Hypothesis tests

Statistical Thinking के केस स्टडीज़

Justin Bois

Lecturer, Caltech

म्यूटेशन का गतिविधि पर प्रभाव

¹ डेटा सौजन्य: Avni Gandhi, Grigogios Oikonomou, और David Prober, Caltech

¹ डेटा सौजन्य: Avni Gandhi, Grigogios Oikonomou, और David Prober, Caltech

¹ डेटा सौजन्य: Avni Gandhi, Grigogios Oikonomou, और David Prober, Caltech

किसी परिकल्पना के सही मानने पर देखे गए डेटा कितने उचित हैं, इसका आकलन

आपके test statistic के, कम-से-कम उतने ही चरम मान पाने की संभावना, जितना देखा गया, यह मानते हुए कि null hypothesis सही है

एक एकल संख्या जो देखे गए डेटा से और null hypothesis के तहत सिम्युलेट किए गए डेटा से निकाली जा सकती है

स्पष्ट निर्धारण आवश्यक:

null hypothesis स्पष्ट रूप से बताइए
अपना test statistic परिभाषित कीजिए
null hypothesis सही मानकर कई सिम्युलेटेड डेटा सेट बनाइए
हर सिम्युलेटेड डेटासेट के लिए test statistic निकालिए
p-value वह अंश है जहाँ सिम्युलेटेड डेटासेट्स में test statistic वास्तविक डेटा जितना या उससे अधिक चरम हो

Null hypothesis: वाइल्ड टाइप और हेटेरोज़ाइगोटिक मछलियों के active bout lengths समान वितरण वाले हैं

Test statistic: हेटेरोज़ाइगोट्स और वाइल्ड टाइप के बीच mean active bout length का अंतर

कम-से-कम उतने ही चरम: test statistic देखा गया मान जितना या उससे बड़ा हो

हर replicate के लिए:

perm_reps = dcst.draw_perm_reps(
    data_a, data_b, dcst.diff_of_means, size=10000
)

p-value वे replicates का अंश है जो देखे गए जितने या उससे अधिक चरम हों

p_val = np.sum(perm_reps >= diff_means_obs) / len(perm_reps)

Statistical Thinking के केस स्टडीज़