तथ्याङ्कमा अनुमान विधिहरू

तथ्याङ्कमा अनुमान विधिहरू

तथ्याङ्क भनेको तथ्याङ्क सङ्कलन, विश्लेषण र व्याख्या गर्ने विज्ञान हो, र यसको एक आवश्यक घटक अनुमान हो। तथ्याङ्कमा अनुमानले नमूनाबाट प्राप्त जानकारीको आधारमा जनसंख्या प्यारामिटरको अनुमानित मान निर्धारण गर्ने प्रक्रियालाई जनाउँछ। अनुमान विधिहरूलाई दुई मुख्य प्रकारमा वर्गीकृत गर्न सकिन्छ: बिन्दु अनुमान र अन्तराल अनुमान। यस लेखमा, हामी तथ्याङ्कमा सामान्यतया प्रयोग हुने विभिन्न अनुमान विधिहरू छलफल गर्नेछौं।

अनुमानको आधारभूत बुझाइ

अनुमान विधिहरूमा प्रवेश गर्नु अघि, केही आधारभूत शब्दहरू बुझ्नु महत्त्वपूर्ण छ:
– प्यारामिटरहरू: जनसंख्याको संख्यात्मक विशेषताहरू। उदाहरणका लागि, जनसंख्या औसत (µ), जनसंख्या भिन्नता (σ²)।
– तथ्याङ्क: नमूनाको संख्यात्मक विशेषताहरू। उदाहरणका लागि, नमूनाको माध्य (x̄), नमूना भिन्नता (s²)।

अनुमानको मुख्य लक्ष्य नमूना डेटाको आधारमा जनसंख्या प्यारामिटरहरूको बारेमा अनुमान लगाउनु हो । तथ्याङ्कमा अनुमानका दुई मुख्य प्रकारहरू छन्:

१. बिन्दु अनुमान: जनसंख्या प्यारामिटरको अनुमानको रूपमा एउटा मात्र मान प्रदान गर्दछ।
२. अन्तराल अनुमान: जनसंख्या प्यारामिटरको अनुमानको रूपमा मानहरूको दायरा प्रदान गर्दछ, जसमा निश्चित स्तरको विश्वास समावेश छ।

बिन्दु अनुमान विधि

बिन्दु अनुमान भनेको जनसंख्या प्यारामिटरको सबैभन्दा राम्रो अनुमान हुने एकल संख्या प्रदान गर्ने प्रक्रिया हो। केही सामान्यतया प्रयोग हुने बिन्दु अनुमानकहरू हुन्:

१. नमूनाको औसत (औसत)
जनसंख्या औसत अनुमान गर्ने सबैभन्दा सरल र सामान्य तरिका नमूना औसत हो, जुन निम्न रूपमा गणना गरिन्छ:
\[ \बार{x} = \फ्राक{१}{n} \योग_{i=१}^{n} x_i \]
जहाँ \( x_i \) नमूनामा प्रत्येक अवलोकन हो र \( n \) नमूना आकार हो।

२. नमुना मध्यस्थता
नमूना मध्यक क्रमबद्ध नमूना डेटाको बीचको मान हो। यो एक बलियो अनुमानक हो किनभने यो आउटलियरहरूबाट प्रभावित हुँदैन।

३. नमूना अनुपात
जनसंख्या अनुपात अनुमान गर्न, नमूना अनुपात प्रयोग गरिन्छ, जुन निम्न रूपमा गणना गरिन्छ:
\[ \टोपी{p} = \फ्राक{x}{n} \]
जहाँ \( x \) नमूनामा सफलताहरूको संख्या हो र \( n \) नमूना आकार हो।

अन्तराल अनुमान विधि

अन्तराल अनुमानहरूले मानहरूको दायरा प्रदान गर्दछ, जसले जनसंख्या प्यारामिटरलाई निश्चित स्तरको विश्वास (जस्तै, ९५%) ले समेट्ने अपेक्षा गरिन्छ। अन्तराल अनुमानहरू प्रायः विश्वास अन्तराल (CI) को रूपमा व्यक्त गरिन्छ।

१. जनसंख्या औसतको लागि विश्वास अन्तराल
यदि नमूना डेटा बाट आउँछ भने सामान्य वितरण वा ( n ) पर्याप्त ठूलो छ (CLT लागू हुन्छ), जनसंख्या औसत ( mu ) को लागि विश्वास अन्तराल हो:
\[ \बार{x} \pm z_{\अल्फा/2} \frac{\सिग्मा}{\sqrt{n}} \]
कहाँ:
– \( \bar{x} \) नमूनाको माध्य हो
– \( z_{\alpha/2} \) भनेको विश्वास स्तरसँग सम्बन्धित मानक सामान्य वितरणको z-मान हो (जस्तै, ९५% को लागि १.९६)
– (सिग्मा) हो मानक विचलन जनसंख्या। यदि \( \sigma \) अज्ञात छ भने, \( s \) (नमूना मानक विचलन) प्रयोग गरिन्छ।
– \( n \) नमूना आकार हो।

२. जनसंख्या अनुपातको लागि विश्वास अन्तराल
जनसंख्या अनुपात अनुमान गर्न \( p \):
\[ \टोपी{p} \pm z_{\alpha/2} \sqrt{\frac{\टोपी{p}(1-\टोपी{p})}{n}} \]
जहाँ \( \hat{p} \) पहिले वर्णन गरिए अनुसार नमूना अनुपात र अन्य प्यारामिटरहरू हुन्।

अन्य अनुमान विधिहरू

१. अधिकतम सम्भावना (ML) विधि

अधिकतम सम्भावना विधि भनेको जनसंख्या प्यारामिटर \( \theta \) को लागि उत्तम अनुमानक पत्ता लगाउन प्रयोग गरिने प्रविधि हो जसमा सम्भावना प्रकार्य \( L(\theta) \) लाई अधिकतम पारिएको हुन्छ। सम्भावना प्रकार्य भनेको प्यारामिटर \( \theta \) दिइएको अवलोकन गरिएको डेटा प्राप्त गर्ने सम्भावना हो:
\[ L(\theta|x) = \prod_{i=1}^{n} f(x_i|\theta) \]
जहाँ \( f(x_i|\theta) \) डेटाको सम्भावना घनत्व प्रकार्य (PDF) हो। \( L(\theta) \) लाई अधिकतम बनाउने अनुमानकलाई अधिकतम सम्भावना अनुमानक (MLE) भनिन्छ।

२. बायेसियन अनुमान विधि
बायेसियन दृष्टिकोणले प्यारामिटरहरूलाई यसरी विचार गर्छ अनियमित चरहरू र प्यारामिटरहरू अनुमान गर्न सम्भाव्यता वितरणहरू प्रयोग गर्नुहोस्। बेयसको प्रमेयमा आधारित:
\[ P(\theta|x) = \frac{P(x|\theta) P(\theta)}{P(x)} \]
जहाँ \( P(\theta|x) \) पोस्टरियर वितरण हो, \( P(x|\theta) \) सम्भावना हो, \( P(\theta) \) पूर्ववर्ती हो, र \( P(x) \) सम्भावना मार्जिन हो। बेयसियन अनुमानकहरू प्रयोग गरिएका पूर्ववर्तीहरूमा धेरै निर्भर छन्।

अनुमानक मूल्याङ्कन

बिन्दु अनुमानकर्ताको मूल्याङ्कन गर्न, हामीले यसको गुणहरू जाँच गर्नुपर्छ:
– निष्पक्षता/पूर्वाग्रह: यदि \( E[\hat{\theta}] = \theta \) हो भने अनुमानक \( \hat{\theta} \) निष्पक्ष भनिन्छ।
– दक्षता: सबै निष्पक्ष अनुमानकर्ताहरूमध्ये एक कुशल अनुमानकर्तामा सबैभन्दा कम भिन्नता हुन्छ।
– स्थिरता: यदि \( \hat{\theta} \) नमूना आकार \( n \) बढ्दै जाँदा \( \theta \) मा पुग्छ भने अनुमानकलाई स्थिर भनिन्छ।

आवेदन पूर्वamples

१. औसत आय अनुमान
आर्थिक अनुसन्धानमा, जनसंख्याको औसत आय अनुमान गर्ने काम प्रायः गरिन्छ। अनुसन्धानकर्ताहरूले जनसंख्याको नमूना लिन्छन् र नमूना औसतलाई बिन्दु अनुमानकर्ताको रूपमा गणना गर्छन्, र यस अनुमानको अनिश्चिततालाई चित्रण गर्न विश्वास अन्तराल प्रदान गर्छन्।

२. मतदाता अनुपातको अनुमान
चुनावी सर्वेक्षणमा, एक अनुसन्धानकर्ताले कुनै विशेष उम्मेदवारलाई समर्थन गर्ने मतदाताहरूको प्रतिशत अनुमान गर्न चाहन सक्छन्। त्यो उम्मेदवारलाई समर्थन गर्ने उत्तरदाताहरूको नमूना अनुपात \( \hat{p} \) लाई अंक अनुमानकर्ताको रूपमा प्रयोग गरिन्छ। त्रुटिको मार्जिन देखाउन विश्वास अन्तराल प्रदान गर्न सकिन्छ।

केसिम्पुलन

तथ्याङ्कमा अनुमान विधिहरूले केन्द्रीय भूमिका खेल्छन् किनभने तिनीहरूले अनुसन्धानकर्ताहरूलाई नमूना डेटाको आधारमा जनसंख्याको बारेमा अनुमानहरू गर्न अनुमति दिन्छन्। बिन्दु र अन्तराल अनुमान विधिहरूले यसको लागि शक्तिशाली उपकरणहरू प्रदान गर्दछ, जसमा अधिकतम सम्भावना र बायेसियन अनुमान जस्ता प्रविधिहरू डेटाको जटिलताहरूमा गहिरो खोजी गर्छन्। निष्पक्ष, कुशल, र सुसंगत अनुमानकहरू प्रयोग गर्नाले भरपर्दो र सटीक डेटा विश्लेषण परिणामहरू सुनिश्चित गर्दछ , अर्थशास्त्र, सामाजिक विज्ञान, स्वास्थ्य, र थप जस्ता क्षेत्रहरूमा राम्रो निर्णय लिने सुविधा प्रदान गर्दछ।