Bu Hesaplayıcı Ne İşe Yarar?
Bu araç, örnek oranın örnekleme dağılımını (p̂) tanımlar. Gerçek oranı p olan bir kitleden defalarca n büyüklüğünde rastgele örnekler çektiğinizde, elde edilen örnek oranları kendi dağılımlarını oluşturur. Bu hesaplayıcı söz konusu dağılımın ortalamasını ve standart hatasını verir; böylece güven aralıkları oluşturabilir, hipotez testleri yürütebilir ya da örnekleme değişkenliğini değerlendirebilirsiniz.
Nasıl Kullanılır?
Kitle oranı p değerini 0 ile 1 arasında ondalık olarak girin (örneğin %40 için 0,4), ardından örnek büyüklüğü n değerini yazın. Hesaplayıcı; örnekleme dağılımının ortalamasını (p'ye eşittir), varyansını ve standart hatasını (SE) anında hesaplar.
Formül Açıklaması
Örnekleme dağılımının ortalaması, kitle oranına eşittir: \(\mu_{\hat{p}} = \text{p}\). Standart hata, örnek oranlarının p etrafında ne kadar değiştiğini ölçer ve şu formülle bulunur: $$\text{SE} = \sqrt{\frac{\text{p}\,(1 - \text{p})}{\text{n}}}$$ Daha büyük örnekler standart hatayı küçültür ve tahmininizi daha hassas hale getirir. Merkezi Limit Teoremi'ne göre, hem \(n\text{p} \geq 10\) hem de \(n(1-\text{p}) \geq 10\) koşulları sağlandığında dağılım yaklaşık olarak normaldir.
Çözümlü Örnek
Diyelim ki p = 0,5 ve n = 100. Ortalama 0,5'tir. Varyans $$0,5 \times 0,5 / 100 = 0,0025$$ ve standart hata $$\sqrt{0,0025} = 0,05$$ olur. Yani örnek oranları genellikle 0,5 değerinin yaklaşık \(\pm 0,05\) aralığında dağılır.
Sık Sorulan Sorular
Ortalama neden p'ye eşittir? Çünkü örnek oranı, kitle oranının yansız (sapmasız) bir tahmin edicisidir; ortalamada gerçek değeri yakalar.
n büyüdükçe ne olur? Standart hata \(1/\sqrt{n}\) ile orantılı olarak azalır; dolayısıyla daha büyük örneklerle tahminler daha hassas hale gelir.
Normal yaklaşım ne zaman geçerlidir? Yaygın bir kural \(n\text{p} \geq 10\) ve \(n(1-\text{p}) \geq 10\)'dur; aksi takdirde tam binom (binomial) yöntemlerini değerlendirin.
Örnek Büyüklüğü ve Oranın Standart Hataya Etkisi
Örnek oranının standart hatası \(SE = \sqrt{\frac{p(1-p)}{n} }\) şeklindedir. Tablo, dört popülasyon oranı ve dört örnek büyüklüğü için SE değerlerini göstermektedir. Bir yıldız işareti (*), \(np < 10\) veya \(n(1-p) < 10\) olan kombinasyonu işaretler; bu nedenle normal yaklaşım kullanılmamalıdır.
| p | n = 25 | n = 100 | n = 400 | n = 1000 |
|---|---|---|---|---|
| 0.1 | 0.0600* | 0.0300 | 0.0150 | 0.0095 |
| 0.3 | 0.0917* | 0.0458 | 0.0229 | 0.0145 |
| 0.5 | 0.1000 | 0.0500 | 0.0250 | 0.0158 |
| 0.7 | 0.0917* | 0.0458 | 0.0229 | 0.0145 |
Değerler dört ondalık basamağa yuvarlanmıştır. İşaretlenen hücreler şunlardır:
- p = 0.1, n = 25: \(np = 2.5\)
- p = 0.3, n = 25: \(np = 7.5\)
- p = 0.7, n = 25: \(n(1-p) = 7.5\)
p = 0.1 ve n = 100 için \(np = 10\) tam olarak elde edilir; bu da eşiği tam olarak karşılar.
Tablonun gösterdikleri
- n'yi dörde katlamak SE'yi yarıya indirir. n = 25'ten 100'e ve 400'e geçerken her adımda n dört katına çıkar ve SE ikiye bölünür. p = 0.5 için: 0.1000, 0.0500, 0.0250.
- SE, p = 0.5 değerinde en büyüktür, çünkü \(p(1-p)\) değeri 0.25'te zirve yapar. p ve 1 − p için değerler aynıdır (p = 0.3 ile p = 0.7'yi karşılaştırın).
Temel Terimler ve Semboller
- Popülasyon oranı (p)
- Tüm popülasyonun ilgilenilen özelliğe sahip olan gerçek oranı. Genellikle bilinmez ve 0 ile 1 arasında yer alır.
- Örnek oranı (\(\hat{p}\))
- Bir örneklemdeki başarıların oranı: \(\hat{p} = X/n\), burada X başarı sayısıdır.
- Örnek büyüklüğü (n)
- Her bir örneklemdeki bağımsız gözlemlerin sayısı.
- Örnekleme dağılımı
- Aynı popülasyondan büyüklüğü n olan tüm olası örneklemler üzerinden \(\hat{p}\) değerlerinin dağılımı. Ortalaması p, standart sapması ise \(\sqrt{p(1-p)/n}\) değeridir.
- Standart hata ve standart sapma
- Standart sapma, bireysel değerlerin yayılımını ölçer (tek bir 0/1 gözlemi için \(\sqrt{p(1-p)}\) değeridir). Standart hata ise \(\hat{p}\) gibi bir istatistiğin standart sapmasıdır ve n büyüdükçe küçülür.
- Yansız tahminci
- Tekrarlanan örneklemler üzerindeki ortalaması, tahmin ettiği parametreye eşit olan istatistik. \(\mu_{\hat{p}} = p\) olduğu için örnek oranı, p için yansız bir tahmincidir.
- Merkezi Limit Teoremi ve başarı-başarısızlık koşulu
- n yeterince büyük olduğunda, \(\hat{p}\) değerinin örnekleme dağılımı yaklaşık olarak normaldir. Yaygın bir pratik kural, bağımsız gözlemlerle birlikte \(np \ge 10\) ve \(n(1-p) \ge 10\) olmasını gerektirir (bazı kaynaklar 5 kullanır). Bu eşiklerin altında dağılım belirgin biçimde çarpıktır ve normal temelli olasılıklar yanlış olabilir.