📊 estatística

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

Este artigo propõe e valida um estimador neutrosófico quase não viesado para a média populacional que incorpora informações auxiliares para alcançar um Erro Quadrático Médio menor e maior eficiência em comparação com métodos tradicionais ao lidar com dados ambíguos ou indeterminados.

Autores originais: Singh Akansha Ravindrabahadur, Rajesh Singh

Publicado 2026-10-05

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Singh Akansha Ravindrabahadur, Rajesh Singh

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da estatística, os pesquisadores frequentemente tentam adivinhar o valor médio de algo em todo um grupo, como a renda média de uma cidade ou a temperatura média de uma região. Para tornar essas suposições mais precisas, eles frequentemente utilizam "informação auxiliar", que é simplesmente um segundo dado que se sabe estar relacionado ao primeiro. Por exemplo, se você quiser estimar o número total de árvores em uma floresta, pode usar a área conhecida da floresta como um ajudante, pois áreas maiores geralmente contêm mais árvores. Os métodos tradicionais funcionam bem quando os dados são claros e exatos. No entanto, o mundo real é frequentemente bagunçado. As medições podem ser vagas, incompletas ou incertas. Uma leitura de temperatura pode ser "entre 20 e 22 graus" porque o sensor é impreciso, ou uma resposta de pesquisa pode ser ambígua. As ferramentas estatísticas padrão têm dificuldade com esse tipo de imprecisão, muitas vezes produzindo estimativas enviesadas ou não confiáveis. Para lidar com isso, cientistas desenvolveram um ramo da matemática chamado estatística neutrosófica, que é projetada especificamente para trabalhar com dados que contêm incerteza e indeterminação, tratando as partes desconhecidas como uma parte natural do cálculo, em vez de um erro a ser ignorado.

Uma equipe de pesquisadores da Banaras Hindu University e da Symbiosis International University abordou recentemente o desafio de estimar médias populacionais quando os dados são incertos e quando há informações úteis e relacionadas disponíveis. Eles se propuseram a criar uma nova ferramenta matemática, ou estimador, que pudesse navegar por essa ambiguidade melhor do que os métodos existentes. O objetivo deles era construir um sistema que utilizasse informações incertas conhecidas sobre uma variável relacionada para melhorar a suposição de uma média desconhecida, mesmo quando os números em si não são precisos. Os pesquisadores propuseram um novo estimador "quase não enviesado". Em termos simples, isso significa que o método deles foi projetado para ser extremamente próximo da resposta verdadeira, com uma quantidade mínima, quase insignificante, de erro sistemático. Eles construíram essa nova ferramenta combinando diferentes abordagens matemáticas, incluindo métodos de razão e ajustes exponenciais, mas adaptando-os para funcionar dentro da estrutura neutrosófica, onde os valores são expressos como intervalos em vez de pontos únicos.

Para testar se a nova ferramenta realmente funcionava, os pesquisadores a submeteram a dois testes rigorosos. Primeiro, aplicaram-na a quatro conjuntos de dados do mundo real onde a incerteza estava presente. Estes incluíam preços diários de ações de grandes empresas de tecnologia como NVIDIA e ServiceNow, registros históricos de temperatura abrangendo mais de um século e dados demográficos relativos às taxas de crescimento natural em várias regiões. Em todos os casos, o novo estimador superou os métodos tradicionais. Para os dados de ações da NVIDIA, o novo método reduziu significamente o erro de estimativa, alcançando um nível de eficiência mais de cinco vezes superior ao método padrão. Da mesma forma, para os registros de temperatura, a nova ferramenta foi quase duas vezes mais eficiente que o próximo melhor método. Os pesquisadores mediram esse sucesso usando uma métrica chamada eficiência relativa percentual, que compara o quanto um método é melhor do que outro; seu novo estimador pontuou consistentemente o mais alto, provando que pode extrair informações mais precisas dos mesmos dados desordenados.

A equipe não parou nos dados do mundo real; eles também realizaram uma simulação computacional massiva para ver como a ferramenta se comportaria sob diferentes condições. Eles geraram milhares de conjuntos de dados artificiais que imitavam três tipos diferentes de distribuições do mundo real: alguns que eram perfeitamente equilibrados e simétricos, e outros que eram enviesados ou desproporcionais, o que é comum em fenômenos naturais. Eles testaram tamanhos de amostra variando de pequenos grupos a grandes populações. Em todos esses cenários simulados, o novo estimador continuou a demonstrar um desempenho superior. Ele consistentemente produziu erros menores e maior eficiência em comparação com os métodos estabelecidos, independentemente de os dados subjacentes serem normais, enviesados ou seguirem um padrão logarítmico específico. As simulações confirmaram que a ferramenta é robusta, o que significa que ela se mantém bem mesmo quando os dados se comportam de maneiras inesperadas.

As descobertas sugerem que, ao lidar com dados que são vagos, ambíguos ou incompletos, confiar em métodos estatísticos tradicionais pode levar a conclusões menos precisas. Os pesquisadores descobriram que, ao reconhecer explicitamente e modelar matematicamente a incerteza dentro dos dados, em vez de tentar forçá-los em números exatos, eles poderiam derivar uma imagem muito mais clara da média populacional. O trabalho deles indica que esta nova abordagem é particularmente valiosa em campos onde a precisão é difícil de alcançar, como monitoramento ambiental, previsão econômica e avaliações de sistemas complexos. Ao usar este novo estimador quase não enviesado, analistas podem tomar decisões mais confiáveis mesmo quando a informação que possuem não é perfeitamente clara, transformando a incerteza inerente do mundo real em uma parte gerenciável do cálculo, em vez de uma barreira à precisão.

Resumo Técnico: Estimativa da Média Populacional Neutrosófica Incorporando Informação Auxiliar sob Amostragem Aleatória Simples

Definição do Problema
Os métodos estatísticos tradicionais para estimar médias populacionais dependem de dados exatos e nítidos (crisp). No entanto, os dados do mundo real frequentemente contêm incerteza, imprecisão, ambiguidade ou indeterminação (ex.: previsões meteorológicas, monitoramento de crescimento econômico ou medições de temperatura). Embora a lógica difusa (fuzzy logic) trate a imprecisão, ela não modela explicitamente a indeterminação. A estatística neutrosófica, uma extensão da estatística clássica introduzida por Smarandache (2014), aborda essa lacuna ao permitir que as observações contenham componentes determinantes e indeterminados. Apesar do potencial da estatística neutrosófica, sua aplicação na teoria de amostragem para estimar parâmetros populacionais permanece subexplorada em comparação aos métodos clássicos. Os estimadores existentes frequentemente sofrem de viés ou eficiência subótima quando aplicados a dados indeterminados. Esta pesquisa aborda a necessidade de um estimador que incorpore informação auxiliar para estimar a média populacional neutrosófica com redução de viés e Erro Quadrático Médio (MSE).

Metodologia
O estudo opera sob o arcabouço de Amostragem Aleatória Simples Sem Reposição (SRSWOR) dentro de um ambiente neutrosófico. Os autores definem variáveis neutrosóficas (variável de estudo $Y_N$ e variável auxiliar $X_N$ ) como intervalos $[L, U]$ para representar a indeterminação.

Formulação do Estimador Proposto:
Os autores propõem uma nova classe de estimadores neutrosóficos "quase não viesados" ( $t_N^*$ ). Este estimador é construído como uma combinação linear de três componentes:
- A média amostral neutrosófica padrão ( $\bar{y}_N$ ).
- Um estimador exponencial do tipo razão modificado envolvendo parâmetros auxiliares ( $a_N, b_N$ ) e constantes ( $K_{1N}, K_{2N}$ ).
- Um estimador do tipo razão logarítmica envolvendo uma constante ( $K_{3N}$ ).
A forma geral é:
$t_N^* = l_{0N}\bar{y}_N + l_{1N}\bar{y}_N \left(\frac{a_N\bar{X}_N + b_N}{a_N\bar{x}_N + b_N}\right)^{K_{1N}} \exp\left(K_{2N}\left[\frac{(a_N\bar{X}_N + b_N) - (a_N\bar{x}_N + b_N)}{(a_N\bar{X}_N + b_N) + (a_N\bar{x}_N + b_N)}\right]\right) + l_{2N}\bar{y}_N\left(1 + \log\left(\frac{\bar{x}_N}{\bar{X}_N}\right)^{K_{3N}}\right)$
onde $l_{0N}, l_{1N}, l_{2N}$ são constantes estatísticas determinadas para minimizar o viés e o MSE.
Derivação Teórica:
Utilizando aproximações de primeira ordem, os autores derivam as expressões para o Viés e o MSE do estimador proposto.
- Viés: O estimador é projetado para ser "quase não viesado", o que significa que seu viés de primeira ordem é extremamente pequeno. Os autores aplicam uma restrição linear ( $\sum l_{iN} \text{Bias}(t_{iN}^*) = 0$ ) para eliminar o termo de viés de primeira ordem.
- MSE: O MSE é derivado e minimizado em relação ao valor ótimo da constante combinada $l_N$ . O MSE mínimo é mostrado como equivalente ao do estimador de regressão linear tradicional no contexto neutrosófico: $MSE_{min}(t_N^*) = f_N \bar{Y}_N^2 C_{yN}^2 (1 - \rho_{yxN}^2)$ .
Variantes:
O artigo demonstra que o estimador proposto engloba vários estimadores neutrosóficos existentes (razão, produto, razão exponencial, produto exponencial e aqueles que utilizam coeficientes de variação e curtose) como casos especiais ao ajustar as constantes $a_N, b_N, K_{1N}, K_{2N}, K_{3N}$ .

Principais Contribuições

Novo Estimador: Desenvolvimento de um estimador neutrosófico generalizado e quase não viesado que integra informação auxiliar (médias, coeficientes de variação, correlação e curtose) para estimar a média populacional sob incerteza.
Estrutura Teórica: Derivação matemática do viés e do MSE para o estimador proposto sob aproximação de primeira ordem, provando sua eficiência em relação aos métodos existentes.
Avaliação Abrangente: O estudo valida os achados teóricos através de duas abordagens distintas:
- Estudo Empírico: Análise de quatro conjuntos de dados do mundo real com indeterminação: preços das ações da NVIDIA, preços das ações da ServiceNow, registros de temperatura sazonal e taxas de crescimento natural.
- Estudo de Simulação: Uma simulação robusta envolvendo 10.000 replicações através de distribuições Normal, Gamma e Lognormal com diferentes tamanhos de amostra ( $n=100, 200, 300$ ) para testar o desempenho sob estruturas populacionais simétricas e assimétricas.

Resultos
O desempenho do estimador proposto ( $t_N^*$ ) foi comparado com 13 estimadores neutrosóficos existentes ( $t_{1N}$ até $t_{13N}$ ) utilizando o Erro Quadrático Médio (MSE) e a Eficiência Relativa Percentual (PRE).

Achados Empíricos: Em todos os quatro conjuntos de dados do mundo real, o estimador proposto apresentou consistentemente o menor MSE e o maior PRE.
- Conjunto de Dados 1 (NVDA): Faixa de MSE $[94,39, 105,88]$ vs. faixas de existentes até $[1710, 1808]$ ; PRE faixa $[547, 558]$ .
- Conjunto de Dados 4 (Taxa de Crescimento): Faixa de MSE $[0,06, 0,22]$ vs. faixas de existentes até $[2,70, 8,15]$ ; PRE faixa $[1230, 1462]$ .
Achados de Simulação: Sob distribuições Normal, Gamma e Lognormal, o estimador proposto manteve eficiência superior.
- Na população Lognormal (altamente assimétrica), o estimador proposto alcançou valores de PRE de até $248,86$, superando significativamente os concorrentes.
- O estimador demonstrou robustez através de diferentes tamanhos de amostra e formas de distribuição, minimizando consistentemente o intervalo de MSE neutrosófico.

Significância e Alegações
O artigo alega que o estimador proposto utiliza efetivamente a informação auxiliar para estimar a média da população finita mesmo quando os dados são obscuros, vagos, ambíguos ou indeterminados. Os autores afirmam que:

O estimador é quase não viesado, com um viés de primeira ordem que é negligenciável.
Ele proporciona desempenho superior sobre os estimadores tradicionais e neutrosóficos existentes em termos de tanto MSE quanto PRE.
O arcabouço neutrosófico é particularmente vantajoso para campos que envolvem incerteza, como monitoramento ambiental, previsão e avaliação de sistemas complexos.

O estudo conclui que o método proposto oferece uma abordagem mais flexível e precisa para a análise estatística na presença de indeterminação, preenchendo uma lacuna na literatura atual sobre teoria de amostragem neutrosófica.

Mais como este