4 hypothesis စမ်းသပ်ခြင်း၏ လက်တွေ့ဘဝ ဥပမာများ

ကိန်းဂဏန်းစာရင်းဇယားများတွင်၊ လူဦးရေကန့်သတ်ချက် တစ်ခုနှင့်ပတ်သက်သော ယူဆချက်တစ်ခုသည် မှန်ကန်သည်ဖြစ်စေ မမှန်ကန်ကြောင်း စစ်ဆေးရန် သီအိုရီစစ်ဆေးမှုကို အသုံးပြုသည်။

လက်တွေ့ကမ္ဘာ သီအိုရီစမ်းသပ်မှုကို လုပ်ဆောင်ရန်၊ သုတေသီများသည် လူဦးရေ၏ ကျပန်းနမူနာကို ရယူပြီး null နှင့် အခြားအခြားသော သီအိုရီကို အသုံးပြု၍ နမူနာဒေတာအပေါ် သီအိုရီစစ်ဆေးမှုကို လုပ်ဆောင်ရလိမ့်မည်-

• Null hypothesis (H ₀ ) : နမူနာဒေတာသည် အခွင့်အလမ်းတစ်ခုတည်းမှလာသည်။
• အစားထိုး အယူအဆ ( _HA ) : နမူနာဒေတာသည် ကျပန်းမဟုတ်သော အကြောင်းတရားကြောင့် လွှမ်းမိုးထားသည်။

အကယ်၍ သီအိုရီစမ်းသပ်မှု၏ p-တန်ဖိုးသည် အရေးပါမှုအဆင့်အချို့ (ဥပမာ α = 0.05) အောက်တွင်ရှိနေပါက၊ ကျွန်ုပ်တို့သည် null hypothesis ကို ငြင်းပယ်နိုင်ပြီး အခြားယူဆချက်သည် မှန်ကြောင်းဖော်ပြရန် ကျွန်ုပ်တို့တွင် လုံလောက်သောအထောက်အထားရှိသည်ဟု ကောက်ချက်ချနိုင်သည်။

အောက်ပါဥပမာများသည် လက်တွေ့ကမ္ဘာတွင် သီအိုရီစစ်ဆေးမှုကို အသုံးပြုသည့် အခြေအနေများစွာကို ပြသထားသည်။

ဥပမာ 1- ဇီဝဗေဒ

ကုသမှုအသစ်၊ ဓာတ်မြေသြဇာ၊ ပိုးသတ်ဆေး၊ ဓာတုဗေဒစသည်ဖြင့် ရှိ၊ မရှိ ဆုံးဖြတ်ရန် သဘောတရားစမ်းသပ်ခြင်းကို ဇီဝဗေဒတွင် မကြာခဏအသုံးပြုသည်။ ကြီးထွားမှု၊ ခံနိုင်ရည်၊ ကိုယ်ခံစွမ်းအားစသည်တို့ကိုတိုးပွားစေသည်။ အပင် သို့မဟုတ် တိရစ္ဆာန်များတွင်။

ဥပမာအားဖြင့်၊ ဇီဝဗေဒပညာရှင်တစ်ဦးသည် လက်ရှိလက်မ 20 ဖြစ်သည့် ပုံမှန်ထက်တစ်လအတွင်း အပင်များပိုမိုကြီးထွားစေမည်ဟု ယူဆသည်ဆိုပါစို့။ ၎င်းကို စမ်းသပ်ရန်အတွက် သူမသည် ဓာတ်ခွဲခန်းရှိ အပင်တစ်ပင်ချင်းစီတွင် တစ်လကြာ မြေသြဇာကို အသုံးပြုသည်။

ထို့နောက် သူမသည် အောက်ဖော်ပြပါ အယူအဆများကို အသုံးပြု၍ သီအိုရီစမ်းသပ်မှုတစ်ခုကို ပြုလုပ်သည်။

• H ₀ : μ = 20 လက်မ (မြေသြဇာသည် အပင်ကြီးထွားမှုအပေါ် သက်ရောက်မှုမရှိပါ)
• H _A : µ > 20 လက်မ (မြေသြဇာသည် အပင်ကြီးထွားမှုကို ပျမ်းမျှတိုးစေသည်)

စမ်းသပ်မှု၏ p-တန်ဖိုးသည် အချို့သော အရေးပါမှုအဆင့် (ဥပမာ α = 0.05) အောက်တွင် ရှိနေပါက၊ ၎င်းသည် null hypothesis ကို ငြင်းပယ်နိုင်ပြီး ဓာတ်မြေသြဇာသည် အပင်ကြီးထွားမှုကို တိုးပွားစေသည်ဟု ကောက်ချက်ချနိုင်သည်။

ဥပမာ 2- လက်တွေ့စမ်းသပ်မှုများ

ကုသမှုအသစ်၊ ဆေးဝါး၊ လုပ်ထုံးလုပ်နည်းစသည်ဖြင့် ရှိမရှိ ဆုံးဖြတ်ရန် Hypothesis testing ကို လက်တွေ့စမ်းသပ်မှုများတွင် အသုံးပြုလေ့ရှိသည်။ ပိုမိုကောင်းမွန်သော လူနာရလဒ်များကို ဖြစ်ပေါ်စေသည်။

ဥပမာအားဖြင့်၊ အဝလွန်လူနာများတွင် ဆေးဝါးအသစ်တစ်ခုသည် သွေးပေါင်ချိန်ကို လျှော့ချနိုင်သည်ဟု ဆရာဝန်က ယူဆသည်ဆိုပါစို့။ ၎င်းကိုစမ်းသပ်ရန်၊ ဆေးအသစ်အသုံးမပြုမီနှင့် တစ်လကြာပြီးနောက် လူနာ ၄၀ ၏ သွေးပေါင်ချိန်ကို တိုင်းတာနိုင်မည်ဖြစ်သည်။

ထို့နောက် ၎င်းသည် အောက်ဖော်ပြပါ ယူဆချက်များကို အသုံးပြု၍ သီအိုရီစစ်ဆေးမှုကို ပြုလုပ်သည်-

• H ₀ : µ _{အနောက်} = µ _{ရှေ့တွင်} (ပျမ်းမျှ သွေးပေါင်ချိန်သည် ဆေးမသောက်မီနှင့် သုံးစွဲပြီးနောက် အတူတူပင်ဖြစ်သည်)
• H _A : µ _{ပြီးနောက်} < µ _{ရှေ့တွင်} (ဆေးသုံးပြီးနောက် သွေးပေါင်ကျသည်)

စမ်းသပ်မှု၏ p-တန်ဖိုးသည် အချို့သော အရေးပါမှုအဆင့် (ဥပမာ α = 0.05) အောက်တွင် ရှိနေပါက၊ ၎င်းသည် null hypothesis ကို ငြင်းပယ်နိုင်ပြီး ဆေးဝါးအသစ်သည် သွေးပေါင်ချိန်ကို ကျဆင်းစေသည်ဟု ကောက်ချက်ချနိုင်သည်။

ဥပမာ 3- ကြော်ငြာကုန်ကျစရိတ်

ကြော်ငြာကမ်ပိန်းအသစ်၊ စျေးကွက်ရှာဖွေရေးနည်းပညာစသည်ဖြင့် ရှိမရှိ ဆုံးဖြတ်ရန် စီးပွားရေးလုပ်ငန်းတွင် Hypothesis Testing ကို မကြာခဏအသုံးပြုသည်။ အလုပ်လုပ်ပါလိမ့်မယ်။ ရောင်းအားတိုးလာစေသည်။

ဥပမာအားဖြင့်၊ ကုမ္ပဏီတစ်ခုသည် ဒစ်ဂျစ်တယ်ကြော်ငြာတွင် ငွေပိုသုံးခြင်းသည် အရောင်းတိုးလာသည်ဟု ယုံကြည်သည်ဆိုပါစို့။ ယင်းကို စမ်းသပ်ရန်အတွက် ကုမ္ပဏီသည် နှစ်လတာကာလအတွင်း ဒစ်ဂျစ်တယ်ကြော်ငြာတွင် အသုံးစရိတ်ကို တိုးမြှင့်နိုင်ပြီး အလုံးစုံရောင်းချမှု တိုးလာပါက ဒေတာစုဆောင်းနိုင်သည်။

၎င်းတို့သည် အောက်ဖော်ပြပါ အယူအဆများကို အသုံးပြု၍ သီအိုရီစမ်းသပ်မှုကို လုပ်ဆောင်နိုင်သည်-

• H ₀ : µ _{အနောကျ} = µ _{မတိုင်မီ} (ပျမ်းမျှရောင်းအားသည် ကြော်ငြာအတွက် အသုံးမ၀င်မီနှင့် ပြီးနောက် တူညီသည်)
• H _A : µ _{ပြီးနောက်} > μ _{မတိုင်မီ} (ကြော်ငြာတွင်ပိုမိုသုံးစွဲပြီးနောက် ပျမ်းမျှရောင်းအားတိုးလာသည်)

စမ်းသပ်မှု၏ p-value သည် အချို့သော အရေးပါမှုအဆင့်အောက်တွင် ရှိနေပါက (ဥပမာ α = 0.05)၊ ကုမ္ပဏီသည် null hypothesis ကို ငြင်းပယ်နိုင်ပြီး ဒစ်ဂျစ်တယ်ကြော်ငြာများ တိုးလာခြင်းသည် အရောင်းတိုးလာသည်ဟု ကောက်ချက်ချနိုင်သည်။

ဥပမာ 4- ကုန်ထုတ်လုပ်မှု

လုပ်ငန်းစဉ်အသစ်၊ နည်းပညာ၊ နည်းလမ်းစသည်ဖြင့် ရှိမရှိ ဆုံးဖြတ်ရန် ထုတ်လုပ်မှု စက်ရုံများတွင် သဘောတရားရေးစစ်ဆေးမှုကိုလည်း မကြာခဏ အသုံးပြုပါသည်။ ချို့ယွင်းချက်ရှိသော ထုတ်ကုန်များ၏ အရေအတွက် အပြောင်းအလဲကို ဖြစ်ပေါ်စေပါသည်။

ဥပမာအားဖြင့်၊ အချို့သောကုန်ထုတ်စက်ရုံတစ်ခုသည် နည်းလမ်းအသစ်တစ်ခုမှ ထုတ်လုပ်သည့် ချို့ယွင်းချက်ရှိသော ဝစ်ဂျက်များအရေအတွက်ကို ပြောင်းလဲခြင်းရှိမရှိ စမ်းသပ်လိုသည်ဆိုပါစို့၊ ၎င်းသည် လက်ရှိ 250 ဖြစ်သည့် တစ်လလျှင် ချို့ယွင်းချက်ရှိသော ဝစ်ဂျက်များကို ပြောင်းလဲခြင်းရှိမရှိ စမ်းသပ်လိုသည်ဆိုပါစို့။ ၎င်းကို စမ်းသပ်ရန်အတွက် ၎င်းသည် အသုံးမပြုမီနှင့် အပြီးတွင် ထုတ်လုပ်သော ချို့ယွင်းနေသော ဝစ်ဂျက်များ၏ ပျမ်းမျှအရေအတွက်ကို တိုင်းတာနိုင်ပါသည်။ . တစ်လအတွက်နည်းလမ်းအသစ်။

ထို့နောက် ၎င်းတို့သည် အောက်ဖော်ပြပါ အယူအဆများကို အသုံးပြု၍ သီအိုရီစမ်းသပ်မှုကို လုပ်ဆောင်နိုင်သည်-

• H ₀ : µ အနော _ကျ = µ _{မတိုင်မီ} (နည်းလမ်းအသစ်ကို အသုံးမပြုမီနှင့် အပြီးတွင် ချွတ်ယွင်းနေသော ဝစ်ဂျက်များ၏ ပျမ်းမျှအရေအတွက်သည် တူညီသည်)
• H _A : µ _{ပြီးနောက်} ≠ µ _{မတိုင်မီ} (နည်းလမ်းသစ်ကို အသုံးပြုပြီးနောက် ချွတ်ယွင်းနေသော ဝစ်ဂျက်များ၏ ပျမ်းမျှအရေအတွက်သည် ကွဲပြားသည်)

စမ်းသပ်မှု၏ p-value သည် အချို့သော အရေးပါမှုအဆင့်အောက်တွင် ရှိနေပါက (ဥပမာ α = 0.05)၊ ထို့နောက် စက်ရုံသည် null hypothesis ကို ငြင်းပယ်နိုင်ပြီး နည်းလမ်းအသစ်သည် လအလိုက် ထုတ်ပေးသော ချို့ယွင်းချက်ရှိသော ဝစ်ဂျက်များ အရေအတွက် ပြောင်းလဲသွားကြောင်း ကောက်ချက်ချနိုင်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

Hypothesis Testing နိဒါန်း
နမူနာတစ်ခုတည်း t-test ကို မိတ်ဆက်ခြင်း။
နမူနာနှစ်ခု t စမ်းသပ်မှုမိတ်ဆက်
တွဲထားသောနမူနာ t-test မိတ်ဆက်