જ્યારે વિશ્લેષણ વિવિધતા શ્રેણીવિતરણ મહાન મૂલ્યકેટલી છે પ્રયોગમૂલક વિતરણસાઇન અનુલક્ષે છે સામાન્ય. આ કરવા માટે, વાસ્તવિક વિતરણની ફ્રીક્વન્સીની તુલના સૈદ્ધાંતિક સાથે કરવી જોઈએ, જે સામાન્ય વિતરણની લાક્ષણિકતા છે. આનો અર્થ એ છે કે, વાસ્તવિક ડેટાના આધારે, સામાન્ય વિતરણ વળાંકની સૈદ્ધાંતિક ફ્રીક્વન્સીઝની ગણતરી કરવી જરૂરી છે, જે સામાન્યકૃત વિચલનોનું કાર્ય છે.
બીજા શબ્દોમાં કહીએ તો, પ્રયોગમૂલક વિતરણ વળાંકને સામાન્ય વિતરણ વળાંક સાથે સંરેખિત કરવાની જરૂર છે.
પાલનની ઉદ્દેશ્ય લાક્ષણિકતાઓ સૈદ્ધાંતિકઅને પ્રયોગમૂલક ફ્રીક્વન્સીઝખાસ ઉપયોગ કરીને મેળવી શકાય છે આંકડાકીય સૂચકાંકોજેને કહેવામાં આવે છે સંમતિ માપદંડ.
કરાર માપદંડએક માપદંડ કહેવાય છે જે તમને વિસંગતતા છે કે કેમ તે નિર્ધારિત કરવાની મંજૂરી આપે છે પ્રયોગમૂલકઅને સૈદ્ધાંતિકવિતરણો અવ્યવસ્થિત અથવા નોંધપાત્ર છે, એટલે કે શું અવલોકનાત્મક માહિતી આંકડાકીય પૂર્વધારણા સાથે સંમત છે અથવા સંમત નથી. વિતરણ વસ્તી, જે તેને આગળ મૂકવામાં આવેલી પૂર્વધારણાને કારણે છે, તેને સૈદ્ધાંતિક કહેવામાં આવે છે.
ઇન્સ્ટોલ કરવાની જરૂર છે માપદંડ(નિયમ) જે કોઈને એ નક્કી કરવા દે છે કે શું પ્રયોગમૂલક અને વચ્ચે વિસંગતતા છે સૈદ્ધાંતિક વિતરણોરેન્ડમ અથવા નોંધપાત્ર. જો વિસંગતતા બહાર આવે છે રેન્ડમ, પછી તેઓ માને છે કે નિરીક્ષણ ડેટા (નમૂનો) સામાન્ય વસ્તીના વિતરણ કાયદા વિશે આગળ મૂકવામાં આવેલી પૂર્વધારણા સાથે સુસંગત છે અને તેથી, પૂર્વધારણા સ્વીકારવામાં આવે છે; જો વિસંગતતા બહાર આવે છે નોંધપાત્ર, પછી અવલોકન ડેટા પૂર્વધારણા સાથે સહમત નથી અને તેને નકારવામાં આવે છે.
સામાન્ય રીતે, પ્રયોગમૂલક અને સૈદ્ધાંતિક ફ્રીક્વન્સીઝ અલગ પડે છે કારણ કે:
- વિસંગતતા રેન્ડમ અને કારણે છે મર્યાદિત જથ્થોઅવલોકનો
- વિસંગતતા રેન્ડમ નથી અને તે હકીકત દ્વારા સમજાવવામાં આવે છે કે આંકડાકીય પૂર્વધારણા કે વસ્તી સામાન્ય રીતે વહેંચવામાં આવે છે તે ભૂલભરેલી છે.
આમ, સંમતિ માપદંડપ્રયોગમૂલક શ્રેણીમાં વિતરણની પ્રકૃતિ વિશેની શ્રેણીને સંરેખિત કરતી વખતે આગળ મૂકવામાં આવેલી પૂર્વધારણાની સાચીતાને નકારવા અથવા પુષ્ટિ કરવાનું શક્ય બનાવે છે.
પ્રયોગમૂલક આવર્તનનિરીક્ષણના પરિણામે પ્રાપ્ત થાય છે. સૈદ્ધાંતિક આવર્તનસૂત્રોનો ઉપયોગ કરીને ગણતરી.
માટે સામાન્ય વિતરણ કાયદોતેઓ નીચે પ્રમાણે શોધી શકાય છે:
- Σƒ હું - સંચિત (સંચિત) પ્રયોગમૂલક ફ્રીક્વન્સીઝનો સરવાળો
- h - બે પડોશી વિકલ્પો વચ્ચેનો તફાવત
- σ - નમૂના પ્રમાણભૂત વિચલન
- t–સામાન્ય (પ્રમાણભૂત) વિચલન
- φ(t)-સામાન્ય વિતરણની સંભાવના ઘનતા કાર્ય (t ના અનુરૂપ મૂલ્ય માટે જોવા મળે છે)
ત્યાં ઘણી સારી-સુખ-યોગ્ય કસોટીઓ છે, જેમાંથી સૌથી સામાન્ય છે: ચી-સ્ક્વેર ટેસ્ટ (પિયર્સન), કોલમોગોરોવ ટેસ્ટ, રોમનવોસ્કી ટેસ્ટ.
પીયર્સનની સારીતા-ઓફ-ફિટ ટેસ્ટ χ 2– મુખ્ય પૈકી એક, જેને સૈદ્ધાંતિક (f T) અને પ્રયોગમૂલક (f) ફ્રીક્વન્સી અને સૈદ્ધાંતિક ફ્રીક્વન્સીઝ વચ્ચેના તફાવતોના વર્ગોના ગુણોત્તરના સરવાળા તરીકે રજૂ કરી શકાય છે:
- k એ જૂથોની સંખ્યા છે જેમાં પ્રયોગમૂલક વિતરણ વિભાજિત થયેલ છે,
- f i I-th જૂથમાં લક્ષણની અવલોકન કરેલ આવર્તન,
- f ટી - સૈદ્ધાંતિક આવર્તન.
χ 2 વિતરણ માટે, કોષ્ટકોનું સંકલન કરવામાં આવ્યું છે જે પસંદ કરેલ મહત્વના સ્તર α અને સ્વતંત્રતા df (અથવા ν) ની ડિગ્રી માટે χ 2 સારીતા-ઓફ-ફિટ માપદંડનું નિર્ણાયક મૂલ્ય સૂચવે છે.
મહત્વ સ્તર α એ સૂચિત પૂર્વધારણાને ભૂલથી નકારી કાઢવાની સંભાવના છે, એટલે કે. સાચી પૂર્વધારણા નકારવામાં આવશે તેવી સંભાવના. આર - આંકડાકીય મહત્વ
દત્તક સાચી પૂર્વધારણા. આંકડાઓમાં, મહત્વના ત્રણ સ્તરોનો મોટાભાગે ઉપયોગ થાય છે:
α=0.10, પછી P=0.90 (100 માંથી 10 કેસમાં)
α=0.05, પછી P=0.95 (100 માંથી 5 કેસમાં)
α=0.01, પછી P=0.99 (100 માંથી 1 કિસ્સામાં) સાચી પૂર્વધારણાને નકારી શકાય છે
સ્વતંત્રતા df ની ડિગ્રીની સંખ્યાને વિતરણ શ્રેણીમાં જૂથોની સંખ્યાને બાદ કરતાં જોડાણોની સંખ્યા તરીકે વ્યાખ્યાયિત કરવામાં આવે છે: df = k –z. જોડાણોની સંખ્યાને સૈદ્ધાંતિક ફ્રીક્વન્સીઝની ગણતરીમાં ઉપયોગમાં લેવાતી પ્રયોગમૂલક શ્રેણીના સૂચકોની સંખ્યા તરીકે સમજવામાં આવે છે, એટલે કે. પ્રયોગમૂલક અને સૈદ્ધાંતિક ફ્રીક્વન્સીઝને જોડતા સૂચકાંકો.ઉદાહરણ તરીકે, જ્યારે ઘંટડી વળાંક સાથે સંરેખિત થાય છે, ત્યારે ત્રણ સંબંધો હોય છે.તેથી, જ્યારે દ્વારા સંરેખિતઘંટડી વળાંકસ્વતંત્રતાની ડિગ્રીની સંખ્યાને df =k–3 તરીકે વ્યાખ્યાયિત કરવામાં આવે છે.મહત્વનું મૂલ્યાંકન કરવા માટે, ગણતરી કરેલ મૂલ્યની સરખામણી કોષ્ટક χ સાથે કરવામાં આવે છે 2 કોષ્ટકો
સૈદ્ધાંતિક અને પ્રયોગમૂલક વિતરણના સંપૂર્ણ સંયોગ સાથે χ 2 =0, અન્યથા χ 2 >0. જો χ 2 calc > χ 2 ટેબ , તો પછી આપેલ મહત્વના સ્તર અને સ્વતંત્રતાની ડિગ્રીની સંખ્યા માટે, અમે વિસંગતતાઓની તુચ્છતા (રેન્ડમનેસ) વિશેની પૂર્વધારણાને નકારીએ છીએ.જો χ 2 ની ગણતરી કરવામાં આવે< χ 2 табл то અમે પૂર્વધારણા સ્વીકારીએ છીએ અને P = (1-α) સંભાવના સાથે એવી દલીલ કરી શકાય છે કે સૈદ્ધાંતિક અને વચ્ચેની વિસંગતતા પ્રયોગમૂલક આવર્તનઆકસ્મિક રીતે તેથી, એવું કહેવાનું કારણ છે કે પ્રયોગમૂલક વિતરણનું પાલન કરે છે સામાન્ય વિતરણ. જો વસ્તીનું કદ પૂરતું મોટું હોય (N>50), અને દરેક જૂથની આવર્તન ઓછામાં ઓછી 5 હોવી જોઈએ, તો પીયર્સનની ગુડનેસ-ઓફ-ફિટ ટેસ્ટનો ઉપયોગ થાય છે.
સંચિત પ્રયોગમૂલક અને સૈદ્ધાંતિક આવર્તન વચ્ચે મહત્તમ વિસંગતતા નક્કી કરવાના આધારે:
જ્યાં અનુક્રમે D અને d છે, સંચિત ફ્રીક્વન્સીઝ અને પ્રયોગમૂલક અને સૈદ્ધાંતિક વિતરણોની સંચિત ફ્રીક્વન્સી વચ્ચેનો મહત્તમ તફાવત.
કોલમોગોરોવ આંકડાઓના વિતરણ કોષ્ટકનો ઉપયોગ કરીને, સંભાવના નક્કી કરવામાં આવે છે, જે 0 થી 1 સુધી બદલાઈ શકે છે. જ્યારે P(λ) = 1, ત્યાં ફ્રીક્વન્સીઝનો સંપૂર્ણ સંયોગ હોય છે, P(λ) = 0 - સંપૂર્ણ વિસંગતતા. જો મળેલ મૂલ્ય λ ના સંબંધમાં સંભાવના મૂલ્ય P નોંધપાત્ર છે, તો પછી આપણે ધારી શકીએ કે સૈદ્ધાંતિક અને પ્રયોગમૂલક વિતરણો વચ્ચેની વિસંગતતાઓ નજીવી છે, એટલે કે, તે રેન્ડમ છે.
કોલમોગોરોવ માપદંડનો ઉપયોગ કરવાની મુખ્ય શરત એ છે કે મોટી સંખ્યામાંઅવલોકનો
કોલ્મોગોરોવ-ગુડનેસ-ઓફ-ફિટ ટેસ્ટ
ચાલો આપણે ધ્યાનમાં લઈએ કે કોલ્મોગોરોવ માપદંડ (λ) ક્યારે લાગુ થાય છે સામાન્ય વિતરણની પૂર્વધારણાનું પરીક્ષણસામાન્ય વસ્તી.ઘંટડી વળાંક સાથે વાસ્તવિક વિતરણને સંરેખિત કરવામાં ઘણા પગલાંઓ શામેલ છે:
- વાસ્તવિક અને સૈદ્ધાંતિક ફ્રીક્વન્સીની સરખામણી કરો.
- વાસ્તવિક ડેટાના આધારે, સામાન્ય વિતરણ વળાંકની સૈદ્ધાંતિક ફ્રીક્વન્સીઝ, જે સામાન્યકૃત વિચલનનું કાર્ય છે, તે નક્કી કરવામાં આવે છે.
- તેઓ તપાસ કરે છે કે લાક્ષણિકતાનું વિતરણ સામાન્ય સાથે કેટલી હદે અનુરૂપ છે.
માટેIVકોષ્ટક કૉલમ:
MS Excel માં, નોર્મલાઇઝેશન ફંક્શનનો ઉપયોગ કરીને સામાન્યકૃત વિચલન (t) ની ગણતરી કરવામાં આવે છે. વિકલ્પોની સંખ્યા દ્વારા મફત કોષોની શ્રેણી પસંદ કરવી જરૂરી છે (પંક્તિઓ સ્પ્રેડશીટ). પસંદગીને દૂર કર્યા વિના, NORMALIZE ફંક્શનને કૉલ કરો. દેખાતા સંવાદ બોક્સમાં, નીચેના કોષો સૂચવો, જેમાં અનુક્રમે, અવલોકન કરેલ મૂલ્યો (X i), સરેરાશ (X) અને પ્રમાણભૂત વિચલન Ϭ હોય છે. ઓપરેશન પૂર્ણ કરવું આવશ્યક છે એક સાથે Ctrl+Shift+Enter દબાવીને
માટેવીકોષ્ટક કૉલમ:
સામાન્ય વિતરણ φ(t) નું સંભવિત ઘનતા કાર્ય સામાન્યકૃત વિચલન (t) ના અનુરૂપ મૂલ્ય માટે સ્થાનિક લેપ્લેસ કાર્યના મૂલ્યોના કોષ્ટકમાંથી જોવા મળે છે.
માટેVIકોષ્ટક કૉલમ:
કોલમોગોરોવ ગુડનેસ-ઓફ-ફીટ ટેસ્ટ (λ)મોડ્યુલને વિભાજીત કરીને નક્કી કરવામાં આવે છેમહત્તમ તફાવતઅવલોકનોની સંખ્યાના વર્ગમૂળ દ્વારા પ્રયોગમૂલક અને સૈદ્ધાંતિક સંચિત આવર્તન વચ્ચે:
કરાર માપદંડ λ માટે વિશિષ્ટ સંભાવના કોષ્ટકનો ઉપયોગ કરીને, અમે નક્કી કરીએ છીએ કે મૂલ્ય λ = 0.59 એ 0.88 (λ) ની સંભાવનાને અનુરૂપ છે
પ્રયોગમૂલક અને સૈદ્ધાંતિક ફ્રીક્વન્સીઝનું વિતરણ, સૈદ્ધાંતિક વિતરણની સંભાવના ઘનતા
નિરીક્ષણ કરેલ (અનુભાવિક) વિતરણ સૈદ્ધાંતિકને અનુરૂપ છે કે કેમ તે ચકાસવા માટે ગુડનેસ-ઓફ-ફીટ પરીક્ષણો લાગુ કરતી વખતે, વ્યક્તિએ પરીક્ષણ સરળ અને જટિલ પૂર્વધારણાઓ વચ્ચે તફાવત કરવો જોઈએ.
એક-નમૂના કોલમોગોરોવ-સ્મિરનોવ નોર્મલિટી ટેસ્ટ પર આધારિત છે મહત્તમ તફાવતસંચિત વચ્ચે પ્રયોગમૂલક વિતરણનમૂના અને ધારિત (સૈદ્ધાંતિક) સંચિત વિતરણ. જો કોલમોગોરોવ-સ્મિર્નોવ ડી આંકડા નોંધપાત્ર છે, તો અનુરૂપ વિતરણ સામાન્ય છે તેવી પૂર્વધારણાને નકારી કાઢવી જોઈએ.
પણ જુઓ
રેન્ડમનેસ ચકાસવા અને બાહ્ય અવલોકનોનું મૂલ્યાંકન કરવા માટેના માપદંડો વ્યવહારમાં સાહિત્ય પરિચય આંકડાકીય વિશ્લેષણપ્રાયોગિક ડેટા, મુખ્ય રસ એ ચોક્કસ આંકડાઓની જ ગણતરી નથી, પરંતુ આ પ્રકારના પ્રશ્નોના જવાબો છે. તદનુસાર, પુટ ફોરવર્ડ ચકાસવા માટે ઘણા માપદંડો વિકસાવવામાં આવ્યા છે આંકડાકીય પૂર્વધારણાઓ. આંકડાકીય પૂર્વધારણાઓનું પરીક્ષણ કરવા માટેના તમામ માપદંડો બે ભાગમાં વહેંચાયેલા છે મોટા જૂથો: પેરામેટ્રિક અને નોન-પેરામેટ્રિક.
સામાજિક નેટવર્ક્સ પર તમારું કાર્ય શેર કરો
જો આ કાર્ય તમને અનુકૂળ ન આવે, તો પૃષ્ઠના તળિયે સમાન કાર્યોની સૂચિ છે. તમે શોધ બટનનો પણ ઉપયોગ કરી શકો છો
સંમતિ માપદંડનો ઉપયોગ કરવો
પરિચય
સાહિત્ય
પરિચય
પ્રાયોગિક ડેટાના આંકડાકીય પૃથ્થકરણની પ્રેક્ટિસમાં, મુખ્ય રુચિ ચોક્કસ આંકડાઓની જ ગણતરીમાં નથી, પરંતુ આ પ્રકારના પ્રશ્નોના જવાબો છે. શું વસ્તીનો અર્થ ખરેખર ચોક્કસ સંખ્યાની બરાબર છે? શું સહસંબંધ ગુણાંક શૂન્યથી નોંધપાત્ર રીતે અલગ છે? શું બે નમૂનાઓના તફાવતો સમાન છે? અને ચોક્કસ સંશોધન સમસ્યાના આધારે આવા ઘણા પ્રશ્નો ઉભા થઈ શકે છે. તદનુસાર, સૂચિત આંકડાકીય પૂર્વધારણાઓને ચકાસવા માટે ઘણા માપદંડો વિકસાવવામાં આવ્યા છે. અમે કેટલાક સૌથી સામાન્ય મુદ્દાઓને ધ્યાનમાં લઈશું. આ મુખ્યત્વે અર્થ, ભિન્નતા, સહસંબંધ ગુણાંક અને વિપુલતા વિતરણ સાથે સંબંધિત હશે.
આંકડાકીય પૂર્વધારણાઓનું પરીક્ષણ કરવા માટેના તમામ માપદંડો બે મોટા જૂથોમાં વહેંચાયેલા છે: પેરામેટ્રિક અને નોન-પેરામેટ્રિક. પેરામેટ્રિક પરીક્ષણો એ ધારણા પર આધારિત છે કે નમૂનાનો ડેટા જાણીતા વિતરણ સાથેની વસ્તીમાંથી લેવામાં આવે છે, અને મુખ્ય કાર્ય આ વિતરણના પરિમાણોનો અંદાજ કાઢવાનું છે. નોનપેરામેટ્રિક પરીક્ષણોને વિતરણની પ્રકૃતિ વિશે કોઈ ધારણાની જરૂર નથી, તે ધારણા સિવાય કે તે સતત છે.
ચાલો પહેલા જોઈએ પેરામેટ્રિક માપદંડ. પરીક્ષણ ક્રમમાં શૂન્ય પૂર્વધારણાની રચના અને વૈકલ્પિક પૂર્વધારણા, કરવામાં આવનારી ધારણાઓની રચના, પરીક્ષણમાં ઉપયોગમાં લેવાતા નમૂનાના આંકડાઓનું નિર્ધારણ અને પરીક્ષણ કરવામાં આવતા આંકડાઓના નમૂના વિતરણની રચના, પસંદ કરેલ માપદંડ માટે નિર્ણાયક પ્રદેશોની ઓળખ અને નમૂનાના આંકડાઓ માટે વિશ્વાસ અંતરાલનું નિર્માણ.
1 અર્થ માટે યોગ્યતાના માપદંડ
ચકાસાયેલ પૂર્વધારણાને વસ્તી પરિમાણ હોવા દો. આવી તપાસની જરૂરિયાત ઊભી થઈ શકે છે, ઉદાહરણ તરીકે, નીચેની પરિસ્થિતિમાં. ધારો કે, વ્યાપક સંશોધનના આધારે, અમુક નિશ્ચિત સ્થાનેથી કાંપમાં અશ્મિભૂત મોલસ્કના શેલનો વ્યાસ સ્થાપિત કરવામાં આવ્યો છે. ચાલો આપણે આપણા નિકાલ પર બીજા સ્થાને મળી આવેલા ચોક્કસ સંખ્યામાં શેલ પણ રાખીએ, અને અમે ધારણા કરીએ છીએ કે ચોક્કસ સ્થાન શેલના વ્યાસને અસર કરતું નથી, એટલે કે. કે એક સમયે નવી જગ્યાએ રહેતા મોલસ્કની સમગ્ર વસ્તી માટે શેલ વ્યાસનું સરેરાશ મૂલ્ય પ્રથમ નિવાસસ્થાનમાં આ પ્રકારના મોલસ્કનો અભ્યાસ કરતી વખતે અગાઉ પ્રાપ્ત થયેલા જાણીતા મૂલ્યની બરાબર છે.
જો આ જાણીતું મૂલ્યસમાન છે, પછી નલ પૂર્વધારણા અને વૈકલ્પિક પૂર્વધારણા નીચે પ્રમાણે લખવામાં આવે છે: ચાલો ધારીએ કે વિચારણા હેઠળની વસ્તીમાં ચલ x છે સામાન્ય વિતરણ, અને વસ્તી તફાવતની માત્રા અજ્ઞાત છે.
અમે આંકડાઓનો ઉપયોગ કરીને પૂર્વધારણાનું પરીક્ષણ કરીશું:
, (1)
નમૂના પ્રમાણભૂત વિચલન ક્યાં છે.
તે બતાવવામાં આવ્યું હતું કે જો સાચું હોય, તો અભિવ્યક્તિમાં t (1) સ્વતંત્રતાના n-1 ડિગ્રી સાથે વિદ્યાર્થી t-વિતરણ ધરાવે છે. જો આપણે મહત્વના સ્તર (સાચી પૂર્વધારણાને નકારવાની સંભાવના) સમાન પસંદ કરીએ, તો પછી જે ચર્ચા કરવામાં આવી હતી તે અનુસાર અગાઉનો પ્રકરણ, તમે =0 તપાસવા માટે નિર્ણાયક મૂલ્યો વ્યાખ્યાયિત કરી શકો છો.
IN આ કિસ્સામાં, કારણ કે વિદ્યાર્થી વિતરણ સપ્રમાણ છે, તો (1-) સ્વતંત્રતાના n-1 ડિગ્રી સાથે આ વિતરણના વળાંક હેઠળના વિસ્તારનો ભાગ પોઈન્ટ વચ્ચે સમાયેલ હશે અને, જે એકબીજા સાથે સમાન છે. સંપૂર્ણ મૂલ્ય. તેથી, બધા મૂલ્યો ઋણ કરતાં ઓછા છે અને સાથે ટી-વિતરણ માટે હકારાત્મક મૂલ્ય કરતાં વધુ છે આપેલ નંબરપસંદ કરેલા મહત્વના સ્તરે સ્વતંત્રતાની ડિગ્રી નિર્ણાયક ક્ષેત્રની રચના કરશે. જો નમૂના ટી મૂલ્ય આ પ્રદેશમાં આવે છે, તો વૈકલ્પિક પૂર્વધારણા સ્વીકારવામાં આવે છે.
આત્મવિશ્વાસ અંતરાલ for અગાઉ વર્ણવેલ પદ્ધતિ અનુસાર બાંધવામાં આવે છે અને નીચેના અભિવ્યક્તિ પરથી નક્કી કરવામાં આવે છે
(2)
તેથી, ચાલો આપણા કિસ્સામાં જાણીએ કે અશ્મિભૂત મોલસ્કના શેલનો વ્યાસ 18.2 મીમી છે. અમારી પાસે અમારા નિકાલ પર 50 નવા મળેલા શેલના નમૂના હતા, જેના માટે mm, a = 2.18 mm. ચાલો તપાસીએ: =18.2 સામે આપણી પાસે છે
જો મહત્વ સ્તર પસંદ કરવામાં આવે તો = 0.05 નિર્ણાયક મૂલ્ય. તે અનુસરે છે કે તેને મહત્વના સ્તર = 0.05 પર તરફેણમાં નકારી શકાય છે. આમ, અમારા અનુમાનિત ઉદાહરણ માટે, તે કહી શકાય (કેટલીક સંભાવના સાથે, અલબત્ત) કે અશ્મિભૂત મોલસ્કના શેલનો વ્યાસ ચોક્કસ પ્રકારતેઓ જ્યાં રહેતા હતા તેના પર આધાર રાખે છે.
ટી-વિતરણ સપ્રમાણ છે તે હકીકતને કારણે, માત્ર હકારાત્મક મૂલ્યોઆ વિતરણની ટી પસંદગીના મહત્વના સ્તરો અને સ્વતંત્રતાની ડિગ્રીની સંખ્યા પર. તદુપરાંત, માત્ર ટી મૂલ્યની જમણી બાજુના વિતરણ વળાંક હેઠળના વિસ્તારનો હિસ્સો જ નહીં, પણ તે જ સમયે -t મૂલ્યની ડાબી બાજુ પણ ધ્યાનમાં લેવામાં આવે છે. આ એ હકીકતને કારણે છે કે મોટાભાગના કિસ્સાઓમાં, પૂર્વધારણાઓનું પરીક્ષણ કરતી વખતે, આપણે આ વિચલનો મોટા અથવા નાના છે કે કેમ તે ધ્યાનમાં લીધા વિના, આપણે પોતાનામાં વિચલનોના મહત્વમાં રસ ધરાવીએ છીએ, એટલે કે. અમે તેની વિરુદ્ધ તપાસ કરીએ છીએ, વિરુદ્ધ નહીં: >a અથવા: ચાલો હવે આપણા ઉદાહરણ પર પાછા ફરીએ. માટે 100(1-)% વિશ્વાસ અંતરાલ છે 18,92,01
ચાલો હવે જ્યારે બે સામાન્ય વસ્તીના માધ્યમની તુલના કરવી જરૂરી હોય ત્યારે કેસ પર વિચાર કરીએ. ચકાસાયેલ પૂર્વધારણા આના જેવો દેખાય છે: : =0, : 0. એવું પણ માનવામાં આવે છે કે તેનું સરેરાશ અને ભિન્નતા સાથે સામાન્ય વિતરણ છે, અને - સરેરાશ અને સમાન ભિન્નતા સાથેનું સામાન્ય વિતરણ. વધુમાં, અમે ધારીએ છીએ કે જે નમૂનાઓમાંથી સામાન્ય વસ્તી અંદાજવામાં આવે છે તે એક બીજાથી સ્વતંત્ર રીતે કાઢવામાં આવે છે અને અનુક્રમે વોલ્યુમ ધરાવે છે, અને નમૂનાઓની સ્વતંત્રતા પરથી તે અનુસરે છે કે જો આપણે તેમાંથી મોટી સંખ્યામાં લઈએ અને સરેરાશની ગણતરી કરીએ તો દરેક જોડી માટે મૂલ્યો, તો પછી સરેરાશની આ જોડીનો સમૂહ સંપૂર્ણપણે અસંબંધિત હશે. નલ પૂર્વધારણા પરીક્ષણ આંકડાઓનો ઉપયોગ કરીને કરવામાં આવે છે (3)
જ્યાં અને અનુક્રમે પ્રથમ અને બીજા નમૂના માટે વિચલન અંદાજ છે. તે જોવાનું સરળ છે કે (3) એ (1) નું સામાન્યીકરણ છે. તે દર્શાવવામાં આવ્યું હતું કે આંકડા (3) સ્વતંત્રતાની ડિગ્રી સાથે વિદ્યાર્થી ટી-વિતરણ ધરાવે છે. જો અને સમાન હોય, એટલે કે. = = સૂત્ર (3) સરળ છે અને તેનું સ્વરૂપ છે (4)
ચાલો એક ઉદાહરણ જોઈએ. ચાલો ધારીએ કે જ્યારે બે ઋતુઓમાં એક જ છોડની વસ્તીના સ્ટેમ પાંદડાને માપવામાં આવે છે, ત્યારે નીચેના પરિણામો પ્રાપ્ત થાય છે: અમે ધારીએ છીએ કે વિદ્યાર્થીની ટી-ટેસ્ટનો ઉપયોગ કરવા માટેની શરતો, એટલે કે. વસ્તીની સામાન્યતા કે જેમાંથી નમૂનાઓ લેવામાં આવે છે, અજ્ઞાત અસ્તિત્વ પરંતુ આ વસ્તી માટે સમાન તફાવત, અને નમૂનાઓની સ્વતંત્રતા સંતુષ્ટ છે. ચાલો મહત્વના સ્તર = 0.01 પર અંદાજ લગાવીએ. અમારી પાસે છે કોષ્ટક મૂલ્ય t = 2.58. તેથી, બે સિઝનમાં છોડની વસ્તી માટે સ્ટેમ લીફ લંબાઈના સરેરાશ મૂલ્યોની સમાનતા વિશેની પૂર્વધારણાને મહત્વના પસંદ કરેલા સ્તરે નકારી કાઢવી જોઈએ. ધ્યાન આપો! ગાણિતિક આંકડાઓમાં શૂન્ય પૂર્વધારણા એ પૂર્વધારણા છે કે તુલનાત્મક સૂચકાંકો વચ્ચે કોઈ નોંધપાત્ર તફાવત નથી, પછી ભલે આપણે માધ્યમો, ભિન્નતાઓ અથવા અન્ય આંકડાઓ વિશે વાત કરીએ. અને આ બધા કિસ્સાઓમાં, જો માપદંડનું પ્રાયોગિક (સૂત્ર દ્વારા ગણતરી) મૂલ્ય સૈદ્ધાંતિક (કોષ્ટકોમાંથી પસંદ કરેલ) કરતા વધારે હોય, તો તે નકારવામાં આવે છે. જો પ્રયોગમૂલક મૂલ્ય ટેબ્યુલેટેડ મૂલ્ય કરતાં ઓછું હોય, તો તે સ્વીકારવામાં આવે છે. આ બે વસ્તીના માધ્યમો વચ્ચેના તફાવત માટે આત્મવિશ્વાસ અંતરાલ બાંધવા માટે, ચાલો આપણે એ હકીકત પર ધ્યાન આપીએ કે વિદ્યાર્થીની કસોટી, જેમ કે ફોર્મ્યુલા (3) પરથી જોઈ શકાય છે, તે અર્થના સાપેક્ષ વચ્ચેના તફાવતના મહત્વનું મૂલ્યાંકન કરે છે. આ તફાવતની પ્રમાણભૂત ભૂલ માટે. તે ચકાસવું સરળ છે કે (3) માં છેદ અગાઉ ચર્ચા કરેલા સંબંધો અને ધારણાઓનો ઉપયોગ કરીને આ પ્રમાણભૂત ભૂલને ચોક્કસપણે રજૂ કરે છે. હકીકતમાં, આપણે જાણીએ છીએ કે સામાન્ય કિસ્સામાં જો x અને y સ્વતંત્ર છે, તો તે પણ છે નમૂનાના મૂલ્યો લેવા અને x અને y ને બદલે અને ધારણાને યાદ કરીને કે બંને વસ્તીમાં સમાન તફાવત છે, આપણે મેળવીએ છીએ (5)
વિભિન્નતાનો અંદાજ નીચેના સંબંધ પરથી મેળવી શકાય છે (6)
(અમે વિભાજીત કરીએ છીએ કારણ કે નમૂનાઓમાંથી બે જથ્થાઓનો અંદાજ છે અને તેથી, સ્વતંત્રતાની ડિગ્રીની સંખ્યા બેથી ઘટાડવી જોઈએ.) જો આપણે હવે (6) ને (5) માં બદલીએ અને વર્ગમૂળ લઈએ, તો આપણને અભિવ્યક્તિ (3) માં છેદ મળે છે. આ વિષયાંતર પછી, ચાલો - માટે આત્મવિશ્વાસ અંતરાલ બાંધવા પર પાછા ફરીએ. અમારી પાસે છે ચાલો ટી-ટેસ્ટના નિર્માણમાં વપરાતી ધારણાઓ સંબંધિત કેટલીક ટિપ્પણીઓ કરીએ. સૌ પ્રથમ, તે દર્શાવવામાં આવ્યું હતું કે સામાન્યતાની ધારણાનું ઉલ્લંઘન 30 માટે પરીક્ષણના મહત્વ અને શક્તિના સ્તર પર નજીવી અસર કરે છે. બંને વસ્તીના ભિન્નતાની એકરૂપતાની ધારણાનું ઉલ્લંઘન જેમાંથી નમૂના લેવામાં આવ્યા છે. પણ નજીવા, પરંતુ માત્ર એવા કિસ્સામાં જ્યારે નમૂનાના કદ સમાન હોય. જો બંને વસ્તીના ભિન્નતા એકબીજાથી અલગ હોય, તો પ્રથમ અને બીજા પ્રકારની ભૂલોની સંભાવનાઓ અપેક્ષિત કરતા નોંધપાત્ર રીતે અલગ હશે. આ કિસ્સામાં, માપદંડનો ઉપયોગ ચકાસવા માટે થવો જોઈએ (7)
સ્વતંત્રતાની ડિગ્રીની સંખ્યા સાથે . (8)
નિયમ પ્રમાણે, તે અપૂર્ણાંક સંખ્યા હોવાનું બહાર આવ્યું છે, તેથી, ટી-વિતરણ કોષ્ટકોનો ઉપયોગ કરતી વખતે, નજીકના પૂર્ણાંક મૂલ્યો માટે કોષ્ટક મૂલ્યો લેવા અને તેને અનુરૂપ t શોધવા માટે ઇન્ટરપોલેટ કરવું જરૂરી છે. એક મેળવ્યું. ચાલો એક ઉદાહરણ જોઈએ. લેક દેડકાની બે પેટાજાતિઓનો અભ્યાસ કરતી વખતે, શરીરની લંબાઈ અને ટિબિયા લંબાઈના ગુણોત્તરની ગણતરી કરવામાં આવી હતી. વોલ્યુમ = 49 અને = 27 સાથે બે નમૂના લેવામાં આવ્યા હતા. અમે જે સંબંધમાં રસ ધરાવીએ છીએ તેના અર્થ અને ભિન્નતા અનુક્રમે, સમાન હોવાનું બહાર આવ્યું, =2.34; =2.08; =0.21; =0.35. જો આપણે હવે સૂત્ર (2) નો ઉપયોગ કરીને પૂર્વધારણાનું પરીક્ષણ કરીએ, તો આપણે તે મેળવીએ છીએ =0.05 ના મહત્વના સ્તરે, આપણે શૂન્ય પૂર્વધારણાને નકારી કાઢવી જોઈએ (ટેબ્યુલેટેડ મૂલ્ય t = 1.995) અને ધારવું જોઈએ કે દેડકાની બે પેટાજાતિઓ માટે માપેલા પરિમાણોના સરેરાશ મૂલ્યો વચ્ચે પસંદ કરેલા મહત્વના સ્તરે આંકડાકીય રીતે નોંધપાત્ર તફાવત છે. . ફોર્મ્યુલાનો ઉપયોગ કરતી વખતે (6) અને (7) આપણી પાસે હોય છે આ કિસ્સામાં, સમાન મહત્વ સ્તર = 0.05 માટે, કોષ્ટક મૂલ્ય t=2.015 છે, અને શૂન્ય પૂર્વધારણા સ્વીકારવામાં આવે છે. આ ઉદાહરણ સ્પષ્ટપણે દર્શાવે છે કે કોઈ ચોક્કસ માપદંડ મેળવતી વખતે અપનાવવામાં આવેલી શરતોની અવગણના કરવાથી એવા પરિણામો આવી શકે છે જે વાસ્તવમાં થાય છે તેનાથી વિરુદ્ધ હોય છે. અલબત્ત, આ કિસ્સામાં, પૂર્વ-સ્થાપિત હકીકતની ગેરહાજરીમાં વિવિધ કદના નમૂનાઓ હોવાને કારણે કે બંને વસ્તીમાં માપવામાં આવેલા સૂચકના તફાવતો આંકડાકીય રીતે સમાન છે, તે ફોર્મ્યુલા (7) અને (8) નો ઉપયોગ કરવો જરૂરી હતું, જે આંકડાકીય રીતે નોંધપાત્ર તફાવતોની ગેરહાજરી દર્શાવે છે. તેથી, હું ફરી એક વાર પુનરાવર્તિત કરવા માંગુ છું કે ચોક્કસ માપદંડ મેળવતી વખતે કરવામાં આવેલી તમામ ધારણાઓનું પાલન તપાસવું એ તેના સાચા ઉપયોગ માટે એકદમ જરૂરી શરત છે. ટી-ટેસ્ટના ઉપરોક્ત બંને ફેરફારોમાં સતત જરૂરિયાત એ જરૂરી હતી કે નમૂનાઓ એકબીજાથી સ્વતંત્ર હોય. જો કે, વ્યવહારમાં ઘણી વાર એવી પરિસ્થિતિઓ હોય છે જ્યારે ઉદ્દેશ્ય કારણોસર આ જરૂરિયાત પૂરી કરી શકાતી નથી. ઉદાહરણ તરીકે, કેટલાક સૂચકાંકો એક જ પ્રાણી અથવા પ્રદેશના ક્ષેત્ર પર બાહ્ય પરિબળની ક્રિયા પહેલાં અને પછી માપવામાં આવે છે, વગેરે. અને આ કિસ્સાઓમાં અમને પૂર્વધારણાને ચકાસવામાં રસ હોઈ શકે છે. અમે એમ માનવાનું ચાલુ રાખીશું કે બંને નમૂનાઓ સમાન ભિન્નતા સાથે સામાન્ય વસ્તીમાંથી લેવામાં આવ્યા છે. આ કિસ્સામાં, અમે એ હકીકતનો લાભ લઈ શકીએ છીએ કે સામાન્ય રીતે વિતરિત જથ્થાઓ વચ્ચેના તફાવતનું પણ સામાન્ય વિતરણ હોય છે, અને તેથી અમે (1) ના સ્વરૂપમાં વિદ્યાર્થીની ટી ટેસ્ટનો ઉપયોગ કરી શકીએ છીએ. આમ, પૂર્વધારણાનું પરીક્ષણ કરવામાં આવશે કે n તફાવત એ સામાન્ય રીતે વિતરિત વસ્તીમાંથી એક નમૂનો છે જેની સરેરાશ શૂન્ય બરાબર છે. દ્વારા i-th તફાવત દર્શાવતા, અમારી પાસે છે , (9) ચાલો એક ઉદાહરણ જોઈએ. ઉત્તેજનાની ક્રિયા પહેલાં () અને પછી () ચોક્કસ સમય અંતરાલ દરમિયાન વ્યક્તિગત ચેતા કોષના આવેગની સંખ્યા પરના અમારા નિકાલનો ડેટા છે: આથી, ધ્યાનમાં રાખીને કે (9)માં t-વિતરણ છે, અને = 0.01 નું મહત્વ સ્તર પસંદ કરીને, પરિશિષ્ટમાંના અનુરૂપ કોષ્ટકમાંથી આપણે શોધીએ છીએ કે n-1=10-1=9 ડિગ્રી માટે t નું નિર્ણાયક મૂલ્ય સ્વતંત્રતા 3.25 છે. સૈદ્ધાંતિક અને પ્રયોગમૂલક ટી-આંકડાઓની સરખામણી દર્શાવે છે કે ઉત્તેજના પહેલાં અને પછી ફાયરિંગ દરો વચ્ચે કોઈ આંકડાકીય રીતે નોંધપાત્ર તફાવત ન હોવાની નલ પૂર્વધારણાને નકારવી જોઈએ. તે નિષ્કર્ષ પર આવી શકે છે કે આંકડાકીય રીતે ઉપયોગમાં લેવાતા ઉત્તેજના આવેગની આવૃત્તિમાં નોંધપાત્ર ફેરફાર કરે છે. પ્રાયોગિક અભ્યાસોમાં, ઉપર જણાવ્યા મુજબ, આશ્રિત નમૂનાઓ ઘણી વાર દેખાય છે. જો કે, આ હકીકતને ક્યારેક અવગણવામાં આવે છે અને ટી-ટેસ્ટનો ફોર્મ (3) માં ખોટી રીતે ઉપયોગ કરવામાં આવે છે. અસંબંધિત અને સહસંબંધિત માધ્યમો વચ્ચેના તફાવતની પ્રમાણભૂત ભૂલોને ધ્યાનમાં લઈને આની અયોગ્યતા જોઈ શકાય છે. પ્રથમ કિસ્સામાં અને બીજામાં તફાવત d ની પ્રમાણભૂત ભૂલ છે આને ધ્યાનમાં લેતા, (9) માં છેદનું સ્વરૂપ હશે હવે ચાલો એ હકીકત પર ધ્યાન આપીએ કે અભિવ્યક્તિના અંશ (4) અને (9) એકરૂપ થાય છે: તેથી, તેમાં t ના મૂલ્યમાં તફાવત છેદ પર આધાર રાખે છે. આમ, જો ફોર્મ્યુલા (3) નો ઉપયોગ આશ્રિત નમૂનાઓની સમસ્યામાં કરવામાં આવે છે, અને નમૂનાઓનો સકારાત્મક સંબંધ છે, તો પરિણામી t મૂલ્યો સૂત્ર (9) નો ઉપયોગ કરતી વખતે હોવી જોઈએ તે કરતાં ઓછી હશે, અને પરિસ્થિતિ ઊભી થઈ શકે છે. જ્યાં શૂન્ય પૂર્વધારણા જ્યારે તે ખોટી હોય ત્યારે સ્વીકારવામાં આવશે. જ્યારે નમૂનાઓ વચ્ચે નકારાત્મક સહસંબંધ હોય ત્યારે વિપરીત પરિસ્થિતિ ઊભી થઈ શકે છે, એટલે કે. આ કિસ્સામાં, તફાવતોને નોંધપાત્ર તરીકે ઓળખવામાં આવશે જે હકીકતમાં નથી. ચાલો આવેગ પ્રવૃત્તિ સાથેના ઉદાહરણ પર ફરી પાછા ફરીએ અને નમૂનાઓ સંબંધિત છે તે હકીકત પર ધ્યાન ન આપતા, ફોર્મ્યુલા (3) નો ઉપયોગ કરીને આપેલ ડેટા માટે t મૂલ્યની ગણતરી કરીએ. અમારી પાસે છે: 18 ની સમાન સ્વતંત્રતાની ડિગ્રીની સંખ્યા માટે, અને મહત્વ સ્તર = 0.01 માટે, કોષ્ટક મૂલ્ય t = 2.88 છે અને, પ્રથમ નજરમાં, એવું લાગે છે કે કંઈપણ થયું નથી, ભલે તે ફોર્મ્યુલાનો ઉપયોગ કરતી વખતે જે અયોગ્ય હોય. આપેલ શરતો. અને આ કિસ્સામાં, ગણતરી કરેલ ટી મૂલ્ય નલ પૂર્વધારણાના અસ્વીકાર તરફ દોરી જાય છે, એટલે કે. એ જ નિષ્કર્ષ પર કે જે સૂત્ર (9) નો ઉપયોગ કરીને બનાવવામાં આવ્યું હતું, આ પરિસ્થિતિમાં યોગ્ય. જો કે, ચાલો હાલના ડેટાને ફરીથી ફોર્મેટ કરીએ અને તેને નીચેના ફોર્મમાં રજૂ કરીએ (2): આ સમાન મૂલ્યો છે, અને તેઓ એક પ્રયોગમાં સારી રીતે મેળવી શકાય છે. બંને નમૂનાઓમાંના તમામ મૂલ્યો સચવાયેલા હોવાથી, ફોર્મ્યુલા (3) માં વિદ્યાર્થીની ટી ટેસ્ટનો ઉપયોગ કરવાથી અગાઉ મેળવેલ મૂલ્ય = 3.32 મળે છે અને તે જ નિષ્કર્ષ તરફ દોરી જાય છે જે પહેલાથી જ બનાવવામાં આવ્યું છે. હવે ચાલો ફોર્મ્યુલા (9) નો ઉપયોગ કરીને t ની કિંમતની ગણતરી કરીએ, જેનો આ કિસ્સામાં ઉપયોગ કરવો જોઈએ. અમારી પાસે છે: પસંદ કરેલ મહત્વના સ્તરે t નું નિર્ણાયક મૂલ્ય અને સ્વતંત્રતાના નવ ડિગ્રી 3.25 છે. પરિણામે, અમારી પાસે શૂન્ય પૂર્વધારણાને નકારવાનું કોઈ કારણ નથી, અમે તેને સ્વીકારીએ છીએ, અને તે તારણ આપે છે કે આ નિષ્કર્ષ ફોર્મ્યુલા (3) નો ઉપયોગ કરતી વખતે કરવામાં આવી હતી તેની વિરુદ્ધ છે. આ ઉદાહરણનો ઉપયોગ કરીને, અમને ફરી એકવાર ખાતરી થઈ કે પ્રાયોગિક ડેટાનું વિશ્લેષણ કરતી વખતે સાચા તારણો મેળવવા માટે ચોક્કસ માપદંડ નક્કી કરવા માટેનો આધાર હતો તે તમામ આવશ્યકતાઓનું સખતપણે પાલન કરવું કેટલું મહત્વપૂર્ણ છે. વિદ્યાર્થીની કસોટીમાં ધ્યાનમાં લેવાયેલા ફેરફારોનો હેતુ બે નમૂનાઓની સરેરાશ સંબંધિત પૂર્વધારણાઓ ચકાસવા માટે છે. જો કે, પરિસ્થિતિઓ ઊભી થાય છે જ્યારે તે જ સમયે k સરેરાશની સમાનતા સંબંધિત તારણો કાઢવા જરૂરી બને છે. આ કેસ માટે, એક ચોક્કસ આંકડાકીય પ્રક્રિયા પણ વિકસાવવામાં આવી છે, જે વિભિન્નતાના વિશ્લેષણ સાથે સંબંધિત મુદ્દાઓની ચર્ચા કરતી વખતે પછીથી ચર્ચા કરવામાં આવશે. 2 ભિન્નતાઓ માટે સારીતા-ઓફ-ફીટ પરીક્ષણો વસ્તીના ભિન્નતા સંબંધિત આંકડાકીય પૂર્વધારણાઓનું પરીક્ષણ સરેરાશની જેમ જ ક્રમમાં હાથ ધરવામાં આવે છે. ચાલો આ ક્રમને સંક્ષિપ્તમાં યાદ કરીએ. 1. એક શૂન્ય પૂર્વધારણા ઘડવામાં આવે છે (સરખામી ભિન્નતા વચ્ચે આંકડાકીય રીતે નોંધપાત્ર તફાવતોની ગેરહાજરી વિશે). 2. આંકડાઓના નમૂના વિતરણ અંગે કેટલીક ધારણાઓ કરવામાં આવે છે જેની સાથે તે પૂર્વધારણામાં સમાવિષ્ટ પરિમાણનો અંદાજ કાઢવાનું આયોજન કરવામાં આવ્યું છે. 3. પૂર્વધારણાના પરીક્ષણ માટે મહત્ત્વનું સ્તર પસંદ કરવામાં આવ્યું છે. 4. અમને રુચિના આંકડાનું મૂલ્ય ગણવામાં આવે છે અને નલ પૂર્વધારણાની સત્યતા અંગે નિર્ણય લેવામાં આવે છે. હવે ચાલો પૂર્વધારણાનું પરીક્ષણ કરીને શરૂ કરીએ કે વસ્તીનો તફાવત =a, એટલે કે. સામે જો આપણે ધારીએ કે ચલ x નું સામાન્ય વિતરણ છે અને કદ n નો નમૂનો વસ્તીમાંથી અવ્યવસ્થિત રીતે દોરવામાં આવ્યો છે, તો આંકડાનો ઉપયોગ નલ પૂર્વધારણાને ચકાસવા માટે થાય છે. (10)
વિક્ષેપની ગણતરી માટેના સૂત્રને યાદ રાખીને, અમે નીચે પ્રમાણે (10) ફરીથી લખીએ છીએ: . (11)
આ અભિવ્યક્તિ પરથી તે સ્પષ્ટ છે કે અંશ એ તેમના સરેરાશમાંથી સામાન્ય રીતે વિતરિત મૂલ્યોના વિચલનોના વર્ગોનો સરવાળો છે. આ દરેક વિચલનો પણ સામાન્ય રીતે વિતરિત થાય છે. તેથી, અમને જાણીતા વિતરણ અનુસાર, આંકડા (10) અને (11) ના સામાન્ય રીતે વિતરિત મૂલ્યોના વર્ગોનો સરવાળો સ્વતંત્રતાના n-1 ડિગ્રી સાથે -વિતરણ ધરાવે છે. ટી-વિતરણના ઉપયોગ સાથે સામ્યતા દ્વારા, પસંદ કરેલ મહત્વના સ્તરની તપાસ કરતી વખતે, વિતરણ કોષ્ટકમાંથી નિર્ણાયક બિંદુઓ સ્થાપિત કરવામાં આવે છે, જે નલ પૂર્વધારણાને સ્વીકારવાની સંભાવનાઓને અનુરૂપ છે અને. પસંદ કરેલ માટે વિશ્વાસ અંતરાલ નીચે પ્રમાણે બાંધવામાં આવે છે: . (12)
ચાલો એક ઉદાહરણ જોઈએ. ચાલો, વ્યાપક પ્રાયોગિક સંશોધનના આધારે, ધારીએ કે ચોક્કસ વિસ્તારમાંથી એક છોડની પ્રજાતિના આલ્કલોઇડ સામગ્રીનું વિક્ષેપ 4.37 પરંપરાગત એકમો જેટલું છે. નિષ્ણાત પાસે તેમના નિકાલ પર n = 28 આવા છોડના નમૂના છે, સંભવતઃ તે જ વિસ્તારમાંથી. વિશ્લેષણ દર્શાવે છે કે આ નમૂના માટે =5.01 અને અમારે એ સુનિશ્ચિત કરવાની જરૂર છે કે આ અને અગાઉ જાણીતા ભિન્નતા આંકડાકીય રીતે મહત્વના સ્તરે અસ્પષ્ટ છે = 0.1. સૂત્ર (10) મુજબ આપણી પાસે છે પરિણામી મૂલ્યની તુલના નિર્ણાયક મૂલ્યો /2=0.05 અને 1--/2=0.95 સાથે થવી જોઈએ. સ્વતંત્રતાના 27 ડિગ્રી સાથેના પરિશિષ્ટ કોષ્ટકમાંથી અમારી પાસે અનુક્રમે 40.1 અને 16.2 છે, જેનો અર્થ છે કે શૂન્ય પૂર્વધારણા સ્વીકારી શકાય છે. માટે અનુરૂપ આત્મવિશ્વાસ અંતરાલ 3.37 છે<<8,35.
વિદ્યાર્થીઓની કસોટીનો ઉપયોગ કરીને નમૂનાના અર્થને લગતી પૂર્વધારણાઓનું પરીક્ષણ કરતા વિપરીત, જ્યારે વસ્તીના સામાન્ય વિતરણની ધારણાનું ઉલ્લંઘન કરવામાં આવ્યું ત્યારે પ્રથમ અને બીજા પ્રકારની ભૂલો નોંધપાત્ર રીતે બદલાઈ ન હતી, જ્યારે સામાન્યતાની શરતો ન હતી ત્યારે ભિન્નતા વિશેની પૂર્વધારણાઓના કિસ્સામાં. મળ્યા, ભૂલો નોંધપાત્ર રીતે બદલાઈ ગઈ. અમુક નિશ્ચિત મૂલ્યમાં તફાવતની સમાનતા વિશે ઉપર ધ્યાનમાં લેવામાં આવેલી સમસ્યા મર્યાદિત રુચિની છે, કારણ કે જ્યારે વસ્તીનો તફાવત જાણીતો હોય ત્યારે પરિસ્થિતિઓ ખૂબ જ દુર્લભ હોય છે. જ્યારે તમારે બે વસ્તીના ભિન્નતા સમાન છે કે કેમ તે તપાસવાની જરૂર હોય ત્યારે વધુ રસ એ છે, એટલે કે. વૈકલ્પિક સામે પૂર્વધારણાનું પરીક્ષણ. એવું માનવામાં આવે છે કે કદના નમૂનાઓ અને ભિન્નતા સાથે સામાન્ય વસ્તીમાંથી રેન્ડમલી દોરવામાં આવે છે અને. શૂન્ય પૂર્વધારણાને ચકાસવા માટે, ફિશરના વેરિઅન્સ રેશિયો ટેસ્ટનો ઉપયોગ થાય છે (13)
સામાન્ય રીતે વિતરિત રેન્ડમ ચલોના વર્ગ વિચલનોનો સરવાળો તેમના માધ્યમથી વહેંચાયેલો હોવાથી, (13) ના અંશ અને છેદ બંને અનુક્રમે વિભાજિત મૂલ્યો છે અને તેથી તેમના ગુણોત્તરમાં -1 અને સાથે F-વિતરણ છે. સ્વતંત્રતાની -1 ડિગ્રી. તે સામાન્ય રીતે સ્વીકારવામાં આવે છે - અને આ રીતે F-વિતરણ કોષ્ટકો બાંધવામાં આવે છે - કે સૌથી મોટા ભિન્નતાને (13) માં અંશ તરીકે લેવામાં આવે છે, અને તેથી માત્ર એક નિર્ણાયક બિંદુ નક્કી કરવામાં આવે છે, પસંદ કરેલ મહત્વ સ્તરને અનુરૂપ. ચાલો આપણી પાસે સામાન્ય અને અંડાકાર તળાવના ગોકળગાયની વસ્તીમાંથી વોલ્યુમ =11 અને =28 ના બે નમૂનાઓ છે, જેના માટે ઊંચાઈ-થી-પહોળાઈના ગુણોત્તરમાં ભિન્નતા = 0.59 અને =0.38 છે. = 0.05 ના મહત્વના સ્તરે અભ્યાસ કરવામાં આવતી વસ્તી માટે આ સૂચકોના આ ભિન્નતાઓની સમાનતા વિશેની પૂર્વધારણાને ચકાસવી જરૂરી છે. અમારી પાસે છે સાહિત્યમાં, તમે ક્યારેક એવું નિવેદન શોધી શકો છો કે વિદ્યાર્થીઓની કસોટીનો ઉપયોગ કરીને માધ્યમોની સમાનતા વિશેની પૂર્વધારણાનું પરીક્ષણ કરતા પહેલા ભિન્નતાની સમાનતા વિશેની પૂર્વધારણાનું પરીક્ષણ કરવું જોઈએ. આ ખોટી ભલામણ છે. તદુપરાંત, તે ભૂલો તરફ દોરી શકે છે જેને અનુસરવામાં ન આવે તો ટાળી શકાય છે. ખરેખર, ફિશરની કસોટીનો ઉપયોગ કરીને ભિન્નતાની સમાનતાની પૂર્વધારણાને ચકાસવાના પરિણામો મોટાભાગે એ ધારણા પર આધાર રાખે છે કે નમૂનાઓ સામાન્ય વિતરણ સાથે વસ્તીમાંથી લેવામાં આવ્યા છે. તે જ સમયે, વિદ્યાર્થીની કસોટી સામાન્યતાના ઉલ્લંઘન માટે અસંવેદનશીલ છે, અને જો સમાન કદના નમૂનાઓ મેળવવાનું શક્ય છે, તો ભિન્નતાની સમાનતાની ધારણા પણ નોંધપાત્ર નથી. અસમાન n ના કિસ્સામાં, ચકાસણી માટે સૂત્રો (7) અને (8) નો ઉપયોગ કરવો જોઈએ. ભિન્નતાની સમાનતા વિશેની પૂર્વધારણાઓનું પરીક્ષણ કરતી વખતે, આશ્રિત નમૂનાઓ સાથે સંકળાયેલી ગણતરીઓમાં કેટલીક વિશેષતાઓ ઊભી થાય છે. આ કિસ્સામાં, આંકડાઓનો ઉપયોગ વૈકલ્પિક વિરુદ્ધ પૂર્વધારણાને ચકાસવા માટે થાય છે (14)
જો શૂન્ય પૂર્વધારણા સાચી હોય, તો આંકડા (14) સ્વતંત્રતાના n-2 ડિગ્રી સાથે વિદ્યાર્થી ટી-વિતરણ ધરાવે છે. 35 કોટિંગ નમૂનાઓના ચળકાટને માપતી વખતે, = 134.5 નું વિક્ષેપ પ્રાપ્ત થયું હતું. બે અઠવાડિયા પછી પુનરાવર્તિત માપન =199.1 દર્શાવે છે. આ કિસ્સામાં, જોડી કરેલ માપ વચ્ચેનો સહસંબંધ ગુણાંક = 0.876 ની બરાબર હોવાનું બહાર આવ્યું. જો આપણે એ હકીકતને અવગણીએ કે નમૂનાઓ નિર્ભર છે અને પૂર્વધારણાને ચકાસવા માટે ફિશર ટેસ્ટનો ઉપયોગ કરીએ છીએ, તો અમને F=1.48 મળશે. જો તમે =0.05 નું મહત્વ સ્તર પસંદ કરો છો, તો નલ પૂર્વધારણા સ્વીકારવામાં આવશે, કારણ કે =35-1=34 અને =35-1=34 ડિગ્રી સ્વતંત્રતા માટે F-વિતરણનું નિર્ણાયક મૂલ્ય 1.79 છે. તે જ સમયે, જો આપણે આ કેસ માટે યોગ્ય ફોર્મ્યુલા (14) નો ઉપયોગ કરીએ, તો આપણે t = 2.35 મેળવીએ છીએ, જ્યારે 33 ડિગ્રી સ્વતંત્રતા માટે t નું નિર્ણાયક મૂલ્ય અને પસંદ કરેલ મહત્વ સ્તર = 0.05 2.03 ની બરાબર છે. તેથી, બે નમૂનાઓમાં સમાન ભિન્નતાની શૂન્ય પૂર્વધારણાને નકારવી જોઈએ. આમ, આ ઉદાહરણમાંથી તે સ્પષ્ટ છે કે, સાધનની સમાનતાની પૂર્વધારણાના પરીક્ષણના કિસ્સામાં, પ્રાયોગિક ડેટાની વિશિષ્ટતાઓને ધ્યાનમાં લેતા નથી તેવા માપદંડનો ઉપયોગ ભૂલ તરફ દોરી જાય છે. ભલામણ કરેલ સાહિત્યમાં તમે બાર્ટલેટ ટેસ્ટ શોધી શકો છો, જેનો ઉપયોગ k ભિન્નતાઓની એક સાથે સમાનતા વિશેની પૂર્વધારણાઓ ચકાસવા માટે થાય છે. આ માપદંડના આંકડાઓની ગણતરી કરવી એ ખૂબ કપરું છે તે ઉપરાંત, આ માપદંડનો મુખ્ય ગેરલાભ એ છે કે તે વસ્તીના સામાન્ય વિતરણની ધારણામાંથી વિચલનો માટે અસામાન્ય રીતે સંવેદનશીલ છે કે જેમાંથી નમૂનાઓ દોરવામાં આવે છે. આમ, તેનો ઉપયોગ કરતી વખતે, તમે ક્યારેય ખાતરી કરી શકતા નથી કે શૂન્ય પૂર્વધારણા વાસ્તવમાં નકારી કાઢવામાં આવી છે કારણ કે ભિન્નતા આંકડાકીય રીતે નોંધપાત્ર રીતે અલગ છે, અને એટલા માટે નહીં કે નમૂનાઓ સામાન્ય રીતે વિતરિત કરવામાં આવતાં નથી. તેથી, જો વિવિધ ભિન્નતાઓની તુલના કરવાની સમસ્યા ઊભી થાય, તો તે સમસ્યાનું સૂત્ર શોધવું જરૂરી છે જ્યાં ફિશર માપદંડ અથવા તેના ફેરફારોનો ઉપયોગ કરવો શક્ય બનશે. 3 શેર સંબંધિત કરાર માટે માપદંડ ઘણી વાર વસ્તીનું વિશ્લેષણ કરવું જરૂરી છે જેમાં વસ્તુઓને બેમાંથી એક કેટેગરીમાં વર્ગીકૃત કરી શકાય છે. ઉદાહરણ તરીકે, ચોક્કસ વસ્તીમાં લિંગ દ્વારા, જમીનમાં ચોક્કસ ટ્રેસ તત્વની હાજરી દ્વારા, પક્ષીઓની કેટલીક પ્રજાતિઓમાં ઇંડાના ઘાટા અથવા આછો રંગ વગેરે. અમે P દ્વારા ચોક્કસ ગુણવત્તા ધરાવતા તત્વોના પ્રમાણને દર્શાવીએ છીએ, જ્યાં P એ એકંદરમાંના તમામ ઑબ્જેક્ટ્સમાં અમને રસ હોય તેવી ગુણવત્તા સાથે ઑબ્જેક્ટના ગુણોત્તરને રજૂ કરે છે.
જ્યાં