ကွဲပြားမှု၏နမူနာဖြန့်ဝေခြင်း။

အားဖြင့် ဩဂုတ် 3, 2023 စာရင်းအင်းများ 0 မှတ်ချက်များ

ဤဆောင်းပါးတွင် ကွဲပြားမှု၏နမူနာဖြန့်ဝေမှု (သို့မဟုတ် ကွဲပြားမှုများ၏နမူနာဖြန့်ဝေမှု) ကို စာရင်းဇယားတွင် ရှင်းပြထားသည်။ အလားတူ၊ ကွဲလွဲမှု၏နမူနာဖြန့်ဝေမှုအတွက် ဖော်မြူလာနှင့် အဆင့်ဆင့်ဖြေရှင်းထားသော လေ့ကျင့်ခန်းတစ်ခုကို တင်ပြထားသည်။

ကွဲလွဲမှု၏နမူနာဖြန့်ဝေမှုကား အဘယ်နည်း။

ကွဲလွဲမှု၏နမူနာဖြန့်ဝေမှုသည် လူဦးရေတစ်ခုစီမှ ဖြစ်နိုင်သည့်နမူနာတစ်ခုစီ၏ ကွဲလွဲမှုကို တွက်ချက်ခြင်းမှ ထွက်ပေါ်လာသည့် ဖြန့်ဝေမှုဖြစ်သည်။ ဆိုလိုသည်မှာ၊ လူဦးရေတစ်ခုမှဖြစ်နိုင်သောနမူနာများအားလုံးမှ နမူနာကွဲလွဲမှု အားလုံး၏အစုသည် ကွဲလွဲမှု၏နမူနာခွဲဝေမှုကိုဖြစ်စေသည်။

သို့မဟုတ် တစ်နည်းအားဖြင့်၊ ကွဲလွဲမှု၏နမူနာခွဲဝေမှုကို ရယူရန်၊ ကျွန်ုပ်တို့သည် လူဦးရေတစ်ခုအတွင်း ဖြစ်နိုင်သည့်နမူနာအားလုံးကို ဦးစွာရွေးချယ်ပြီး ရွေးချယ်ထားသော နမူနာတစ်ခုစီ၏ ကွဲလွဲမှုကို တွက်ချက်ရပါမည်။ ထို့ကြောင့်၊ တွက်ချက်ထားသောကွဲလွဲမှုအစုစုသည် ကွဲလွဲမှု၏နမူနာခွဲဝေမှုကိုဖွဲ့စည်းသည်။

စာရင်းဇယားများတွင်၊ နမူနာတစ်ခုတည်းကိုထုတ်နုတ်ခြင်းဖြင့် လူဦးရေကွဲလွဲမှုတန်ဖိုးကို ရရှိနိုင်ခြေကို တွက်ချက်ရန် ကွဲလွဲမှု၏နမူနာခွဲဝေမှုကို အသုံးပြုသည်။ ဥပမာအားဖြင့်၊ ရင်းနှီးမြှုပ်နှံမှုဆိုင်ရာ စွန့်စားသုံးသပ်မှုတွင်၊ ကွဲပြားမှု၏နမူနာဖြန့်ဝေမှုကို အသုံးပြုသည်။

ကွဲပြားမှု၏နမူနာဖြန့်ဝေခြင်းအတွက် ဖော်မြူလာ

ကွဲလွဲမှု၏နမူနာဖြန့်ဝေမှုကို chi-square ဖြစ်နိုင်ခြေဖြန့်ဝေမှု ဖြင့် သတ်မှတ်သည်။ ထို့ကြောင့်၊ ကွဲလွဲမှုနမူနာခွဲဝေမှု၏ ကိန်းဂဏန်းအချက်အလက်များအတွက် ဖော်မြူလာ မှာ-

\chi^2=\cfrac{(n-1)s^2}{\sigma^2}

ရွှေ-

  • \chi^2

    chi-square ဖြန့်ဝေမှုနောက်ဆက်တွဲဖြစ်သည့် ကွဲပြားမှုနမူနာဖြန့်ဝေမှု၏ ကိန်းဂဏန်းစာရင်းအင်းဖြစ်သည်။

  • n

    နမူနာအရွယ်အစားဖြစ်သည်။

  • s^2

    နမူနာကွဲလွဲမှုဖြစ်သည်။

  • \sigma^2

    လူဦးရေကွဲလွဲမှုဖြစ်ပါသည်။

ကွဲလွဲမှုယူဆချက်များကို စမ်းသပ်ရန် အတွက်လည်း ဤဖော်မြူလာကို အသုံးပြုပါသည်။

ကွဲပြားခြင်း၏နမူနာဖြန့်ဝေခြင်း၏ အစစ်အမှန်ကမ္ဘာနမူနာ

ယခု ကျွန်ုပ်တို့သည် ကွဲပြားမှု၏နမူနာခွဲဝေမှု၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်နှင့် ၎င်း၏ဖော်မြူလာဟူသည် အဘယ်နည်းဟူမူကား၊ သဘောတရားကို နားလည်သဘောပေါက်ရန် ဥပမာတစ်ခုကို တစ်ဆင့်ပြီးတစ်ဆင့် ဖြေရှင်းပါမည်။

  • ကွဲလွဲမှု σ=5 ဖြင့် သိရှိထားသော လူဦးရေမှ၊ လေ့လာသုံးသပ်မှု 17 ခု၏ ကျပန်းနမူနာကို ရွေးချယ်ထားသည်။ 10 ထက်ကြီးသောနမူနာကွဲလွဲမှုကိုရရှိရန်ဖြစ်နိုင်ခြေအဘယ်နည်း။

ပထမဦးစွာ၊ ကွဲလွဲမှုနမူနာဖြန့်ဝေမှု၏ ကိန်းဂဏန်းကို ရယူရန် လိုအပ်သည်။ ထို့ကြောင့် ကျွန်ုပ်တို့သည် ယခင်အပိုင်းတွင် ရှင်းပြထားသော ဖော်မြူလာကို ကျင့်သုံးသည်-

\chi^2=\cfrac{(n-1)s^2}{\sigma^2}=\cfrac{(17-1)\cdot 10}{5}=32

နမူနာအရွယ်အစားမှာ n = 17 ဖြစ်သောကြောင့်၊ Chi-square ဖြန့်ဝေမှုတွင် လွတ်လပ်မှု 16 ဒီဂရီ (n-1) ရှိသည်။ ထို့ကြောင့်၊ နမူနာကွဲလွဲမှု 10 ထက်ကြီးနေခြင်း၏ ဖြစ်နိုင်ခြေသည် လွတ်လပ်မှု 16 ဒီဂရီရှိသော chi-square ဖြန့်ဖြူးမှုတစ်ခုတွင် 32 ထက်ကြီးသောတန်ဖိုးကိုယူရန်ဖြစ်နိုင်ခြေနှင့် ညီမျှသည်။

P[s^2>10]=P[\chi_{16}^2>32]” title=” Rendered by QuickLaTeX.com” height=” 20″ width=” 194″ style=” vertical-align: -5px;” ></p> </p> <p> ထို့ကြောင့် ကျွန်ုပ်တို့သည် chi-square ဖြန့်ချီရေးဇယားရှိ ဆက်စပ်ဖြစ်နိုင်ခြေကို ရှာဖွေပြီး ပြဿနာကို ဖြေရှင်းပေးပါသည်။</p> </p> <p class=P[s^2>10]=P[\chi_{16}^2>32]=0,01″ title=” Rendered by QuickLaTeX.com” height=” 20″ width=” 253″ style=” vertical-align: -5px;” ></p> </p> <p> အတိုချုပ်အားဖြင့်၊ 10 ထက်ကြီးသောကွဲပြားမှုရှိသောနမူနာတစ်ခုဆွဲရန်ဖြစ်နိုင်ခြေမှာ 1% ဖြစ်သည်။</p> </div><!-- End Content --> <!-- Start Author Box --> <div class=

စာရေးသူအကြောင်း

Benjamin Anderson
Benjamin Anderson

မင်္ဂလာပါ၊ ကျွန်ုပ်သည် အငြိမ်းစား စာရင်းအင်း ပါမောက္ခ ဘင်ဂျမင်ဖြစ်ပြီး သီးသန့် Statorials ဆရာအဖြစ် လှည့်ပတ်ပါသည်။ စာရင်းဇယားနယ်ပယ်တွင် ကျယ်ပြန့်သောအတွေ့အကြုံနှင့် ကျွမ်းကျင်မှုနှင့်အတူ၊ Statorials မှတစ်ဆင့် ကျောင်းသားများကို ခွန်အားဖြစ်စေရန်အတွက် ကျွန်ုပ်၏အသိပညာကို မျှဝေလိုပါသည်။ ပိုသိတယ်။

မှတ်ချက်တစ်ခုထည့်ပါ။

သင့် email လိပ်စာကို ဖော်ပြမည် မဟုတ်ပါ။ လိုအပ်သော ကွက်လပ်များကို * ဖြင့်မှတ်သားထားသည်