fa بهبود کران بالای معیار کولبک - لیبلر براساس ترکیب محدب kمدل رقیب استنباط آماری Statistical Inference پژوهشی بنیادی Research <div style="text-align: justify;">یکی از مسایل اساسی در استنباط آماری انتخاب مدل بهینه از میان مدل های رقیب است. در این مقاله ثابت شده است که خطای نسبی بین دو مدل دارای خاصیت زبرجمعی است و با استفاده از آن نشان داده شده است که ترکیب محدب مدل های رقیب از نظر معیار واگرایی کولبک - لیبلر مدلی را ایجاد می کند که یا بهتر از تمام مدل های رقیب است و یا لااقل از دورترین مدل رقیب به مدل درست داده ها بهتر است بررسی شبیه سازی یافته های نظری را تایید می کنند</div> In this paper we have established for the Kullback-Leibler divergence that the relative error is supperadditive. It shows that a mixture of k rival models gives a better upper bound for Kullback-Leibler divergence to model selection. In fact, it is shown that the mixed model introduce a model which is better than of the all rival models in the mixture or a model which is better than the worst rival model in the mixture. انتخاب مدل, مدل آمیخته , خطای نسبی, ترکیب محدب,معیار کولبک - لیب لر , میانگین هندسی, Convex Combination, Geometric Mean, Kullback-Leibler Risk, Mixture of Models, Model Selection, Relative Error 193 209 http://jss.irstat.ir/browse.php?a_code=A-10-34-3&slc_lang=fa&sid=1 Abdolreza Sayyareh عبدالرضا سیاره asayyareh@razi.ac.ir 10031947532846007522 10031947532846007522 Yes Department of StatisticsRazi University گروه آمار، دانشگاه رازی