpha/2} \times \text{Standard Error}$।
Q8: What is the MLE of parameter $\lambda$ in a Poisson distribution?
A: The sample mean $\bar{x}$. Q8: पॉ Fsson वितरण में पैरामीटर $\lambda$ का MLE क्या है?
A: नमूना माध्य $\bar{x}$।
Q9: Can MLE be applied to non-normal distributions?
A: Yes, MLE is a general method applicable to any distribution with a known probability density/mass function. Q9: क्या MLE को गैर-सामान्य वितरणों पर लागू किया जा सकता है?
A: हां, MLE एक सामान्य विधि है जो ज्ञात प्रायिकता घनत्व/द्रव्यमान फ़ंक्शन वाले किसी भी वितरण पर लागू होती है।
Q10: What are normal equations in Least Squares?
A: Simultaneous linear equations obtained by setting partial derivatives of the error sum to zero. Q10: लीस्ट स्क्वेयर्स में सामान्य समीकरण क्या हैं?
A: त्रुटि योग के आंशिक डेरिवेटिव को शून्य पर सेट करके प्राप्त एक साथ रैखिक समीकरण।
Q11: What is the invariance property of MLE?
A: If $\hat{\theta}$ is the MLE of $\theta$, then $g(\hat{\theta})$ is the MLE of $g(\theta)$. Q11: MLE की अपरिवर्तनीयता संपत्ति क्या है?
A: यदि $\hat{\theta}$, $\theta$ का MLE है, तो $g(\hat{\theta})$, $g(\theta)$ का MLE है।
Q12: What is a residual in regression?
A: The vertical distance between an observed data point and the fitted regression line. Q12: रिग्रेशन में रेजिडुअल (अवशिष्ट) क्या है?
A: देखे गए डेटा बिंदु और फिट किए गए रिग्रेशन लाइन के बीच की ऊर्ध्वाधर दूरी।
Q13: Why is Least Squares preferred over absolute deviations?
A: Least squares is mathematically tractable (differentiable everywhere) and avoids issues with absolute value kinks. Q13: पूर्ण विचलन की तुलना में लीस्ट स्क्वेयर्स को क्यों प्राथमिकता दी जाती है?
A: लीस्ट स्क्वेयर्स गणितीय रूप से सुलभ है (हर जगह अवकलनीय है) और पूर्ण मूल्य किंक से जुड़ी समस्याओं से बचाता है।
Q14: What is consistency in estimators?
A: An estimator is consistent if it converges in probability to the true parameter value as sample size increases to infinity. Q14: एस्टीमेटर में निरंतरता (Consistency) क्या है?
A: एक एस्टीमेटर सुसंगत होता है यदि नमूना आकार अनंत तक बढ़ने पर यह प्रायिकता में सच्चे पैरामीटर मान के करीब पहुंचता है।
Q15: How is this topic relevant for SSC CGL Paper-III?
A: Questions frequently test direct MLE derivations, properties of estimators, and basic least squares regression coefficients. Q15: यह विषय SSC CGL पेपर-III के लिए प्रासंगिक क्यों है?
A: प्रश्न अक्सर प्रत्यक्ष MLE व्युत्पत्ति, एस्टीमेटर के गुणों और बुनियादी लीस्ट स्क्वेयर्स रिग्रेशन गुणांकों का परीक्षण करते हैं।

Internal Links & External Referencesआंतरिक लिंक और बाहरी संदर्भ

Related SJMaths Modules: Probability Distributions, Hypothesis Testing, Correlation & Regression Analysis.

संबंधित SJMaths मॉड्यूल: प्रायिकता वितरण, परिकल्पना परीक्षण, सहसंबंध और प्रतिगमन विश्लेषण।

Conclusionनिष्कर्ष

Mastering point and interval estimation along with MLE and Least Squares provides a robust foundation for scoring high in SSC CGL Statistics Paper-III. Practice standard distribution results and regression formulas thoroughly.

MLE और लीस्ट स्क्वेयर्स के साथ पॉइंट और इंटरवल एस्टीमेशन में महारत हासिल कर��ा SSC CGL सांख्यिकी पेपर-III में उच्च अंक प्राप्त करने के लिए एक मजबूत आधार प्रदान करता है। मानक वितरण परिणामों और रिग्रेशन सूत्रों का अच्छी तरह से अभ्यास करें।

Q1. If $x_1, x_2, \dots, x_n$ is a random sample from a Poisson distribution with parameter $\lambda$, the Maximum Likelihood Estimator (MLE) of $\lambda$ is:

Q1. यदि $x_1, x_2, \dots, x_n$ पैरामीटर $\lambda$ के साथ एक पॉ Fsson वितरण से एक यादृच्छिक नमूना है, तो $\lambda$ का मैक्सिमम लाइkelihood एस्टीमेटर (MLE) है:

(A) $\frac{1}{n}\sum x_i$(A) $\frac{1}{n}\sum x_i$

(B) $\sum x_i$(B) $\sum x_i$

(D) $\frac{1}{n-1}\sum x_i$(D) $\frac{1}{n-1}\sum x_i$

View Solution ��ल देखें

Correct Option: (A)सही विकल्प: (A)

Step-by-Step Solution: The likelihood function for Poisson is $L(\lambda) = \prod \frac{e^{-\lambda}\lambda^{x_i}}{x_i!} = \frac{e^{-n\lambda}\lambda^{\sum x_i}}{\prod x_i!}$. Taking log: $\ln L = -n\lambda + \sum x_i \ln\lambda - \ln(\prod x_i!)$. Differentiating w.r.t $\lambda$ and setting to zero gives $-n + \frac{\sum x_i}{\lambda} = 0 \implies \hat{\lambda} = \frac{\sum x_i}{n} = \bar{x}$.

चरण-दर-चरण हल: पॉ Fsson के लिए लाइkelihood फ़ंक्शन $L(\lambda) = \prod \frac{e^{-\lambda}\lambda^{x_i}}{x_i!} = \frac{e^{-n\lambda}\lambda^{\sum x_i}}{\prod x_i!}$ है। लॉग लेने पर: $\ln L = -n\lambda + \sum x_i \ln\lambda - \ln(\prod x_i!)$। $\lambda$ के सापेक्ष अवकलन करके शून्य रखने पर $-n + \frac{\sum x_i}{\lambda} = 0 \implies \hat{\lambda} = \frac{\sum x_i}{n} = \bar{x}$ प्राप्त होता है।

Topper's Shortcut: For Poisson distribution, parameter $\lambda$ is both mean and variance. The MLE is always the sample mean $\bar{x}$.

टॉपर शॉर्टकट: पॉ Fsson वितरण के लिए, पैरामीटर $\lambda$ माध्य और विचरण दोनों है। MLE हमेशा नमूना माध्य $\bar{x}$ होता है।

Q2. In the method of least squares for simple linear regression $y = \alpha + \beta x$, normal equations are obtained by partially differentiating the sum of squared errors with respect to:

Q2. सरल रैखिक प्रतिगमन $y = \alpha + \beta x$ के लिए लीस्ट स्क्वेयर्स की विधि में, सामान्य समीकरण किसके संबंध में वर्ग त्रुटियों के योग को आंशिक रूप से अवकलित करके प्राप्त किए जाते हैं:

(A) $x$ and $y$(A) $x$ और $y$

(B) $\alpha$ and $\beta$(B) $\alpha$ और $\beta$

(D) Residuals only(D) केवल अवशेष

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: The sum of squared errors is $S = \sum (y_i - \alpha - \beta x_i)^2$. To minimize $S$, we take partial derivatives with respect to the parameters to be estimated, namely intercept $\alpha$ and slope $\beta$, and equate them to zero.

चरण-दर-चरण हल: वर्ग त्रुटियों का योग $S = \sum (y_i - \alpha - \beta x_i)^2$ है। $S$ को कम करने के लिए, हम अनुमानित किए जाने वाले मापदंडों, अर्थात् अंतःखंड $\alpha$ और ढलान $\beta$ के संबंध में आंशिक डेरिवेटिव लेते हैं, और उन्हें शून्य के बराबर करते हैं।

Topper's Shortcut: Parameters are always the differentiation variables in optimization (MLE or Least Squares).

टॉपर शॉर्टकट: अनुकूलन में पैरामीटर हमेशा विभेदन चर होते हैं (MLE या लीस्ट स्क्वेयर्स)।

Q3. The Maximum Likelihood Estimator of the variance $\sigma^2$ of a normal population $N(\mu, \sigma^2)$ when both $\mu$ and $\sigma^2$ are unknown is:

Q3. जब $\mu$ और $\sigma^2$ दोनों अज्ञात हैं, तो सामान्य जनसंख्या $N(\mu, \sigma^2)$ ��े विचरण $\sigma^2$ का मैक्सिमम लाइkelihood एस्टीमेटर है:

(A) $\frac{1}{n-1}\sum (x_i - \bar{x})^2$(A) $\frac{1}{n-1}\sum (x_i - \bar{x})^2$

(B) $\frac{1}{n}\sum (x_i - \bar{x})^2$(B) $\frac{1}{n}\sum (x_i - \bar{x})^2$

(D) $\frac{1}{n-1}\sum x_i^2$(D) $\frac{1}{n-1}\sum x_i^2$

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: Maximizing the log-likelihood function of normal distribution w.r.t $\sigma^2$ yields $\hat{\sigma}^2 = \frac{1}{n}\sum (x_i - \bar{x})^2$. Note that while sample variance uses $n-1$ for unbiasedness, MLE uses $n$.

चरण-दर-चरण हल: सामान्य वितरण के लॉग-लाइkelihood फ़ंक्शन को $\sigma^2$ के सापेक्ष अधिकतम करने पर $\hat{\sigma}^2 = \frac{1}{n}\sum (x_i - \bar{x})^2$ प्राप्त होता है। ध्यान दें कि निष्पक्षता के लिए नमूना विचरण $n-1$ का उपयोग करता है, जबकि MLE $n$ का उपयोग करता है।

Topper's Shortcut: MLE denominator for variance is always $n$, whereas unbiased sample variance denominator is $n-1$.

टॉपर शॉर्टकट: विचरण के लिए MLE भाजक हमेशा $n$ होता है, जबकि निष्पक्ष नमूना विचरण भाजक $n-1$ होता है।

Q4. A $95\%$ confidence interval for population mean $\mu$ when population standard deviation $\sigma$ is known is given by:

Q4. जब जनसंख्या मानक विचरण $\sigma$ ज्ञात हो, तो जनसंख्या माध्य $\mu$ के लिए $95\%$ कॉन्फिडेंस इंटरवल किसके द्वारा दिया जाता है:

(A) $\bar{x} \pm 1.96 \frac{\sigma}{\sqrt{n}}$(A) $\bar{x} \pm 1.96 \frac{\sigma}{\sqrt{n}}$

(B) $\bar{x} \pm 2.58 \frac{\sigma}{\sqrt{n}}$(B) $\bar{x} \pm 2.58 \frac{\sigma}{\sqrt{n}}$

(D) $\bar{x} \pm 1.96 \frac{s}{\sqrt{n-1}}$(D) $\bar{x} \pm 1.96 \frac{s}{\sqrt{n-1}}$

View Solution हल देखें

Correct Option: (A)सही विकल्प: (A)

Step-by-Step Solution: For a $95\%$ confidence level, the two-tailed critical z-value is $1.96$. Thus, the confidence interval is $\bar{x} \pm 1.96 \frac{\sigma}{\sqrt{n}}$.

चरण-दर-चरण हल: $95\%$ विश्वास स्तर के लिए, दो-पुच्छीय महत्वपूर्ण z-मान $1.96$ है। इस प्रकार, कॉन्फिडेंस इंटरवल $\bar{x} \pm 1.96 \frac{\sigma}{\sqrt{n}}$ है।

Topper's Shortcut: Memorize standard critical z values: $90\% \rightarrow 1.645$, $95\% \rightarrow 1.96$, $99\% \rightarrow 2.58$.

टॉपर शॉर्टकट: मानक महत्वपूर्ण z मान याद रखें: $90\% \rightarrow 1.645$, $95\% \rightarrow 1.96$, $99\% \rightarrow 2.58$।

Q5. Which of the following is NOT a desirable property of a good estimator?

Q5. निम्नलिखित में से कौन सा एक अच्छे एस्टीमेटर का वांछनीय गुण नहीं है?

(A) Unbiasedness(A) निष्पक्षता (Unbiasedness)

(B) Efficiency(B) दक्षता (Efficiency)

(D) Consistency(D) निरंतरता (Consistency)

View Solution हल देखें

Correct Option: (C)सही विकल्प: (C)

Step-by-Step Solution: The four major desirable properties of point estimators are unbiasedness, efficiency, consistency, and sufficiency. Bias is an error, not a desirable property.

चरण-दर-चरण हल: पॉइंट एस्टीमेटर के चार प्रमुख वांछनीय गुण निष्पक्षता, दक्षता, निरंतरता और पर्याप्तता हैं। पूर्वाग्रह एक त्रुटि है, वांछनीय गुण नहीं।

Topper's Shortcut: Recall acronym U-E-C-S (Unbiased, Efficient, Consistent, Sufficient).

टॉपर शॉर्टकट: संक्षिप्त नाम U-E-C-S याद रखें।

Q6. If $\hat{\theta}$ is the Maximum Likelihood Estimator of parameter $\theta$, then the MLE of $e^{\theta}$ is:

Q6. यदि $\hat{\theta}$ पैरामीटर $\theta$ का मैक्सिमम लाइkelihood एस्टीमेटर है, तो $e^{\theta}$ का MLE है:

(A) $\theta$(A) $\theta$

(B) $e^{\hat{\theta}}$(B) $e^{\hat{\theta}}$

(D) $\hat{\theta} e$(D) $\hat{\theta} e$

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: By the invariance property of Maximum Likelihood Estimators, if $\hat{\theta}$ is the MLE of $\theta$, then for any function $g(\theta)$, the MLE is $g(\hat{\theta})$. Here $g(\theta) = e^\theta$, so MLE is $e^{\hat{\theta}}$.

चरण-दर-चरण हल: मैक्सिमम लाइkelihood एस्टीमेटर की अपरिवर्तनीयता संपत्ति के अनुसार, यदि $\hat{\theta}$, $\theta$ का MLE है, तो किसी भी फ़ंक्शन $g(\theta)$ के लिए, MLE $g(\hat{\theta})$ है। यहाँ $g(\theta) = e^\theta$ है, इसलिए MLE $e^{\hat{\theta}}$ है।

Topper's Shortcut: Invariance property means "substitute the estimator directly into the function".

टॉपर शॉर्टकट: अपरिवर्तनीयता संपत्ति का अर्थ है "एस्टीमेटर को सीधे फ़ंक्शन में प्रतिस्थापित करें"।

Q7. In Least Squares regression, the sum of residuals around the fitted regression line is always:

Q7. लीस्ट स्क्वेयर्स प्रतिगमन में, फिट किए गए प्रतिगमन रेखा के चारों ओर अवशेषों का योग हमेशा होता है:

(A) Maximum(A) अधिकतम

(B) Equal to 1(B) 1 के बराबर

(D) Dependent on sample size(D) नमूना आकार पर निर्भर

View Solution हल देखें

Correct Option: (C)सही विकल्प: (C)

Step-by-Step Solution: One of the fundamental properties of least squares regression with an intercept is that the sum of the residuals $\sum (y_i - \hat{y}_i) = 0$.

चरण-दर-चरण हल: अंतःखंड के साथ लीस्ट स्क्वेयर्स प्रतिगमन के मौलिक गुणों में से एक यह है कि अवशेषों का योग $\sum (y_i - \hat{y}_i) = 0$ होता है।

Topper's Shortcut: Positive and negative residuals balance out exactly around the OLS regression line.

टॉपर शॉर्टकट: सकारात्मक और नकारात्मक अवशेष OLS प्रतिगमन रेखा के चारों ओर पूरी तरह से संतुलित होते हैं।

Q8. The Gauss-Markov theorem states that under standard linear model assumptions, Least Squares Estimators are:

Q8. गास-मार्कोव प्रमेय बताता है कि मानक रैखिक मॉडल मान्यताओं के तहत, लीस्ट स्क्वेयर्स एस्टीमेटर होते हैं:

(A) Biased and inefficient(A) पक्षपाती और अकुशल

(B) Best Linear Unbiased Estimators (BLUE)(B) बेस्ट लीन��यर अनबייस्ड एस्टीमेटर्स (BLUE)

(D) Maximum likelihood estimators(D) मैक्सिमम लाइkelihood एस्टीमेटर

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: By the Gauss-Markov theorem, OLS estimators have the minimum variance among all linear unbiased estimators, making them BLUE.

चरण-दर-चरण हल: गास-मार्कोव प्रमेय के अनुसार, OLS एस्टीमेटर में सभी रैखिक निष्पक्ष एस्टीमेटर के बीच न्यूनतम विचरण होता है, जिससे वे BLUE बन जाते हैं।

Topper's Shortcut: Gauss-Markov theorem $\rightarrow$ BLUE. Direct conceptual question frequently asked in SSC exams.

टॉपर शॉर्टकट: गास-मार्कोव प्रमेय $\rightarrow$ BLUE। एसएससी परीक्षाओं में अक्सर पूछा जाने वाला प्रत्यक्ष वैचारिक प्रश्न।

Q9. What is the Maximum Likelihood Estimator for parameter $p$ of a Bernoulli distribution $B(1, p)$ based on $n$ independent trials with $x$ successes?

Q9. $x$ सफलताओं के साथ $n$ स्वतंत्र परीक्षणों के आधार पर बर्नौली वितरण $B(1, p)$ के पैरामीटर $p$ के लिए मैक्सिमम लाइkelihood एस्टीमेटर क्या है?

(A) $x$(A) $x$

(B) $\frac{x}{n}$(B) $\frac{x}{n}$

(D) $\frac{n}{x}$(D) $\frac{n}{x}$

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: Likelihood function is $L(p) = p^x (1-p)^{n-x}$. Taking log: $\ln L = x \ln p + (n-x)\ln(1-p)$. Differentiating w.r.t $p$ gives $\frac{x}{p} - \frac{n-x}{1-p} = 0 \implies \hat{p} = \frac{x}{n}$.

चरण-दर-चरण हल: लाइkelihood फ़ंक्शन $L(p) = p^x (1-p)^{n-x}$ है। लॉग लेने पर: $\ln L = x \ln p + (n-x)\ln(1-p)$। $p$ के सापेक्ष अवकलन करने पर $\frac{x}{p} - \frac{n-x}{1-p} = 0 \implies \hat{p} = \frac{x}{n}$ प्राप्त होता है।

Topper's Shortcut: MLE of probability $p$ is always the sample proportion of successes.

टॉपर शॉर्टकट: प्रायिकता $p$ का MLE हमेशा सफलताओं का नमूना अनुपात होता है।

Q10. In interval estimation, as the sample size $n$ increases while keeping confidence level constant, the width of the confidence interval:

Q10. इंटरवल एस्टीमेशन में, विश्वास स्तर को स्थिर रखते हुए जैसे-जैसे नमूना आकार $n$ बढ़ता है, कॉन्फिडेंस इंटरवल की चौड़ाई:

(A) Increases(A) बढ़ती है

(B) Decreases(B) घटती है

(D) Becomes zero(D) शून्य हो जाती है

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: The margin of error is $E = z_{\alpha/2}\frac{\sigma}{\sqrt{n}}$. Since $\sqrt{n}$ is in the denominator, as $n$ increases, $E$ decreases, making the confidence interval narrower and more precise.

चरण-दर-चरण हल: त्रुटि का मार्जिन $E = z_{\alpha/2}\frac{\sigma}{\sqrt{n}}$ है। चूंकि $\sqrt{n}$ हर में है, जैसे-जैसे $n$ बढ़ता है, $E$ घटता है, जिससे कॉन्फिडेंस इंटरवल संकीर्ण और अधिक सटीक हो जाता है।

Topper's Shortcut: Larger sample size $\rightarrow$ more information $\rightarrow$ smaller margin of error $\rightarrow$ narrower interval.

टॉपर शॉर्टकट: बड़ा नमूना आकार $\rightarrow$ अधिक जानकारी $\rightarrow$ त्रुटि का छोटा मार्जिन $\rightarrow$ संकीर्ण अंतराल।

Q1. (SSC CGL Paper-III PYQ) If $x_1, x_2, \dots, x_n$ is a random sample from a normal population $N(\mu, \sigma^2)$ with unknown $\mu$ and known $\sigma^2$, the MLE of $\mu$ is:

Q1. (SSC CGL पेपर-III PYQ) यदि अज्ञात $\mu$ और ज्ञात $\sigma^2$ के साथ सामान्य जनसंख्या $N(\mu, \sigma^2)$ से $x_1, x_2, \dots, x_n$ एक यादृच्छिक नमूना है, तो $\mu$ का MLE है:

(A) Sample median(A) नमूना माध्यिका (Median)

(B) Sample mean $\bar{x}$(B) नमूना माध्य $\bar{x}$

(D) Zero(D) शून्य

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: Maximizing the normal log-likelihood function w.r.t $\mu$ gives $\hat{\mu} = \frac{1}{n}\sum x_i = \bar{x}$.

चरण-दर-चरण हल: सामान्य लॉग-लाइkelihood फ़ंक्शन को $\mu$ के सापेक्ष अधिकतम करने पर $\hat{\mu} = \frac{1}{n}\sum x_i = \bar{x}$ प्राप्त होता है।

Topper's Shortcut: Sample mean is always the MLE for location parameters like normal mean.

टॉपर शॉर्टकट: सामान्य माध्य जैसे स्थान मापदंडों के लिए नमूना माध्य हमेशा MLE होता है।

Q2. (SSC CGL Paper-III PYQ) The method of least squares minimizes the sum of:

Q2. (SSC CGL पेपर-III PYQ) लीस्ट स्क्वेयर्स की विधि किसके योग को कम करती है:

(A) Absolute deviations(A) पूर्ण विचलन (Absolute deviations)

(B) Squared residuals(B) वर्ग अवशेष (Squared residuals)

(D) Cubed residuals(D) घन अवशेष

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: By definition, Ordinary Least Squares (OLS) minimizes $\sum (y_i - \hat{y}_i)^2$, which is the sum of squared residuals.

चरण-दर-चरण हल: परिभाषा के अनुस��र, साधारण लीस्ट स्क्वेयर्स (OLS) $\sum (y_i - \hat{y}_i)^2$ को कम करता है, जो वर्ग अवशेषों का योग है।

Topper's Shortcut: "Least Squares" literally means minimizing the sum of squares. Direct recall question.

टॉपर शॉर्टकट: "लीस्ट स्क्वेयर्स" का मतलब शाब्दिक रूप से वर्गों के योग को कम करना है। प्रत्यक्ष स्मरण प्रश्न।

Q3. (SSC CGL Paper-III PYQ) Which estimator possesses the property of being a Best Linear Unbiased Estimator (BLUE)?

Q3. (SSC CGL पेपर-III PYQ) कौन सा एस्टीमेटर बेस्ट लीनियर अनबייस्ड एस्टीमेटर (BLUE) होने का गुण रखता है?

(A) Maximum Likelihood Estimator(A) मैक्सिमम लाइkelihood एस्टीमेटर

(B) Ordinary Least Squares Estimator(B) साधारण लीस्ट स्क्वेयर्स एस्टीमेटर

(D) Geometric Mean(D) गुणोत्तर माध्य

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: According to the Gauss-Markov theorem, OLS estimators are BLUE.

चरण-दर-चरण हल: गास-मार्कोव प्रमेय के अनुसार, OLS एस्टीमेटर BLUE होते हैं।

Topper's Shortcut: BLUE $\leftrightarrow$ Least Squares (Gauss-Markov Theorem).

टॉपर शॉर्टकट: BLUE $\leftrightarrow$ लीस्ट स्क्वेयर्स (गास-मार्कोव प्रमेय)।

Q4. (SSC CGL Paper-III PYQ) If an estimator $\hat{\theta}$ converges in probability to $\theta$ as $n \to \infty$, $\hat{\theta}$ is called:

Q4. (SSC CGL पेपर-III PYQ) यदि $n \to \infty$ पर एक एस्टीमेटर $\hat{\theta}$, $\theta$ के रूप में प्रायिकता में अभिसरत होता है, तो $\hat{\theta}$ कहलाता है:

(A) Unbiased(A) निष्पक्ष (Unbiased)

(B) Consistent(B) सुसंगत (Consistent)

(D) Efficient(D) कुशल (Efficient)

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: Convergence in probability to the true parameter as sample size approaches infinity is the formal definition of statistical consistency.

चरण-दर-चरण हल: नमूना आकार अनंत होने पर सच्चे पैरामीटर के लिए प्रायिकता में अभिसरण सांख्यिकीय सुसंगतता (Consistency) की औपचारिक परिभाषा है।

Topper's Shortcut: "As $n \to \infty$" always points toward consistency.

टॉपर शॉर्टकट: "जैसे $n \to \infty$" हमेशा निरंतरता (Consistency) की ओर इशारा करता है।

Q5. (SSC CGL Paper-III PYQ) The MLE of the parameter $p$ in a geometric distribution $P(X=x) = pq^{x-1}$ based on a sample of size $n$ with sample mean $\bar{x}$ is:

Q5. (SSC CGL पेपर-III PYQ) नमूना माध्य $\bar{x}$ के साथ $n$ आकार के नमूने के आधार पर ज्यामितीय वितरण $P(X=x) = pq^{x-1}$ में पैरामीटर $p$ का MLE है:

(A) $\bar{x}$(A) $\bar{x}$

(B) $\frac{1}{\bar{x}}$(B) $\frac{1}{\bar{x}}$

(D) $\frac{\bar{x}-1}{\bar{x}}$(D) $\frac{\bar{x}-1}{\bar{x}}$

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: For geometric distribution, the mean is $\mu = \frac{1}{p}$. Since MLE of population mean is sample mean $\bar{x}$, by invariance property, $\hat{p} = \frac{1}{\bar{x}}$.

चरण-दर-चरण हल: ज्यामितीय वितरण के लिए, माध्य $\mu = \frac{1}{p}$ है। चूंकि जनसंख्या माध्य का MLE नमूना माध्य $\bar{x}$ है, अपरिवर्तनीयता संपत्ति द्वारा, $\hat{p} = \frac{1}{\bar{x}}$ है।

Topper's Shortcut: Use the expectation relation $\mathbb{E}(X) = 1/p$ and substitute $\bar{x}$ for expectation.

टॉपर शॉर्टकट: प्रत्याशा संबंध $\mathbb{E}(X) = 1/p$ का उपयोग करें और प्रत्याशा के लिए $\bar{x}$ प्रतिस्थापित करें।

Q6. (SSC CGL Paper-III PYQ) If the width of a confidence interval for a mean is to be halved, the sample size must be:

Q6. (SSC CGL पेपर-III PYQ) यदि माध्य के लिए कॉन्फिडेंस इंटरवल की चौड़ाई आधी करनी है, तो नमूना आकार होना चाहिए:

(A) Halved(A) आधा

(B) Doubled(B) दोगुना

(D) Squared(D) वर्गित

View Solution हल देखें

Correct Option: (C)सही विकल्प: (C)

Step-by-Step Solution: Margin of error $E \propto \frac{1}{\sqrt{n}}$. To make $E$ half ($E/2$), $\sqrt{n}$ must become $2\sqrt{n} = \sqrt{4n}$, so $n$ must be multiplied by $4$ (quadrupled).

चरण-दर-चरण हल: त्रुटि का मार्जिन $E \propto \frac{1}{\sqrt{n}}$ है। $E$ को आधा ($E/2$) करने के लिए, $\sqrt{n}$ को $2\sqrt{n} = \sqrt{4n}$ होना चाहिए, इसलिए $n$ को $4$ से गुणा किया जाना चाहिए (चौगुना)।

Topper's Shortcut: Square root rule: To reduce error by factor of $k$, increase sample size by factor of $k^2$. Here $2^2 = 4$.

टॉपर शॉर्टकट: वर्गमूल नियम: त्रुटि को $k$ के कारक से कम करने के लिए, नमूना आकार को $k^2$ के कारक से बढ़ाएं। यहाँ $2^2 = 4$ है।

Q7. (SSC CGL Paper-III PYQ) Which of the following methods always yields sufficient estimators if sufficient estimators exist?

Q7. (SSC CGL पेपर-III PYQ) निम्नलिखित में से कौन सी विधि हमेशा पर्याप्त एस्टीमेटर प्रदान करती है यदि पर्याप्त एस्टीमेटर मौजूद हैं?

(A) Method of Moments(A) आघूर्ण विधि (Method of Moments)

(B) Maximum Likelihood Estimation(B) मैक्सिमम लाइkelihood एस्टीमेशन

(D) Graphical Method(D) ग्राफिकल विधि

View Solution हल देखें

Correct Option: (B)सही विकल्प: (B)

Step-by-Step Solution: A key theorem in estimation theory states that if a sufficient statistic exists, the Maximum Likelihood Estimator is a function of that sufficient statistic.

चरण-दर-चरण हल: अनुमान सिद्धांत में एक प्रमुख प्रमेय यह बताता है कि यदि कोई पर्याप्त आँकड़ा मौजूद है, तो मैक्सिमम लाइkelihood एस्टीमेटर उस पर्याप्त आँकड़े का एक फ़ंक्शन होता है।

Topper's Shortcut: MLE naturally incorporates sufficiency via the Fisher-Neyman factorization theorem.

टॉपर शॉर्टकट: फिशर-नेमैन फैक्टराइजेशन प्रमेय के माध्यम से MLE स्वा��ाविक रूप से पर्याप्तता को शामिल करता है।

Q8. (SSC CGL Paper-III PYQ) In simple linear regression fitted by least squares, the sum of products of residuals and independent variable $x_i$ is:

Q8. (SSC CGL पेपर-III PYQ) लीस्ट स्क्वेयर्स द्वारा फिट किए गए सरल रैखिक प्रतिगमन में, अवशेषों और स्वतंत्र चर $x_i$ के उत्पादों का योग है:

(A) Positive(A) धनात्मक

(B) Negative(B) ऋणात्मक

(D) Equal to variance(D) विचरण के बराबर

View Solution हल देखें

Correct Option: (C)��ही विकल्प: (C)

Step-by-Step Solution: One of the normal equations in OLS regression is $\sum e_i x_i = 0$, meaning residuals are orthogonal to the independent variable.

चरण-दर-चरण हल: OLS प्रतिगमन में सामान्य समीकरणों में से एक $\sum e_i x_i = 0$ है, जिसका अर्थ है कि अवशेष स्वतंत्र चर के लंबवत (orthogonal) हैं।

Topper's Shortcut: OLS orthogonality condition: $\sum e_i = 0$ and $\sum e_i x_i = 0$.

टॉपर शॉर्टकट: OLS ऑर्थ��गोनलिटी स्थिति: $\sum e_i = 0$ और $\sum e_i x_i = 0$।

Q9. (SSC CGL Paper-III PYQ) An estimator is said to be consistent if its mean squared error approaches what value as sample size $n \to \infty$?

Q9. (SSC CGL पेपर-III PYQ) एक एस्टीमेटर को सुसंगत कहा जाता है यदि नमूना आकार $n \to \infty$ होने पर इसका माध्य वर्ग त्रुटि (MSE) किस मान के करीब पहुँचता है?

(A) 1(A) 1

(B) Infinity(B) अनंत

(D) Parameter value $\theta$(D) पैरामीटर मान $\theta$

View Solution हल देखें

Correct Option: (C)सही विकल्प: (C)

Step-by-Step Solution: Mean Squared Error (MSE) of a consistent estimator approaches zero as sample size approaches infinity, meaning both bias and variance vanish.

चरण-दर-चरण हल: एक सुसंगत एस्टीमेटर की माध्य वर्ग त्रुटि (MSE) नमूना आकार अनंत होने पर शून्य के करीब पहुँचती है, जिसका अर्थ है कि पूर्वाग्रह और विचरण दोनों समाप्त हो जाते हैं।

Topper's Shortcut: Consistency requires $\lim_{n\to\infty} \text{MSE}(\hat{\theta}) = 0$.

टॉपर शॉर्टकट: निरंतरता के लिए $\lim_{n\to\infty} \text{MSE}(\hat{\theta}) = 0$ आवश्यक है।

Q10. (SSC CGL Paper-III PYQ) If $\hat{\theta}_1$ and $\hat{\theta}_2$ are two unbiased estimators of $\theta$, and $\text{Var}(\hat{\theta}_1) < \text{Var}(\hat{\theta}_2)$, then $\hat{\theta}_1$ is said to be:

Q10. (SSC CGL पेपर-III PYQ) यदि $\hat{\theta}_1$ और $\hat{\theta}_2$ $\theta$ के दो निष्पक्ष एस्टीमेटर हैं, और $\text{Var}(\hat{\theta}_1) < \text{Var}(\hat{\theta}_2)$ है, तो $\hat{\theta}_1$ कहलाता है:

(A) More efficient than $\hat{\theta}_2$(A) $\hat{\theta}_2$ से अधिक कुशल

(B) Less consistent(B) कम सुसंगत

(D) Sufficient(D) पर्याप्त

View Solution हल देखें

Correct Option: (A)सही विकल्प: (A)

Step-by-Step Solution: Efficiency is defined relative to variance among unbiased estimators. Lower variance means higher relative efficiency.

चरण-दर-चरण हल: निष्पक्ष एस्टीमेटर के बीच विचरण के सापेक्ष दक्षता को परिभाषित किया जाता है। कम विचरण का मतलब उच्च सापेक्ष दक्षता है।

Topper's Shortcut: Smaller variance among unbiased estimators = More Efficient.

टॉपर शॉर्टकट: निष्पक्ष एस्टीमेटर में छोटा विचरण = अधिक कुशल।

PYQ Trend Analysis TablePYQ प्रवृत्ति विश्लेषण तालिका

Exam Year / Tierपरीक्षा वर्ष / टियर	Topics Testedपरीक्षण किए गए विषय	Weightage / Difficultyवेटेज / कठिनाई स्तर
SSC CGL Paper-III (Recent Trends)SSC CGL पेपर-III (हालिया रुझान)	MLE Derivations & PropertiesMLE व्युत्पत्ति और गुण	High / Moderateउच्च / मध्यम
SSC CGL Paper-III (Past Years)SSC CGL पेपर-III (पिछले वर्ष)	Least Squares & Gauss-Markovलीस्ट स्क्वेयर्स और गास-मार्कोव	High / Easy-Moderateउच्च / आसान-मध्यम
SSC CGL General StatisticsSSC CGL सामान्य सांख्यिकी	Confidence Intervals & Sample Sizeकॉन्फिडेंस इंटरवल और नमूना आकार	Medium / Moderateमध्यम / मध्यम