Shrnutí na A deskriptív és inferenciális statisztika alapjai

## Bevezetés A hipotézisvizsgálat elvek és eljárások összessége, amelyek segítségével felmérjük, hogy a megfigyelt adatok alátámasztanak-e egy bizonyos állítást egy populációról (pl. egy paraméterről, változók közötti kapcsolatról vagy egy beavatkozás hatásáról). A cél az, hogy döntést hozzunk az adatok alapján, figyelembe véve a véletlen variabilitást és a bizonytalanságot. > **Definíció:** A hipotézisvizsgálat egy formális eljárás, amely összehasonlítja a megfigyelt adatokat a nullhipotézisből (H₀) eredő elvárásokkal azzal a céllal, hogy eldöntse, elutasítja-e H₀-t, vagy nem utasítja el. ## Alapfogalmak ### Null- és alternatív hipotézis - **H₀** (nullhipotézis): általában az „nincs hatás” vagy „nincs különbség” állítás. Például: a populáció átlaga egy bizonyos értékkel egyenlő. - **H₁** (alternatív hipotézis): H₀ ellentéte, azaz létezik hatás vagy különbség. > **Definíció:** H₀ és H₁ egymást kiegészítő hipotézis-párt alkotnak; a teszteket úgy tervezik, hogy felmérjék az adatok H₀-val való konzisztenciáját. ### Tesztstatisztika - A tesztstatisztika egy adatból számított szám, amely a H₀-hoz viszonyított „extrémitást” méri. - Minél nagyobb a tesztstatisztika eltérése a H₀ feltételezett várható értékétől, annál kisebb a H₀ támogatottsága. > **Definíció:** A tesztstatisztika egyetlen értékbe sűríti az adatokat, amely alapján döntünk H₀ elutasításáról vagy el nem utasításáról. ### Döntési hibák A hibák és helyes döntések táblázata: | teszt eredménye | valóság | | --- | --- | | H₀-t nem utasítjuk el | OK (1-α) vagy II. típusú hiba (β) | | H₀-t elutasítjuk | I. típusú hiba (α) vagy OK (1-β) | - **I. típusú hiba (α)**: egy igaz H₀ elutasítása (tévesen pozitív). - **II. típusú hiba (β)**: egy hamis H₀ el nem utasítása (tévesen negatív). - **A teszt ereje (power)** = $1-\beta$ annak a valószínűsége, hogy a teszt helyesen utasítja el H₀-t, amikor H₁ igaz. > **Definíció:** A szignifikanciaszint $\alpha$ az I. típusú hiba elfogadott valószínűsége. ### Konfidencia-intervallum > **Definíció:** A konfidencia-intervallum (pl. 95%) egy olyan módszer, amely egy olyan tartományt konstruál, amelyből az így nyert intervallumoknak az ismételt mintavételekből származó, megadott aránya tartalmazni fogja a paraméter valódi értékét. - Értelmezés: A 95%-os intervallum nem azt jelenti, hogy 95% esély van arra, hogy a paraméter abban a konkrét intervallumban van; azt jelenti, hogy az eljárás az esetek 95%-ában lefedi a paramétert ismételt mintavétel esetén. ### p-érték - A p-érték annak a valószínűsége, hogy ugyanolyan extrém vagy extrémebb adatokat kapunk, ha H₀ igaz. - Ha a p-érték < $\alpha$, az eredményt statisztikailag szignifikánsnak tekintjük, és elutasítjuk H₀-t. > **Definíció:** p-érték = $P(\text{ugyanolyan extrém vagy extrémebb adatok} \mid H_0)$. Figyeljünk arra, hogy mi NEM a p-érték: - NEM annak a valószínűsége, hogy H₀ igaz. - NEM a hatás gyakorlati jelentőségének közvetlen bizonyítéka. - NEM automatikus „bizonyító erő” lineáris skálán; a küszöbértékhez közeli értékek nagyon hasonlóak. Érdekesség: A p-értéket Ronald Fisher munkásságával és a kísérletekben előforduló véletlenszerűséggel kapcsolatos megfontolásokkal összefüggésben népszerűsítették. ## Motiváció és egyszerű példák ### Érme (motiváció) - Cél: eldönteni, hogy egy érme szabályos-e, a fej/írás dobások száma alapján. - Megközelítés: összehasonlítani a megfigyelt számot azzal, amit egy szabályos érmétől várnánk. Példa: 100 dobás, 77 fej és 23 írás. Hogyan döntsük el, hogy az érme nem szabályos? > **Eljárás (közérthetően):** megfogalmazzuk a H₀-t (nullhipotézis: az érme szabályos), választunk egy statisztikát (pl. a fejek aránya), kiszámítjuk egy ilyen extrém eredmény megfigyelésének valószínűségét H₀ feltételezése mellett (p-érték), összehasonlítjuk $\alpha$-val. ### Történet: A teát kóstoló hölgy - Fisher 8 csészét készített, 4-et úgy, hogy először a tejet öntötte bele, és 4-et úgy, hogy először a teát; a hölgy megjelölte azt a 4-et, amit szerinte helyesen azono