Estimation of Neutrosophic Population Mean Incorporating Auxiliary Information under Simple Random Sampling
Diese Arbeit schlägt einen nahezu unverzerrten neutrosophischen Schätzer für den Populationsmittelwert vor und validiert diesen, welcher Hilfsinformationen einbezieht, um im Vergleich zu traditionellen Methoden bei der Verarbeitung von zweideutigen oder unbestimmten Daten einen geringeren mittleren quadratischen Fehler und eine höhere Effizienz zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der Statistik versuchen Forscher oft, den Durchschnittswert von etwas über eine gesamte Gruppe hinweg zu erraten, wie etwa das durchschnittliche Einkommen einer Stadt oder die durchschnittliche Temperatur einer Region. Um diese Schätzungen genauer zu machen, verwenden sie häufig „Hilfsinformationen“ (auxiliary information), was einfach ein zweites Datensegment ist, das bekanntlich mit dem ersten in Beziehung steht. Wenn man beispielsweise die Gesamtzahl der Bäume in einem Wald schätzen möchte, könnte man die bekannte Fläche des Waldes als Helfer verwenden, da größere Flächen meist auch mehr Bäume enthalten. Traditionelle Methoden funktionieren gut, wenn die Daten klar und exakt sind. Die reale Welt ist jedoch oft unordentlich. Messungen können vage, unvollständig oder unsicher sein. Ein Temperaturwert könnte „zwischen 20 und 22 Grad“ liegen, weil der Sensor unpräzise ist, oder eine Umfrageantwort könnte mehrdeutig sein. Standardstatistische Werkzeuge haben mit dieser Art von Unschärfe zu kämpfen und liefern oft Schätzungen, die verzerrt oder unzuverlässig sind. Um dies zu bewältigen, haben Wissenschaftler einen Zweig der Mathematik namens Neutrosophische Statistik entwickelt, die speziell darauf ausgelegt ist, mit Daten zu arbeiten, die Unsicherheit und Unbestimmtheit enthalten, indem sie die unbekannten Teile als natürlichen Bestandteil der Berechnung und nicht als einen zu ignorierenden Fehler behandeln.
Ein Forschungsteam der Banaras Hindu University und der Symbiosis International University hat sich kürzlich der Herausforderung gestellt, Populationsmittelwerte zu schätzen, wenn die Daten unsicher sind und hilfreiche, verwandte Informationen verfügbar sind. Ihr Ziel war es, ein neues mathematisches Werkzeug, oder einen Schätzer (Estimator), zu entwickeln, der mit dieser Mehrdeutigkeit besser umgehen kann als bestehende Methoden. Ihr Ziel war es, ein System zu bauen, das bekannte, unsichere Informationen über eine verwandte Variable nutzt, um den Durchschnitt eines unbekannten Wertes zu verbessern, selbst wenn die Zahlen selbst nicht präzise sind. Die Forscher schlugen einen neuen „fast unverzerrten“ (almost unbiased) Schätzer vor. In einfachen Worten ausgedrückt bedeutet dies, dass ihre Methode darauf ausgelegt ist, extrem nah am wahren Ergebnis zu liegen, mit einem sehr geringen, fast vernachlässigbaren Maß an systematischem Fehler. Sie konstruierten dieses neue Werkzeug durch die Kombination verschiedener mathematischer Ansätze, einschließlich Verhältnismethoden und exponentieller Anpassungen, passten diese jedoch so an, dass sie innerhalb des neutrosophischen Rahmens funktionieren, in dem Werte als Bereiche statt als einzelne Punkte ausgedrückt werden.
Um zu testen, ob ihr neues Werkzeug tatsächlich funktionierte, unterzogen die Forscher es zwei strengen Versuchen. Zuerst wandten sie es auf vier reale Datensätze an, bei denen Unsicherheit vorhanden war. Diese umfassten tägliche Aktienkurse großer Technologieunternehmen wie NVIDIA und ServiceNow, historische Temperaturaufzeichnungen, die über ein Jahrhundert zurückreichen, sowie demografische Daten zum natürlichen Wachstum in verschiedenen Regionen. In jedem einzelnen Fall übertraf der neue Schätzer die traditionellen Methoden. Für die NVIDIA-Aktienkursdaten reduzierte die neue Methode den Schätzfehler erheblich und erreichte ein Effizienzniveau, das mehr als fünfmal besser war als der Standardansatz. Ähnlich verhielt es sich bei den Temperaturaufzeichnungen: Das neue Werkzeug war fast doppelt so effizient wie die nächstbeste Methode. Die Forscher maßen diesen Erfolg mit einer Kennzahl namens prozentuale relative Effizienz, die vergleicht, wie viel besser eine Methode im Vergleich zu einer anderen ist; ihr neuer Schätzer schnitt konsistent am besten ab und bewies damit, dass er aus denselben unordentlichen Daten präzisere Informationen extrahieren kann.
Das Team hielt nicht bei realen Daten an; es führte auch eine massive Computersimulation durch, um zu sehen, wie das Werkzeug unter verschiedenen Bedingungen reagiert. Sie erzeugten tausende künstliche Datensätze, die drei verschiedene Arten von realen Verteilungen nachahmten: einige waren perfekt ausbalanciert und symmetrisch, andere waren schief oder asymmetrisch verteilt, was in der Natur häufig vorkommt. Sie testeten Stichprobengrößen, die von kleinen Gruppen bis hin zu großen Populationen reichten. In all diesen simulierten Szenarien zeigte der neue Schätzer weiterhin eine überlegene Leistung. Er lieferte konsistent geringere Fehler und eine höhere Effizienz im Vergleich zu den etablierten Methoden, unabhängig davon, ob die zugrunde liegenden Daten normal, schief oder einem spezifischen logarithmischen Muster folgten. Die Simulationen bestätigten, dass das Werkzeug robust ist, was bedeutet, dass es auch dann Bestand hat, wenn sich die Daten unerwartet verhalten.
Die Ergebnisse legen nahe, dass es bei der Arbeit mit vagen, mehrdeutigen oder unvollständigen Daten zu weniger genauen Schlussfolgerungen führen kann, wenn man sich auf traditionelle statistische Methoden verlässt. Die Forscher fanden heraus, dass sie ein viel klareres Bild des Populationsmittelwerts zeichnen konnten, indem sie die Unsicherheit innerhalb der Daten explizit anerkannten und mathematisch modellierten, anstatt zu versuchen, sie in exakte Zahlen zu zwingen. Ihre Arbeit deutet darauf hin, dass dieser neue Ansatz besonders wertvoll in Bereichen ist, in denen Präzision schwer zu erreichen ist, wie etwa bei der Umweltüberwachung, der Wirtschaftsprognose und der Bewertung komplexer Systeme. Durch die Verwendung dieses neuen, fast unverzerrten Schätzers können Analysten zuverlässigere Entscheidungen treffen, selbst wenn die vorliegenden Informationen nicht perfekt klar sind, und die inhärente Unsicherheit der realen Welt in einen beherrschbaren Teil der Berechnung verwandeln, anstatt sie als Barriere für die Genauigkeit zu betrachten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.