Prinsip Pengagihan Persampelan
pengenalan
Taburan persampelan merupakan konsep asas dalam statistik yang menumpukan pada ciri-ciri taburan sampel yang diperoleh daripada populasi. Prinsip taburan persampelan adalah penting dalam inferens statistik kerana ia membolehkan kita menganggarkan dan meramalkan parameter populasi berdasarkan data sampel.
Dalam dunia sebenar, pengumpulan data daripada keseluruhan populasi selalunya tidak praktikal atau mustahil. Oleh itu, penyelidik mengambil sampel daripada populasi yang lebih besar dan menggunakan prinsip taburan persampelan untuk membuat kesimpulan yang sah tentang populasi.
Artikel ini akan membincangkan prinsip taburan persampelan, serta beberapa konsep utama yang berkaitan dengan taburan persampelan, seperti taburan persampelan min, teorem had pusat dan taburan persampelan kadaran.
Prinsip Asas Pengagihan Persampelan
Populasi vs. Sampel
Populasi ialah himpunan semua individu atau elemen yang menjadi subjek penyelidikan atau kajian statistik. Sebaliknya, sampel ialah subset populasi yang dipilih untuk pemerhatian dan analisis. Pendekatan ini digunakan kerana mengukur atau memerhatikan keseluruhan populasi adalah sukar atau mustahil.
Parameter dan Statistik
Parameter ialah nilai berangka yang menggambarkan ciri populasi, seperti min, varians atau perkadaran. Statistik, sebaliknya, ialah nilai berangka yang diperoleh daripada sampel dan digunakan untuk menganggarkan parameter populasi. Contohnya, jika kita ingin mengetahui purata ketinggian populasi, kita boleh mengambil sampel daripada populasi, mengira purata ketinggian sampel (statistik), dan menggunakannya untuk menganggarkan min populasi (parameter).
Pengagihan Sampel
Taburan persampelan merujuk kepada taburan kebarangkalian statistik sampel. Katakan kita mengambil beberapa sampel daripada populasi yang sama dan mengira min sampel bagi setiap satu, taburan min sampel ini ialah taburan persampelan min.
Taburan persampelan memberikan gambaran keseluruhan tentang bagaimana statistik sampel bertindak di bawah pengulangan persampelan yang berbeza. Ini penting untuk memahami kebolehubahan yang wujud dalam statistik sampel dan untuk membuat anggaran parameter populasi yang lebih tepat.
Teorem Had Pusat (Teorem Had Pusat)
Salah satu konsep terpenting yang berkaitan dengan taburan persampelan ialah Teorem Had Pusat (CLT). Teorem ini menyatakan bahawa, tanpa mengira bentuk taburan populasi, taburan persampelan min sampel akan menghampiri taburan normal (taburan Gaussian) jika saiz sampel cukup besar, biasanya n ≥ 30.
Memahami Teorem Had Pusat
Secara lebih formal, Teorem Had Pusat menyatakan bahawa jika kita mengambil sampel yang cukup besar daripada populasi dengan min µ dan varians σ², maka taburan persampelan min sampel tersebut akan menghampiri taburan normal dengan min µ dan ralat piawai (SE) σ/√n, dengan n ialah saiz sampel.
Implikasi Teorem Had Pusat
CLT mempunyai implikasi penting untuk inferens statistik kerana ia membolehkan kita menggunakan peraturan taburan normal semasa menganggarkan dan menguji hipotesis, walaupun data asal tidak bertaburan normal. Ini sangat berkesan dalam amalan statistik harian kerana ia menjadikan banyak teknik statistik berasaskan normal lebih universal dalam aplikasinya.
Taburan Persampelan bagi Min
Salah satu aplikasi utama Teorem Had Pusat adalah dalam memahami taburan pensampelan min. Apabila kita mengambil sampel rawak daripada populasi dan mengira min sampel, kita ingin tahu bagaimana min sampel ini berbeza dari sampel ke sampel.
Min dan Varians
Bagi saiz sampel yang besar, taburan pensampelan min akan menghampiri taburan normal dengan min sama dengan min populasi (μ) dan varians σ²/n yang lebih kecil, dengan σ ialah sisihan piawai populasi dan n ialah saiz sampel.
Kesalahan biasa
Ralat piawai (SE) ialah sisihan piawai taburan persampelan daripada min. Ia memberikan ukuran sejauh mana min sampel dijangka menyimpang daripada min populasi. SE dikira sebagai σ/√n, menunjukkan bahawa peningkatan saiz sampel akan mengurangkan SE dan menjadikan anggaran min populasi lebih tepat.
Taburan Persampelan bagi Perkadaran
Taburan persampelan bagi sesuatu perkadaran adalah serupa dengan taburan persampelan bagi min, tetapi kita lebih menumpukan pada perkadaran dan bukannya min. Contohnya, katakan kita ingin menganggarkan perkadaran populasi yang mempunyai ciri tertentu, seperti perkadaran orang yang merokok dalam populasi tersebut.
Min dan Varians Perkadaran
Jika p ialah perkadaran populasi yang mempunyai ciri tertentu, maka taburan persampelan bagi perkadaran p (p-hat) akan menghampiri taburan normal dengan min p dan varians (pq/n), dengan q = 1 – p dan n ialah saiz sampel.
Ralat Piawai Perkadaran
Ralat piawai bagi perkadaran dikira sebagai √[p(1-p)/n]. Ini memberikan ukuran sejauh mana perkadaran sampel (p-hat) daripada perkadaran populasi sebenar (p).
Kesimpulannya
Prinsip taburan persampelan merupakan asas kepada banyak elemen statistik inferensi. Memahami konsep-konsep ini membolehkan penyelidik membuat anggaran yang sah dan menjalankan pengujian hipotesis berdasarkan sampel yang terhad. Dengan Teorem Had Pusat, kita boleh mengaplikasikan prinsip taburan normal kepada pelbagai situasi dan membuat anggaran yang lebih tepat walaupun data awal tidak bertaburan normal.
Dengan menganalisis taburan pensampelan min dan perkadaran, kita dapat memperoleh pemahaman yang lebih mendalam tentang kebolehubahan statistik sampel dan membuat ramalan yang lebih baik tentang populasi. Prinsip-prinsip ini, walaupun kelihatan abstrak, mempunyai aplikasi praktikal yang luas dalam pelbagai bidang penyelidikan, daripada sains sosial hingga sains semula jadi dan perniagaan. Matlamat utama adalah untuk membuat keputusan yang lebih baik berdasarkan data yang ada, walaupun data tersebut hanya sebahagian kecil daripada kebenaran yang lebih besar.
