Тестирование гипотезы (часть 1)
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".
Example : Say that you claim that population mean height of students at your college is \(\mu = 5.6\). Diligently, you obtain a random sample of 100 students, and you find that the sample mean is \(\overline{X} = 6.3\) (were they all basketball players, uh?). What do you think, do you think that the sample data supports your claim?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.