📊 सांख्यिकी

Generalized Sine-Type Estimators for Population Median: Simulation-Driven Performance Analysis

यह अध्ययन बिना प्रतिस्थापन के सरल यादृच्छिक नमूनाकरण के तहत परिमित जनसंख्या माध्यिका के लिए एक नवीन सामान्य साइन-प्रकार और एक्सपोनेंशियल-साइन-प्रकार के अनुमानकों के एक नए परिवार का प्रस्ताव और मूल्यांकन करता है, जो सैद्धांतिक विश्लेषण, सिमुलेशन और वास्तविक दुनिया के डेटा के माध्यम से यह प्रदर्शित करता है कि ये विधियाँ माध्य वर्ग त्रुटि को कम करने के लिए सहायक जानकारी का लाभ उठाकर पारंपरिक अनुमानकों की तुलना में काफी बेहतर प्रदर्शन करती हैं।

मूल लेखक: Rajesh Singh, Shobh Nath Tiwari

प्रकाशित 2026-10-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rajesh Singh, Shobh Nath Tiwari

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 एक चुनौती का सामना करते हैं जो कुछ लोगों को देखकर भीड़ की औसत ऊंचाई का अनुमान लगाने जैसा है। कभी-कभी, आप जो लोग देखते हैं वे पूरे समूह का सटीक दर्पण नहीं होते; वे लंबे, छोटे या किसी विशिष्ट दिशा में झुके हुए हो सकते हैं। यह विशेष रूप से तब सच होता है जब डेटा असमान होता है, जैसे कि घरेलू आय या उत्पादन संख्या, जहाँ कुछ चरम मान (extreme values) पूरी तस्वीर को बिगाड़ सकते हैं। इन मामलों में, "माध्यिका" (median)—वह मध्य मान जहाँ आधा डेटा उससे अधिक और आधा उससे कम होता है—अक्सर औसत की तुलना में एक सच्ची कहानी बताती है। और भी स्पष्ट तस्वीर पाने के लिए, सांख्यिकीविद् अक्सर "सहायक जानकारी" (auxiliary information) का उपयोग करते हैं, जिसका अर्थ है एक दूसरे, संबंधित डेटा को लाना जो पहले से ज्ञात हो। उदाहरण के लिए, यदि आप जंगल में पेड़ों की संख्या का अनुमान लगाना चाहते हैं, तो आप भूमि के कुल क्षेत्रफल को भी जान सकते हैं। ज्ञात क्षेत्रफल को नमूना गणना (sample count) के साथ जोड़कर, आप पेड़ों की कुल संख्या के बारे में बहुत सटीक अनुमान लगा सकते हैं। लक्ष्य हमेशा अनुमान में त्रुटि को कम करना होता है, जिससे अंतिम अनुमान अधिक विश्वसनीय और सटीक बन सके।

भारत में बनारस हिंदू विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस अतिरिक्त जानकारी का उपयोग करके माध्यिका को अधिक सटीक रूप से खोजने का एक नया तरीका विकसित किया है। उन्होंने गणितीय उपकरणों का एक परिवार बनाया जो दो परिचित अवधारणाओं को मिलाता है: साइन वेव (sine wave) का सुचारू, दोहराव वाला वक्र और एक एक्सपोनेंशियल फंक्शन (exponential function) की तीव्र वृद्धि या क्षय। हालांकि ये शब्द जटिल लग सकते हैं, शोधकर्ताओं ने वास्तव में इनका उपयोग एक लचीले सूत्र बनाने के लिए किया जो वास्तविक दुनिया के डेटा में पाए जाने वाले जटिल, गैर-रेखीय पैटर्न के अनुकूल हो सके। पुराने तरीकों के विपरीत जो सीधी रेखाओं या सरल अनुपातों पर निर्भर करते हैं, ये नए उपकरण डेटा के विशिष्ट आकार के अनुसार मुड़ने और बदलने में सक्षम हैं, ठीक वैसे ही जैसे एक लचीला रूलर (ruler) एक घुमावदार सतह पर सीधी रेखा थोपने के बजाय उसके अनुरूप ढल जाता है। शोधकर्ताओं ने अपने नए सूत्रों का परीक्षण वास्तविक दुनिया के डेटा सेट और कंप्यूटर सिमुलेशन दोनों का उपयोग करके पारंपरिक तरीकों के विरुद्ध किया। उन्होंने पाया कि उनका नया दृष्टिकोण लगातार मानक तरीकों की तुलना में कम त्रुटि वाले अनुमान प्रदान करता है, जिसमें सामान्य सैंपल मीडियन और अतिरिक्त जानकारी का उपयोग करने वाली अन्य मौजूदा तकनीकें भी शामिल हैं।

यह देखने के लिए कि यह कितना प्रभावी रहा, टीम ने पहले दो वास्तविक दुनिया के परिदृश्यों को देखा। एक मामले में, उन्होंने एक विशिष्ट क्षेत्र में घरों की संख्या और भूमि के कुल क्षेत्रफल का परीक्षण किया। दूसरे मामले में, उन्होंने शैक्षिक संस्थानों में शिक्षण कर्मचारियों की संख्या और छात्र नामांकन को देखा। जब उन्होंने इन संख्याओं पर अपने नए साइन-आधारित सूत्रों को लागू किया, तो परिणाम आश्चर्यजनक थे। घरेलू डेटा के लिए, नए तरीके ने मानक विधि की तुलना में अनुमान की त्रुटि को लगभग 28 प्रतिशत कम कर दिया। स्कूल के डेटा के लिए, सुधार और भी नाटकीय था, जहाँ नए तरीके ने लगभग 372 प्रतिशत की सापेक्ष दक्षता हासिल की, जो लगभग 73 प्रतिशत की त्रुटि कमी के बराबर है। इसका अर्थ यह है कि यदि कोई सांख्यिकीविद् पुराने तरीके का उपयोग कर रहा होता, तो उसका अनुमान एक महत्वपूर्ण अंतर से गलत हो सकता था, जबकि नया तरीका वास्तविक मध्य मान के बहुत करीब पहुँच जाएगा। शोधकर्ताओं ने विभिन्न प्रकार के डेटा वितरणों का उपयोग करके हजारों कंप्यूटर सिमुलेशन भी चलाए, जिनमें प्राकृतिक विकास पैटर्न की नकल करने वाले और बेल कर्व (bell curve) का पालन करने वाले डेटा शामिल थे। हर एक परिदृश्य में, चाहे डेटा थोड़ा जुड़ा हुआ हो या मजबूती से लिंक हो, नए साइन-टाइप एस्टीमेटर (estimator) ने प्रतिस्पर्धा को पीछे छोड़ दिया।

अध्ययन ने यह भी पता लगाया कि क्यों कुछ पुराने तरीके विफल रहे जबकि नया तरीका सफल रहा। शोधकर्ताओं ने पाया कि जब दोनों चरों (variables) के बीच संबंध सकारात्मक था, यानी वे एक साथ ऊपर और नीचे जाते थे, तो पारंपरिक अनुपात-आधारित तरीके उचित रूप से काम करते थे लेकिन फिर भी नए दृष्टिकोण से पीछे रह गए। हालांकि, जब डेटा अधिक जटिल था या संबंध नकारात्मक था, तो पुराने तरीके अक्सर खराब प्रदर्शन करते थे, और कभी-कभी तो केवल सैंपल से माध्यिका का अनुमान लगाने से भी कम सटीक हो जाते थे। नए तरीके ने, साइन और एक्सपोनेंशियल फंक्शनों के लचीलेपन को शामिल करके, इन कठिन स्थितियों को आसानी से संभाल लिया। इसने डेटा के विशिष्ट गुणों के अनुसार अपना आकार समायोजित किया, जिससे यह सुनिश्चित हुआ कि अंतिम अनुमान स्थिर और सटीक बना रहे। शोधकर्ताओं ने पुष्टि की कि उनका तरीका तब सबसे अच्छा काम करता है जब सहायक चर (auxiliary variable) के बारे में ज्ञात जानकारी सटीक होती है और जब सैंपल तथा पूर्ण जनसंख्या के बीच का अंतर अपेक्षाकृत छोटा होता है, जो इस प्रकार के सांख्यिकीय कार्य के लिए एक मानक स्थिति है।

अंततः, यह शोध उन लोगों के लिए एक व्यावहारिक अपग्रेड प्रदान करता है जो संख्याओं के एक बड़े समूह के मध्य बिंदु को समझने की कोशिश कर रहे हैं। कठोर, सीधी-रेखा धारणाओं से आगे बढ़कर और मुड़ने और अनुकूल होने वाले सूत्रों को अपनाकर, नए एस्टीमेटर मध्य को खोजने का एक अधिक विश्वसनीय तरीका प्रदान करते हैं। निष्कर्ष बताते हैं कि अर्थशास्त्र से लेकर सार्वजनिक स्वास्थ्य तक के क्षेत्रों में, जहाँ डेटा अक्सर विषम और असमान होता है, इन उन्नत साइन-आधारित उपकरणों का उपयोग बेहतर निर्णय लेने में मदद कर सकता है। अध्ययन यह दावा नहीं करता है कि यह सांख्यिकी की हर समस्या को हल कर देता है, लेकिन यह प्रदर्शित करता है कि ज्ञात जानकारी को नए नमूनों के साथ जोड़ने के तरीके को परिष्कृत करके, हम एक ऐसे स्तर की सटीकता प्राप्त कर सकते हैं जो पहले पहुंच से बाहर थी। जिज्ञासु पर्यवेक्षक के लिए, मुख्य बात स्पष्ट है: कभी-कभी, मध्य को खोजने का सबसे अच्छा तरीका सीधी रेखाओं में सोचना बंद करना और लहरों (waves) के रूप में सोचना शुरू करना है।

तकनीकी सारांश: जनसंख्या माध्यिका (Population Median) के लिए सामान्यीकृत साइन-टाइप अनुमानक (Generalized Sine-Type Estimators)

समस्या विवरण
सर्वेक्षण नमूनाकरण (Survey sampling) में, जबकि जनसंख्या माध्य (mean), प्रसरण (variance) और अनुपातों (proportions) के सुधार के लिए सहायक जानकारी का उपयोग करने वाले अनुमानकों पर महत्वपूर्ण शोध हुआ है, परिमित जनसंख्या माध्यिका (finite population median) के अनुमान पर तुलनात्मक रूप से कम ध्यान दिया गया है। कई वास्तविक दुनिया के चर (जैसे आय, उत्पादन, गरीबी सूचकांक) विषम, गैर-सामान्य वितरण (skewed, non-normal distributions) प्रदर्शित करते हैं जहाँ माध्य की तुलना में माध्यिका स्थान के एक अधिक सुदृढ़ संकेतक के रूप में कार्य करती है। यद्यपि पिछले अध्ययनों ने माध्यिका के लिए अनुपात (ratio), उत्पाद (product) और घातांकीय (exponential) अनुमानकों को पेश किया है, लेकिन इस विशिष्ट पैरामीटर के लिए साइन-टाइप अनुमानकों (sine-type estimators) का विकास अभी भी अल्प-अन्वेषित है। मौजूदा रैखिक या विशुद्ध रूप से घातांकीय रूप अक्सर व्यावहारिक डेटासेट में पाई जाने वाली जटिल गैर-रैखिक, दोलनकारी (oscillatory), या आवधिक (periodic) व्यवहारों को पर्याप्त रूप से मॉडल करने में विफल रहते हैं। यह अध्ययन नवीन साइन-टाइप और घातांकीय-सह-साइन-टाइप (exponential-cum-sine-type) ढांचों के माध्यम से ज्ञात सहायक जानकारी को शामिल करके, अध्ययन चर की जनसंख्या माध्यिका के अनुमान में मौजूद इस अंतराल को संबोधित करता है।

कार्यप्रणाली (Methodology)
यह अध्ययन प्रतिस्थापन के बिना सरल यादृच्छिक नमूनाकरण (SRSWOR) के ढांचे के भीतर कार्य करता है। लेखक अध्ययन चर की जनसंख्या माध्यिका ( $M_y$ ) के अनुमान में सुधार करने के लिए एक सहायक चर की ज्ञात जनसंख्या माध्यिका ( $M_x$ ) का उपयोग करते हैं।

सैद्धांतिक व्युत्पत्ति (Theoretical Derivation):
- लेखक प्रस्तावित अनुमानकों के पूर्वाग्रह (bias) और माध्य वर्ग त्रुटि (Mean Squared Error - MSE) को प्रथम-क्रम सन्निकटन (first-order approximation) का उपयोग करके व्युत्पन्न करने के लिए सापेक्ष त्रुटि पदों ( $\eta_y, \eta_x$ ) को परिभाषित करते हैं।
- वे पहले पारंपरिक अनुमानकों की समीक्षा और अनुकूलन करते हैं, जिसमें सामान्य नमूना माध्यिका, साइन-टाइप अनुपात और उत्पाद अनुमानक, तथा घातांकीय-सह-साइन-टाइप अनुमानक (बहल और टुटेजा से प्रेरित) शामिल हैं।
- एक सामान्यीकृत घातांकीय-सह-साइन-टाइप अनुमानकों का परिवार ( $\hat{M}_y^*$ ) प्रस्तावित किया गया है। यह अनुमानक अध्ययन चर की नमूना माध्यिका, सहायक चर की नमूना माध्यिका और एक स्केलर पैरामीटर ( $\beta$ ) को जोड़ता है, जिसे MSE को न्यूनतम करने के लिए अनुकूलित किया जाता है। यह सूत्र गैर-रैखिकता को पकड़ने के लिए साइन फलनों और घातांकीय पदों को एकीकृत करता है:
  $\hat{M}_y^* = \left[ \hat{M}_y \left\{ 1 + \sin\left(k_1 \frac{M_x - \hat{M}_x}{M_x}\right) \right\} + \beta(M_x - \hat{M}_x)\left(\frac{M_x}{\hat{M}_x}\right)^{k_2} \right\} \exp\left(\frac{M_x - \hat{M}_x}{M_x + \hat{M}_x}\right) \left\{ 1 + \sin\left(k_3 \frac{\hat{M}_x - M_x}{M_x}\right) \right\}$
  जहाँ $k_1, k_2, k_3$ स्केलर पैरामीटर हैं जो $\{0, -1, 1\}$ से मान लेते हैं।
अनुकूलन (Optimization):
- प्रस्तावित अनुमानक के MSE को न्यूनतम करने के लिए स्केलर $\beta$ के इष्टतम मान को व्युत्पन्न किया गया है।
- $k_1, k_2,$ और $k_3$ के विभिन्न संयोजनों को मान प्रदान करके प्रस्तावित परिवार के विशिष्ट सदस्यों को उत्पन्न किया जाता है।

प्रमुख योगदान

नवीन अनुमानक वर्ग: यह शोध पत्र विशेष रूप से जनसंख्या माध्यिका के लिए एक सामान्यीकृत साइन-टाइप और घातांकीय-सह-साइन-टाइप अनुमानक वर्ग प्रस्तुत करता है, जहाँ ऐसे हाइब्रिड कार्यात्मक रूप पहले सीमित थे।
सैद्धांतिक ढांचा: यह इन नए अनुमानकों के पूर्वाग्रह और MSE के लिए कठोर प्रथम-क्रम सन्निकटन प्रदान करता है, जिससे उन सैद्धांतिक स्थितियों को स्थापित किया जाता है जिनके तहत वे मौजूदा विधियों से बेहतर प्रदर्शन करते हैं।
व्यापक मूल्यांकन: अध्ययन प्रस्तावित अनुमानकों का मूल्यांकन वास्तविक डेटा और व्यापक सिमुलेशन का उपयोग करके सामान्य नमूना माध्यिका, साइन-टाइप अनुपात/उत्पाद अनुमानक और घातांकीय-सह-साइन अनुमानकों के विरुद्ध करता है।

परिणाम
प्रस्तावित अनुमानक ( $\hat{M}_y^*$ ) के प्रदर्शन को दो प्राथमिक मार्गों के माध्यम से सत्यापित किया गया था:

अनुभवजन्य अध्ययन (वास्तविक डेटा):
- दो वास्तविक दुनिया के डेटासेट का विश्लेषण किया गया: एक घरों की संख्या बनाम क्षेत्र (मूर्ति [21]) और दूसरा शिक्षण कर्मचारियों बनाम छात्र नामांकन (कोयुनकू और कडिलार [22]) के संबंध में।
- निष्कर्ष: प्रस्तावित अनुमानक ने सभी प्रतिस्पर्धी अनुमानकों की तुलना में लगातार न्यूनतम MSE और उच्चतम प्रतिशत सापेक्ष दक्षता (Percent Relative Efficiency - PRE) प्रदान की।
  - जनसंख्या 1 के लिए, प्रस्तावित अनुमानक ने 128.045 का PRE प्राप्त किया (नमूना माध्यिका की तुलना में लगभग 1.28 गुना अधिक कुशल)।
  - जनसंख्या 2 के लिए, PRE 371.781 तक पहुँच गया (लगभग 3.72 गुना अधिक कुशल)।
- उल्लेखनीय रूप से, कुछ मौजूदा साइन-टाइप उत्पाद अनुमानक इन विशिष्ट डेटासेट्स में साधारण नमूना माध्यिका से भी खराब प्रदर्शन करते हैं, जो प्रस्तावित हाइब्रिड संरचना के महत्व को रेखांकित करता है।
सिमुलेशन अध्ययन (Simulation Study):
- सिमुलेशन द्विचर सामान्य (Bivariate Normal) और गामा (Gamma) वितरणों का उपयोग करके $N=1000$ जनसंख्या आकार के साथ किए गए।
- अध्ययन ने नमूना आकार ( $n = 80, 150, 250$ ) और सहसंबंध गुणांक ( $\rho_c = 0.3, 0.5, 0.7, 0.9$ ) को परिवर्तित किया।
- निष्कर्ष: सभी परिदृश्यों में, प्रस्तावित अनुमानक ( $\hat{M}_y^*$ $\hat{M}_{y}^{*}$ ) ने नमूना माध्यिका और अन्य साइन-टाइप अनुमानकों को लगातार पछाड़ दिया।
  - $\rho_c = 0.9$ के साथ गामा वितरण सिमुलेशन में, प्रस्तावित अनुमानक ने 514.06 का PRE प्राप्त किया, जो अनुपात अनुमानक (PRE 509.68) और घातांकीय अनुपात अनुमानक (PRE 263.55) से काफी बेहतर था।
  - प्रस्तावित अनुमानक की दक्षता अध्ययन चर और सहायक चर के बीच सहसंबंध बढ़ने के साथ बढ़ती गई।

महत्व और दावे
लेखक का दावा है कि प्रस्तावित सामान्यीकृत साइन-टाइप अनुमानक उपलब्ध सहायक जानकारी होने पर परिमित जनसंख्या माध्यिका के अनुमान के लिए एक श्रेष्ठ विकल्प प्रदान करता है। अध्ययन यह दावा करता है कि:

साइन और घातांकीय फलनों का हाइब्रिड उपयोग गैर-रैखिक और आवधिक डेटा पैटर्न को मॉडल करने में रैखिक या शुद्ध रूप से घातांकीय अनुमानकों की सीमाओं को प्रभावी ढंग से संबोधित करता है।
प्रस्तावित अनुमानक सुदृढ़ (robust) है, जो विविध डेटा वितरणों (सामान्य और गामा) और विभिन्न सहसंबंध शक्तियों में बेहतर दक्षता और व्यावहारिक उपयोगिता प्रदर्शित करता है।
सैद्धांतिक व्युत्पत्ति और अनुभवजन्य साक्ष्य पुष्टि करते हैं कि प्रस्तावित विधि पारंपरिक अनुमानकों की तुलना में माध्य वर्ग त्रुटि (MSE) को अधिक प्रभावी ढंग से कम करती है, जिससे यह जनसंख्या पैरामीटर अनुमान की सटीकता बढ़ाने के लिए एक मूल्यवान उपकरण बन जाती है।

यह शोध निष्कर्ष निकालता है कि हालांकि अध्ययन यह मानता है कि सहायक चर की जनसंख्या माध्यिका ज्ञात है और प्रथम-क्रम सन्निकटन पर निर्भर करता है, फिर भी परिणाम व्यावहारिक अनुप्रयोगों के लिए प्रस्तावित अनुमानक को अपनाने का पुरजोर समर्थन करते हैं। भविष्य के कार्यों के लिए अन्य मापदंडों (माध्य, CDF, प्रसरण) और नमूनाकरण डिजाइनों (स्तरीकृत, दोहरी नमूनाकरण) तक इन विधियों का विस्तार करने का सुझाव दिया गया है।

इसी तरह के और पेपर