Inférence: la pureté, biais et la variabilité

FONTE ZOOM:
Ne basée sur la déclaration des données de l'échantillon de la population, est le sens de l'inférence dans les statistiques. Pourquoi sommes-nous sur la base de la déclaration des données de l'échantillon peut faire au sujet de la population à déterminer par le théorème central limite, qui dit que la distribution d'échantillonnage de plusieurs statistiques d'échantillon répartition de la population se en approcher de plus en plus, comme notre taille de l'échantillon est plus grande. Il peut y avoir de la pureté, de la distorsion et de la variabilité.

Pureté

Quand on utilise un paramètre d'échantillonnage de l'estimation d'un paramètre de la population, ce paramètre est un estimateur non biaisé, car l'espérance de ceci est égale à la valeur du paramètre de la population.

Expliqué sur la base de l'exemple
Supposons que le salaire moyen d'un échantillon de 100 personnes est égale à 1400, et cette moyenne est égale à l'ensemble de la population, nous parlons d'un estimateur sans biais de la population totale moyenne sur la base de notre échantillon. La moyenne de l'échantillon est un prédicteur pure de notre population signifie. Si cela mais en très petite mesure de la moyenne de la population, on peut aussi dire qu'il a une haute pureté et seulement une très petite mesure est déformée.

Distorsion

Une variable aléatoire est sollicité par la moyenne de la distribution d'échantillonnage ne coïncide pas avec la valeur du paramètre dans la population. Comme démontré dans l'exemple précédent, nous parlons de «partialité» que la moyenne dans la population ne est pas la même chose. Si notre population émerge que le salaire moyen par exemple. 1500, nous voyons que ce est une jolie grande différence avec notre attente de l'échantillon. Bias est la contrepartie de la pureté et donc un synonyme de «impur».

Variabilité

Une variable aléatoire a variabilité. Ce est la quantité dans laquelle la quantité de l'échantillon entre les différents échantillons peut varier. La plus petite est cette variabilité, le plus de précision la quantité de l'échantillon est utilisé comme estimation du paramètre de population.

Exemple
Lorsque le salaire moyen des 3 100 échantillons différents de gens sur par exemple. 1400, 1460 et 1320, nous pouvons parler d'une variabilité raisonnable dans la distribution de notre échantillon. Pour chaque échantillon, le salaire moyen semble raisonnable de différer. Plus la variabilité entre les différents échantillons, la moins précise la quantité de l'échantillon est aussi un estimateur de paramètre de la population.

Dans le cadre de la comparaison de notre paramètre de l'échantillon avec notre paramètre de la population que nous pouvons encore envisager les mesures suivantes:
Quand nous allons à travers une distribution d'échantillonnage donc estimer un paramètre de la population, comment pouvons-nous alors en fin de compte déterminer si cela est vrai ou non, si nous ne avons pas la valeur du paramètre de la population. Étant donné que la pureté se réfère donc au fait qu'elle correspond au paramètre de la population. Que devrions-nous faire si nous ne pouvons pas comparer avec le paramètre de la population? Ou est ce paramètre de la population, puis de toute façon donné à comparer avec? Parce que sinon, nous ne pouvons pas encore savoir se il ya par exemple. Biais dans la distribution d'échantillonnage?

Répondre
Sur la base de statistiques déductives théoriques peut être dit que si nous suivons pour l'échantillonnage les procédures appropriées qui résulteront dans l'échantillon, en moyenne, correspond le paramètre de la population. Dans un échantillon spécifique varie le résultat plus tôt. La pureté est une caractéristique de la procédure et non d'une estimation spécifique
VOIR AUSSI:
  1.  
  2.  
  3.  
Sans commentaires

Laisser un commentaire

Code De Sécurité