ਨਮੂਨਾ ਵੰਡ ਦੇ ਸਿਧਾਂਤ

ਸੈਂਪਲਿੰਗ ਵੰਡ ਸਿਧਾਂਤ

ਪੇਂਡਹੁਲੁਆਨ
ਸੈਂਪਲਿੰਗ ਵੰਡ ਅੰਕੜਿਆਂ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਸੰਕਲਪ ਹੈ ਜੋ ਆਬਾਦੀ ਤੋਂ ਪ੍ਰਾਪਤ ਨਮੂਨਿਆਂ ਦੀਆਂ ਵੰਡ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੈ। ਸੈਂਪਲਿੰਗ ਵੰਡ ਦਾ ਸਿਧਾਂਤ ਅੰਕੜਾਤਮਕ ਅਨੁਮਾਨ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇਹ ਸਾਨੂੰ ਸੈਂਪਲ ਡੇਟਾ ਦੇ ਅਧਾਰ 'ਤੇ ਆਬਾਦੀ ਮਾਪਦੰਡਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।

ਅਸਲ ਦੁਨੀਆਂ ਵਿੱਚ, ਪੂਰੀ ਆਬਾਦੀ ਤੋਂ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ ਅਕਸਰ ਅਵਿਵਹਾਰਕ ਜਾਂ ਅਸੰਭਵ ਹੁੰਦਾ ਹੈ। ਇਸ ਲਈ, ਖੋਜਕਰਤਾ ਵੱਡੀ ਆਬਾਦੀ ਤੋਂ ਨਮੂਨਾ ਲੈਂਦੇ ਹਨ ਅਤੇ ਆਬਾਦੀ ਬਾਰੇ ਵੈਧ ਸਿੱਟੇ ਕੱਢਣ ਲਈ ਨਮੂਨਾ ਵੰਡ ਦੇ ਸਿਧਾਂਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।

ਇਹ ਲੇਖ ਸੈਂਪਲਿੰਗ ਵੰਡ ਦੇ ਸਿਧਾਂਤਾਂ ਦੇ ਨਾਲ-ਨਾਲ ਸੈਂਪਲਿੰਗ ਵੰਡ ਨਾਲ ਸਬੰਧਤ ਕੁਝ ਮੁੱਖ ਸੰਕਲਪਾਂ, ਜਿਵੇਂ ਕਿ ਔਸਤ ਦੀ ਸੈਂਪਲਿੰਗ ਵੰਡ, ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਯ, ਅਤੇ ਅਨੁਪਾਤ ਦੀ ਸੈਂਪਲਿੰਗ ਵੰਡ, ਬਾਰੇ ਚਰਚਾ ਕਰੇਗਾ।

ਸੈਂਪਲਿੰਗ ਵੰਡ ਦੇ ਮੁੱਢਲੇ ਸਿਧਾਂਤ

ਆਬਾਦੀ ਬਨਾਮ ਨਮੂਨਾ
ਆਬਾਦੀ ਉਹਨਾਂ ਸਾਰੇ ਵਿਅਕਤੀਆਂ ਜਾਂ ਤੱਤਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੈ ਜੋ ਕਿਸੇ ਖੋਜ ਜਾਂ ਅੰਕੜਾ ਅਧਿਐਨ ਦੇ ਵਿਸ਼ੇ ਹਨ। ਇਸਦੇ ਉਲਟ, ਇੱਕ ਨਮੂਨਾ ਨਿਰੀਖਣ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਚੁਣੀ ਗਈ ਆਬਾਦੀ ਦਾ ਇੱਕ ਉਪ ਸਮੂਹ ਹੈ। ਇਹ ਪਹੁੰਚ ਇਸ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ ਕਿਉਂਕਿ ਪੂਰੀ ਆਬਾਦੀ ਨੂੰ ਮਾਪਣਾ ਜਾਂ ਨਿਰੀਖਣ ਕਰਨਾ ਮੁਸ਼ਕਲ ਜਾਂ ਅਸੰਭਵ ਹੈ।

ਪੈਰਾਮੀਟਰ ਅਤੇ ਅੰਕੜੇ
ਇੱਕ ਪੈਰਾਮੀਟਰ ਇੱਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਹੁੰਦਾ ਹੈ ਜੋ ਆਬਾਦੀ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਔਸਤ, ਭਿੰਨਤਾ, ਜਾਂ ਅਨੁਪਾਤ। ਦੂਜੇ ਪਾਸੇ, ਇੱਕ ਅੰਕੜਾ ਇੱਕ ਨਮੂਨੇ ਤੋਂ ਲਿਆ ਗਿਆ ਇੱਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਆਬਾਦੀ ਪੈਰਾਮੀਟਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਅਸੀਂ ਇੱਕ ਆਬਾਦੀ ਦੀ ਔਸਤ ਉਚਾਈ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਆਬਾਦੀ ਤੋਂ ਇੱਕ ਨਮੂਨਾ ਲੈ ਸਕਦੇ ਹਾਂ, ਨਮੂਨੇ ਦੀ ਔਸਤ ਉਚਾਈ (ਅੰਕੜਾ) ਦੀ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹਾਂ, ਅਤੇ ਇਸਦੀ ਵਰਤੋਂ ਆਬਾਦੀ ਦੇ ਔਸਤ (ਪੈਰਾਮੀਟਰ) ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਕਰ ਸਕਦੇ ਹਾਂ।

ਨਮੂਨਾ ਵੰਡ
ਇੱਕ ਨਮੂਨਾ ਵੰਡ ਇੱਕ ਨਮੂਨਾ ਅੰਕੜਿਆਂ ਦੀ ਸੰਭਾਵਨਾ ਵੰਡ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਮੰਨ ਲਓ ਕਿ ਅਸੀਂ ਇੱਕੋ ਆਬਾਦੀ ਤੋਂ ਕਈ ਨਮੂਨੇ ਲੈਂਦੇ ਹਾਂ ਅਤੇ ਹਰੇਕ ਲਈ ਨਮੂਨਾ ਔਸਤ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ, ਇਹਨਾਂ ਨਮੂਨਾ ਸਾਧਨਾਂ ਦੀ ਵੰਡ ਔਸਤ ਦੀ ਨਮੂਨਾ ਵੰਡ ਹੈ।

ਸੈਂਪਲਿੰਗ ਵੰਡ ਇਸ ਗੱਲ ਦਾ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ ਕਿ ਇੱਕ ਸੈਂਪਲ ਅੰਕੜਾ ਵੱਖ-ਵੱਖ ਸੈਂਪਲਿੰਗ ਦੁਹਰਾਓ ਦੇ ਅਧੀਨ ਕਿਵੇਂ ਵਿਵਹਾਰ ਕਰਦਾ ਹੈ। ਇਹ ਸੈਂਪਲ ਅੰਕੜਿਆਂ ਵਿੱਚ ਅੰਦਰੂਨੀ ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ ਨੂੰ ਸਮਝਣ ਅਤੇ ਆਬਾਦੀ ਮਾਪਦੰਡਾਂ ਦੇ ਵਧੇਰੇ ਸਹੀ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ।

ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਯ (ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਯ)

ਸੈਂਪਲਿੰਗ ਵੰਡ ਨਾਲ ਸਬੰਧਤ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸੰਕਲਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਯ (CLT) ਹੈ। ਇਹ ਪ੍ਰਮੇਯ ਦੱਸਦਾ ਹੈ ਕਿ, ਆਬਾਦੀ ਵੰਡ ਦੀ ਸ਼ਕਲ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ, ਸੈਂਪਲ ਔਸਤ ਦਾ ਸੈਂਪਲਿੰਗ ਵੰਡ ਇੱਕ ਆਮ ਵੰਡ (ਇੱਕ ਗੌਸੀ ਵੰਡ) ਦੇ ਲਗਭਗ ਹੋਵੇਗਾ ਜੇਕਰ ਸੈਂਪਲ ਦਾ ਆਕਾਰ ਕਾਫ਼ੀ ਵੱਡਾ ਹੈ, ਆਮ ਤੌਰ 'ਤੇ n ≥ 30।

ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਏ ਨੂੰ ਸਮਝਣਾ
ਹੋਰ ਰਸਮੀ ਤੌਰ 'ਤੇ, ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਯ ਦੱਸਦਾ ਹੈ ਕਿ ਜੇਕਰ ਅਸੀਂ ਔਸਤ µ ਅਤੇ ਵਿਭਿੰਨਤਾ σ² ਵਾਲੀ ਆਬਾਦੀ ਤੋਂ ਕਾਫ਼ੀ ਵੱਡਾ ਨਮੂਨਾ ਲੈਂਦੇ ਹਾਂ, ਤਾਂ ਉਹਨਾਂ ਨਮੂਨੇ ਦੇ ਸਾਧਨਾਂ ਦੀ ਨਮੂਨਾ ਵੰਡ ਔਸਤ µ ਅਤੇ σ/√n ਦੀ ਮਿਆਰੀ ਗਲਤੀ (SE) ਦੇ ਨਾਲ ਇੱਕ ਆਮ ਵੰਡ ਦੇ ਲਗਭਗ ਹੋਵੇਗੀ, ਜਿੱਥੇ n ਨਮੂਨਾ ਆਕਾਰ ਹੈ।

ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਏ ਦੇ ਪ੍ਰਭਾਵ
CLT ਦੇ ਅੰਕੜਾਤਮਕ ਅਨੁਮਾਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਭਾਵ ਹਨ ਕਿਉਂਕਿ ਇਹ ਸਾਨੂੰ ਅਨੁਮਾਨਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਅਤੇ ਜਾਂਚ ਕਰਨ ਵੇਲੇ ਆਮ ਵੰਡ ਦੇ ਨਿਯਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਭਾਵੇਂ ਅਸਲ ਡੇਟਾ ਆਮ ਤੌਰ 'ਤੇ ਵੰਡਿਆ ਨਾ ਜਾਵੇ। ਇਹ ਰੋਜ਼ਾਨਾ ਅੰਕੜਾ ਅਭਿਆਸ ਵਿੱਚ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਬਹੁਤ ਸਾਰੀਆਂ ਆਮ-ਅਧਾਰਤ ਅੰਕੜਾ ਤਕਨੀਕਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਉਪਯੋਗ ਵਿੱਚ ਵਧੇਰੇ ਵਿਆਪਕ ਬਣਾਉਂਦਾ ਹੈ।

ਔਸਤ ਦਾ ਸੈਂਪਲਿੰਗ ਵੰਡ

ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਏ ਦੇ ਮੁੱਖ ਉਪਯੋਗਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮੱਧਮਾਨ ਦੇ ਨਮੂਨੇ ਵੰਡ ਨੂੰ ਸਮਝਣਾ ਹੈ। ਜਦੋਂ ਅਸੀਂ ਕਿਸੇ ਆਬਾਦੀ ਤੋਂ ਇੱਕ ਬੇਤਰਤੀਬ ਨਮੂਨਾ ਲੈਂਦੇ ਹਾਂ ਅਤੇ ਨਮੂਨੇ ਦੇ ਔਸਤ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਇਹ ਨਮੂਨਾ ਔਸਤ ਨਮੂਨੇ ਤੋਂ ਨਮੂਨੇ ਤੱਕ ਕਿਵੇਂ ਬਦਲਦਾ ਹੈ।

ਮੱਧਮਾਨ ਅਤੇ ਭਿੰਨਤਾ
ਵੱਡੇ ਨਮੂਨੇ ਦੇ ਆਕਾਰਾਂ ਲਈ, ਔਸਤ ਦੀ ਨਮੂਨਾ ਵੰਡ ਇੱਕ ਆਮ ਵੰਡ ਤੱਕ ਪਹੁੰਚ ਕਰੇਗੀ ਜਿਸਦਾ ਔਸਤ ਆਬਾਦੀ ਔਸਤ (μ) ਦੇ ਬਰਾਬਰ ਹੋਵੇਗਾ ਅਤੇ σ²/n ਦਾ ਇੱਕ ਛੋਟਾ ਵਿਭਿੰਨਤਾ ਹੋਵੇਗਾ, ਜਿੱਥੇ σ ਆਬਾਦੀ ਮਿਆਰੀ ਭਟਕਣਾ ਹੈ ਅਤੇ n ਨਮੂਨਾ ਆਕਾਰ ਹੈ।

ਮਿਆਰੀ ਤਰੁੱਟੀ
ਸਟੈਂਡਰਡ ਐਰਰ (SE) ਸੈਂਪਲਿੰਗ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਦਾ ਔਸਤ ਤੋਂ ਸਟੈਂਡਰਡ ਡਿਵੀਏਸ਼ਨ ਹੈ। ਇਹ ਇਸ ਗੱਲ ਦਾ ਮਾਪ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਕਿ ਸੈਂਪਲ ਔਸਤ ਆਬਾਦੀ ਔਸਤ ਤੋਂ ਕਿੰਨੀ ਦੂਰ ਭਟਕਣ ਦੀ ਉਮੀਦ ਹੈ। SE ਦੀ ਗਣਨਾ σ/√n ਵਜੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜੋ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਸੈਂਪਲ ਆਕਾਰ ਵਧਾਉਣ ਨਾਲ SE ਘਟੇਗਾ ਅਤੇ ਆਬਾਦੀ ਔਸਤ ਅਨੁਮਾਨ ਵਧੇਰੇ ਸਟੀਕ ਹੋ ਜਾਵੇਗਾ।

ਅਨੁਪਾਤ ਦੀ ਵੰਡ ਦਾ ਨਮੂਨਾ ਲੈਣਾ

ਕਿਸੇ ਅਨੁਪਾਤ ਦੀ ਨਮੂਨਾ ਵੰਡ ਔਸਤ ਦੇ ਨਮੂਨਾ ਵੰਡ ਦੇ ਸਮਾਨ ਹੈ, ਪਰ ਅਸੀਂ ਔਸਤ ਦੀ ਬਜਾਏ ਅਨੁਪਾਤ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਾਂ। ਉਦਾਹਰਣ ਵਜੋਂ, ਮੰਨ ਲਓ ਕਿ ਅਸੀਂ ਇੱਕ ਆਬਾਦੀ ਦੇ ਅਨੁਪਾਤ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਜਿਸਦੀ ਇੱਕ ਖਾਸ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਆਬਾਦੀ ਵਿੱਚ ਸਿਗਰਟਨੋਸ਼ੀ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਦਾ ਅਨੁਪਾਤ।

ਅਨੁਪਾਤ ਦਾ ਔਸਤ ਅਤੇ ਭਿੰਨਤਾ
ਜੇਕਰ p ਆਬਾਦੀ ਦਾ ਅਨੁਪਾਤ ਹੈ ਜਿਸਦੀ ਇੱਕ ਖਾਸ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ, ਤਾਂ ਅਨੁਪਾਤ p (p-hat) ਦੀ ਨਮੂਨਾ ਵੰਡ ਔਸਤ p ਅਤੇ ਪਰਿਵਰਤਨ (pq/n) ਦੇ ਨਾਲ ਇੱਕ ਆਮ ਵੰਡ ਦੇ ਲਗਭਗ ਹੋਵੇਗੀ, ਜਿੱਥੇ q = 1 – p ਅਤੇ n ਨਮੂਨਾ ਆਕਾਰ ਹੈ।

ਅਨੁਪਾਤ ਦੀ ਮਿਆਰੀ ਗਲਤੀ
ਅਨੁਪਾਤ ਦੀ ਮਿਆਰੀ ਗਲਤੀ √[p(1-p)/n] ਵਜੋਂ ਗਿਣੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਇੱਕ ਮਾਪ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਕਿ ਨਮੂਨਾ ਅਨੁਪਾਤ (p-hat) ਸੱਚੀ ਆਬਾਦੀ ਅਨੁਪਾਤ (p) ਤੋਂ ਕਿੰਨੀ ਦੂਰ ਹੈ।

ਸਿੱਟਾ

ਸੈਂਪਲਿੰਗ ਵੰਡ ਸਿਧਾਂਤ ਅਨੁਮਾਨਤ ਅੰਕੜਿਆਂ ਦੇ ਬਹੁਤ ਸਾਰੇ ਤੱਤਾਂ ਦੀ ਨੀਂਹ ਹਨ। ਇਹਨਾਂ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ ਨਾਲ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਸੀਮਤ ਨਮੂਨਿਆਂ ਦੇ ਅਧਾਰ ਤੇ ਵੈਧ ਅਨੁਮਾਨ ਲਗਾਉਣ ਅਤੇ ਪਰਿਕਲਪਨਾ ਟੈਸਟਿੰਗ ਕਰਨ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ। ਕੇਂਦਰੀ ਸੀਮਾ ਪ੍ਰਮੇਏ ਦੇ ਨਾਲ, ਅਸੀਂ ਆਮ ਵੰਡ ਦੇ ਸਿਧਾਂਤਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਸਥਿਤੀਆਂ ਵਿੱਚ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਵਧੇਰੇ ਸਹੀ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦੇ ਹਾਂ ਭਾਵੇਂ ਸ਼ੁਰੂਆਤੀ ਡੇਟਾ ਆਮ ਤੌਰ 'ਤੇ ਵੰਡਿਆ ਨਾ ਜਾਵੇ।

ਔਸਤ ਅਤੇ ਅਨੁਪਾਤ ਦੇ ਨਮੂਨੇ ਵੰਡ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ, ਅਸੀਂ ਇੱਕ ਨਮੂਨੇ ਦੀ ਅੰਕੜਾਤਮਕ ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ ਦੀ ਡੂੰਘੀ ਸਮਝ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਆਬਾਦੀ ਬਾਰੇ ਬਿਹਤਰ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਹ ਸਿਧਾਂਤ, ਭਾਵੇਂ ਕਿ ਅਮੂਰਤ ਜਾਪਦੇ ਹਨ, ਖੋਜ ਦੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਵਿਆਪਕ ਵਿਹਾਰਕ ਉਪਯੋਗ ਹਨ, ਸਮਾਜਿਕ ਵਿਗਿਆਨ ਤੋਂ ਲੈ ਕੇ ਕੁਦਰਤੀ ਵਿਗਿਆਨ ਅਤੇ ਕਾਰੋਬਾਰ ਤੱਕ। ਅੰਤਮ ਟੀਚਾ ਉਪਲਬਧ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਬਿਹਤਰ ਫੈਸਲੇ ਲੈਣਾ ਹੈ, ਭਾਵੇਂ ਉਹ ਡੇਟਾ ਇੱਕ ਵੱਡੇ ਸੱਚ ਦਾ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਹਿੱਸਾ ਹੀ ਕਿਉਂ ਨਾ ਹੋਵੇ।