Laske populaatio-osuuden paras pistearvio otoksesta – vertaa suurimman uskottavuuden, Laplacen, Jeffreyn ja Wilsonin estimaatteja.
Otoksen luvut
Luottamustaso
z-arvo vaikuttaa vain Wilsonin estimaattiin. Yleisiä arvoja: 1,645 (90 %), 1,96 (95 %), 2,576 (99 %).
Tulokset
Pistearvio – paras yksittäinen arvio populaatio-osuudelle
Pistearvio eli piste-estimaatti on yksi luku, joka kuvaa parasta arvausta tuntemattomalle populaation parametrille otoksen perusteella. Osuuden tapauksessa luonnollisin estimaatti on otososuus, mutta pienissä aineistoissa korjatut estimaatit ovat usein luotettavampia. Tämä laskuri laskee neljä yleistä estimaattia ja valitsee tilanteeseen sopivimman.
Mikä piste-estimaatti on?
Kun halutaan arvioida esimerkiksi sitä, kuinka suuri osuus tuotteista on virheettömiä, tehdään otos ja lasketaan onnistumisten osuus. Tämä osuus on piste-estimaatti perusjoukon todelliselle osuudelle. Eri estimointimenetelmät antavat hieman erilaisia arvioita, erityisesti pienillä otoksilla.
Neljä estimaattia
Merkitään onnistumisten määrää S:llä ja yritysten määrää T:llä. Estimaatit ovat:
Suurin uskottavuus (MLE) = S ÷ T
Laplace = (S + 1) ÷ (T + 2)
Jeffrey = (S + 0,5) ÷ (T + 1)
Wilson = (S + z² ÷ 2) ÷ (T + z²)
MLE on suora otososuus. Muut lisäävät pienen korjauksen, joka vakauttaa arviota ja estää sen menemästä täsmälleen nollaan tai ykköseen.
Parhaan estimaatin valinta
Laskuri valitsee parhaan estimaatin suurimman uskottavuuden arvon perusteella:
Jos MLE ≤ 0,5: käytä Wilsonin estimaattia.
Jos 0,5 < MLE < 0,9: käytä suurinta uskottavuutta.
Jos MLE ≥ 0,9: käytä Jeffreyn ja Laplacen estimaateista pienempää.
Vaiheittainen esimerkki
Testissä 92 sadasta tuotteesta läpäisee (S = 92, T = 100), ja käytetään z = 1,96.
MLE = 92 ÷ 100 = 0,92.
Laplace = 93 ÷ 102 ≈ 0,9118.
Jeffrey = 92,5 ÷ 101 ≈ 0,9158.
Wilson = (92 + 1,9208) ÷ (100 + 3,8416) ≈ 0,9045.
Koska MLE ≥ 0,9, paras on pienempi Jeffreystä ja Laplacesta: 0,9118 (Laplace).
Tuloksen tulkinta
Kaikki neljä estimaattia ovat lähellä toisiaan, kun otos on suuri. Erot korostuvat pienillä otoksilla ja kun osuus on lähellä ääripäitä. Piste-estimaatti antaa yhden arvon; epävarmuuden kuvaamiseen kannattaa laskea lisäksi luottamusväli.
Käyttökohteet
Laadunvalvonta: virheettömien tuotteiden osuuden arviointi.
Kyselytutkimukset: kyllä-vastausten osuuden estimointi.
A/B-testaus: konversio-osuuden arviointi pienistä otoksista.
Lääketiede: hoidon onnistumisosuuden estimointi.
Usein kysytyt kysymykset
Mikä on pistearvio eli piste-estimaatti?
Pistearvio on yksittäinen luku, joka on paras arvio tuntemattomalle populaation parametrille, kuten osuudelle. Esimerkiksi jos 92 sadasta tuotteesta läpäisee testin, osuuden piste-estimaatti on noin 0,92. Toisin kuin luottamusväli, pistearvio antaa yhden arvon eikä väliä.
Mitä eri estimaatteja laskuri laskee?
Laskuri laskee neljä yleistä osuuden estimaattia: suurin uskottavuus (MLE) = S/T, Laplace = (S+1)/(T+2), Jeffrey = (S+0,5)/(T+1) ja Wilson = (S + z²/2)/(T + z²). MLE on suora otososuus, kun taas muut lisäävät pienen korjauksen, joka vakauttaa arviota erityisesti pienillä otoksilla tai kun osuus on lähellä nollaa tai ykköstä.
Miten laskuri valitsee parhaan estimaatin?
Valinta perustuu suurimman uskottavuuden arvoon: jos MLE on enintään 0,5, käytetään Wilsonin estimaattia; jos MLE on välillä 0,5–0,9, käytetään suurinta uskottavuutta; ja jos MLE on vähintään 0,9, valitaan Jeffreyn ja Laplacen estimaateista pienempi. Sääntö pyrkii antamaan luotettavimman arvion eri tilanteissa.
Mitä z-arvo tarkoittaa tässä?
z-arvo on luottamustasoa vastaava normaalijakauman kerroin, jota käytetään Wilsonin estimaatissa. Yleisiä arvoja ovat 1,645 (90 %), 1,96 (95 %) ja 2,576 (99 %). z vaikuttaa vain Wilsonin estimaattiin; muut kolme estimaattia eivät riipu siitä.
Milloin korjattu estimaatti on parempi kuin pelkkä osuus?
Kun otos on pieni tai onnistumisten osuus on hyvin lähellä nollaa tai sataa prosenttia, pelkkä otososuus S/T voi olla harhaanjohtava (esimerkiksi 0 % tai 100 %). Laplacen, Jeffreyn ja Wilsonin estimaatit siirtävät arviota hieman kohti 0,5:tä, mikä antaa realistisemman tuloksen pienissä aineistoissa.