चरण-दर-चरण इंटरैक्टिव पाठ के साथ विश्वास अंतराल और परिकल्पना परीक्षण अभ्यास क्विज़

विश्वास अंतराल, आलोचनात्मक मान, मानक त्रुटि और त्रुटि सीमा

मुख्य विचार

अधिकांश विश्वास अंतराल एक ही ढाँचे का पालन करते हैं: \[\text{CI} = \text{अनुमान} \pm (\text{आलोचनात्मक मान})\times(\text{मानक त्रुटि}).\] त्रुटि सीमा है: \[\text{ME}=(\text{आलोचनात्मक मान})\times \mathrm{SE}.\] ऊँचा विश्वास स्तर (जैसे 99% बनाम 95%) बड़ा आलोचनात्मक मान इस्तेमाल करता है, जिससे अंतराल चौड़ा होता है। बड़ा नमूना आकार आम तौर पर \(\mathrm{SE}\) को छोटा करता है (अक्सर \(1/\sqrt{n}\) के अनुपाती), जिससे अंतराल संकरा होता है।

आम तौर पर दिखने वाले आलोचनात्मक मान

• z आलोचनात्मक मान: दो-पक्षीय विश्वास अंतरालों के लिए \(z_{1-\alpha/2}\), जब नमूना-चयन वितरण लगभग सामान्य हो।
• t आलोचनात्मक मान: माध्यों के लिए \(t_{1-\alpha/2,\;df}\), जब \(\sigma\) अज्ञात हो।
• एक-पक्षीय सीमाएँ: विश्वास \(1-\alpha\) वाले निचली सीमा के लिए आलोचनात्मक मान \(z_{1-\alpha}\) (या \(t_{1-\alpha,\;df}\)) है।

हल किया गया उदाहरण

खुद कोशिश करें

सारांश

• सामान्य CI: अनुमान \(\pm\) (आलोचनात्मक मान)\(\times\)(SE)।
• त्रुटि सीमा: \(\text{ME}=(\text{आलोचनात्मक मान})\times \mathrm{SE}\)।

विश्वास अंतराल की चौड़ाई क्या बदलती है? (और \(n\) कैसे योजना करें)

मुख्य विचार

विश्वास अंतराल की चौड़ाई दो चीजों से नियंत्रित होती है:

• आलोचनात्मक मान: बड़ा विश्वास स्तर \(\Rightarrow\) बड़ा आलोचनात्मक मान \(\Rightarrow\) चौड़ा अंतराल।
• मानक त्रुटि: बड़ा \(n\Rightarrow\) छोटी \(\mathrm{SE}\Rightarrow\) संकरा अंतराल। कई आकलक के लिए \(\mathrm{SE}\propto 1/\sqrt{n}\)।

एक आम योजना सूत्र \(\text{ME}=z^\*\sigma/\sqrt{n}\) से आता है (ज्ञात \(\sigma\) वाला माध्य): \[n=\left(\frac{z^\*\sigma}{\text{ME}}\right)^2.\] यह वर्ग नियम बताता है कि त्रुटि सीमा घटाने के लिए बहुत बड़े नमूने की जरूरत क्यों हो सकती है।

हल किया गया उदाहरण: लक्ष्य त्रुटि सीमा के लिए नमूना आकार

खुद कोशिश करें

सारांश

• अधिक विश्वास \(\Rightarrow\) चौड़ा CI (बड़ा आलोचनात्मक मान)।
• बड़ा नमूना आकार \(\Rightarrow\) संकरा CI (छोटी SE, अक्सर \(1/\sqrt{n}\))।
• कई समस्या में \(n\) योजना, \(n=\left(\frac{\text{आलोचनात्मक}\times \sigma}{\text{ME}}\right)^2\) से आती है।

माध्य के लिए विश्वास अंतराल: z बनाम t, और युग्मित t विचार

मुख्य विचार

जनसंख्या माध्य \(\mu\) के लिए विश्वास अंतराल इस पर निर्भर करता है कि \(\sigma\) ज्ञात है या नहीं:

• ज्ञात \(\sigma\) (z अंतराल): \[\bar x \pm z_{1-\alpha/2}\frac{\sigma}{\sqrt{n}}.\]
• अज्ञात \(\sigma\) (t अंतराल): \[\bar x \pm t_{1-\alpha/2,\;n-1}\frac{s}{\sqrt{n}}.\] यहाँ \(df=n-1\) है। \(df\) बढ़ने पर t वितरण, मानक सामान्य के पास जाता है।

युग्मित t अंतराल हर युग्म को अंतर \(d_i\) से एक अवलोकन मानते हैं (जैसे बाद वाला घटा पहले वाला)। \(\bar d\) और \(s_d\) निकालें, फिर इस्तेमाल करें: \[\bar d \pm t_{1-\alpha/2,\;n-1}\frac{s_d}{\sqrt{n}},\] जहाँ \(n\) युग्म की संख्या है।

हल किया गया उदाहरण (t अंतराल)

खुद कोशिश करें

सारांश

• ज्ञात \(\sigma\): z अंतराल और z परीक्षण में \(\sigma/\sqrt{n}\) इस्तेमाल होता है।
• अज्ञात \(\sigma\): t अंतराल और t परीक्षण में \(df=n-1\) के साथ \(s/\sqrt{n}\) इस्तेमाल होता है।
• युग्मित t अंतर \(d_i\) पर केंद्रित होता है और \(df=n-1\) इस्तेमाल करता है।

अनुपात \(\,p\) और प्रसरण \(\,\sigma^2\) के लिए विश्वास अंतराल

अनुपात विश्वास अंतराल (बड़ा नमूना)

एक-नमूना अनुपात के लिए, \(\hat p=\dfrac{x}{n}\) मानें, जहाँ \(x\) सफलताएँ की संख्या है। जब सामान्य सन्निकटन की शर्तें पूरी हों (एक आम नियम है \(n\hat p\ge 10\) और \(n(1-\hat p)\ge 10\)), तो लगभग \(100(1-\alpha)\%\) CI है: \[\hat p \pm z_{1-\alpha/2}\sqrt{\frac{\hat p(1-\hat p)}{n}}.\]

प्रसरण विश्वास अंतराल (काई-वर्ग)

यदि जनसंख्या सामान्य वितरित है, तो \[\frac{(n-1)s^2}{\sigma^2}\sim \chi^2_{n-1}.\] \(\sigma^2\) के लिए \(100(1-\alpha)\%\) CI है: \[\left(\frac{(n-1)s^2}{\chi^2_{1-\alpha/2,\;n-1}},\;\frac{(n-1)s^2}{\chi^2_{\alpha/2,\;n-1}}\right).\]

हल किया गया उदाहरण (अनुपात CI रूपरेखा)

खुद कोशिश करें

सारांश

• अनुपात CI, \(\hat p=x/n\) और z आलोचनात्मक मान इस्तेमाल करता है (बड़े-नमूना शर्तें)।
• प्रसरण CI, काई-वर्ग क्वांटाइल इस्तेमाल करता है और सामान्य जनसंख्या मानता है।

परिकल्पना परीक्षण: \(H_0\), \(H_1\), परीक्षण आँकड़ा, p-मान और CI संबंध

मानक परीक्षण प्रक्रिया

• 1. परिकल्पनाएँ लिखें: \(H_0:\theta=\theta_0\) बनाम \(H_1:\theta?\theta_0\) (दो-पक्षीय), या \(H_1:\theta>\theta_0\), \(H_1:\theta<\theta_0\) (एक-पक्षीय)।
• 2. महत्व स्तर चुनें: \(\alpha\) (आम मान: 0.10, 0.05, 0.01)।
• 3. परीक्षण आँकड़ा निकालें: स्थिति के अनुसार z, t, या \(\chi^2\)।
• 4. p-मान निकालें और निर्णय लें: यदि p-मान \(\le \alpha\) है तो \(H_0\) अस्वीकार करें; अन्यथा अस्वीकार न करें।

विश्वास अंतराल से संबंध

स्तर \(\alpha\) पर दो-पक्षीय परीक्षण के लिए गहरा संबंध है: \(H_0:\theta=\theta_0\) को अस्वीकार करें तभी और केवल तभी जब \(\theta_0\), \(\theta\) के \(100(1-\alpha)\%\) विश्वास अंतराल से बाहर हो।

एक-पक्षीय आलोचनात्मक मान

95% निचला विश्वास सीमा का संबंध एक-पक्षीय \(\alpha=0.05\) से है और आलोचनात्मक मान \(z_{0.95}\approx 1.645\) (या \(t_{0.95,df}\)) इस्तेमाल होता है। ज्ञात \(\sigma\) वाले माध्य के लिए एक आम निचली सीमा है: \[L=\bar x - z_{0.95}\frac{\sigma}{\sqrt{n}}.\]

हल किया गया उदाहरण (z परीक्षण रूपरेखा)

खुद कोशिश करें

सारांश

• यदि p-मान \(\le \alpha\) है तो \(H_0\) अस्वीकार करें; अन्यथा अस्वीकार न करें।
• \(\alpha\) पर दो-पक्षीय परीक्षण, \(100(1-\alpha)\%\) CI से मेल खाता है: \(\theta_0\) CI से बाहर \(\Rightarrow\) \(H_0\) अस्वीकार।
• एक-पक्षीय 95% आलोचनात्मक z मान \(z_{0.95}\approx 1.645\) है।

कौन सा परीक्षण इस्तेमाल करें? (z, t और काई-वर्ग)

त्वरित कौन सा परीक्षण मार्गदर्शिका

• माध्य बनाम ज्ञात मान, \(\sigma\) ज्ञात: एक-नमूना z परीक्षण।
• माध्य बनाम ज्ञात मान, \(\sigma\) अज्ञात: \(df=n-1\) के साथ एक-नमूना t परीक्षण।
• युग्मित मापन: अंतर \(d_i\) पर युग्मित t परीक्षण।
• अनुपात बनाम ज्ञात मान: एक-नमूना z परीक्षण के लिए अनुपात (बड़े-नमूना शर्तें)।
• प्रसरण बनाम ज्ञात मान: एक प्रसरण के लिए काई-वर्ग परीक्षण (सामान्य जनसंख्या मान्यता)।
• श्रेणीबद्ध गिनतियाँ: काई-वर्ग सु-अनुकूलन या काई-वर्ग परीक्षण का स्वतंत्रता।

एक-नमूना प्रसरण परीक्षण आँकड़ा

सामान्य रूप से वितरित जनसंख्या का उपयोग करके \(H_0:\sigma^2=\sigma_0^2\) परीक्षण करने के लिए: \[\chi^2=\frac{(n-1)s^2}{\sigma_0^2}\sim \chi^2_{n-1}\quad \text{के अंतर्गत } H_0.\]

हल किया गया उदाहरण (केवल परीक्षण आँकड़ा)

खुद कोशिश करें

सारांश

• ज्ञात \(\sigma\): \(\mu\) के लिए एक-नमूना z परीक्षण।
• अज्ञात \(\sigma\): \(\mu\) के लिए एक-नमूना t परीक्षण (और अंतर के लिए युग्मित t)।
• प्रसरण परीक्षण और प्रसरण विश्वास अंतराल सामान्यता के तहत काई-वर्ग वितरण इस्तेमाल करते हैं।
• श्रेणीबद्ध गिनतियाँ अक्सर काई-वर्ग परीक्षण इस्तेमाल करती हैं (सु-अनुकूलन या स्वतंत्रता)।

प्रकार I और प्रकार II त्रुटि, शक्ति, और नमूना आकार क्यों मायने रखता है

त्रुटियाँ और शक्ति एक नजर में

• प्रकार I त्रुटि (झूठा धनात्मक): सत्य \(H_0\) को अस्वीकार करना। प्रायिकता \(=\alpha\)।
• प्रकार II त्रुटि (झूठा ऋणात्मक): असत्य \(H_0\) को अस्वीकार न करना। प्रायिकता \(=\beta\)।
• शक्ति: \(1-\beta\)। यह वास्तविक प्रभाव को सही पहचानने की संभावना है।

नमूना आकार अनुमान को कैसे प्रभावित करता है

• विश्वास अंतराल: बड़ा \(n\Rightarrow\) छोटी \(\mathrm{SE}\Rightarrow\) संकरा CI (अधिक सटीकता)।
• परिकल्पना परीक्षण: बड़ा \(n\Rightarrow\) छोटी \(\mathrm{SE}\Rightarrow\) स्थिर प्रभाव के लिए बड़ा परीक्षण आँकड़ा परिमाण और इसलिए अधिक शक्ति।

अतिरिक्त नोट: काई-वर्ग परीक्षण और उत्तरजीविता वक्र

श्रेणीबद्ध डेटा में आप अक्सर काई-वर्ग सु-अनुकूलन और काई-वर्ग स्वतंत्रता परीक्षण देखेंगे। उत्तरजीविता विश्लेषण में, दो समूह के उत्तरजीविता वक्र की तुलना करने के लिए एक आम परीक्षण लॉग-रैंक परीक्षण है, जिसे आम तौर पर काई-वर्ग संदर्भ वितरण से रिपोर्ट किया जाता है।

खुद कोशिश करें

अंतिम सारांश

• CI ढाँचा: अनुमान \(\pm\) (आलोचनात्मक मान)\(\times\)(SE), जहाँ \(\text{ME}=(\text{आलोचनात्मक})\times \mathrm{SE}\)।
• माध्य विश्वास अंतराल: z अंतराल \(\sigma\) इस्तेमाल करता है; t अंतराल \(df=n-1\) के साथ \(s\) इस्तेमाल करता है।
• अनुपात CI: बड़े-नमूना शर्तें के तहत \(\hat p \pm z_{1-\alpha/2}\sqrt{\hat p(1-\hat p)/n}\)।
• प्रसरण CI: सामान्यता के तहत काई-वर्ग क्वांटाइल, \(\left(\frac{(n-1)s^2}{\chi^2_{1-\alpha/2}},\frac{(n-1)s^2}{\chi^2_{\alpha/2}}\right)\)।
• परीक्षण: \(H_0\) और \(H_1\) निर्धारित करें, \(\alpha\) चुनें, परीक्षण आँकड़ा और p-मान निकालें, फिर निर्णय लें।
• शक्ति: \(n\) बढ़ाने से मानक त्रुटि घटता है, इसलिए शक्ति आम तौर पर बढ़ती है।