Örnekleme Dağılımları ve Merkezi Limit Teoremi
Örnekleme dağılımı, belirli bir büyüklükteki tüm olası örneklemler arasında, örneklem ortalaması gibi bir istatistiğin olasılık dağılımıdır. Merkezi limit teoremi, yeterince büyük örneklemler için, ortalamanın örnekleme dağılımının, temel verinin şeklinden bağımsız olarak yaklaşık olarak normal olduğunu belirtir. Bu iki kavram, normal dağılıma dayalı güven aralıklarının ve testlerin neden bu kadar yaygın kullanıldığını açıklamaktadır.
Tanım
Örnekleme dağılımı, bir popülasyondan sabit büyüklükteki tüm olası örneklemler üzerinde bir istatistiğin alacağı değerlerin dağılımıdır; merkezi limit teoremi ise, örneklem büyüklüğü arttıkça örneklem ortalamasının örnekleme dağılımının, popülasyonun şekli ne olursa olsun, normal bir dağılıma yaklaştığını belirtir.
Kapsam
Bu madde, örnekleme dağılımı kavramını, yayılımı olarak standart hatayı, merkezi limit teoremini ve örneklem büyüklüğünün rolünü, ayrıca bireylerin standart sapması ile bir istatistiğin standart hatası arasındaki ayrımı kapsamaktadır. Bu fikirleri güven aralıkları ve hipotez testi ile ilişkilendirmektedir. Bu, metodolojik bir referans olup klinik bir rehberlik değildir.
Temel sorular
- Bir istatistiğin örnekleme dağılımı nedir ve neden önemlidir?
- Standart hata, standart sapmadan nasıl farklılaşır?
- Merkezi limit teoremi neyi garanti eder ve hangi koşullar altında?
- Örneklem büyüklüğü, bir tahminin kesinliğini nasıl etkiler?
Anahtar kavramlar
- İstatistik ve parametre
- Örnekleme dağılımı
- Standart hata
- Standart hata ve standart sapma
- Örneklem büyüklüğü ve kesinlik
- Ortalamanın yaklaşık normalliği
- Güven aralıkları ve testlerin temeli
Temel kuramlar
- Merkezi limit teoremi
- Sonlu varyansa sahip bir popülasyondan alınan bağımsız gözlemler için, örneklem büyüklüğü arttıkça örneklem ortalamasının dağılımı, popülasyonun şeklinden bağımsız olarak normal bir dağılıma doğru eğilim gösterir; bu durum, bireysel ölçümler normal dağılmıyor olsa bile ortalamalar için normal dağılıma dayalı çıkarımı haklı çıkarmaktadır.
Mekanizmalar
Bir popülasyondan aynı büyüklükte tekrarlanan örneklemler çekilseydi, ortalama gibi bir istatistik örneklemden örnekleme değişecekti; bu değerlerin dağılımı örnekleme dağılımıdır ve standart sapması standart hatadır. Bir örneklem ortalaması için standart hata, popülasyon standart sapmasının örneklem büyüklüğünün kareköküne bölünmesiyle elde edilir, bu nedenle örneklemler büyüdükçe kesinlik artar ancak yalnızca n'nin karekökü ile orantılıdır. Merkezi limit teoremi, yeterince büyük örneklemler için, gözlemler bağımsız ve varyans sonlu olmak koşuluyla, verilerin kendisi çarpık olsa bile bu örnekleme dağılımının yaklaşık olarak normal olduğunu ekler. Bu, klasik çıkarımın temelini oluşturur: bir ortalama için güven aralığı, yaklaşık normallik altında tahminden belirli sayıda standart hata uzaklaşarak oluşturulur ve birçok hipotez testi bir tahmini kendi örnekleme dağılımıyla karşılaştırır. Örneklem büyüklüğüyle küçülen standart hata, popülasyon yayılımını tahmin eden ve küçülmeyen bireysel gözlemlerin standart sapmasından ayırt edilmelidir.
Klinik önem
Klinik ve halk sağlığı çalışmalarında bildirilen güven aralıkları ve p-değerleri, tahminin örnekleme dağılımına ve merkezi limit teoremine dayanmaktadır, bu nedenle bunları anlamak, bildirilen etkilerin kesinliğini değerlendirmeye yardımcı olmaktadır. Bu madde, metodolojik bir arka plan olup bireysel klinik kararlar için bir temel değildir.
Tarihçe
Merkezi limit teoreminin erken formları, de Moivre'nin binom dağılımına normal yaklaşımında ve Laplace'ın 1810 civarındaki çalışmalarında ortaya çıkmıştır ve Lyapunov ile diğerleri tarafından 1900 civarında titiz genel koşullar belirlenmiştir. Örnekleme-dağılımı bakış açısı, yirminci yüzyılın başlarında çıkarım için merkezi bir hale gelmiş ve biyoistatistikte normal dağılıma dayalı güven aralıkları ve testler için standart gerekçe olmaya devam etmektedir.
Tartışmalar
- Merkezi limit teoreminin uygulanabilmesi için bir örneklem ne kadar büyük olmalıdır?
- Yaklaşım, örneklem büyüklüğüyle birlikte iyileşir, ancak yeterince büyük olmanın ne anlama geldiği verilerin ne kadar çarpık olduğuna bağlıdır; belirgin şekilde çarpık dağılımlar için, ortalamanın dağılımının kabul edilebilir düzeyde normal hale gelmesi için çok daha büyük örneklemlere ihtiyaç duyulmaktadır, bu nedenle tek bir genel kural tüm durumlar için geçerli değildir.
Öne çıkan isimler
- Pierre-Simon Laplace
- Abraham de Moivre
- Aleksandr Lyapunov
İlgili konular
Temel eserler
- altman-bland-2005-se
- rosner-2015
Sıkça sorulan sorular
- Standart sapma ile standart hata arasındaki fark nedir?
- Standart sapma, bireysel gözlemlerin yayılımını ölçerken, standart hata örneklemler arasında örneklem ortalaması gibi bir istatistiğin yayılımını ölçer; standart hata örneklem büyüklüğü arttıkça azalırken, standart sapma sabit bir popülasyon miktarını tahmin eder.
- Veriler çarpık olduğunda bile ortalama için neden normal dağılımı kullanabiliriz?
- Merkezi limit teoremi, örneklem büyüklüğü arttıkça ortalamanın örnekleme dağılımının verilerin şeklinden bağımsız olarak yaklaşık olarak normal hale geldiğini belirtir, bu nedenle ortalama için normal dağılıma dayalı yöntemler, bireysel değerler normal dağılmıyor olsa bile yeterince büyük örneklemlerle genellikle geçerlidir.