Àwọn Ọ̀nà Ìṣirò Nínú Àwọn Àkójọ Ìṣirò
Àwọn ìṣirò ni ìmọ̀ sáyẹ́ǹsì ìkójọ, ṣíṣàyẹ̀wò, àti ìtumọ̀ dátà, ọ̀kan lára àwọn èròjà pàtàkì rẹ̀ sì ni ìṣirò. Ìṣirò nínú àwọn ìṣirò tọ́ka sí ìlànà pípinnu iye ìsúnmọ́ ti pàrámítà iye ènìyàn kan tí a gbé kalẹ̀ lórí ìwífún tí a rí láti inú àyẹ̀wò kan. Àwọn ọ̀nà ìṣirò ni a lè pín sí oríṣi méjì pàtàkì: ìṣirò point àti ìṣirò termination. Nínú àpilẹ̀kọ yìí, a ó jíròrò onírúurú ọ̀nà ìṣirò tí a sábà máa ń lò nínú àwọn ìṣirò.
Òye Pàtàkì nípa Ìṣirò
Ṣaaju ki a to sinu awọn ọna iṣiro, o ṣe pataki lati ni oye diẹ ninu awọn ọrọ ipilẹ:
– Parameter : Karakteristik numerik dari populasi. Contohnya, rata-rata populasi (µ), varians populasi (σ²).
– Statistik : Karakteristik numerik dari sampel. Contohnya, rata-rata sampel (x̄), varians sampel (s²).
Tujuan utama dari estimasi adalah untuk membuat inferensi tentang parameter populasi da lori data sampel. Berikut adalah dua jenis utama dari estimasi dalam statistika:
1. Estimasi Titik : Memberikan satu nilai saja sebagai perkiraan parameter populasi.
2. Estimasi Interval : Memberikan rentang nilai sebagai perkiraan parameter populasi, termasuk tingkat keyakinan tertentu.
Ọ̀nà Ìṣirò Àmì
Ìṣirò àmì ni ìlànà láti pèsè nọ́mbà kan ṣoṣo tó jẹ́ ìṣirò tó dára jùlọ fún pàrámítà iye ènìyàn. Àwọn olùṣirò àmì kan tí a sábà máa ń lò ni:
1. Àròpọ̀ (Àròpọ̀) ti Àpẹẹrẹ
Ọ̀nà tí ó rọrùn jùlọ tí ó sì wọ́pọ̀ jùlọ láti ṣe ìṣirò àròpọ̀ iye ènìyàn ni pẹ̀lú àròpọ̀ àròpọ̀, èyí tí a ṣírò gẹ́gẹ́ bí:
\[ \bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i \]
níbi tí \( x_i \) jẹ́ gbogbo àkíyèsí nínú àyẹ̀wò àti \( n \) jẹ́ ìwọ̀n àyẹ̀wò.
2. Àpẹẹrẹ Àárín
Àárín àyẹ̀wò ni iye àárín àwọn dátà àyẹ̀wò tí a ṣètò. Ó jẹ́ ìṣirò tó lágbára nítorí pé àwọn tí kò sí ní ipa lórí rẹ̀.
3. Àyẹ̀wò Ìwọ̀n
Láti ṣe àròyé ìwọ̀n iye àwọn ènìyàn, a lo ìwọ̀n àpẹẹrẹ, èyí tí a ṣírò gẹ́gẹ́ bí:
\[ \hat{p} = \frac{x}{n} \]
níbi tí \( x \) jẹ́ iye àwọn àṣeyọrí nínú àpẹẹrẹ náà àti \( n \) jẹ́ ìwọ̀n àpẹẹrẹ náà.
Ọ̀nà Ìṣirò Àárín
Àwọn ìṣirò àárín àkókò ń pèsè onírúurú ìwọ̀n, èyí tí a retí pé yóò bo pàrámítà àwọn ènìyàn pẹ̀lú ìpele ìgbẹ́kẹ̀lé kan (fún àpẹẹrẹ, 95%). Àwọn ìṣirò àárín àkókò sábà máa ń hàn ní ìrísí Ààlà Ìgbẹ́kẹ̀lé (CI).
1. Àárín Ìgbẹ́kẹ̀lé fún Ìtumọ̀ Àwọn Ènìyàn
Jika data sampel berasal dari pinpin deedee atau ( n ) cukup besar (CLT berlaku), interval keyakinan untuk mean populasi ( mu ) adalah:
\[ \bar{x} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}} \]
iṣẹ́ mi:
– \( \bar{x} \) ni apapọ ayẹwo
– \( z_{\alpha/2} \) ni iye-z ti pinpin deede boṣewa ti o baamu si ipele igbẹkẹle (fun apẹẹrẹ, 1.96 fun 95%)
– ( sigma ) adalah ìyàtọ̀ boṣewa populasi. Jika \( \sigma \) tidak diketahui, \( s \) (simpangan baku sampel) digunakan.
– \( n \) ni iwọn ayẹwo.
2. Ààlà Ìgbẹ́kẹ̀lé fún Ìpíndọ́gba Àwọn Ènìyàn
Láti ṣe ìṣirò ìwọ̀n iye àwọn ènìyàn \( p \):
\[ \hat{p} \pm z_{\alpha/2} \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} \]
níbi tí \( \hat{p} \) jẹ́ ìwọ̀n àyẹ̀wò àti àwọn pàrámítà míràn gẹ́gẹ́ bí a ti ṣàlàyé tẹ́lẹ̀.
Àwọn Ọ̀nà Ìṣirò Míràn
1. Ọ̀nà Ìṣẹ̀ṣe Tó Pọ̀ Jùlọ (ML)
Ọ̀nà Ìfẹ́ Tó Púpọ̀ Jùlọ jẹ́ ọ̀nà tí a ń lò láti rí olùṣirò tó dára jùlọ fún paramita iye ènìyàn \( \theta \) nípa mímú iṣẹ́ ìṣeéṣe pọ̀ sí i \( L( \theta ) \). Iṣẹ́ ìṣeéṣe ni ìṣeéṣe láti gba dátà tí a ṣàkíyèsí fún paramita \( \theta \):
\[ L(\theta|x) = \prod_{i=1}^{n} f(x_i|\theta) \]
níbi tí \( f(x_i|\theta) \) jẹ́ iṣẹ́ ìwọ̀n ìṣẹ́ (PDF) ti dátà náà. Olùṣàyẹ̀wò tí ó mú kí \( L(\theta) \) pọ̀ sí i ni a ń pè ní olùṣàyẹ̀wò ìṣẹ́ tó pọ̀ sí i (MLE).
2. Ọ̀nà Ìṣirò Bayesian
Pendekatan Bayesian menganggap parameter sebagai awọn oniyipada laileto dan menggunakan distribusi peluang untuk mengestimasi parameter. Berdasarkan Teorema Bayes:
\[ P(\theta|x) = \frac{P(x|\theta) P(\theta)}{P(x)} \]
níbi tí \(P(\theta|x) \) jẹ́ ìpínkiri ẹ̀yìn, \(P(x|\theta) \) jẹ́ ìṣeéṣe, \(P(\theta) \) jẹ́ ìṣeéṣe àkọ́kọ́, àti \(P(x) \) jẹ́ àlàfo ìṣeéṣe. Àwọn ìṣirò Bayesian sinmi lórí àwọn ìṣeéṣe àkọ́kọ́ tí a lò.
Ìṣirò Ìṣirò
Láti ṣe àyẹ̀wò olùṣirò àmì kan, a gbọ́dọ̀ ṣàyẹ̀wò àwọn ànímọ́ rẹ̀:
– Keadilan/Bias : Estimator \( \hat{\theta} \) dikatakan unbiased jika \( E[\hat{\theta}] = \theta \).
– Efisiensi : Estimator yang efisien memiliki varians terkecil di antara semua estimator unbiased.
– Konsistensi : Estimator dikatakan konsisten jika \( \hat{\theta} \) mendekati \( \theta \) saat ukuran sampel \( n \) meningkat.
Àwọn Àpẹẹrẹ Ohun Èlò
1. Estimasi Penghasilan Rata-Rata
Nínú ìwádìí nípa ọrọ̀ ajé, a sábà máa ń ṣe ìṣirò owó tí àwọn ènìyàn ń gbà lápapọ̀. Àwọn olùwádìí máa ń mú àpẹẹrẹ iye àwọn ènìyàn náà, wọ́n sì máa ń ṣírò iye àwọn ènìyàn náà gẹ́gẹ́ bí àmì ìṣirò, wọ́n sì máa ń fúnni ní àkókò ìgbẹ́kẹ̀lé láti fi hàn pé wọn kò ní ìdánilójú nínú ìṣirò yìí.
2. Estimasi Proporsi Pemilih
Nínú ìwádìí ìdìbò kan, olùwádìí kan lè fẹ́ láti ṣírò ìpín ogorun àwọn olùdìbò tí wọ́n ṣètìlẹ́yìn fún olùdíje kan pàtó. A lo ìwọ̀n àpẹẹrẹ \( \hat{p} \) ti àwọn olùdáhùn tí wọ́n ṣètìlẹ́yìn fún olùdíje náà gẹ́gẹ́ bí olùṣàyẹ̀wò point. A lè pèsè àlàfo ìgbẹ́kẹ̀lé láti fi àlàfo àṣìṣe hàn.
Ipari
Metode estimasi memainkan peran sentral dalam statistika karena memungkinkan para peneliti untuk membuat inferensi tentang populasi berdasarkan contoh data. Metode estimasi titik dan interval menyediakan alat yang kuat untuk mencapai ini, dengan berbagai teknik seperti maximum likelihood dan Bayesian, yang menggali lebih dalam ke dalam kompleksitas data. Menggunakan estimator yang adil, efisien, dan konsisten akan memastikan bahwa hasil ìṣàyẹ̀wò dátà dapat diandalkan dan akurat, sehingga memfasilitasi pengambilan keputusan yang lebih baik dalam berbagai bidang seperti ekonomi, ilmu sosial, kesehatan, dan banyak lagi.
