P-values, alpha, और errors

Python में Experimental Design

James Chapman

Curriculum Manager, DataCamp

P-values और alpha

P-values: यदि null hypothesis सही हो तो हमारा डेटा देखने की probability
$\alpha$: वह threshold जहाँ हम परिणामों को statistically significant मानते हैं
P-value $\le \alpha$: वैकल्पिक hypothesis के पक्ष में null को अस्वीकार करें

बैकगैमोन बोर्ड

डेटासेट: फसल उपज

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

डेटा का विज़ुअलाइज़ेशन

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

कर्नेल डेंसिटी एस्टीमेटर तुलनात्मक प्लॉट

स्वतंत्र सैंपल t-test चलाना

$\alpha = 0.05$

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

प्रयोग की त्रुटियाँ समझना

सांख्यिकीय त्रुटियों का सार-सारणी: Type I error तब होती है जब हम सही null hypothesis को गलत तरह अस्वीकार कर देते हैं। Type II error तब होती है जब हम गलत null hypothesis को अस्वीकार करने में असफल रहते हैं।

Type I Error: False positive, सही null hypothesis को अस्वीकार करना
Type II Error: False negative, गलत null hypothesis को अस्वीकार न कर पाना

alpha पर और जानकारी

आम मान: 0.05, 0.01, और 0.10
- क्रमशः Type I error की 5%, 1%, और 10% संभावना दर्शाते हैं
$\alpha$ चुनना
- अध्ययन के संदर्भ पर आधारित
- Type I error की स्वीकार्यता का संतुलन
प्रचलन:
- 0.05 (5%): सबसे सामान्य, प्रचलित मानक
- 0.01 (1%): अधिक कड़ा परीक्षण, जब Type I error की लागत अधिक हो
- 0.10 (10%): कभी-कभी प्रारंभिक अध्ययनों में, जब अधिक सहनशीलता हो

अभ्यास करते हैं!

Python में Experimental Design