Тестирование гипотезы представляет собой очень важной частью статистики, и она обычно неправильно понимается с точки зрения целей и методологии.Прежде всего, позвольте мне сказать сначала, какая гипотеза - это (а потом я скажу вам, что нет):

Тестирование гипотезы соответствует статистической методике, которая направлена на оценку заявления о определенном параметре населения

Например, скажем, вы изучаете высоту студентов в вашем местном общественном колледже.В частности, вы заинтересованы в том, чтобы сказать что-то о средней высоте \(\mu\) (измерено в футах) населения студентов.Исходя из ваших предыдущих исследований, или даже ваших кишечников, вы можете быть убеждены, что среднее значение \(\mu = 5.9\). Для того, чтобы оценить вашу претензию, мы можем использовать гипотезу тестирования Отказ(Имейте в виду, что тестирование гипотезы - это не единственный способ оценить претензию о параметре населения)

Теперь я скажу вам, какая проверка гипотезы нет о:

- Способ оценки параметра Отказ(Для оценки параметров есть целый филиал вызовов вызовов)

- Способ сказать что-то категорически о параметре населения (Не так. В гипотезе тестирования всегда есть возможность ошибок. Извините, здесь нет хрустальных шаров.

Нуль и альтернативная гипотеза

Существует системный способ подходить к тестированию гипотезы.Философия очень проста:

(1) Вы принимаете претензию о параметре населения

(2) данные собираются из населения - это форма случайный пример По таким способам, что собранные данные "представитель" всего населения.

(3) Проанализируйте результаты образца (вы получаете образец средним, образец стандартного отклонения и т. Д.) И компилировать аккуратный стол (не нужно, но полезно)

(4) Наконец, вопрос миллиона долларов: выполняют ли результаты образца, кажется, поддерживают то, что я утверждаю о параметре ??.Если результаты совершенно не связаны с тем, что мы претендуем, что указывает на то, что возможно, придется пересмотреть нашу претензию или, может быть, даже отклонить нашу претензию ОтказС другой стороны, если результаты вашего образца в соответствии с вашим претензием, вы можете просто сказать: "Похоже, что моя претензия правильная, но я не мог заверить, что это правда"

Вот и все.Это основные принципы.Остальные - это просто аксессуары.Конечно, все это требует математической основы.На самом деле, нам нужно установить, когда вы можете сказать, что ваша претензия "не соответствует результатам образца".

Ну, кажется, нет.На самом деле, мы знаем, что образец означает \(\overline{X}\) - хорошая оценка реальной популяции означает \(\mu\), особенно если размер выборки большой, как в этом случае.Таким образом, было бы разумно ожидать, что истинное значение \(\mu\) составляет около 6,3 (не совсем, но вокруг).Учитывая все это, утверждение, которое утверждает, что \(\mu = 5.6\), похоже, не поддерживается доказательствами.