📊 statistiek

Estimation of Neutrosophic Population Mean Incorporating Auxiliary Information under Simple Random Sampling

Dit artikel stelt een bijna onbevooroordeelde neutosofische schatter voor voor het populatiegemiddelde die hulpinformatie incorporeert om een lagere gemiddelde kwadratische fout en een hogere efficiëntie te bereiken in vergelijking met traditionele methoden bij het omgaan met ambigue of onbepaalde gegevens.

Oorspronkelijke auteurs: Singh Akansha Ravindrabahadur, Rajesh Singh

Gepubliceerd 2026-10-05

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Singh Akansha Ravindrabahadur, Rajesh Singh

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de wereld van de statistiek proberen onderzoekers vaak de gemiddelde waarde van iets over een hele groep te raden, zoals het gemiddelde inkomen van een stad of de gemiddelde temperatuur van een regio. Om deze schattingen nauwkeuriger te maken, gebruiken ze vaak "hulpinformatie", wat simpelweg een tweede stuk gegevens is dat bekend staat als gerelateerd aan het eerste. Als je bijvoorbeeld het totale aantal bomen in een bos wilt schatten, kun je het bekende oppervlak van het bos als een hulpmiddel gebruiken, omdat grotere oppervlakten meestal meer bomen bevatten. Traditionele methoden werken goed wanneer de gegevens helder en exact zijn. De echte wereld is echter vaak rommelig. Metingen kunnen vaag, incompleet of onzeker zijn. Een temperatuurmeting kan "tussen de 20 en 22 graden" zijn omdat de sensor onnauwkeurig is, of een enquêteantwoord kan ambigu zijn. Standaard statistische instrumenten hebben moeite met dit soort vaagheid en produceren vaak schattingen die vertekend of onbetrouwbaar zijn. Om dit aan te pakken, hebben wetenschappers een tak van de wiskunde ontwikkeld genaamd neutrosofische statistiek, die specifiek is ontworpen om te werken met gegevens die onzekerheid en onbepaaldheid bevatten, waarbij de onbekende delen worden behandeld als een natuurlijk onderdeel van de berekening in plaats van een fout die genegeerd moet worden.

Een team van onderzoekers van de Banaras Hindu University en de Symbiosis International University heeft zich onlangs aangepakt de uitdaging van het schatten van populatiegemiddelden wanneer de gegevens onzeker zijn en wanneer nuttige, gerelateerde informatie beschikbaar is. Ze zetten zich af om een nieuw wiskundig instrument, of estimator, te creëren dat deze ambiguïteit beter kan navigeren dan bestaande methoden. Hun doel was om een systeem te bouwen dat bekende, onzekere informatie over een gerelateerde variabele gebruikt om de schatting van een onbekend gemiddelde te verbeteren, zelfs wanneer de getallen zelf niet precies zijn. De onderzoekers stelden een nieuwe "bijna onbevooroordeelde" estimator voor. In gewone taal betekent dit dat hun methode is ontworpen om extreem dicht bij het ware antwoord te liggen, met een zeer kleine, bijna verwaarloosbare hoeveelheid systematische fout. Ze construeerden dit nieuwe instrument door verschillende wiskundige benaderingen te combineren, waaronder ratio-methoden en exponentiële aanpassingen, maar aangepast om te werken binnen het neutrosofische kader waar waarden worden uitgedrukt als bereiken in plaats van enkelvoudige punten.

Om te testen of hun nieuwe instrument daadwerkelijk werkte, onderwierpen de onderzoekers het aan twee rigoureuze proeven. Eerst pasten ze het toe op vier real-world datasets waar onzekerheid aanwezig was. Deze omvatten dagelijkse aandelenkoersen van belangrijke technologiebedrijven zoals NVIDIA en ServiceNow, historische temperatuurrecords die meer dan een eeuw beslaan, en demografische gegevens met betrekking tot natuurlijke groeicijfers in diverse regio's. In elk geval presteerde de nieuwe estimator beter dan de traditionele methoden. Voor de NVIDIA-aandelengegevens verminderde de nieuwe methode de schattingsfout aanzienlijk en bereikte het een efficiëntieniveau dat meer dan vijf keer beter was dan de standaardbenadering. Evenzo was het nieuwe instrument voor de temperatuurrecords bijna twee keer zo efficiënt als de op één na beste methode. De onderzoekers maten dit succes met een metriek genaamd percentage relatieve efficiëntie, die vergelijkt hoe veel beter de ene methode dan de andere is; hun nieuwe estimator scoorde consequent het hoogst, wat bewees dat het in staat was om nauwkeurigere informatie te extraheren uit dezelfde rommelige data.

Het team stopte niet bij real-world data; ze voerden ook een massale computersimulatie uit om te zien hoe het instrument zou reageren onder verschillende omstandigheden. Ze genereerden duizenden kunstmatige datasets die drie verschillende typen real-world distributies nabootsten: sommige die perfect gebalanceerd en symmetrisch waren, en andere die scheef of asymmetrisch waren, wat gebruikelijk is bij natuurlijke verschijnselen. Ze testten steekproefomvang variërend van kleine groepen tot grote populaties. In al deze gesimuleerde scenario's bleef de nieuwe estimator een superieure prestatie leveren. Het produceerde consequent lagere fouten en hogere efficiëntie vergeleken met de gevestigde methoden, ongeacht of de onderliggende data normaal, scheef of volgens een specifiek logaritmisch patroon verliep. De simulaties bevestigden dat het instrument robuust is, wat betekent dat het standhoudt, zelfs wanneer de gegevens op onverwachte manieren gedrag vertonen.

De bevindingen suggereren dat het vertrouwen op traditionele statistische methoden, wanneer men te maken heeft met gegevens die vaag, ambigu of incompleet zijn, kan leiden tot minder nauwkeurige conclusies. De onderzoekers ontdekten dat door de onzekerheid binnen de gegevens expliciet te erkennen en wiskundig te modelleren, in plaats van te proberen deze in exacte getallen te dwingen, zij een veel duidelijker beeld van het populatiegemiddelde konden krijgen. Hun werk geeft aan dat deze nieuwe benadering bijzonder waardevol is in velden waar precisie moeilijk te bereiken is, zoals milieumonitoring, economische voorspellingen en complexe systeemevaluaties. Door het gebruik van deze nieuwe bijna onbevooroordeelde estimator, kunnen analisten meer betrouwbare beslissingen nemen, zelfs wanneer de informatie die zij hebben niet perfect duidelijk is, waardoor de inherente onzekerheid van de echte wereld wordt omgezet in een beheersbaar onderdeel van de berekening in plaats van een barrière voor nauwkeurigheid.

Technische Samenvatting: Schatting van het Neutrosofische Populatiegemiddelde onder Incorporatie van Hulpinformatie bij Eenvoudige Steekproeftrekking

Probleemstelling
Traditionele statistische methoden voor het schatten van populatiegemiddelden vertrouwen op exacte, scherpe gegevens. De werkelijkheid bevat echter vaak onzekerheid, vaagheid, ambiguïteit of onbepaaldheid (bijv. bij weersvoorspellingen, monitoring van economische groei of temperatuurmetingen). Ho'ewel fuzzy logica werkt met onprecisie, modelleert het onbepaaldheid niet expliciet. Neutrosofische statistiek, een uitbreiding van de klassieke statistiek geïntroduceerd door Smarandache (2014), adresseert dit gat door toe te staan dat observaties zowel bepaalde als onbepaalde componenten bevatten. Ondanks het potentieel van neutrosofische statistiek blijft de toepassing ervan in de steekproeftheorie voor het schatten van populatieparameters onderbelicht in vergelijking met klassieke methoden. Bestaande schatters lijden vaak aan bias of suboptimale efficiëntie wanneer ze worden toegepast op onbepaalde gegevens. Dit onderzoek adresseert de behoefte aan een schatter die hulpinformatie incorporeert om het neutrosofische populatiegemiddelde te schatten met verminderde bias en Gemiddelde Kwadratische Fout (MSE).

Methodologie
De studie opereert binnen het kader van Simple Random Sampling Without Replacement (SRSWOR) in een neutrosofische omgeving. De auteurs definiëren neutrosofische variabelen (studievariabele $Y_N$ en hulpvariabele $X_N$ ) als intervallen $[L, U]$ om onbepaaldheid te representeren.

Formulering van de Voorgestelde Schatter:
De auteurs stellen een nieuwe klasse van "bijna onbevooroordeelde" neutrosofische schatters ( $t_N^*$ ) voor. Deze schatter wordt geconstrueerd als een lineaire combinatie van drie componenten:
- Het standaard neutrosofische steekproefgemiddelde ( $\bar{y}_N$ ).
- Een gemodificeerde ratio-type exponentiële schatter met hulpparameters ( $a_N, b_N$ ) en constanten ( $K_{1N}, K_{2N}$ ).
- Een logaritmische ratio-type schatter met een constante ( $K_{3N}$ ).
De algemene vorm is:
$t_N^* = l_{0N}\bar{y}_N + l_{1N}\bar{y}_N \left(\frac{a_N\bar{X}_N + b_N}{a_N\bar{x}_N + b_N}\right)^{K_{1N}} \exp\left(K_{2N}\left[\frac{(a_N\bar{X}_N + b_N) - (a_N\bar{x}_N + b_N)}{(a_N\bar{X}_N + b_N) + (a_N\bar{x}_N + b_N)}\right]\right) + l_{2N}\bar{y}_N\left(1 + \log\left(\frac{\bar{x}_N}{\bar{X}_N}\right)^{K_{3N}}\right)$
waarbij $l_{0N}, l_{1N}, l_{2N}$ statistische constanten zijn die worden bepaald om de bias en MSE te minimaliseren.
Theoretische Afleiding:
Met behulp van eerste-orde benaderingen leiden de auteurs de uitdrukkingen af voor de Bias en MSE van de voorgestelde schatter.
- Bias: De schatter is ontworpen om "bijna onbevooroordeeld" te zijn, wat betekent dat de eerste-orde bias extreem klein is. De auteurs passen een lineaire beperking toe ( $\sum l_{iN} \text{Bias}(t_{iN}^*) = 0$ ) om de eerste-orde bias-term te elimineren.
- MSE: De MSE wordt afgeleid en geminimaliseerd met betrekking tot de optimale waarde van de gecombineerde constante $l_N$ . De minimale MSE is gelijk aan die van de traditionele lineaire regressieschatter in de neutrosofische context: $MSE_{min}(t_N^*) = f_N \bar{Y}_N^2 C_{yN}^2 (1 - \rho_{yxN}^2)$ .
Varianten:
Het artikel demonstreert dat de voorgestelde schatter diverse bestaande neutrosofische schatters (ratio, product, exponentiële ratio, exponentiële product, en die gebruikmakend van coëfficiënten van variatie en kurtosis) omvat als speciale gevallen door de constanten $a_N, b_N, K_{1N}, K_{2N}, K_{3N}$ aan te passen.

Kernbijdragen

Nieuwe Schatter: Ontwikkeling van een gegeneraliseerde, bijna onbevooroordeelde neutrosofische schatter die hulpinformatie (gemiddelden, coëfficiënten van variatie, correlatie en kurtosis) integreert om het populatiegemiddelde te schatten onder onzekerheid.
Theoretisch Kader: Wiskundige afleiding van de bias en MSE voor de voorgestelde schatter onder eerste-orde benadering, waarbij de efficiëntie ten opzichte van bestaande methoden wordt bewezen.
Uitgebreide Evaluatie: De studie valideert de theoretische bevindingen via twee verschillende benaderingen:
- Empirische Studie: Analyse van vier reële datasets met onbepaaldheid: NVIDIA aandelenkoersen, ServiceNow aandelenkoersen, seizoensgebonden temperatuurrecords en natuurlijke groeicijfers.
- Simulatiestudie: Een robuuste simulatie met 10.000 replicaties over Normale, Gamma en Lognormale verdelingen met variërende steekproefomvangnen ( $n=100, 200, 300$ ) om de prestaties onder symmetrische en scheve populatiestructuren te testen.

Resultaten
De prestaties van de voorgestelde schatter ( $t_N^*$ ) werden vergeleken met 13 bestaande neutrosofische schatters ( $t_{1N}$ tot en met $t_{13N}$ ) met behulp van Gemiddelde Kwadratische Fout (MSE) en Percentage Relatieve Efficiëntie (PRE).

Empirische Bevindingen: Over alle vier de reële datasets leverde de voorgestelde schatter consistent de laagste MSE en de hoogste PRE op.
- Dataset 1 (NVDA): MSE bereik $[94,39, 105,88]$ versus bestaande bereiken tot $[1710, 1808]$ ; PRE bereik $[547, 558]$ .
- Dataset 4 (Groeicijfer): MSE bereik $[0,06, 0,22]$ versus bestaande bereiken tot $[2,70, 8,15]$ ; PRE bereik $[1230, 1462]$ .
Simulatiebevindingen: Onder Normale, Gamma en Lognormale verdelingen behield de voorgestelde schatter een superieure efficiëntie.
- In de Lognormale populatie (sterk scheef) bereikte de voorgestelde schatter PRE-waarden tot $248,86$, waarmee het concurrenten aanzienlijk versloeg.
- De schatter demonstreerde robuustheid over verschillende steekproefgroottes en verdelingsvormen, waarbij het neutrosofische MSE-interval consistent werd geminimaliseerd.

Betekenis en Claims
Het artikel claimt dat de voorgestelde schatter effectief hulpinformatie gebruikt om het eindige populatiegemiddelde te schatten, zelfs wanneer gegevens onduidelijk, vaag, ambigu of onbepaald zijn. De auteurs stellen dat:

De schatter bijna onbevooroordeeld is met een eerste-orde bias die verwaarloosbaar klein is.
Het superieure prestaties levert ten opzichte van traditionele en bestaande neutrosofische schatters in termen van zowel MSE als PRE.
Het neutrosofische kader bijzonder voordelig is voor velden die onzekerheid kennen, zoals milieumonitoring, forecasting en de evaluatie van complexe systemen.

De studie concludeert dat de voorgestelde methode een flexibelere en nauwkeurigere aanpak biedt voor statistische analyse in de aanwezigheid van onbepaaldheid, waarmee een gat in de huidige literatuur over neutrosofische steekproeftheorie wordt opgevuld.

Meer zoals dit