বিশ্লেষণ
কারণ এটি একটি ধারণাগত প্রশ্ন, সরলতার জন্য আসুন আত্মবিশ্বাসের বিরতি যে পরিস্থিতিটি একটি ব্যবহার করে গড় ব্যবহার করা হয়েছে জন্য আকারের এলোমেলো নমুনা এবং একটি দ্বিতীয় এলোমেলোভাবে নমুনা size আকার থেকে নেওয়া হয় , সমস্ত একই সাধারণ বিতরণ থেকে। (আপনি আপনার মত প্রতিস্থাপন করতে পারি তাহলে শিক্ষার্থীর থেকে মানগুলি দ্বারা গুলি বিতরণের স্বাধীন ডিগ্রীগুলির নিম্নোক্ত বিশ্লেষণ পরিবর্তন করব না।)[ ˉ x ( 1 ) + জেড α / 2 এস ( 1 ) / √1 - αμx(1)nx(2)মি(μ,σ2)জেডটিএন-1
[ এক্স¯( 1 )+ জেডα / 2গুলি( 1 )/ এন--√, এক্স¯( 1 )+ জেড1 - α / 2গুলি( 1 )/ এন--√]
μএক্স( 1 )এনএক্স( 2 )মি( μ , σ)2)জেডটিn - 1
দ্বিতীয় নমুনাটির গড়টি প্রথম দ্বারা নির্ধারিত সিআই-র মধ্যে রয়েছে
জনসংযোগ ( এক্স¯( 1 )+ জেডα / 2এন--√গুলি( 1 )। X¯( 2 )। X¯( 1 )+ জেড1 - α / 2এন--√গুলি( 1 )) =জনসংযোগ ( জেড)α / 2এন--√গুলি( 1 )। X¯( 2 )- এক্স¯( 1 )≤ জেড1 - α / 2এন--√গুলি( 1 )) ।
কারণ প্রথম নমুনাটির অর্থ প্রথম নমুনার স্ট্যান্ডার্ড বিচ্যুতি of (এটির স্বাভাবিকতা প্রয়োজন) এর চেয়ে পৃথক এবং দ্বিতীয় নমুনা প্রথমটির চেয়ে পৃথক, নমুনার পার্থক্যের অর্থ স্বাধীন । তাছাড়া, এই প্রতিসম ব্যবধান জন্য । অতএব, এলোমেলো পরিবর্তনশীল for এর জন্য লিখতে এবং উভয় অসমতার স্কোয়ারিং, প্রশ্নের সম্ভাব্যতা একই হিসাবেs(1)ইউ= ˉ x (2)- ˉ x (1)এস(1)জেডα/2=-জেড1-α/2এসএস(1)এক্স¯( 1 )গুলি( 1 )ইউ= এক্স¯( 2 )- এক্স¯( 1 )গুলি( 1 )জেডα / 2= - জেড1 - α / 2এসগুলি( 1 )
প্রি ( ইউ2≤ ( জেড1 - α / 2এন--√)2এস2)=Pr(U2S2≤(Z1−α/2n−−√)2).
প্রত্যাশার আইনগুলি বোঝায় যে এর গড় এবং এর ভিন্নতা0U0
Var(U)=Var(x¯(2)−x¯(1))=σ2(1m+1n).
যেহেতু সাধারণ ভেরিয়েবলগুলির রৈখিক সংমিশ্রণ, তাই এটিরও সাধারণ বিতরণ রয়েছে। সুতরাং হল বার একটি পরিবর্তনশীলআমরা ইতিমধ্যে জানতে পেরেছিলাম যে হ'ল বার একটি পরিবর্তনশীল। ফলে, হয় বার একটি সঙ্গে একটি পরিবর্তনশীল বন্টন। প্রয়োজনীয় সম্ভাবনা হিসাবে এফ বিতরণ হিসাবে দেওয়া হয়ইউ 2 σ 2 ( 1UU2χ2(1)এস2σ2/এনχ2(এন-1)ইউ2/এস21/এন+1/এমএফ(1,এন-1)σ2(1n+1m)χ2(1)S2σ2/nχ2(n−1)U2/S21/n+1/mF(1,n−1)
F1,n−1(Z21−α/21+n/m).(1)
আলোচনা
একটি আকর্ষণীয় কেসটি যখন দ্বিতীয় নমুনা প্রথমটির মতো একই আকারের হয়, যাতে এবং কেবলমাত্র এবং সম্ভাবনা নির্ধারণ করে। জন্য বিরুদ্ধে চক্রান্ত করা এর মানগুলি এখানে ।এন α ( 1 ) α n = 2 , 5 , 20 , 50n/m=1nα(1)αn=2,5,20,50
গ্রাফ প্রতিটি একটি সীমিত মান ওঠা যেমন বাড়ে। পরীক্ষার আকার একটি উল্লম্ব ধূসর লাইন দ্বারা চিহ্নিত করা হয়। এর largish মানের জন্য , জন্য সীমিত সুযোগ প্রায়।n α = 0.05 এন = মি α = 0.05 85 %αnα=0.05n=mα=0.0585%
এই সীমাটি বোঝার মাধ্যমে আমরা ছোট নমুনা মাপের বিশদটি পর্যবেক্ষণ করব এবং বিষয়টির ক্রুসটি আরও ভালভাবে বুঝতে পারি। যেহেতু বড় হয়, ডিস্ট্রিবিউশন একটি বিতরণে পৌঁছে যায় । স্ট্যান্ডার্ড সাধারণ বিতরণ- , সম্ভাবনা তারপরে প্রায়F χ 2 ( 1 ) Φ ( 1 )n=mFχ2(1)Φ(1)
Φ(Z1−α/22–√)−Φ(Zα/22–√)=1−2Φ(Zα/22–√).
উদাহরণস্বরূপ, , এবং । এর ফলে এ রেখাচিত্র দ্বারা সাধিত সীমিত মান যেমন বৃদ্ধি হবে । আপনি দেখতে পাচ্ছেন এটি প্রায় পৌঁছেছে (যেখানে সুযোগটি )জেড α / 2 / √ √α=0.05Φ(-1.386)≈0.083α=0.05এন1-2(0.083)=1-0.166=0.834এন=500.8383…Zα/2/2–√≈−1.96/1.41≈−1.386Φ(−1.386)≈0.083α=0.05n1−2(0.083)=1−0.166=0.834n = 500.8383 …
ছোট , এবং পরিপূরক সম্ভাবনার মধ্যে সম্পর্ক - সিআই দ্বিতীয় অর্থটি কভার করে না এমন ঝুঁকি - প্রায় পুরোপুরি একটি পাওয়ার আইন। ααα লগ α এটি প্রকাশ করার আর একটি উপায় হ'ল লগের পরিপূরক সম্ভাবনা হ'ল প্রায় লিনিয়ার ফাংশন । সীমাবদ্ধ সম্পর্ক প্রায়লগα
লগ( 2 Φ ( জেডα / 22-√) ) ≈-1.79712+0.557203লগ( 20 α ) + 0.00657704 ( লগ( 20 α ) )2+ + ⋯
অন্য কথায়, বড় এবং যে কোনও জায়গায় , এর traditional মানটির কাছাকাছি হবেα 0.05 ( 1 )n = মিα0.05( 1 )
1 - 0.166 ( 20 α )0,557।
(এটি /stats//a/18259/919 এ পোস্ট করা ওভারল্যাপিং আত্মবিশ্বাসের অন্তরগুলির বিশ্লেষণের খুব স্মরণ করিয়ে দেয় Indeed প্রকৃতপক্ষে, সেখানে যাদু শক্তি, , যাদু শক্তির একে অপরের অংশ) এখানে, . এই মুহুর্তে আপনি পরীক্ষার পুনরুত্পাদনযোগ্যতার ক্ষেত্রে সেই বিশ্লেষণটির পুনরায় ব্যাখ্যা করতে সক্ষম হওয়া উচিত))0.5571.910,557
পরীক্ষামূলক ফলাফল
এই ফলাফলগুলি একটি সোজাসাপ্টা সিমুলেশন দিয়ে নিশ্চিত করা হয়। নিম্নলিখিত R
কোডটি কভারেজের ফ্রিকোয়েন্সি, হিসাবে গণনা করার সুযোগ এবং কতটা পৃথক তার মূল্যায়ন করার জন্য একটি জেড-স্কোর প্রদান করে। জেড-স্কোরগুলি সাধারণত আকারের কম থাকে , (বা বা সিআই গণিত হয় কিনা ) নির্ধারণ করে, সূত্রের সঠিকতা ।2 এন , মি , μ , σ , α জেড টি ( 1 )( 1 )2এন , মি , μ , σ, αজেডটি( 1 )
n <- 3 # First sample size
m <- 2 # Second sample size
sigma <- 2
mu <- -4
alpha <- 0.05
n.sim <- 1e4
#
# Compute the multiplier.
#
Z <- qnorm(alpha/2)
#Z <- qt(alpha/2, df=n-1) # Use this for a Student t C.I. instead.
#
# Draw the first sample and compute the CI as [l.1, u.1].
#
x.1 <- matrix(rnorm(n*n.sim, mu, sigma), nrow=n)
x.1.bar <- colMeans(x.1)
s.1 <- apply(x.1, 2, sd)
l.1 <- x.1.bar + Z * s.1 / sqrt(n)
u.1 <- x.1.bar - Z * s.1 / sqrt(n)
#
# Draw the second sample and compute the mean as x.2.
#
x.2 <- colMeans(matrix(rnorm(m*n.sim, mu, sigma), nrow=m))
#
# Compare the second sample means to the CIs.
#
covers <- l.1 <= x.2 & x.2 <= u.1
#
# Compute the theoretical chance and compare it to the simulated frequency.
#
f <- pf(Z^2 / ((n * (1/n + 1/m))), 1, n-1)
m.covers <- mean(covers)
(c(Simulated=m.covers, Theoretical=f, Z=(m.covers - f)/sd(covers) * sqrt(length(covers))))