Estimation of Neutrosophic Population Mean Incorporating Auxiliary Information under Simple Random Sampling
यह शोध पत्र जनसंख्या माध्य के लिए एक लगभग निष्पक्ष न्यूट्रोसोफिक (neutrosophic) निर्गणक (estimator) प्रस्तावित और मान्य करता है जो अस्पष्ट या अनिश्चित डेटा से निपटने के दौरान पारंपरिक विधियों की तुलना में कम माध्य वर्ग त्रुटि (Mean Squared Error) और उच्च दक्षता प्राप्त करने के लिए सहायक जानकारी को सम्मिलित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
सांख्यिकी की दुनिया में, शोधकर्ता अक्सर किसी पूरे समूह के किसी चीज़ के औसत मान का अनुमान लगाने की कोशिश करते हैं, जैसे कि किसी शहर की औसत आय या किसी क्षेत्र का औसत तापमान। इन अनुमानों को अधिक सटीक बनाने के लिए, वे अक्सर "सहायक जानकारी" (auxiliary information) का उपयोग करते हैं, जो वास्तव में डेटा का दूसरा हिस्सा है जिसे ज्ञात है कि वह पहले वाले से संबंधित है। उदाहरण के लिए, यदि आप एक जंगल में पेड़ों की कुल संख्या का अनुमान लगाना चाहते हैं, तो आप जंगल के ज्ञात क्षेत्रफल का उपयोग एक सहायक के रूप में कर सकते हैं, क्योंकि बड़े क्षेत्रों में आमतौर पर अधिक पेड़ होते हैं। पारंपरिक तरीके तब अच्छा काम करते हैं जब डेटा स्पष्ट और सटीक होता है। हालाँकि, वास्तविक दुनिया अक्सर अव्यवस्थित होती है। माप अस्पष्ट, अपूर्ण या अनिश्चित हो सकते हैं। एक तापमान रीडिंग "20 और 22 डिग्री के बीच" हो सकती है क्योंकि सेंसर अनिश्चित है, या सर्वेक्षण का उत्तर संदिग्ध हो सकता है। मानक सांख्यिकीय उपकरण इस प्रकार की धुंधलेपन (fuzziness) के साथ संघर्ष करते हैं, जिससे अक्सर पक्षपाती या अविश्वसनीय अनुमान प्राप्त होते हैं। इसे संभालने के लिए, वैज्ञानिकों ने 'न्यूट्रोसोफिक सांख्यिकी' (neutrosophic statistics) नामक गणित की एक शाखा विकसित की है, जो विशेष रूप से उस डेटा के साथ काम करने के लिए डिज़ाइन की गई है जिसमें अनिश्चितता और अनिश्चितता (indeterminacy) शामिल है, जहाँ अज्ञात भागों को त्रुटि के रूप में अनदेखा करने के बजाय गणना के एक स्वाभाविक हिस्से के रूप में माना जाता है।
बनारस हिंदू विश्वविद्यालय और सिम्बायोसिस इंटरनेशनल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने हाल ही में उस चुनौती से निपटने का प्रयास किया है जहाँ डेटा अनिश्चित होता है और जब सहायक, संबंधित जानकारी उपलब्ध होती है, तब जनसंख्या के औसत का अनुमान लगाना होता है। उन्होंने एक नया गणितीय उपकरण, या 'अनुमानक' (estimator) बनाने का लक्ष्य रखा, जो मौजूदा तरीकों की तुलना में इस अस्पष्टता को बेहतर ढंग से नेविगेट कर सके। उनका लक्ष्य एक ऐसी प्रणाली बनाना था जो अज्ञात औसत के अनुमान को सुधारने के लिए एक संबंधित चर (variable) के बारे में ज्ञात, अनिश्चित जानकारी का उपयोग करे, भले ही संख्याएँ स्वयं सटीक न हों। शोधकर्ताओं ने एक नया "लगभग निष्पक्ष" (almost unbiased) अनुमानक प्रस्तावित किया। सरल शब्दों में, इसका अर्थ है कि उनकी विधि को अत्यंत सटीक उत्तर के करीब रहने के लिए डिज़ाइन किया गया है, जिसमें व्यवस्थित त्रुटि की मात्रा बहुत कम, लगभग नगण्य है। उन्होंने इस नए उपकरण का निर्माण विभिन्न गणितीय दृष्टिकोणों, जिनमें अनुपात विधियाँ (ratio methods) और घातीय समायोजन (exponential adjustments) शामिल हैं, को मिलाकर किया, लेकिन उन्हें न्यूट्रोसोफिक ढांचे के भीतर काम करने के लिए अनुकूलित किया जहाँ मान एकल बिंदुओं के बजाय श्रेणियों (ranges) के रूप में व्यक्त किए जाते हैं।
यह परीक्षण करने के लिए कि क्या उनका नया उपकरण वास्तव में काम करता है, शोधकर्ताओं ने इसे दो कठोर परीक्षणों से गुजारा। सबसे पहले, उन्होंने इसे चार वास्तविक दुनिया के डेटासेट्स पर लागू किया जहाँ अनिश्चितता मौजूद थी। इनमें NVIDIA और ServiceNow जैसी प्रमुख प्रौद्योगिकी कंपनियों के दैनिक स्टॉक मूल्य, एक सदी से अधिक के ऐतिहासिक तापमान रिकॉर्ड और विभिन्न क्षेत्रों में प्राकृतिक विकास दरों से संबंधित जनसांख्यिकीय डेटा शामिल थे। हर एक मामले में, नए अनुमानक ने पारंपरिक तरीकों से बेहतर प्रदर्शन किया। NVIDIA के स्टॉक डेटा के लिए, नई विधि ने अनुमान त्रुटि को काफी कम कर दिया, जिससे दक्षता का एक ऐसा स्तर प्राप्त हुआ जो मानक दृष्टिकोण से पांच गुना से भी अधिक बेहतर था। इसी तरह, तापमान रिकॉर्ड के लिए, यह नया उपकरण अगले सबसे अच्छे तरीके की तुलना में लगभग दोगुना कुशल था। शोधकर्ताओं ने इस सफलता को 'प्रतिशत सापेक्ष दक्षता' (percentage relative efficiency) नामक एक मीट्रिक का उपयोग करके मापा, जो तुलना करता है कि एक विधि दूसरी विधि से कितनी बेहतर है; उनका नया अनुमानक लगातार उच्चतम स्कोर करता रहा, जिससे यह सिद्ध हुआ कि यह समान अव्यवस्थित डेटा से अधिक सटीक जानकारी निकाल सकता है।
टीम केवल वास्तविक दुनिया के डेटा तक ही सीमित नहीं रही; उन्होंने यह देखने के लिए कि उपकरण विभिन्न स्थितियों में कैसा व्यवहार करता है, एक विशाल कंप्यूटर सिमुलेशन भी चलाया। उन्होंने हजारों कृत्रिम डेटासेट्स तैयार किए जो तीन अलग-अलग प्रकार के वास्तविक दुनिया के वितरणों (distributions) की नकल करते थे: कुछ जो पूरी तरह से संतुलित और सममित थे, और अन्य जो विषम या एकतरफा थे, जैसा कि प्राकृतिक घटनाओं में सामान्य है। उन्होंने छोटे समूहों से लेकर बड़ी आबादी तक के नमूना आकारों (sample sizes) का परीक्षण किया। इन सभी सिम्युलेटेड परिदृश्यों में, नया अनुमानक उत्कृष्ट प्रदर्शन करना जारी रखता रहा। इसने लगातार स्थापित विधियों की तुलना में कम त्रुटियां और उच्च दक्षता प्रदर्शित की, चाहे अंतर्निहित डेटा सामान्य हो, विषम हो, या किसी विशिष्ट लघुगणकीय (logarithmic) पैटर्न का पालन करता हो। सिमुलेशन ने पुष्टि की कि यह उपकरण 'रोबस्ट' (robust) है, जिसका अर्थ है कि यह तब भी अच्छी तरह से काम करता है जब डेटा अप्रत्याशित तरीकों से व्यवहार करता है।
निष्कर्ष बताते हैं कि जब डेटा अस्पष्ट, संदिग्ध या अपूर्ण होता है, तो पारंपरिक सांख्यिकीय विधियों पर भरोसा करने से कम सटीक निष्कर्ष निकल सकते। शोधकर्ताओं ने पाया कि डेटा के भीतर अनिश्चितता को स्पष्ट रूप से स्वीकार करने और गणितीय रूप से मॉडल करने से—उसे सटीक संख्याओं में जबरन फिट करने के बजाय—वे जनसंख्या के औसत की बहुत स्पष्ट तस्वीर प्राप्त कर सकते हैं। उनका कार्य इंगित करता है कि यह नया दृष्टिकोण उन क्षेत्रों में विशेष रूप से मूल्यवान है जहाँ सटीकता प्राप्त करना कठिन है, जैसे कि पर्यावरणीय निगरानी, आर्थिक पूर्वानुमान और जटिल प्रणाली मूल्यांकन। इस नए 'लगभग निष्पक्ष अनुमानक' का उपयोग करके, विश्लेषक अधिक विश्वसनीय निर्णय ले सकते हैं, भले ही उनके पास मौजूद जानकारी पूरी तरह से स्पष्ट न हो, जिससे वास्तविक दुनिया की अंतर्निहित अनिश्चितता को सटीकता की बाधा के बजाय गणना के एक प्रबंधनीय हिस्से में बदला जा सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।