மாதிரிப் பரவல்களுக்கான அறிமுகம்

மாதிரிப் பரவல்களுக்கான அறிமுகம்

மாதிரிப் பரவல் என்பது புள்ளியியலில் உள்ள ஒரு அடிப்படைக் கருத்தாகும். இது தரவுப் பகுப்பாய்வு மற்றும் தரவு சார்ந்த முடிவெடுத்தலில் முக்கியப் பங்கு வகிக்கிறது. இந்தக் கட்டுரையில், மாதிரிப் பரவல் என்றால் என்ன, அது ஏன் முக்கியமானது, மற்றும் பல்வேறு புள்ளியியல் பகுப்பாய்வுச் சூழல்களில் அது எவ்வாறு பயன்படுத்தப்படுகிறது என்பதைப் பற்றி விரிவாக ஆராய்வோம். மாதிரிப் பரவலைப் புரிந்துகொள்வதன் மூலம், நாம் புள்ளியியல் நுட்பங்களைச் சிறப்பாகப் பயன்படுத்தவும், தரவுகளிலிருந்து மிகவும் துல்லியமான முடிவுகளைப் பெறவும் முடியும்.

1. மாதிரிப் பரவல் என்றால் என்ன?

மாதிரிப் பரவல் என்பது ஒரே மக்கள் தொகையிலிருந்து எடுக்கப்பட்ட பல மாதிரிகளிலிருந்து பெறப்படும் ஒரு புள்ளிவிவரத்தின் நிகழ்தகவுப் பரவலாகும். எளிமையாகச் சொன்னால், ஒரு மக்கள் தொகையிலிருந்து ஒரே அளவிலான பல மாதிரிகளை நாம் எடுத்தால், ஒரு புள்ளிவிவரத்தின் (சராசரி, மாறுபாடு அல்லது விகிதம் போன்றவை) மதிப்புகள் எவ்வாறு செயல்படும் என்பதை இது விவரிக்கிறது. மாதிரிப் பரவல்கள் பெரும்பாலும் மாதிரிச் சராசரிகளின் பரவலுடன் தொடர்புடையவை, ஆனால் இந்தக் கருத்து பல்வேறு பிற புள்ளிவிவரங்களுக்கும் பொருந்தும்.

2. மாதிரிப் பரவல் ஏன் முக்கியமானது?

புள்ளியியலில் மாதிரிப் பரவல் மிகவும் முக்கியமானது, ஏனெனில்:

– அனுமானம்: ஒரு மாதிரியின் அடிப்படையில், மக்கள் தொகையைப் பற்றிய முடிவுகளை எடுக்க மாதிரிப் பரவல் உதவுகிறது. மாதிரிப் பரவலைப் பயன்படுத்தி, ஒரு மாதிரியின் மூலம் சராசரி அல்லது விகிதம் போன்ற மக்கள் தொகை அளவுருக்களை நம்மால் மதிப்பிட முடியும்.

– நம்பக இடைவெளிகள் மற்றும் கருதுகோள் சோதனை: நம்பக இடைவெளிகளையும் கருதுகோள் சோதனையையும் தீர்மானிக்க மாதிரிப் பரவல்கள் பயன்படுத்தப்படுகின்றன. நம்பக இடைவெளிகள், ஒரு குறிப்பிட்ட அளவிலான நம்பிக்கையுடன், ஒரு மக்கள்தொகை அளவுருவிற்கான சாத்தியமான மதிப்புகளின் வரம்பை நமக்குத் தருகின்றன. அதேசமயம், கருதுகோள் சோதனையானது, மக்கள்தொகையைப் பற்றிய ஒரு கூற்றை ஆதரிக்க மாதிரித் தரவுகளிலிருந்து போதுமான சான்றுகள் உள்ளதா என்பதைத் தீர்மானிக்க உதவுகிறது.

மைய எல்லைத் தேற்றம்: மாதிரி அளவு அதிகரிக்கும்போது, ​​மாதிரி சராசரியின் பரவலானது (அசல் மக்கள் தொகை பரவலின் வடிவத்தைப் பொருட்படுத்தாமல்) ஒரு இயல்நிலைப் பரவலை அணுகும் என்று கூறும் மைய எல்லைத் தேற்றத்துடன், மாதிரிப் பரவல் நெருங்கிய தொடர்புடையது. இது தரவுப் பகுப்பாய்வில் இயல்நிலைப் பரவலை அடிப்படையாகக் கொண்ட புள்ளியியல் நுட்பங்களைப் பயன்படுத்த அனுமதிக்கிறது.

3. மாதிரிப் பரவலின் எடுத்துக்காட்டு

மாதிரிப் பரவலை இன்னும் தெளிவாகப் புரிந்துகொள்ள, ஒரு எளிய உதாரணத்தைப் பார்ப்போம்:

{2, 4, 6, 8, 10} என்ற எண்களைக் கொண்ட ஒரு சிறிய மக்கள் தொகை நம்மிடம் இருப்பதாக வைத்துக்கொள்வோம். இந்த மக்கள் தொகையிலிருந்து, பதிலீடு செய்யாமல் 2 அளவுள்ள ஒரு மாதிரியை நாம் எடுத்தால், பல மாதிரி சேர்க்கைகளை உருவாக்க முடியும்:

– மாதிரி 1: {2, 4}
– மாதிரி 2: {2, 6}
– மாதிரி 3: {2, 8}
– மாதிரி 4: {2, 10}
-….
– மாதிரி எண்: {8, 10}

இந்த மாதிரிகள் ஒவ்வொன்றிலிருந்தும், சராசரி போன்ற புள்ளிவிவரங்களை நாம் கணக்கிடலாம். சாத்தியமான அனைத்து மாதிரிகளுக்கும் இந்தச் செயல்முறையை மீண்டும் செய்வதன் மூலம், மாதிரி சராசரிகளின் பரவலை நாம் உருவாக்கலாம். இந்தப் பரவல், சராசரியின் மாதிரிப் பரவல் என்று அழைக்கப்படுகிறது.

4. மைய எல்லைத் தேற்றம்

முன்னர் குறிப்பிட்டபடி, மைய எல்லைத் தேற்றம் (CLT) என்பது மாதிரிப் பரவல்கள் தொடர்பான ஒரு முக்கியமான கருத்தாகும். மைய எல்லைத் தேற்றத்தின்படி, மாதிரியின் அளவு போதுமான அளவு பெரியதாக இருந்தால், அசல் மக்கள் தொகைப் பரவலின் வடிவத்தைப் பொருட்படுத்தாமல், மாதிரி சராசரிகளின் பரவலானது ஒரு இயல்நிலைப் பரவலை ஒத்திருக்கும்.

CLT-யின் முறைப்படுத்தல் பின்வருமாறு:

சராசரி μ மற்றும் திட்ட விலக்கம் σ கொண்ட ஒரு மக்கள் தொகையிலிருந்து நாம் பெரிய சமவாய்ப்பு மாதிரிகளை எடுத்தால், இந்த மாதிரிகளின் சராசரிகள், சராசரி μ மற்றும் திட்ட விலக்கம் σ/√n கொண்ட ஒரு இயல்நிலைப் பரவலை ஒத்திருக்கும், இங்கு n என்பது மாதிரி அளவாகும்.

மைய வரம்பு தேற்றத்தின் (CLT) நடைமுறைப் பயன்பாடு என்னவென்றால், நம்மிடம் போதுமான அளவு பெரிய மாதிரி அளவு இருக்கும் பட்சத்தில், அசல் தரவுகள் இயல்பான பரவலைக் கொண்டிருக்காவிட்டாலும் கூட, இயல்புநிலையைக் கருதும் புள்ளியியல் நுட்பங்களைப் பயன்படுத்த அது நம்மை அனுமதிக்கிறது.

5. மாதிரி விநியோகத்தின் பயன்பாடு

பல்வேறு தரவுப் பகுப்பாய்வு மற்றும் முடிவெடுக்கும் நுட்பங்களில் மாதிரிப் பரவல்கள் பயன்படுத்தப்படுகின்றன:

– நம்பக இடைவெளி: ஒரு மக்கள் தொகை அளவுருவிற்கு, ஒரு குறிப்பிட்ட அளவு நம்பகத்துடன் சாத்தியமான மதிப்புகளின் வரம்பை வழங்கப் பயன்படுகிறது. எடுத்துக்காட்டாக, ஒரு பெரிய மாதிரியின் சராசரியை நாம் கணக்கிட்டால், மக்கள் தொகை சராசரிக்கான நம்பக இடைவெளியை உருவாக்க மாதிரிப் பரவலைப் பயன்படுத்தலாம்.

– கருதுகோள் சோதனை: கருதுகோள் சோதனையில், பூஜ்ஜியக் கருதுகோளை நிராகரிக்கப் போதுமான ஆதாரம் உள்ளதா என்பதைத் தீர்மானிக்க, ஒரு மாதிரிப் புள்ளிவிவரத்தை முன்கணிக்கப்பட்ட மதிப்புடன் ஒப்பிடுகிறோம். கவனிக்கப்பட்ட புள்ளிவிவரத்தின் நிகழ்தகவைக் கணக்கிட மாதிரிப் பரவல் பயன்படுத்தப்படுகிறது; இது p-மதிப்பு என்று அழைக்கப்படுகிறது.

– மாறுபாட்டுப் பகுப்பாய்வு (ANOVA): பல குழுக்களின் சராசரிகளை ஒப்பிடுவதற்கு ANOVA பயன்படுத்தப்படுகிறது. F புள்ளிவிவரத்தின் (குழுக்களுக்கு இடையேயான மாறுபாட்டிற்கும் குழுவிற்குள் உள்ள மாறுபாட்டிற்கும் இடையேயான விகிதம்) பரவலானது, மாதிரிப் பரவலிலிருந்து உருவாக்கப்படுகிறது.

6. நடைமுறை எடுத்துக்காட்டு: கருதுகோள் சோதனை ஆய்வு

ஒரு நடைமுறை எடுத்துக்காட்டாக, ஒரு பல்கலைக்கழக மாணவர்களின் சராசரி உயரம் 165 செ.மீ. என்ற கூற்றை நாம் சோதிக்க விரும்புகிறோம் என்று வைத்துக்கொள்வோம். நாம் 50 மாணவர்களைக் கொண்ட ஒரு சமவாய்ப்பு மாதிரியை எடுத்து, அந்த மாதிரியின் சராசரி உயரத்தைக் கணக்கிடுகிறோம்.

a) பூஜ்ய கருதுகோள் (H0): μ = 165 செ.மீ
b) மாற்று கருதுகோள் (H1): μ ≠ 165 செ.மீ.

மாதிரியின் சராசரியைக் கணக்கிட்டு, மைய எல்லைத் தேற்றத்தைப் பயன்படுத்தி மாதிரிப் பரவலைக் கணக்கிடுகிறோம். இந்த மாதிரிப் பரவலின் அடிப்படையில், நமது மாதிரியின் சராசரி உயரம், பூஜ்ஜிய கருதுகோளை நிராகரிக்கப் போதுமான சான்றுகளை வழங்குகிறதா என்பதை நம்மால் தீர்மானிக்க முடியும்.

7. கெசிம்புலன்

மாதிரிப் பரவல் என்பது புள்ளியியலில் உள்ள ஒரு முக்கியக் கருத்தாகும். இது ஒரு மாதிரியின் அடிப்படையில் ஒரு மக்கள் தொகையைப் பற்றி அனுமானங்களைச் செய்ய நமக்கு உதவுகிறது. மாதிரிப் பரவல்களைப் புரிந்துகொண்டு பயன்படுத்துவதன் மூலம், நாம் மக்கள் தொகை அளவுருக்களை மதிப்பிடலாம், நம்பிக்கை இடைவெளிகளை உருவாக்கலாம், கருதுகோள் சோதனைகளை நடத்தலாம், மற்றும் பல்வேறு புள்ளியியல் நுட்பங்களை மிகவும் திறம்படப் பயன்படுத்தலாம். நம்பகமான புள்ளியியல் செயல்திறனுக்கான திறவுகோல், மாதிரிப் பரவல்கள் மற்றும் அவை ஏறக்குறைய அனைத்து தரவுப் பகுப்பாய்வுகளுக்கும் எவ்வாறு அடிப்படையாக அமைகின்றன என்பதைப் பற்றிய முழுமையான புரிதலில் அடங்கியுள்ளது.

இந்த அறிவைக் கொண்டு, புள்ளியியல் ஆய்வுகள் மற்றும் தரவுப் பகுப்பாய்வில் ஒரு வலுவான அடித்தளத்தை நாம் உருவாக்கிக்கொள்ள முடியும். இது, பல்வேறு துறைகளில் புத்திசாலித்தனமான, தரவு சார்ந்த முடிவுகளை எடுப்பதற்குத் தேவையான கருவிகளை நமக்கு வழங்கும்.