Laginketa Banaketaren Printzipioak
Pendahuluan
Laginketa-banaketa estatistikan oinarrizko kontzeptua da, populazio batetik lortutako laginen banaketa-ezaugarrietan oinarritzen dena. Laginketa-banaketaren printzipioa funtsezkoa da inferentzia estatistikoan, lagin-datuetan oinarritutako populazio-parametroak kalkulatzeko eta aurreikusteko aukera ematen baitigu.
Mundu errealean, populazio oso batetik datuak biltzea askotan ez da praktikoa edo ezinezkoa ere izaten. Horregatik, ikertzaileek populazio handiago batetik hartzen dute lagina eta laginketa-banaketaren printzipioak erabiltzen dituzte populazioari buruzko ondorio baliozkoak ateratzeko.
Artikulu honek laginketa-banaketen printzipioak aztertuko ditu, baita laginketa-banaketekin lotutako zenbait kontzeptu gako ere, hala nola batez bestekoaren laginketa-banaketa, muga zentralaren teorema eta proportzioen laginketa-banaketa.
Laginketa Banaketaren Oinarrizko Printzipioak
Biztanleria vs. Lagina
Populazioa ikerketa edo azterketa estatistiko baten subjektuak diren banako edo elementu guztien bilduma da. Aldiz, lagina behaketa eta analisietarako hautatutako populazioaren azpimultzo bat da. Ikuspegi hau erabiltzen da populazio osoa neurtzea edo behatzea zaila edo ezinezkoa delako.
Parametroak eta estatistikak
Parametro bat populazio baten ezaugarri bat deskribatzen duen balio numerikoa da, hala nola batez bestekoa, bariantza edo proportzioa. Estatistika, berriz, lagin batetik eratorritako eta populazio-parametro bat kalkulatzeko erabiltzen den balio numerikoa da. Adibidez, populazio baten batez besteko altuera jakin nahi badugu, lagin bat hartu dezakegu populaziotik, laginaren batez besteko altuera kalkulatu (estatistika) eta hau erabil dezakegu populazio-batez bestekoa kalkulatzeko (parametroa).
Laginaren banaketa
Laginketa-banaketak lagin-estatistiko baten probabilitate-banaketa adierazten du. Demagun populazio beretik hainbat lagin hartzen ditugula eta bakoitzaren lagin-batez bestekoa kalkulatzen dugula; lagin-batez besteko horien banaketa batez bestekoaren laginketa-banaketa da.
Laginketa-banaketak lagin-estatistika batek laginketa-errepikapen desberdinen pean nola jokatzen duen ikuspegi orokorra eskaintzen du. Hau garrantzitsua da lagin-estatistiketan dagoen aldakortasun intrintsekoa ulertzeko eta populazio-parametroen estimazio zehatzagoak egiteko.
Limite Zentralaren Teorema (Limite Zentralaren Teorema)
Laginketa-banaketekin lotutako kontzeptu garrantzitsuenetako bat Limite Zentralaren Teorema (CLT) da. Teorema honek dioenez, populazioaren banaketaren forma edozein dela ere, laginaren batez bestekoaren laginketa-banaketak banaketa normal bat (banaketa gaussiarra) hurbilduko du laginaren tamaina nahikoa handia bada, normalean n ≥ 30.
Limite Zentralaren Teorema Ulertzea
Formalago, Muga Zentralaren Teoremak dioenez, batez besteko µ eta bariantza σ² dituen populazio batetik lagin nahiko handia hartzen badugu, orduan lagin-batez besteko horien laginketa-banaketak batez besteko µ eta errore estandarra (SE) σ/√n dituen banaketa normal bat hurbilduko du, non n laginaren tamaina den.
Limite Zentralaren Teoremaren Ondorioak
CLT-k ondorio garrantzitsuak ditu inferentzia estatistikorako, banaketa normalaren arauak erabiltzeko aukera ematen baitigu hipotesiak kalkulatzerakoan eta probatzerakoan, jatorrizko datuak banaketa normala ez dutenean ere. Oso eraginkorra da eguneroko praktika estatistikoan, teknika estatistiko normal asko unibertsalagoak bihurtzen baititu aplikazioetan.
Batez bestekoaren laginketa-banaketa
Muga Zentralaren Teoremaren aplikazio nagusietako bat batez bestekoaren laginketa-banaketa ulertzea da. Populazio batetik ausazko lagin bat hartu eta laginaren batez bestekoa kalkulatzen dugunean, jakin nahi dugu nola aldatzen den laginaren batez besteko hori lagin batetik bestera.
Batez bestekoa eta bariantza
Lagin-tamaina handietarako, batez bestekoaren laginketa-banaketak banaketa normal batera hurbilduko da, populazioaren batez bestekoaren (μ) berdina den batez bestekoa eta σ²/n bariantza txikiagoa duena, non σ populazioaren desbideratze estandarra den eta n laginaren tamaina.
Errore estandarra
Errore estandarra (EE) laginketa-banaketaren batez bestekoarekiko desbideratze estandarra da. Laginaren batez bestekoa populazio-batez bestekotik zenbateraino desbideratuko den neurtzen du. EE σ/√n gisa kalkulatzen da, eta horrek adierazten du laginaren tamaina handitzeak EE murriztuko duela eta populazio-batez bestekoaren estimazioa zehatzagoa izango dela.
Proportzioen laginketa banaketa
Proportzio baten laginketa-banaketa batez bestekoaren laginketa-banaketaren antzekoa da, baina proportzioan jartzen dugu arreta batez bestekoan baino. Adibidez, demagun populazio baten ezaugarri jakin bat duen proportzioa kalkulatu nahi dugula, hala nola populazioan erretzen duten pertsonen proportzioa.
Proportzioen batez bestekoa eta bariantza
Baldin eta p populazioaren ezaugarri jakin bat duen proportzioa bada, orduan p proportzioaren laginketa-banaketak (p-hat) p batez besteko eta bariantza (pq/n) dituen banaketa normal bat hurbilduko du, non q = 1 – p den eta n laginaren tamaina den.
Proportzio-errore estandarra
Proportzioaren errore estandarra √[p(1-p)/n] gisa kalkulatzen da. Horrek laginaren proportzioa (p-hat) benetako populazio-proportziotik (p) zenbateraino dagoen neurtzen du.
Ondorioa
Laginketa-banaketaren printzipioak estatistika inferentzialaren elementu askoren oinarria dira. Kontzeptu hauek ulertzeak ikertzaileei baliozko estimazioak egiteko eta hipotesi-probak egiteko aukera ematen die lagin mugatuetan oinarrituta. Muga Zentralaren Teoremarekin, banaketa normalaren printzipioak hainbat egoeratan aplika ditzakegu eta estimazio zehatzagoak egin ditzakegu, hasierako datuak normalean banatuta ez daudenean ere.
Batez bestekoaren eta proportzioaren laginketa-banaketa aztertuz, lagin baten aldakortasun estatistikoa sakonago ulertu dezakegu eta populazioari buruzko iragarpen hobeak egin. Printzipio hauek, itxuraz abstraktuak izan arren, aplikazio praktiko zabalak dituzte ikerketa-arlo askotan, gizarte-zientzietatik hasi eta zientzia naturaletaraino eta negozioetaraino. Azken helburua eskuragarri dauden datuetan oinarritutako erabaki hobeak hartzea da, datu horiek egia handiago baten zati txiki bat besterik ez badira ere.
