Interval Keyakinan untuk Proporsi Populasi

Interval keyakinan dapat digunakan untuk memperkirakan beberapa parameter populasi. Salah satu jenis parameter yang dapat diperkirakan menggunakan statistik inferensial adalah proporsi populasi. Misalnya, kami mungkin ingin mengetahui persentase penduduk AS yang mendukung bagian tertentu dari undang-undang. Untuk jenis pertanyaan ini kita perlu menemukan interval kepercayaan.

Dalam artikel ini kita akan melihat bagaimana membangun interval kepercayaan untuk proporsi populasi, dan memeriksa beberapa teori di balik ini.

Kerangka Keseluruhan

Kita mulai dengan melihat gambaran besar sebelum kita masuk ke spesifik. Jenis interval keyakinan yang akan kita pertimbangkan adalah dari bentuk berikut:

Perkirakan +/- Margin of Error

Ini berarti ada dua angka yang perlu kita tentukan. Nilai-nilai ini merupakan perkiraan untuk parameter yang diinginkan, bersama dengan margin of error.

Kondisi

Sebelum melakukan uji atau prosedur statistik, penting untuk memastikan bahwa semua persyaratan terpenuhi. Untuk interval keyakinan untuk proporsi populasi, kita perlu memastikan bahwa yang berikut ini:

Kami memiliki sampel ukuran acak sederhana n dari populasi besar
Individu kami telah dipilih secara independen satu sama lain.
Setidaknya ada 15 keberhasilan dan 15 kegagalan dalam sampel kami.

Jika item terakhir tidak puas, maka dimungkinkan untuk menyesuaikan sampel kami sedikit dan menggunakan interval keyakinan plus-empat. Dalam hal berikut, kita akan menganggap bahwa semua kondisi di atas telah dipenuhi.

Proporsi Sampel dan Populasi

Kami mulai dengan perkiraan untuk proporsi populasi kami. Sama seperti kita menggunakan mean sampel untuk memperkirakan mean populasi, kami menggunakan proporsi sampel untuk memperkirakan proporsi populasi. Proporsi populasi adalah parameter yang tidak diketahui. Proporsi sampel adalah statistik. Statistik ini ditemukan dengan menghitung jumlah keberhasilan dalam sampel kami, dan kemudian membaginya dengan jumlah total individu dalam sampel.

Proporsi populasi dilambangkan dengan p , dan cukup jelas. Notasi untuk proporsi sampel sedikit lebih terlibat. Kami menunjukkan proporsi sampel sebagai p̂, dan kami membaca simbol ini sebagai "p-hat" karena terlihat seperti huruf p dengan topi di atas.

Ini menjadi bagian pertama dari interval kepercayaan kami. Perkiraan p adalah p̂.

Sampling Distribusi Proporsi Sampel

Untuk menentukan rumus untuk margin kesalahan, kita perlu memikirkan distribusi sampling dari p̂. Kita perlu mengetahui mean, standar deviasi dan distribusi khusus yang sedang kita kerjakan.

Distribusi sampling dari p̂ adalah distribusi binomial dengan probabilitas keberhasilan p dan n uji coba. Jenis variabel acak ini memiliki arti p dan standar deviasi ( p (1 - p )/ n )0.5. Ada dua masalah dengan ini.

Masalah pertama adalah distribusi binomial bisa sangat sulit untuk dikerjakan. Kehadiran faktorial dapat menyebabkan beberapa angka yang sangat besar.Di sinilah kondisi membantu kami. Selama kondisi kami terpenuhi, kami dapat memperkirakan distribusi binomial dengan distribusi normal standar.

Masalah kedua adalah standar deviasi p̂ digunakan p dalam definisinya. Parameter populasi yang tidak diketahui diperkirakan dengan menggunakan parameter yang sama sebagai margin of error. Alasan melingkar ini adalah masalah yang perlu diperbaiki.

Jalan keluar dari teka-teki ini adalah mengganti standar deviasi dengan kesalahan standarnya. Kesalahan standar didasarkan pada statistik, bukan parameter. Kesalahan standar digunakan untuk memperkirakan standar deviasi. Apa yang membuat strategi ini berharga adalah kita tidak perlu lagi mengetahui nilai parameternya p.

Formula untuk Confidence Interval

Untuk menggunakan kesalahan standar, kami mengganti parameter yang tidak diketahui p dengan statistik p̂. Hasilnya adalah rumus berikut untuk interval keyakinan untuk proporsi populasi:

p̂ +/- z * (p̂ (1 - p̂) / n )0.5.

Di sini nilai dari z * ditentukan oleh tingkat kepercayaan kami C. Untuk distribusi normal standar, tepatnya C persen dari distribusi normal standar adalah antara -z * dan z *. Nilai umum untuk z * termasuk 1,645 untuk kepercayaan 90% dan 1,96 untuk kepercayaan 95%.

Contoh

Mari kita lihat bagaimana metode ini bekerja dengan sebuah contoh. Misalkan kita ingin tahu dengan 95% keyakinan persen pemilih di daerah yang mengidentifikasi dirinya sebagai Demokrat. Kami melakukan sampel acak sederhana dari 100 orang di county ini dan menemukan bahwa 64 dari mereka mengidentifikasi sebagai seorang Demokrat.

Kami melihat bahwa semua persyaratan terpenuhi. Perkiraan proporsi populasi kami adalah 64/100 = 0,64. Ini adalah nilai dari proporsi sampel p̂, dan itu adalah pusat dari interval kepercayaan kami.

Margin of error terdiri dari dua bagian. Yang pertama adalah z *. Seperti yang kami katakan, untuk kepercayaan 95%, nilai dari z * = 1.96.

Bagian lain dari margin of error diberikan oleh rumus (p̂ (1 - p̂) / n )0.5. Kami menetapkan p̂ = 0,64 dan menghitung = kesalahan standar (0,64 (0,36) / 100)0.5 = 0.048.

Kami mengalikan kedua angka ini bersama-sama dan mendapatkan margin kesalahan 0,09408. Hasil akhirnya adalah:

0.64 +/- 0.09408,

atau kita dapat menulis ulang ini sebagai 54,592% menjadi 73,408%. Jadi kami yakin 95% bahwa proporsi populasi sejati dari Partai Demokrat ada di kisaran persentase ini. Ini berarti bahwa dalam jangka panjang, teknik dan rumus kami akan menangkap proporsi populasi 95% dari waktu.

Gagasan Terkait

Ada sejumlah ide dan topik yang terhubung ke jenis interval keyakinan ini. Misalnya, kita bisa melakukan uji hipotesis yang berkaitan dengan nilai proporsi populasi. Kami juga bisa membandingkan dua proporsi dari dua populasi yang berbeda.

Search This Blog

Tegar Tirta