এটি আমার কাছে প্রথমবারের মতো একটি সাধারণ বিতরণ মন্টি কার্লো সিমুলেশন করার সময় একটি ধাক্কা হিসাবে আসে এবং আবিষ্কার করে যে নমুনা থেকে স্ট্যান্ডার্ড বিচ্যুতির মধ্যস্থতা, যা কেবলমাত্র নমুনা আকারের , খুব কম প্রমাণিত হয়েছে পরিবর্তে, অর্থাত, গড় বার জনসংখ্যা জেনারেট করার জন্য ব্যবহার করা হয়। যাইহোক, এটি খুব ভালভাবে জানা যায়, যদি খুব কমই মনে পড়ে, এবং আমি বাছাই করে জানতাম বা আমি একটি সিমুলেশন না করতাম। এখানে একটি সিমুলেশন আছে।
100, , of , এবং অনুমান ব্যবহার করে এর 95% আত্মবিশ্বাসের ব্যবধানের পূর্বাভাস দেওয়ার জন্য এখানে একটি উদাহরণ রয়েছে ।
RAND() RAND() Calc Calc
N(0,1) N(0,1) SD E(s)
-1.1171 -0.0627 0.7455 0.9344
1.7278 -0.8016 1.7886 2.2417
1.3705 -1.3710 1.9385 2.4295
1.5648 -0.7156 1.6125 2.0209
1.2379 0.4896 0.5291 0.6632
-1.8354 1.0531 2.0425 2.5599
1.0320 -0.3531 0.9794 1.2275
1.2021 -0.3631 1.1067 1.3871
1.3201 -1.1058 1.7154 2.1499
-0.4946 -1.1428 0.4583 0.5744
0.9504 -1.0300 1.4003 1.7551
-1.6001 0.5811 1.5423 1.9330
-0.5153 0.8008 0.9306 1.1663
-0.7106 -0.5577 0.1081 0.1354
0.1864 0.2581 0.0507 0.0635
-0.8702 -0.1520 0.5078 0.6365
-0.3862 0.4528 0.5933 0.7436
-0.8531 0.1371 0.7002 0.8775
-0.8786 0.2086 0.7687 0.9635
0.6431 0.7323 0.0631 0.0791
1.0368 0.3354 0.4959 0.6216
-1.0619 -1.2663 0.1445 0.1811
0.0600 -0.2569 0.2241 0.2808
-0.6840 -0.4787 0.1452 0.1820
0.2507 0.6593 0.2889 0.3620
0.1328 -0.1339 0.1886 0.2364
-0.2118 -0.0100 0.1427 0.1788
-0.7496 -1.1437 0.2786 0.3492
0.9017 0.0022 0.6361 0.7972
0.5560 0.8943 0.2393 0.2999
-0.1483 -1.1324 0.6959 0.8721
-1.3194 -0.3915 0.6562 0.8224
-0.8098 -2.0478 0.8754 1.0971
-0.3052 -1.1937 0.6282 0.7873
0.5170 -0.6323 0.8127 1.0186
0.6333 -1.3720 1.4180 1.7772
-1.5503 0.7194 1.6049 2.0115
1.8986 -0.7427 1.8677 2.3408
2.3656 -0.3820 1.9428 2.4350
-1.4987 0.4368 1.3686 1.7153
-0.5064 1.3950 1.3444 1.6850
1.2508 0.6081 0.4545 0.5696
-0.1696 -0.5459 0.2661 0.3335
-0.3834 -0.8872 0.3562 0.4465
0.0300 -0.8531 0.6244 0.7826
0.4210 0.3356 0.0604 0.0757
0.0165 2.0690 1.4514 1.8190
-0.2689 1.5595 1.2929 1.6204
1.3385 0.5087 0.5868 0.7354
1.1067 0.3987 0.5006 0.6275
2.0015 -0.6360 1.8650 2.3374
-0.4504 0.6166 0.7545 0.9456
0.3197 -0.6227 0.6664 0.8352
-1.2794 -0.9927 0.2027 0.2541
1.6603 -0.0543 1.2124 1.5195
0.9649 -1.2625 1.5750 1.9739
-0.3380 -0.2459 0.0652 0.0817
-0.8612 2.1456 2.1261 2.6647
0.4976 -1.0538 1.0970 1.3749
-0.2007 -1.3870 0.8388 1.0513
-0.9597 0.6327 1.1260 1.4112
-2.6118 -0.1505 1.7404 2.1813
0.7155 -0.1909 0.6409 0.8033
0.0548 -0.2159 0.1914 0.2399
-0.2775 0.4864 0.5402 0.6770
-1.2364 -0.0736 0.8222 1.0305
-0.8868 -0.6960 0.1349 0.1691
1.2804 -0.2276 1.0664 1.3365
0.5560 -0.9552 1.0686 1.3393
0.4643 -0.6173 0.7648 0.9585
0.4884 -0.6474 0.8031 1.0066
1.3860 0.5479 0.5926 0.7427
-0.9313 0.5375 1.0386 1.3018
-0.3466 -0.3809 0.0243 0.0304
0.7211 -0.1546 0.6192 0.7760
-1.4551 -0.1350 0.9334 1.1699
0.0673 0.4291 0.2559 0.3207
0.3190 -0.1510 0.3323 0.4165
-1.6514 -0.3824 0.8973 1.1246
-1.0128 -1.5745 0.3972 0.4978
-1.2337 -0.7164 0.3658 0.4585
-1.7677 -1.9776 0.1484 0.1860
-0.9519 -0.1155 0.5914 0.7412
1.1165 -0.6071 1.2188 1.5275
-1.7772 0.7592 1.7935 2.2478
0.1343 -0.0458 0.1273 0.1596
0.2270 0.9698 0.5253 0.6583
-0.1697 -0.5589 0.2752 0.3450
2.1011 0.2483 1.3101 1.6420
-0.0374 0.2988 0.2377 0.2980
-0.4209 0.5742 0.7037 0.8819
1.6728 -0.2046 1.3275 1.6638
1.4985 -1.6225 2.2069 2.7659
0.5342 -0.5074 0.7365 0.9231
0.7119 0.8128 0.0713 0.0894
1.0165 -1.2300 1.5885 1.9909
-0.2646 -0.5301 0.1878 0.2353
-1.1488 -0.2888 0.6081 0.7621
-0.4225 0.8703 0.9141 1.1457
0.7990 -1.1515 1.3792 1.7286
0.0344 -0.1892 0.8188 1.0263 mean E(.)
SD pred E(s) pred
-1.9600 -1.9600 -1.6049 -2.0114 2.5% theor, est
1.9600 1.9600 1.6049 2.0114 97.5% theor, est
0.3551 -0.0515 2.5% err
-0.3551 0.0515 97.5% err
গ্রেড মোটগুলি দেখতে স্লাইডারটিকে নীচে টেনে আনুন। এখন, আমি শূন্যের গড় হিসাবে প্রায় 95% আত্মবিশ্বাসের ব্যবধানগুলি গণনা করতে সাধারণ এসডি অনুমানকারী ব্যবহার করেছি এবং সেগুলি 0.3551 স্ট্যান্ডার্ড বিচ্যুতি ইউনিট দ্বারা বন্ধ রয়েছে। E (s) এর প্রাক্কলনকারীটি কেবল 0.0515 স্ট্যান্ডার্ড বিচ্যুতি ইউনিট বন্ধ রয়েছে। যদি কেউ স্ট্যান্ডার্ড বিচ্যুতি, গড়ের স্ট্যান্ডার্ড ত্রুটি, বা টি-স্ট্যাটিস্টিকাকে অনুমান করে তবে সমস্যা হতে পারে।
আমার যুক্তিটি নিম্নরূপ ছিল, জনসংখ্যার অর্থ হ'ল , দুটি মানের , কোনও সাথে শ্রদ্ধার সাথে যে কোনও জায়গায় থাকতে পারে এবং এটি অবশ্যই at এ অবস্থিত নয় , যা পরেরটি একটি সর্বনিম্ন সম্ভাব্য যোগফলের জন্য তৈরি করে বর্গাকার যাতে নীচে আমরা যথেষ্ট পরিমাণে অবমূল্যায়ন করছিx 1 x 1 + x 2 σ
wlog , তারপরে হ'ল , সর্বনিম্ন সম্ভাব্য ফলাফল।Σ n i = 1 ( x আমি - ˉ x ) 2 2 ( ডি
এর অর্থ হ'ল মানক বিচ্যুতি হিসাবে গণনা করা
,
জনসংখ্যার মান বিচ্যুতির ( ) পক্ষপাতদুষ্ট অনুমানকারী । দ্রষ্টব্য, সেই সূত্রে আমরা এর স্বাধীনতার ডিগ্রিগুলি 1 দ্বারা হ্রাস করে এবং দ্বারা ভাগ করে নিই, আমরা কিছু সংশোধন করি, তবে এটি কেবল তাত্পর্যপূর্ণভাবে সঠিক, এবং এটি থাম্বের আরও ভাল নিয়ম হবে । আমাদের উদাহরণের জন্য সূত্রটি আমাদেরকে , as হিসাবে একটি পরিসংখ্যানগতভাবে ন্যূনতম মান সেখানে আরো ভালো প্রত্যাশিত মান ( ) হবেএন এন - 1 এন - 3 / 2 এক্স 2 - এক্স 1 = ঘ এসডি এস ডি = Dμ≠ˉxsই(গুলি)=√ √N<10এসডিσএন25এন<25এন=1000। সাধারণ গণনার জন্য, , গুলি খুব অল্প সংখ্যক পক্ষপাত বলে উল্লেখযোগ্য অবমূল্যায়ন ভোগ করে , যা প্রায় হয় যখন কেবল 1% অবমূল্যায়নের দিকে যায় । যেহেতু অনেক জৈবিক পরীক্ষায় , এটি প্রকৃতপক্ষে একটি সমস্যা। জন্য , ত্রুটি আনুমানিক 100,000 25 যন্ত্রাংশ হয়। সাধারণভাবে, অল্প সংখ্যক পক্ষপাত সংশোধন বোঝায় যে একটি সাধারণ বিতরণের জনসংখ্যার মান বিচ্যুতির নিরপেক্ষ অনুমানক
সৃজনশীল কমন্স লাইসেন্সের অধীনে উইকিপিডিয়া থেকে একজনের SD এসডি অবমূল্যায়নের প্লট রয়েছে
যেহেতু এসডি জনসংখ্যা স্ট্যানডার্ড ডেভিয়েশন একটি পক্ষপাতদুষ্ট মূল্নির্ধারক, এটা সর্বনিম্ন ভ্যারিয়েন্স পক্ষপাতিত্বহীন মূল্নির্ধারক হতে পারে না MVUE জনসংখ্যা মানক চ্যুতির যদি না আমরা এই বলে যে এটি হিসাবে MVUE সঙ্গে খুশি , যা আমি, এক জন্য, নই।
অ-স্বাভাবিক ডিস্ট্রিবিউশন বিষয়ে প্রায় পক্ষপাতিত্বহীন পড়া এই ।
এখন প্রশ্ন আসে চতুর্থাংশ 1
এটা প্রমাণিত হতে পারে যে উপরে MVUE জন্য নমুনা আকার রাখা একটি সাধারণ বণ্টনের , যেখানে একটির একটি ধনাত্মক পূর্ণসংখ্যা বেশী?σ n এন
ইঙ্গিত: (তবে উত্তরটি নয়) দেখুন আমি কীভাবে একটি সাধারণ বিতরণ থেকে নমুনার স্ট্যান্ডার্ড বিচ্যুতিটির মানক বিচ্যুতিটি খুঁজে পেতে পারি? ।
পরবর্তী প্রশ্ন, Q2
কেউ দয়া করে আমাকে ব্যাখ্যা করতে পারেন যে কেন আমরা স্পষ্টভাবে পক্ষপাতদুষ্ট এবং বিভ্রান্তিকর কারণে ? ব্যবহার করছি? যে, কেন সবকিছুর জন্য ব্যবহার করবেন না? পরিপূরক, এটি নীচের উত্তরগুলিতে স্পষ্ট হয়ে গেছে যে বৈকল্পিকতা নিরপেক্ষ, তবে এর বর্গমূলটি পক্ষপাতদুষ্ট। আমি অনুরোধ করব যে উত্তরগুলি কখন নিরপেক্ষ মানক বিচ্যুতি ব্যবহার করা উচিত সে প্রশ্নের প্রশ্নের সমাধান করুন।
যেমনটি দেখা যাচ্ছে, একটি আংশিক উত্তর হ'ল উপরের সিমুলেশনে পক্ষপাতিত্ব এড়ানোর জন্য, এসডি-মানগুলির চেয়ে পরিবর্তনের গড় গড়ে নেওয়া যেতে পারে। এর প্রভাব দেখতে, যদি আমরা উপরের এসডি কলামটি বর্গক্ষেত্র করি, এবং সেই মানগুলি আমরা গড়ে পাই 0.9994, যার বর্গমূলটি স্ট্যান্ডার্ড বিচ্যুতি 0.9996915 এবং একটি ত্রুটি যার জন্য 2.5% লেজের জন্য কেবল 0.0006 এবং 95% লেজের জন্য -0.0006। নোট করুন যে এর কারণগুলি ভেরিয়েন্সগুলি সংযোজনীয়, তাই এগুলির গড় গড়ে নেওয়া একটি নিম্ন ত্রুটি পদ্ধতি। তবে, স্ট্যান্ডার্ড বিচ্যুতি পক্ষপাতদুষ্ট, এবং যেসব ক্ষেত্রে আমাদের মধ্যস্থতাকারী হিসাবে বৈকল্পিকগুলি ব্যবহার করার বিলাসিতা নেই, আমাদের এখনও সংখ্যায় সংশোধন প্রয়োজন। এমনকি আমরা যদি কোনও মধ্যস্থতাকারী হিসাবে বৈকল্পিকতা ব্যবহার করতে পারি তবে ক্ষেত্রে, ছোট নমুনা সংশোধনটি স্ট্যান্ডার্ড বিচ্যুতির একটি নিরপেক্ষ অনুমান হিসাবে 1.002219148 দেওয়ার জন্য নিরপেক্ষ বৈকল্পিক 0.9996915 এর বর্গমূলকে 1.002528401 দ্বারা গুণিত করার পরামর্শ দেয়। সুতরাং, হ্যাঁ, আমরা সংখ্যায় সংশোধন ব্যবহারে বিলম্ব করতে পারি তবে আমাদের কি এটিকে পুরোপুরি উপেক্ষা করা উচিত?
এখানে প্রশ্নটি হ'ল আমরা কখন সংখ্যার সংশোধন ব্যবহার করব, এর ব্যবহারকে উপেক্ষা করার বিপরীতে এবং প্রধানত আমরা এর ব্যবহার এড়িয়ে চলেছি।
এখানে আরেকটি উদাহরণ দেওয়া হল, রৈখিক প্রবণতা স্থাপনের জন্য স্থানটিতে সর্বনিম্ন পয়েন্টের ত্রুটি রয়েছে three আমরা যদি এই পয়েন্টগুলিকে সাধারণ ন্যূনতম স্কোয়ারের সাথে ফিট করি তবে ফলস্বরূপ অনেকগুলি ফিটের জন্য ফল্ট হওয়া স্বাভাবিক অবশিষ্টাংশের প্যাটার্ন যদি অ-রৈখিকতা থাকে এবং লৈখিকতা থাকে তবে অর্ধেক স্বাভাবিক থাকে। অর্ধ-স্বাভাবিক ক্ষেত্রে আমাদের বিতরণ গড়ের জন্য সংখ্যার সংশোধন প্রয়োজন। যদি আমরা 4 বা ততোধিক পয়েন্টের সাথে একই কৌশলটি ব্যবহার করে দেখি তবে বিতরণটি সাধারণভাবে সম্পর্কিত বা বৈশিষ্ট্যযুক্ত করা সহজ হবে না। আমরা কীভাবে এই 3-পয়েন্টের ফলাফলগুলিকে একত্রিত করতে বৈকল্পিকতা ব্যবহার করতে পারি? সম্ভবত, সম্ভবত না। তবে দূরত্ব এবং ভেক্টরগুলির ক্ষেত্রে সমস্যাগুলি ধারণ করা সহজ।