புள்ளியியலில் மதிப்பீட்டு முறைகள்

புள்ளியியலில் மதிப்பீட்டு முறைகள்

புள்ளிவிவரவியல் என்பது தரவுகளைச் சேகரித்தல், பகுப்பாய்வு செய்தல் மற்றும் விளக்குதல் ஆகியவற்றை உள்ளடக்கிய ஒரு அறிவியல் ஆகும், மேலும் அதன் முக்கிய அங்கங்களில் ஒன்று மதிப்பீடு ஆகும். புள்ளிவிவரவியலில் மதிப்பீடு என்பது, ஒரு மாதிரியிலிருந்து பெறப்பட்ட தகவல்களின் அடிப்படையில், ஒரு மக்கள் தொகை அளவுருவின் தோராயமான மதிப்பைக் கண்டறியும் செயல்முறையைக் குறிக்கிறது. மதிப்பீட்டு முறைகளை இரண்டு முக்கிய வகைகளாகப் பிரிக்கலாம்: புள்ளி மதிப்பீடு மற்றும் இடைவெளி மதிப்பீடு. இந்தக் கட்டுரையில், புள்ளிவிவரவியலில் பொதுவாகப் பயன்படுத்தப்படும் பல்வேறு மதிப்பீட்டு முறைகளைப் பற்றி விவாதிப்போம்.

மதிப்பீடு பற்றிய அடிப்படை புரிதல்

மதிப்பீட்டு முறைகளுக்குள் செல்வதற்கு முன், சில அடிப்படைச் சொற்களைப் புரிந்துகொள்வது அவசியம்:
– அளவுருக்கள்: ஒரு மக்கள்தொகையின் எண் சார்ந்த பண்புகள். எடுத்துக்காட்டாக, மக்கள்தொகை சராசரி (µ), மக்கள்தொகை மாறுபாடு (σ²).
– புள்ளியியல்: ஒரு மாதிரியின் எண் சார்ந்த பண்புகள். எடுத்துக்காட்டாக, மாதிரி சராசரி (x̄), மாதிரி மாறுபாடு (s²).

மாதிரித் தரவுகளின் அடிப்படையில் மக்கள்தொகை அளவுருக்கள் குறித்து அனுமானங்களை மேற்கொள்வதே மதிப்பீட்டின் முக்கிய நோக்கமாகும் . புள்ளியியலில் மதிப்பீட்டில் இரண்டு முக்கிய வகைகள் உள்ளன:

1. புள்ளி மதிப்பீடு: மக்கள்தொகை அளவுருவின் மதிப்பீடாக ஒரே ஒரு மதிப்பை மட்டுமே வழங்குகிறது.
2. இடைவெளி மதிப்பீடு: ஒரு குறிப்பிட்ட அளவிலான நம்பிக்கையுடன், ஒரு மக்கள்தொகை அளவுருவின் மதிப்பீடாக மதிப்புகளின் வரம்பை வழங்குகிறது.

புள்ளி மதிப்பீட்டு முறை

புள்ளி மதிப்பீடு என்பது ஒரு மக்கள்தொகை அளவுருவின் சிறந்த மதிப்பீடாக இருக்கும் ஒற்றை எண்ணை வழங்கும் செயல்முறையாகும். பொதுவாகப் பயன்படுத்தப்படும் சில புள்ளி மதிப்பீட்டாளர்கள்:

1. மாதிரி சராசரி
மக்கள்தொகை சராசரியைக் கணக்கிடுவதற்கான எளிய மற்றும் பொதுவான வழி, மாதிரி சராசரியைப் பயன்படுத்துவதாகும், இது பின்வருமாறு கணக்கிடப்படுகிறது:
\[ \bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i \]
இதில் \( x_i \) என்பது மாதிரியில் உள்ள ஒவ்வொரு தரவுப் புள்ளியையும், \( n \) என்பது மாதிரியின் அளவையும் குறிக்கிறது.

2. மாதிரி இடைநிலை
மாதிரி இடைநிலை என்பது வரிசைப்படுத்தப்பட்ட மாதிரித் தரவுகளின் நடு மதிப்பாகும். இது புறமதிப்புகளால் பாதிக்கப்படாததால், இது ஒரு வலுவான மதிப்பீட்டாளர் ஆகும்.

3. மாதிரி விகிதம்
மக்கள்தொகை விகிதத்தை மதிப்பிடுவதற்கு, மாதிரி விகிதம் பயன்படுத்தப்படுகிறது, அது பின்வருமாறு கணக்கிடப்படுகிறது:
\[ \hat{p} = \frac{x}{n} \]
இதில் \( x \) என்பது மாதிரியில் உள்ள வெற்றிகளின் எண்ணிக்கை மற்றும் \( n \) என்பது மாதிரி அளவு ஆகும்.

இடைவெளி மதிப்பீட்டு முறை

இடைவெளி மதிப்பீடுகள், ஒரு குறிப்பிட்ட அளவு நம்பிக்கையுடன் (எ.கா., 95%) மக்கள் தொகை அளவுருவை உள்ளடக்கும் என எதிர்பார்க்கப்படும் மதிப்புகளின் வரம்பை வழங்குகின்றன. இடைவெளி மதிப்பீடுகள் பெரும்பாலும் நம்பிக்கை இடைவெளி (CI) வடிவத்தில் வெளிப்படுத்தப்படுகின்றன.

1. மக்கள்தொகை சராசரிக்கான நம்பிக்கை இடைவெளி
மாதிரி தரவு எங்கிருந்து வருகிறது இயல்நிலைப் பரவல் அல்லது (n) போதுமான அளவு பெரியதாக இருந்தால் (மைய வரம்பு தேற்றம் பொருந்தும்), மக்கள் தொகை சராசரிக்கான (mu) நம்பிக்கை இடைவெளி:
\[ \bar{x} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}} \]
எங்கே:
– \( \bar{x} \) என்பது மாதிரி சராசரி
– \( z_{\alpha/2} \) என்பது நம்பிக்கை நிலைக்குரிய திட்ட இயல்நிலைப் பரவலின் z-மதிப்பாகும் (எ.கா., 95%-க்கு 1.96).
– ( சிக்மா ) என்பது திட்ட விலகல் மக்கள் தொகை. \( \sigma \) தெரியாத பட்சத்தில், \( s \) (மாதிரி திட்ட விலகல்) பயன்படுத்தப்படுகிறது.
– \( n \) என்பது மாதிரி அளவு.

2. மக்கள்தொகை விகிதத்திற்கான நம்பிக்கை இடைவெளி
மக்கள்தொகை விகிதம் \( p \) ஐ மதிப்பிடுவதற்கு:
\[ \hat{p} \pm z_{\alpha/2} \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} \]
இதில் \( \hat{p} \) என்பது மாதிரி விகிதம் மற்றும் பிற அளவுருக்கள் முன்னர் விவரிக்கப்பட்டவை ஆகும்.

பிற மதிப்பீட்டு முறைகள்

1. அதிகபட்ச நிகழ்தகவு (ML) முறை

அதிகபட்ச நிகழ்தகவு முறை என்பது, நிகழ்தகவுச் சார்பு \( L(\theta) \)-ஐ அதிகபட்சமாக்குவதன் மூலம், ஒரு மக்கள்தொகை அளவுரு \( \theta \)-க்கான சிறந்த மதிப்பீட்டாளரைக் கண்டறியப் பயன்படும் ஒரு நுட்பமாகும். நிகழ்தகவுச் சார்பு என்பது, அளவுரு \( \theta \) கொடுக்கப்பட்ட நிலையில், உற்றுநோக்கப்பட்ட தரவைப் பெறுவதற்கான நிகழ்தகவு ஆகும்:
\[ L(\theta|x) = \prod_{i=1}^{n} f(x_i|\theta) \]
இங்கு \( f(x_i|\theta) \) என்பது தரவின் நிகழ்தகவு அடர்த்திச் சார்பு (PDF) ஆகும். \( L(\theta) \) -ஐ பெருமமாக்கும் மதிப்பீட்டாளர், மீப்பெரு நிகழ்தகவு மதிப்பீட்டாளர் (MLE) என அழைக்கப்படுகிறது.

2. பேய்சியன் மதிப்பீட்டு முறை
பேசியன் அணுகுமுறை அளவுருக்களைக் கருதுகிறது சீரற்ற மாறிகள் மற்றும் அளவுருக்களை மதிப்பிடுவதற்கு நிகழ்தகவுப் பரவல்களைப் பயன்படுத்தவும். பேயஸ் தேற்றத்தின் அடிப்படையில்:
\[ P(\theta|x) = \frac{P(x|\theta) P(\theta)}{P(x)} \]
இதில் \( P(\theta|x) \) என்பது பிந்தைய பரவல், \( P(x|\theta) \) என்பது நிகழ்தகவு, \( P(\theta) \) என்பது முந்தைய பரவல், மற்றும் \( P(x) \) என்பது நிகழ்தகவு விளிம்பு ஆகும். பயேசியன் மதிப்பீட்டாளர்கள் பயன்படுத்தப்படும் முந்தைய பரவல்களை மிகவும் சார்ந்துள்ளனர்.

மதிப்பீட்டாளர் மதிப்பீடு

ஒரு புள்ளி மதிப்பீட்டாளரை மதிப்பிடுவதற்கு, நாம் அதன் பண்புகளை ஆராய வேண்டும்:
– நேர்மை/சார்பு: மதிப்பீட்டாளர் \( \hat{\theta} \) சார்பற்றது எனப்படுவது, \( E[\hat{\theta}] = \theta \) ஆக இருந்தால் ஆகும்.
– செயல்திறன்: ஒரு செயல்திறன் மிக்க மதிப்பீட்டாளர், அனைத்து சார்பற்ற மதிப்பீட்டாளர்களிலும் மிகக்குறைந்த மாறுபாட்டைக் கொண்டுள்ளது.
– நிலைத்தன்மை: மாதிரி அளவு \( n \) அதிகரிக்கும்போது \( \hat{\theta} \) ஆனது \( \theta \) ஐ அணுகினால், ஒரு மதிப்பீட்டாளர் நிலைத்தன்மை உடையவர் என்று கூறப்படுகிறது.

பயன்பாட்டு எடுத்துக்காட்டுகள்

1. சராசரி வருமான மதிப்பீடு
பொருளாதார ஆராய்ச்சியில், ஒரு மக்கள் தொகையின் சராசரி வருமானத்தை மதிப்பிடுவது அடிக்கடி செய்யப்படுகிறது. ஆராய்ச்சியாளர்கள் மக்கள் தொகையிலிருந்து ஒரு மாதிரியை எடுத்து, அந்த மாதிரியின் சராசரியை ஒரு புள்ளி மதிப்பீட்டாளராகக் கணக்கிட்டு, இந்த மதிப்பீட்டின் நிச்சயமற்ற தன்மையை விளக்குவதற்காக ஒரு நம்பிக்கை இடைவெளியை வழங்குகிறார்கள்.

2. வாக்காளர்களின் விகிதாச்சார மதிப்பீடு
ஒரு தேர்தல் கணக்கெடுப்பில், ஒரு ஆய்வாளர் ஒரு குறிப்பிட்ட வேட்பாளரை ஆதரிக்கும் வாக்காளர்களின் சதவீதத்தை மதிப்பிட விரும்பலாம். அந்த வேட்பாளரை ஆதரிக்கும் பதிலளிப்பவர்களின் மாதிரி விகிதம் \( \hat{p} \) ஒரு புள்ளி மதிப்பீட்டாளராகப் பயன்படுத்தப்படுகிறது. பிழையின் அளவைக் காட்ட ஒரு நம்பிக்கை இடைவெளி வழங்கப்படலாம்.

முடிவுரை

புள்ளியியலில் மதிப்பீட்டு முறைகள் ஒரு மையப் பங்கை வகிக்கின்றன, ஏனெனில் அவை மாதிரித் தரவுகளின் அடிப்படையில் மக்கள் தொகையைப் பற்றி அனுமானங்களைச் செய்ய ஆராய்ச்சியாளர்களை அனுமதிக்கின்றன. புள்ளி மற்றும் இடைவெளி மதிப்பீட்டு முறைகள் இதற்கு சக்திவாய்ந்த கருவிகளை வழங்குகின்றன, அதே சமயம் பெரும நிகழ்தகவு மற்றும் பேய்சியன் மதிப்பீடு போன்ற நுட்பங்கள் தரவுகளின் சிக்கல்களை இன்னும் ஆழமாக ஆராய்கின்றன. நேர்மையான, திறமையான மற்றும் சீரான மதிப்பீட்டாளர்களைப் பயன்படுத்துவது நம்பகமான மற்றும் துல்லியமான தரவுப் பகுப்பாய்வு முடிவுகளை உறுதிசெய்கிறது , மேலும் பொருளாதாரம், சமூக அறிவியல், சுகாதாரம் போன்ற பல துறைகளில் சிறந்த முடிவெடுப்பதை எளிதாக்குகிறது.