📚#سفر_به_دنیای_کتاب_ها
🎙🎙🎙هنر آمار "آموزش از داده"
🎙🎙🎙9️⃣فصل نهم: کنار هم قرار دادن احتمال و آمار
🔴از نظریه احتمال می‌توان برای استخراج خلاصه آمار توزیع نمونه استفاده کرد، که از آن می‌توان فرمول فواصل اطمینان نشات گرفته شود.
🔴فاصله اطمینان 95% نتیجه‌ی روشی است که در 95% موارد که در آن مفروضات صحیح باشد، حاوی مقدار پارامتر واقعی خواهد بود.
🔴نمی‌توان ادعا کرد که یک بازه خاص 95 درصد احتمال دارد حاوی مقدار واقعی باشد.
🔴قضیه حد مرکزی دلالت بر این دارد که میانگین نمونه و دیگر خلاصه آمار را می‌توان فرض کرد که برای نمونه‌های بزرگ دارای توزیع نرمال است.
🔴حاشیه خطا معمولاً خطای سیستماتیک را به دلیل غیر علل تصادفی - دانش و قضاوت خارجی برای ارزیابی این‌ها مورد نیاز است.
🔴فواصل اطمینان را می‌توان حتی زمانی که همه داده‌ها را مشاهده کنیم، محاسبه کرد. که سپس تحت جمعیت استعاری عدم قطعیت در مورد پارامترهای یک زیربنا را نشان می‌دهد.
0️⃣1️⃣ فصل دهم: پاسخ به سوالات و ادعای اکتشافات
🟣آزمون فرضیه‌های صفر، فرضیات پیش فرض در مورد مدل‌های آماری – بخش عمده‌ای از عملکرد آماری را تشکیل می‌دهد.
🟣مقدار P-value، اندازه‌گیری ناسازگاری بین داده‌های مشاهده شده است و یک فرضیه صفر: به طور رسمی احتمال مشاهده نتیجه نهایی، زمانی‌که فرضیه صفر درست بود.
🟣 به طور سنتی، آستانه‌های p مقدار ۰.۰۵ و ۰.۰۱ برای اعلام "اهمیت آماری" تنظیم شده است.
🟣اگر چندین آزمایش انجام شود، این آستانه‌ها باید تنظیم شوند. به عنوان مثال در زیر مجموعه‌های مختلف داده‌ها یا معیارهای نتیجه چندگانه.
🟣تناظر دقیقی بین فواصل اطمینان و P- مقدار وجود دارد. مقادیر: اگر مثلاً بازه 95٪ شامل عدد صفر نباشد، می‌توانیم فرضیه برابر عدد صفر را وقتی p مقدار کمتر از ۰.۰۵ است رد کنیم.
🟣نظریه نیمن-پیرسون یک فرضیه جایگزین را مشخص می‌کند و نرخ خطاهای نوع I و نوع II را و برای دو نوع خطای احتمالی در یک فرضیه تست اصلاح می‌کند.
🟣اشکال جداگانه از آزمون‌های فرضیه برای آزمایش کردن متوالی ایجاد شده است.
🟣مقادیر P اغلب اشتباه تعبیر می‌شوند: به ویژه آن‌ها احتمال اینکه فرضیه صفر درست باشد، منتقل نمی کنند و وجود نتیجه غیر معنی داری نشان می‌دهد که فرضیه صفر درست است.
#️⃣#Art_of_statistics
#️⃣#David_Speigelhalter
#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math
✉️@IDSchools✉️@IDS_Math 