P-değerleri, alfa ve hatalar

Python ile Deney Tasarımı

James Chapman

Curriculum Manager, DataCamp

P-değerleri ve alfa

P-değerleri: sıfır hipotezi doğruysa veriyi gözlemleme olasılığı
$\alpha$: sonuçları istatistiksel olarak anlamlı saydığımız eşik
P-değeri $\le \alpha$: Alternatif lehine sıfır hipotezini reddet

Tavla tahtası

Veri kümesi: ürün verimleri

crop_yields.head()

  Fertilizer_Type  Crop_Yield
0         Organic      26.225
1       Synthetic      17.452
2         Organic      22.283
3       Synthetic      23.548
4       Synthetic      24.138

Veriyi görselleştirme

import seaborn as sns
sns.displot(data=crop_data, x="Crop_Yield", hue="Fertilizer_Type", kind="kde")

Çekirdek Yoğunluk Tahmincisi karşılaştırma grafiği

Bağımsız örneklem t-testi yapma

$\alpha = 0.05$

from scipy.stats import ttest_ind
organic_yield = crop_yields[crop_yields['Fertilizer_Type'] == 'Organic']
['Crop_Yield']
synthetic_yield = crop_yields[crop_yields['Fertilizer_Type'] == 'Synthetic']
['Crop_Yield']
t_stat, p_val = ttest_ind(organic_yield, synthetic_yield)
print(p_val)

1.8496748715743899e-209

Deneysel hataları keşfetme

İstatistiksel hataların özeti: Tip I hata, doğru bir sıfır hipotezini yanlışlıkla reddetmektir. Tip II hata, yanlış bir sıfır hipotezini reddedememektir.

Tip I Hata: Yanlış pozitif; doğru sıfır hipotezini reddetmek
Tip II Hata: Yanlış negatif; yanlış sıfır hipotezini reddedememek

Alfa hakkında daha fazlası

Yaygın değerler: 0.05, 0.01 ve 0.10
- Sırasıyla %5, %1 ve %10 Tip I hata olasılığını yansıtır
$\alpha$ seçimi
- Çalışmanın bağlamına göre
- Tip I hataya toleransın dengelenmesi
Konvansiyonlar:
- 0.05 (%5): En yaygın, geleneksel eşik
- 0.01 (%1): Daha katı test; Tip I hatanın maliyeti yüksekse
- 0.10 (%10): Ön çalışmalar; Tip I hataya daha yüksek tolerans

Hadi pratik yapalım!

Python ile Deney Tasarımı