မှန်ကန်တဲ့ Sample Size ကိုရွေးချယ်ဖို့ ဘာကြောင့်အရေးကြီးသလဲ

Fair Coin တစ်ခုကို ခေါင်း၊ပန်း လှန်တယ်ဆိုပါစို့ …

သီအိုရီအရ ခေါင်းကျနိုင်ချေနဲ့ ပန်းကျနိုင်ချေ ဟာ (50-50) ရှိတယ်ဆိုတာ အခြေခံအားဖြင့် လူတိုင်းသိကြပါတယ်။ ဒါဆို အဲဒီ Coin ကိုပဲ အကြိမ် (50) ခေါင်း၊ ပန်းလှန်ရင်ကော... ခေါင်းကျတဲ့အရေအတွက်နဲ့ ပန်းကျနဲ့အရေအတွက် 50-50 ဖြစ်ပါအုံးမလား။ အကြိမ် 100, 200, 500, 1,000,.... ဒါဆို ဘယ်နကြိမ် အတိအကျလှန်ရင် သီအိုရီထဲကအတိုင်း ခေါင်း၊ ပန်းကျတဲ့အရေအတွက် (50-50) ကို အနီးစပ်ဆုံးရောက်သွားမလဲ။

ဒီမေးခွန်းအတွက် “(50-50) ရောက်မယ့် အကြိမ်ရေအတိအကျ” ဆိုတဲ့ အဖြေမရှိပါဘူး။ ဒီနေရာမှာ ပြောနိုင်တာတစ်ခုက ခေါင်း၊ပန်းလှန်တဲ့ အကြိမ်အရေအတွက်များလေလေ (50-50) ဖြစ်ဖို့ ပိုနီးစပ်လာလေလေဆိုတာ ပါပဲ။ ဒီဖြစ်စဥ်ကို "Law of Large Numbers" လို့ခေါ်ပါတယ်။

ဒါဆို ကျွန်တော်တို့ တကယ်သိထားတဲ့ သီအိုရီအရ ခေါင်း၊ ပန်းကျဖို့ (50-50) အခွင့်အလမ်းဟာ Balanced Coin တစ်ခုအတွက် အမြဲတမ်းမှန်ကန်တယ်ဆိုရင် လက်တွေ့မှာ coin အကြိမ်အရေအတွက်တစ်ခုအထိ လှန်တဲ့အခါ ခေါင်း၊ ပန်းကျနိုင်ချေဟာ (50-50) ဝန်းကျင်နားမှာရှိနေသင့်ပြီး သိသိသာသာကွဲလွဲမှု (Significant Variation) မရှိနေရပါဘူး။ တကယ်လို့ သိသာထင်ရှားတဲ့ ကွဲလွဲမှုရှိနေပြီဆိုရင်လည်း ဒီ Coin ဟာ Biased Coin တစ်ခုအနေနဲ့ (တစ်ခုခုမှားယွင်းနေကြောင်း) သတ်မှတ်ရမှာ ဖြစ်ပါတယ်။

လုပ်ငန်းခွင် လက်တွေ့မှာလည်း research တွေပြုလုပ်ရမှာ အဆိုပါအချက်ကို ထည့်သွင်းစဥ်းစားဖို့လိုအပ်ပါတယ်။ Population ကနေ sample size တစ်ခုကောက်ယူပြီး research ပြုလုပ်ရာမှာ အထက်ပါအချက်အရ လုံလောက်တဲ့ sample size တစ်ခုကို အသုံးပြုဖို့ လိုအပ်ပါတယ်။ ဒါမှသာ အပေါ်က ပြောသလို variation နည်းတဲ့ population နဲ့နီးစပ်တဲ့ (ကိုယ်စားပြုတဲ့) အချက်အလက်ကို ရရှိမှာ ဖြစ်ပါတယ်။ တကယ်လို့ ကိုယ်ကောက်ယူမယ့် Sample Size ဟာ နည်းနေခဲ့မယ် (အမှားတစ်ခုပါနေခဲ့မယ်) ဆိုရင်တော့ သိသာထင်ရှားတဲ့ ကွဲလွဲမှု တစ်ခုရရှိနိုင်တယ်ဆိုတာ ကို သတိချပ်ရမှာ ဖြစ်ပါတယ်။