મન-વ્હીટની પરીક્ષણ: એક ઉદાહરણ ટેબલ

ગાણિતિક આંકડાશાસ્ત્રમાં માપદંડ - એક કડક નિયમ ધારણા એવી છે કે મહત્વ ચોક્કસ સ્તર સ્વીકૃત થાય અથવા નકારવામાં આવે અનુસાર. બિલ્ડ કરવા માટે, તમે ચોક્કસ કાર્ય શોધી કરવાની જરૂર છે. તે પ્રયોગ, કે આદર્શ નક્કી કિંમતો પરથી બન્યો છે, અંતિમ પરિણામો પર આધાર રાખે છે જોઇએ. તે આ લક્ષણ નમૂનાઓ વચ્ચે તફાવત આકારણી સાધન હશે.

આંકડાકીય રીતે નોંધપાત્ર મૂલ્ય. અવલોકન

આંકડાકીય મહત્વ - તક ઘટના સંભાવના કિંમત ખૂબ જ ઓછી છે. વધુ આત્યંતિક અને કંપનીની કામગીરીને તેના કારણ કે તુચ્છ. તફાવત કેસ જ્યાં ડેટા, સંભાવના જે નહિવત્ છે જો એ દાવો છે કે આ તફાવતો અસ્તિત્વમાં નથી ત્યાં છે આંકડાકિય રીતે મહત્વનો કહેવામાં આવે છે. પરંતુ આ અર્થ એ નથી કે આ તફાવતને જરૂરી મોટી અને નોંધપાત્ર હોવા જોઈએ.

આંકડાકીય મહત્વ પરીક્ષણ સ્તર

આ શબ્દ શક્યતા સમજવુ જોઇએ તેના સત્ય કિસ્સામાં નલ પૂર્વધારણા નકારે છે. આ પણ પ્રથમ પ્રકારની, અથવા ખોટા હકારાત્મક નિર્ણય કરતી વખતે એક ભૂલ કહેવામાં આવે છે. મોટા ભાગના કિસ્સાઓમાં, પ્રક્રિયા પી કિંમત ( "PI કિંમત") પર આધારિત છે. આંકડાકીય પરીક્ષણ સ્તર નિરીક્ષણ કરીને આ સંચિત સંભાવના. તેમણે બદલામાં, નલ પૂર્વધારણા દત્તક સમયે એક નમૂનો છે. જો પી કિંમત જાહેર સ્તર વિશ્લેષક કરતાં ઓછી છે સૂચન નકારવામાં આવશે. આ આંકડો સીધું આધાર રાખે છે મહત્વ પરીક્ષણ મૂલ્યો: નાના છે, અનુક્રમે, અને વધુ પૂર્વધારણા નકારવા કારણ. મહત્વ સ્તર સામાન્ય રીતે પત્ર બી (આલ્ફા) દ્વારા સૂચિત કરવામાં આવે છે. નિષ્ણાતો વચ્ચે લોકપ્રિય આંકડા: 0.1% 1% 5% અને 10%. જો, ઉદાહરણ તરીકે, જણાવ્યું હતું કે મેચ શક્યતા 1000 માં 1 છે, તો પછી ચોક્કસપણે અમે રેન્ડમ ચલ આંકડાકીય મહત્વ 0.1% સ્તર વિશે વાત કરવામાં આવે છે. અલગ અર્થ ખ સ્તરો પોતાના ગુણદોષ છે. જો ઇન્ડેક્સ ઓછો પછી વધારે શક્યતા છે કે વૈકલ્પિક પૂર્વધારણા નોંધપાત્ર છે. આ એક જોખમ છે કે ખોટા નલ પૂર્વધારણા નથી નકારવામાં આવ્યો છે હોઈ શકે છે, તેમ છતાં. નિષ્કર્ષ તે છે કરી શકાય છે શ્રેષ્ઠ બી-સ્તર પસંદગી ખોટા હકારાત્મક અને ખોટા નકારાત્મક નિર્ણય સમાધાન સંભાવના અનુક્રમે "શક્તિ મહત્વ" અથવા, સંતુલન પર આધાર રાખે છે. "સ્ટેસ્ટીકલ" રશિયન સાહિત્યના પર્યાય શબ્દ "પ્રમાણભૂતતા" છે.

નલ પૂર્વધારણા નિર્ધારણમાં

ગાણિતિક આંકડા, આ ધારણા હાથમાં હાલની આનુભાવિક પુરાવો સાથે સુસંગતતા માટે ચકાસેલ છે. મોટા ભાગના કિસ્સાઓમાં, નલ પૂર્વધારણા છે તેવી પૂર્વધારણા છે અભ્યાસ ચલો વચ્ચે સહસંબંધ ગુમ થયેલ હોય કે વિતરણ એકરૂપતા તફાવતો અભ્યાસ કરવાની જરૂર નથી લેવામાં આવે છે. ધોરણ સંશોધન ગણિતશાસ્ત્રી નલ પૂર્વધારણા ખંડન, એટલે કે સાબિત કરે છે કે તે પ્રાયોગિક તારણો સાથે સુસંગત નથી પ્રયાસ કરી હેઠળ. અને સ્થળ અને એક વૈકલ્પિક ધારણા એવી છે કે શૂન્ય બદલે સ્વીકારવામાં આવે છે લેવા માટે.

કી વ્યાખ્યાઓ

માપદંડ યુ (મન-વ્હીટની) માં ગાણિતિક આંકડા બે નમૂનાઓ વચ્ચે તફાવત મૂલ્યાંકન માટે પરવાનગી આપે છે. તેઓ એક લક્ષણ છે કે જે જથ્થાત્મક માપવામાં આવે સ્તર પર આપી શકાય છે. આ પદ્ધતિ નાના નમૂનાઓની તફાવતો મૂલ્યાંકન માટે આદર્શ છે. આ સરળ માપદંડ 1945 માં ફ્રેન્ક Wilcoxon દ્વારા દરખાસ્ત કરવામાં આવી હતી. અને 1947 માં પહેલેથી જ પદ્ધતિ સુધારો અને વૈજ્ઞાનિકો એચ બી મન અને ડી આર Uitni, નામો જે તે આ દિવસ કહેવાય છે પૂરક કરવામાં આવી છે. મનોવિજ્ઞાન, ગણિત, આંકડાશાસ્ત્ર, અને ઘણા અન્ય વિજ્ઞાનમાં મન-વ્હીટની પરીક્ષણ સૈદ્ધાંતિક સંશોધન ગાણિતિક પાયો મૂળભૂત તત્વો પૈકીનું એક છે.

વર્ણન

મન-વ્હીટની - પરિમાણો વગર પ્રમાણમાં સરળ પદ્ધતિ છે. તેની ક્ષમતા નોંધપાત્ર છે. તે શક્તિ રોસેનબૌમ ક્યૂ-પરીક્ષણ કરતાં નોંધપાત્ર રીતે વધારે છે. પદ્ધતિ આકારણી કેવી રીતે નાના એટલે કે પ્રથમ અને બીજા પસંદગીઓ ક્રમે મૂલ્યો પંક્તિઓ વચ્ચે નમૂનાઓ વચ્ચે ક્રોસ મૂલ્યો, વિસ્તાર છે. કિંમત માપદંડ, વધુ શક્યતા છે કે પેરામીટર મૂલ્યો માન્ય તફાવતો છે કરતાં ઓછી છે. યોગ્ય રીતે માપદંડ યુ (મન-વ્હીટની) લાગુ કરવા માટે, કેટલાક પ્રતિબંધો વિશે ભૂલશો નહિં. દરેક નમૂના ઓછામાં ઓછા 3 લાક્ષણિકતા કિંમત હોવી જોઈએ. એ શક્ય છે કે એક કેસમાં બે મૂલ્યો, પરંતુ બીજી વખત તેઓ જરૂરી ઓછામાં ઓછા પાંચ હોવી જોઈએ. પરીક્ષણ નમૂનાઓમાં એકાકાર સંકેતો ન્યૂનતમ સંખ્યા હોવી આવશ્યક છે. બધા નંબરો આદર્શ કેસ અલગ જ હોવી જોઈએ.

ઉપયોગ

કેવી રીતે યોગ્ય રીતે મન-વ્હીટની કસોટી વાપરવા માંગો છો? ટેબલ, કે જે આ પદ્ધતિ દ્વારા કરવામાં આવે છે ચોક્કસ જટિલ કિંમત સમાવેશ થાય છે. પ્રથમ તમે બે મેળ ખાતી નમૂનાઓ, જે પછી ક્રમાંક આપવામાં આવે છે એક જૂથ બનાવવાની જરૂર છે. તે તત્વો લક્ષણ અને નીચલા કક્ષાના વધારો ડિગ્રી અનુસાર ગોઠવાયેલા હોય છે, નાના કિંમત સોંપવામાં આવી છે. પરિણામે, અમે ગ્રેડ કુલ નંબર મેળવવા:

એન = N1 + N2,

જ્યાં મૂલ્યો N1 અને N2 - અનુક્રમે પ્રથમ અને બીજા નમૂનાઓમાં સમાયેલ એકમોની સંખ્યા. વધુમાં, એક મો ક્રમાંક કિંમતો બે વિભાગમાં વહેંચવામાં આવે છે. એકમો, અનુક્રમે પ્રથમ અને બીજા નમૂનાઓ. હવે ગણવામાં પ્રથમ અને બીજા પંક્તિઓ મૂલ્યોની રેન્ક રકમ ચાલુ કરો. તે તેમાંના મોટા ભાગના (TX) નક્કી જે NX એકમો સાથે એક નમૂનો અનુલક્ષે છે. વધુ Wilcoxon પદ્ધતિનો ઉપયોગ કરવા માટે, તેની કિંમત નીચેના પ્રક્રિયા દ્વારા ગણવામાં આવે છે. ટેબલ ખાસ લેવામાં N1 અને N2 બદલ વિવેચકોની માપદંડ મહત્ત્વને પસંદગી સ્તર નક્કી કરવા માટે તે જરૂરી છે. પરિણામી ઘટક કરતાં ઓછા અથવા ટેબલ પરથી કિંમત બરાબર હોઈ શકે છે. આ કિસ્સામાં, એક નોંધપાત્ર તફાવત અભ્યાસ નમૂના લક્ષણ સ્તર નક્કી કરવામાં આવે છે. જો પરિણામી કિંમતો ટેબલ કરતા વધારે છે, તો પછી નલ પૂર્વધારણા સ્વીકારવામાં આવતી નથી. જ્યારે ગણતરી મન-વ્હીટની પરીક્ષણ કરવામાં આવે છે, તે નોંધવું જોઇએ કે જો નલ પૂર્વધારણા સાચું છે, માપદંડ હશે અપેક્ષા વિક્ષેપ તેમજ. નોંધો કે ડેટાને નમૂનાઓ મોટા વોલ્યુમો માટે પદ્ધતિ લગભગ સામાન્ય વિતરણ ગણવામાં આવે છે. તફાવતો મહત્વ વધારે છે, મૂલ્ય ન્યૂનતમ મન-વ્હીટની કસોટી બની જાય છે.