Il test di ipotesi è un metodo utilizzato da molti analisti nei settori privato e governativo per fare affermazioni o ipotesi probabili sui dati della popolazione.
Se hai avuto a che fare con o studiato i dati sulla popolazione, devi esserti imbattuto in questo strumento vitale per la verifica delle ipotesi.
Molti metodi possono essere impiegati per formulare ipotesi, ma non tutti forniscono una maggiore precisione.
E se non sei sicuro dei tuoi dati ma desideri comunque utilizzarli, potrebbe essere rischioso per la tua organizzazione.
Il test di ipotesi è una buona strategia per ottenere un livello di accuratezza più elevato. È stato determinante nell’analisi della popolazione.
In questo articolo, discuterò cos’è il test di ipotesi, come funziona, i suoi vantaggi e i suoi casi d’uso.
Quindi, senza ulteriori indugi, iniziamo!
Sommario:
Cos’è il test di ipotesi?
Il test di ipotesi è un metodo di inferenza statistica utilizzato dagli analisti per verificare se i dati disponibili sulla popolazione supportano sufficientemente una data ipotesi e ne fanno ipotesi.
Attraverso questo metodo, gli analisti possono facilmente valutare un’ipotesi e determinare quanto sia accurata l’ipotesi basata sui dati a disposizione.
In parole semplici, è un processo di test basato su statistiche inferenziali che consente di giungere a un verdetto sui dati della popolazione sulla base dei dati campione raccolti.
In generale, è quasi impossibile per gli analisti trovare proprietà o parametri particolari dell’intera popolazione. Ma attraverso il test delle ipotesi, puoi fare una previsione e una decisione informate sulla base dei dati del campione e della loro accuratezza.
Tipi di test di ipotesi
I diversi tipi di test di ipotesi sono:
- Ipotesi nulla: le statistiche mostrano che i dati del campione sono bruschi e non esiste alcuna correlazione tra le due variabili nei dati del campione forniti.
- Ipotesi alternativa: dimostra la tesi primaria e si oppone all’ipotesi nulla. È la principale forza trainante nel processo di test perché mostra una correlazione tra due variabili nei dati del campione.
- Ipotesi non direzionale: questo tipo di test di ipotesi funge da ipotesi a due code. Mostra che non c’è direzione tra due variabili nei dati del campione e che il valore reale non è lo stesso del valore previsto.
- Ipotesi direzionale: L’ipotesi direzionale descrive una relazione tra due variabili. Qui, una variabile in un dato campione può influenzare le altre variabili.
- Ipotesi statistica: aiuta gli analisti a valutare se i dati e il valore soddisfano una determinata ipotesi. È molto utile per formulare affermazioni e supposizioni sull’esito di un parametro della popolazione campione.
Successivamente, discutiamo i metodi di verifica delle ipotesi.
Metodi di verifica delle ipotesi
Per valutare se un’ipotesi specifica è vera o meno, come analista, avrai bisogno di molte prove plausibili per concludere. In questo processo di test, viene impostata un’ipotesi nulla e alternativa prima di iniziare la valutazione.
La verifica delle ipotesi non coinvolge solo un singolo metodo ma molti per valutare se i dati del campione sono favorevoli. Come analista, devi considerare i dati e la dimensione del campione e scegliere quale metodo di verifica delle ipotesi ti si addice.
Test di normalità
È un metodo di verifica delle ipotesi standard per l’analisi della distribuzione regolare nei dati campione. Durante il processo di test, viene verificato se i punti dati raggruppati attorno alla media sono al di sotto o al di sopra della media.
In questo test statistico, la possibilità che i punti vadano al di sopra o al di sotto della media è ugualmente probabile. Si forma una curva a campana ed è equamente distribuita su entrambi i lati della media.
Test Z Test
È un altro tipo di test di ipotesi utilizzato quando i dati della popolazione sono distribuiti normalmente. Verifica che la media di due parametri della popolazione separati sia diversa quando si conosce la varianza dei dati.
Durante l’analisi dei dati sulla popolazione, è molto probabile che utilizzerai questo tipo quando la dimensione del campione di dati è superiore a trenta. Inoltre, il teorema del limite centrale è un altro motivo che rende Z-Test adatto, poiché il teorema afferma che quando le dimensioni del campione aumentano, i campioni sono normalmente distribuiti.
Test T-Test
Il test di ipotesi T-Test verrà utilizzato da te quando la dimensione del campione è limitata e di solito è distribuita. In generale, quando la dimensione del campione è inferiore a 30 e la deviazione standard del parametro non è nota, viene applicata principalmente.
Quando esegui un test T, lo fai per calcolare gli intervalli di confidenza di dati di popolazione specifici.
Test Chi-Quadro
Il test chi-quadrato è un popolare processo di verifica delle ipotesi che viene spesso utilizzato per valutare l’idoneità e l’integrità di una distribuzione di dati.
Fonte: wikipedia.org
Tuttavia, il motivo principale per cui utilizzerai questo tipo di ipotesi è quando desideri testare la varianza della popolazione rispetto a una varianza della popolazione di un valore presunto o noto. Vengono condotti diversi test Chi-Quadro, ma il tipo più comune è il test Chi-Quadro di varianza e indipendenza.
Test ANOVA
Abbreviato come Analisi della varianza, è un metodo di test statistico che aiuta a confrontare i set di dati di due campioni. Tuttavia, consente di confrontare più di due medie alla volta.
Spiega anche una variabile dipendente e una variabile indipendente di dati campione. L’uso di ANOVA è abbastanza simile all’uso di Z-Test e T-Test, ma gli ultimi due sono limitati a due soli mezzi.
Come funziona il test di ipotesi?
Ogni analista che utilizza il test di ipotesi utilizza dati campione casuali per l’analisi e la misurazione. Durante il test, i dati del campione casuale vengono utilizzati per testare l’ipotesi nulla e l’ipotesi alternativa.
Come abbiamo discusso in precedenza, l’ipotesi nulla e l’ipotesi alternativa si escludono completamente a vicenda e, durante l’esito del test, solo una può essere vera.
Tuttavia, ci sono alcuni casi in cui l’ipotesi nulla viene respinta; l’ipotesi alternativa non è sempre vera.
Fonte: passaggi di analisi
Valore p: mentre inizia il processo di test, è coinvolto il valore p o il valore di probabilità e mostra se il risultato è significativo o meno. Non solo, ma il valore p mostra anche la probabilità che si verifichi un errore nel respingere o non respingere un’ipotesi nulla durante il test. Il valore p risultante è 0 o 1, che viene quindi confrontato con il livello di significatività o livello alfa.
Il livello di significatività qui definisce il rischio accettabile rifiutando un’ipotesi nulla durante il test. È importante ricordare che il risultato del test di ipotesi può portare a due tipi di errori:
- L’errore di tipo 1 si verifica quando il risultato del test respinge l’ipotesi nulla anche se è vera.
- L’errore di tipo 2 appare quando l’ipotesi nulla è accettata dal risultato del campione nonostante sia falsa.
Tutti i valori che causano il rifiuto dell’ipotesi nulla sono memorizzati nella regione critica. Ed è il valore critico che separa le regioni critiche dalle altre.
Passaggi per eseguire il test di ipotesi
Fonte: media
La verifica delle ipotesi prevede principalmente quattro passaggi:
- Definire le ipotesi: nella prima fase, il tuo compito di analista è definire le due ipotesi in modo che solo una possa essere vera. L’ipotesi nulla indicherà che non vi è alcuna differenza nel BMI medio, mentre l’ipotesi alternativa affermerà che esiste una differenza significativa nel BMI medio.
- Piano: nella fase successiva, dovrai progettare un piano di analisi su come analizzare i dati del campione. È fondamentale eseguire il campionamento e raccogliere i dati del campione per assicurarsi che sia progettato per testare la tua ipotesi.
- Analizza i dati di esempio: dopo aver deciso come valutare i dati, è il momento di iniziare con il processo. Dovrai analizzare fisicamente i dati del campione in modo che non vi siano ridondanza. Durante l’analisi dei dati, è necessario verificare che i campioni siano indipendenti l’uno dall’altro e che entrambe le dimensioni dei campioni siano sufficientemente grandi.
- Calcola le statistiche del test: in questa fase, dovrai calcolare le statistiche del test e trovare il valore p. Il valore p sarà determinato assumendo che l’ipotesi nulla sia vera.
- Valuta il risultato: nella fase finale, dovrai valutare il risultato del test di ipotesi. Qui, deciderai se rifiutare l’ipotesi nulla o dichiararne la plausibilità in base ai dati del campione.
Ora esploreremo i vantaggi della verifica delle ipotesi.
Vantaggi del test di ipotesi
I vantaggi del test di ipotesi sono:
- Ti aiuta ad analizzare la forza del tuo reclamo su una decisione sui dati.
- In qualità di analista, ti consente di creare un ambiente affidabile per decidere sui dati di esempio.
- Consente di determinare se i dati del campione coinvolti nella verifica delle ipotesi sono statisticamente significativi.
- È utile per valutare l’affidabilità e la validità dei risultati dei test in qualsiasi processo di test sistematico.
Ti aiuta a estrapolare i dati da una fase campione a una popolazione più ampia a seconda del requisito.
Utilizzare i casi di test di ipotesi
Il test di ipotesi viene utilizzato in vari settori per indovinare in modo appropriato l’accuratezza dei dati del campione. Alcuni esempi reali di test di ipotesi sono:
#1. Test clinici
Il test di ipotesi è ampiamente utilizzato durante gli studi clinici perché aiuta i professionisti medici a decidere se un nuovo farmaco, trattamento o procedura sarà efficace o meno sulla base di dati campione.
Un medico può pensare che un trattamento possa alleviare i livelli di potassio in alcuni pazienti. Il medico può misurare il livello di potassio di un gruppo di pazienti prima di eseguire il trattamento e ricontrollare il livello.
Successivamente, il medico esegue un test di ipotesi dove H0: Uafter = Ubefore, e denota che il livello di potassio è lo stesso di prima dopo l’applicazione del trattamento. Un’altra ipotesi indica Ha: Uafter < Ubefore, il che significa che il livello di potassio è diminuito dopo l'applicazione del trattamento.
Quindi, se il valore p è inferiore al livello di significatività, il medico può concludere che il trattamento può abbassare il livello di potassio.
#2. Produzione
Il test di ipotesi viene utilizzato negli impianti di produzione per aiutare i supervisori a decidere se il nuovo metodo o tecnica è efficace o meno.
Ad esempio, alcune unità di produzione possono utilizzare test di ipotesi per scoprire se il nuovo metodo li sta aiutando a ridurre il numero di prodotti difettosi per lotto. Supponiamo che il numero di prodotti difettosi sia 300 per lotto.
Il produttore deve determinare la media del numero totale di prodotti difettosi prodotti prima e dopo l’utilizzo del metodo. Possono eseguire test di ipotesi e utilizzare ipotesi H0: Uafter = Ubefore, dove la media dei prodotti difettosi prodotti dopo l’applicazione di un nuovo metodo è la stessa di prima.
Un’altra ipotesi mostra che HA: Uafter non è uguale a Ubefore, il che significa che il numero totale di prodotti difettosi prodotti dopo l’applicazione del nuovo metodo non è lo stesso.
Dopo il test, quando il valore p è inferiore al livello di significatività, l’unità di produzione può concludere che il numero di prodotti difettosi prodotti è cambiato.
#3. agricoltura
Il test di ipotesi viene spesso utilizzato per scoprire se il fertilizzante o il pesticida sta causando la crescita e l’immunità nelle piante. I biologi possono utilizzare i test per dimostrare che una certa pianta potrebbe crescere più di 15 pollici dopo aver applicato il nuovo fertilizzante.
Il biologo potrebbe applicare il fertilizzante per un mese per raccogliere dati campione. Quando il biologo esegue un test, un’ipotesi è H0 U=15 pollici, che indica che il fertilizzante non provoca alcun miglioramento della crescita media della pianta.
Un’altra ipotesi mostra HA: U> 15 pollici, il che significa che i fertilizzanti causano un miglioramento della crescita media della pianta. Dopo aver testato quando il valore p è inferiore al livello di significatività, il biologo può ora dimostrare che i fertilizzanti causano una crescita maggiore rispetto a prima.
Risorse di apprendimento
#1. Statistiche: un’introduzione dettagliata di Udemy
Udemy offre un corso sulle statistiche in cui imparerai un’introduzione passo dopo passo alle statistiche, coprendo la verifica delle ipotesi. Questo corso contiene esempi e lezioni di un ex data scientist di Google per aiutarti a padroneggiare intervalli di confidenza, test di ipotesi e altro ancora.
#2. Statistiche essenziali per l’analisi dei dati di Udemy
Questo corso Udemy sulle statistiche essenziali per l’analisi dei dati ti aiuterà a imparare le statistiche con progetti del mondo reale, attività divertenti, test di ipotesi, distribuzioni di probabilità, analisi di regressione e altro ancora.
#3. Statistiche per la scienza dei dati e l’analisi aziendale
Questo corso sulle statistiche per la scienza dei dati e l’analisi aziendale è offerto da Udemy e ti aiuterà a imparare a testare le ipotesi. Copre diversi argomenti statistici, consentendo a data scientist e analisti aziendali di apprenderli e padroneggiarli. Copre le statistiche inferenziali e descrittive insieme all’analisi di regressione.
#4. Test di ipotesi di Jim Frost
Questo libro è disponibile su Amazon ed è una guida intuitiva per aiutare gli analisti a prendere decisioni basate sui dati.
Copre il funzionamento dei test di ipotesi, perché ne hai bisogno, come utilizzare in modo efficace intervalli di confidenza, valori p, livelli di significatività e molti altri argomenti.
#5. Test di ipotesi di Scott Hartshorn
Questo libro è unico con i suoi esempi visivi ed è il migliore per i principianti che cercano una guida rapida sulla verifica delle ipotesi.
Ti introdurrà al significato delle statistiche, dei tipi e del loro funzionamento. Non è necessario che tu abbia una precedente conoscenza approfondita delle statistiche, ma spiega tutto in modo intuitivo.
Parola finale
Il test di ipotesi aiuta a verificare un presupposto e quindi a sviluppare dati statistici basati sulla valutazione. Viene utilizzato in molti settori, dalla produzione e agricoltura alle sperimentazioni cliniche e IT. Questo metodo non solo è accurato, ma ti aiuta anche a prendere decisioni basate sui dati per la tua organizzazione.
Successivamente, controlla le risorse di apprendimento per diventare un analista aziendale.