Čo je distribúcia vzoriek

cyrop / Getty Images

Štatistický výber vzoriek sa v štatistike používa pomerne často. V tomto procese sa snažíme určiť niečo o populácii. Keďže populácie sú zvyčajne veľké, štatistickú vzorku tvoríme výberom podmnožiny populácie, ktorá má vopred určenú veľkosť. Štúdiom vzorky môžeme použiť inferenčnú štatistiku na určenie niečoho o populácii.

Štatistická vzorka veľkosti n zahŕňa jedinú skupinu n jednotlivci alebo subjekty, ktoré boli náhodne vybrané z populácie. S pojmom štatistická vzorka úzko súvisí výberové rozdelenie.

Pôvod distribúcie vzoriek

Distribúcia vzoriek nastane, keď vytvoríme viac ako jednu jednoduchá náhodná vzorka rovnakej veľkosti z danej populácie. Tieto vzorky sa považujú za navzájom nezávislé. Takže ak je jednotlivec v jednej vzorke, potom má rovnakú pravdepodobnosť, že bude v ďalšej vzorke, ktorá sa odoberie.

Pre každú vzorku vypočítame konkrétnu štatistiku. Toto by mohla byť ukážka priemerný , vzorový rozptyl alebo podiel vzorky. Keďže štatistika závisí od vzorky, ktorú máme, každá vzorka zvyčajne vytvorí inú hodnotu pre štatistiku, ktorá nás zaujíma. Rozsah hodnôt, ktoré boli vytvorené, nám dáva našu distribúciu vzoriek.

Distribúcia vzoriek pre prostriedky

Ako príklad budeme uvažovať distribúciu vzoriek pre priemer. Priemer populácie je parameter, ktorý je zvyčajne neznámy. Ak vyberieme vzorku s veľkosťou 100, potom sa priemer tejto vzorky ľahko vypočíta sčítaním všetkých hodnôt a následným delením celkovým počtom údajových bodov, v tomto prípade 100. Jedna vzorka s veľkosťou 100 nám môže poskytnúť priemer 50. Ďalšia takáto vzorka môže mať priemer 49. Ďalšia 51 a ďalšia vzorka môže mať priemer 50,5.

Distribúcia týchto vzorkovacích prostriedkov nám dáva vzorkovanie. Chceli by sme zvážiť viac ako len štyri vzorové prostriedky, ako sme to urobili vyššie. S niekoľkými ďalšími vzorkovacími prostriedkami by sme mali dobrú predstavu o tvare distribúcie vzoriek.

Prečo sa staráme?

Vzorkovanie Distribúcie sa môžu zdať dosť abstraktné a teoretické. Z ich používania však vyplývajú niektoré veľmi dôležité dôsledky. Jednou z hlavných výhod je, že eliminujeme variabilitu, ktorá je prítomná v štatistikách.

Predpokladajme napríklad, že začneme s populáciou s priemerom μ a štandardnou odchýlkou ​​σ. Smerodajná odchýlka nám udáva mieru rozloženia distribúcie. Porovnáme to s výberovým rozložením získaným vytvorením jednoduchých náhodných vzoriek veľkosti n . Distribúcia vzorkovania priemeru bude mať stále priemer μ, ale štandardná odchýlka je iná. Štandardná odchýlka pre distribúciu vzoriek sa stáva σ/√ n .

Máme teda nasledovné

• Veľkosť vzorky 4 nám umožňuje mať rozdelenie vzoriek so štandardnou odchýlkou ​​σ/2.
• Veľkosť vzorky 9 nám umožňuje mať rozdelenie vzoriek so štandardnou odchýlkou ​​σ/3.
• Veľkosť vzorky 25 nám umožňuje mať rozdelenie vzoriek so štandardnou odchýlkou ​​σ/5.
• Veľkosť vzorky 100 nám umožňuje mať rozdelenie vzoriek so štandardnou odchýlkou ​​σ/10.

V praxi

V praxi štatistiky zriedkavo tvoríme výberové distribúcie. Namiesto toho sa zaoberáme štatistikami odvodenými z jednoduchej náhodnej vzorky veľkosti n ako keby boli jedným bodom pozdĺž zodpovedajúceho rozdelenia vzoriek. To opäť zdôrazňuje, prečo chceme mať relatívne veľké veľkosti vzoriek. Čím väčšia je veľkosť vzorky, tým menšiu variáciu získame v našej štatistike.

Všimnite si, že okrem stredu a rozptylu nemôžeme povedať nič o tvare našej distribúcie vzoriek. Ukazuje sa, že za určitých pomerne širokých podmienok, Centrálna limitná veta možno použiť, aby nám povedal niečo celkom úžasné o tvare distribúcie vzoriek.