Kaj je vzorčna distribucija

cyrop / Getty Images

Statistično vzorčenje se pogosto uporablja v statistiki. V tem procesu želimo ugotoviti nekaj o populaciji. Ker so populacije običajno velike, oblikujemo statistični vzorec tako, da izberemo podmnožico populacije, ki je vnaprej določene velikosti. S proučevanjem vzorca lahko uporabimo inferencialno statistiko, da ugotovimo nekaj o populaciji.

Statistični vzorec velikosti n vključuje eno skupino n posamezniki ali subjekti, ki so bili naključno izbrani iz populacije. S konceptom statističnega vzorca je tesno povezana vzorčna porazdelitev.

Izvor distribucij vzorčenja

Do vzorčne porazdelitve pride, ko oblikujemo več kot eno preprost naključni vzorec enake velikosti iz določene populacije. Ti vzorci veljajo za neodvisne drug od drugega. Torej, če je posameznik v enem vzorcu, potem ima enako verjetnost, da bo v naslednjem vzetem vzorcu.

Za vsak vzorec izračunamo določeno statistiko. To bi lahko bil vzorec pomeni , vzorčno varianco ali vzorčni delež. Ker je statistika odvisna od vzorca, ki ga imamo, bo vsak vzorec običajno ustvaril drugačno vrednost za statistiko, ki nas zanima. Razpon vrednosti, ki so bile proizvedene, je tisto, kar nam daje našo distribucijo vzorčenja.

Porazdelitev vzorčenja za sredstva

Za primer bomo upoštevali vzorčno porazdelitev za povprečje. Povprečna populacija je parameter, ki običajno ni znan. Če izberemo vzorec velikosti 100, potem povprečje tega vzorca enostavno izračunamo tako, da seštejemo vse vrednosti in nato delimo s skupnim številom podatkovnih točk, v tem primeru 100. En vzorec velikosti 100 nam lahko da povprečje 50. Drug tak vzorec ima lahko povprečje 49. Drugih 51 in še en vzorec bi lahko imel povprečje 50,5.

Porazdelitev teh vzorčnih povprečij nam daje vzorčno porazdelitev. Želeli bi upoštevati več kot le štiri vzorčna povprečja, kot smo storili zgoraj. Z več vzorčnimi sredstvi bi imeli dobro predstavo o obliki porazdelitve vzorčenja.

Zakaj nas skrbi?

Vzorčne porazdelitve se morda zdijo precej abstraktne in teoretične. Vendar pa obstaja nekaj zelo pomembnih posledic njihove uporabe. Ena od glavnih prednosti je, da odpravimo variabilnost, ki je prisotna v statistiki.

Na primer, predpostavimo, da začnemo s populacijo s povprečjem μ in standardnim odklonom σ. Standardni odklon nam daje meritev, kako razširjena je porazdelitev. To bomo primerjali s porazdelitvijo vzorčenja, ki jo dobimo z oblikovanjem preprostih naključnih vzorcev velikosti n . Vzorčna porazdelitev povprečja bo še vedno imela povprečje μ, vendar je standardni odklon drugačen. Standardni odklon za porazdelitev vzorčenja postane σ/√ n .

Tako imamo naslednje

• Velikost vzorca 4 nam omogoča porazdelitev vzorčenja s standardnim odklonom σ/2.
• Velikost vzorca 9 nam omogoča porazdelitev vzorčenja s standardnim odklonom σ/3.
• Velikost vzorca 25 nam omogoča porazdelitev vzorčenja s standardnim odklonom σ/5.
• Velikost vzorca 100 nam omogoča porazdelitev vzorčenja s standardnim odklonom σ/10.

V praksi

V statistični praksi redko oblikujemo vzorčne porazdelitve. Namesto tega obravnavamo statistiko, pridobljeno iz preprostega naključnega vzorca velikosti n kot da so ena točka vzdolž ustrezne porazdelitve vzorčenja. To ponovno poudarja, zakaj želimo imeti relativno velike velikosti vzorcev. Večja kot je velikost vzorca, manj variacij bomo dobili v naši statistiki.

Upoštevajte, da razen središča in širine ne moremo povedati ničesar o obliki naše porazdelitve vzorčenja. Izkazalo se je, da pod nekaterimi precej širokimi pogoji Centralni mejni izrek lahko uporabimo, da nam pove nekaj prav neverjetnega o obliki vzorčne porazdelitve.