Podcast o Základy štatistiky: Odhad a testovanie hypotéz

Kapitoly

Problém s prieskumom

Základné nástroje štatistiky

Aký dobrý je náš odhad?

Súdna sieň štatistiky

Chyby v rozsudku

Verdikt: p-hodnota

Záver

Přepis

Simona: Predstav si študenta, hovorme mu Jakub. Má urobiť školský prieskum o tom, koľko hodín spia jeho spolužiaci. Spýta sa desiatich kamarátov a vypočíta priemer – sedem hodín. Ale... môže si byť istý, že tento priemer platí pre celú školu? Čo ak sa náhodou pýtal len samých spáčov alebo naopak, tých, čo ponocujú?

Tomáš: To je presne ten oriešok, ktorý sa snaží rozlúsknuť štatistika! Ako z malej vzorky, teda z tých desiatich kamarátov, urobiť spoľahlivý záver o celej populácii, čiže o všetkých študentoch na škole.

Simona: Znie to ako veštenie z krištáľovej gule. Ale asi na to máme lepšie metódy. Toto je Studyfi Podcast.

Tomáš: Určite lepšie. Základom je „náhodný výber“. To znamená, že každý študent v škole by mal mať rovnakú šancu, že sa ho Jakub opýta. Tých desať odpovedí je naša vzorka a štatistika je funkcia, ktorá z týchto dát niečo vypočíta.

Simona: Takže štatistiky sú ako recepty, ktoré z ingrediencií – našich dát – uvaria nejaký výsledok?

Tomáš: Krásne prirovnanie! A dva najdôležitejšie recepty sú výberový priemer, ktorý odhaduje strednú hodnotu, a výberový rozptyl. Ten nám zase povie, ako veľmi sú dáta „rozlietané“ okolo priemeru.

Simona: Takže či všetci spia podobne, alebo sú tam veľké extrémy – niekto spí štyri hodiny a niekto desať.

Tomáš: Presne tak. Sú to naši hlavní detektívi pri vyšetrovaní dát. A sú naozaj dôležití.

Simona: Dobre, máme teda priemer zo vzorky. Ale ako veľmi mu môžeme veriť? Ako vieme, že náš detektív má správnu stopu?

Tomáš: Skvelá otázka. Preto hodnotíme vlastnosti odhadov. Ideálny odhad je „nestranný“. To znamená, že v priemere trafí presne do čierneho. Nesmeruje systematicky ani vyššie, ani nižšie od skutočnej hodnoty.

Simona: Ako šípka, ktorá priemerne končí v strede terča, aj keď sa niekedy netrafí presne.

Tomáš: Presne tak! A potom je tu „konzistencia“. To je super vlastnosť, ktorá hovorí, že čím viac dát máme – keby Jakub oslovil sto študentov namiesto desiatich – tým sa jeho odhad stáva presnejším a približuje sa k pravde.

Simona: Takže viac dát znamená menej hádania. To dáva zmysel. A čo tá Fisherova miera informácie? Znie to dosť zložito.

Tomáš: V skratke, Fisherova miera informácie nám hovorí, koľko informácie o neznámom parametri získame z jedného pozorovania. Čím je väčšia, tým presnejšie vieme odhadovať. Je to ako miera kvality našich stôp pre detektíva. Studyfi Podcast

Simona: Dobre, Tomáš, takže vieme odhadnúť parametre a určiť ich intervaly spoľahlivosti. Ale čo ak chceme otestovať nejaké konkrétne tvrdenie? Napríklad, či má nový liek naozaj nejaký účinok?

Tomáš: Presne tak! A na to slúži štatistické testovanie hypotéz. Predstav si to ako súdny proces s dátami.

Simona: Súdny proces? To znie dramaticky.

Tomáš: A aj to tak trochu je. Máme dve strany. Nulovú hypotézu, H0, ktorá je ako predpoklad neviny. Je to taký defaultný stav, napríklad, že liek nemá žiadny účinok.

Simona: A tú sa snažíme vyvrátiť, však?

Tomáš: Presne. Proti nej stojí alternatívna hypotéza, H1. To je to, čo chceme dokázať. Teda, že liek účinok má. A naším dôkazovým materiálom sú, samozrejme, naše dáta.

Simona: Okej, takže máme obžalovaného, nulovú hypotézu, a snažíme sa ju usvedčiť. Ako ten súd prebieha?

Tomáš: Vypočítame takzvanú testovaciu štatistiku. Tá nám zhrnie dôkazy z dát do jedného čísla. A potom sa pozrieme, či je to číslo dostatočne extrémne na to, aby sme “obžalovaného” odsúdili – teda zamietli nulovú hypotézu.

Simona: Ale čo ak sa pomýlime? Aj sudcovia robia chyby.

Tomáš: Výborná otázka. Existujú dva druhy chýb. Chyba prvého druhu je, keď odsúdime nevinného – teda zamietneme H0, aj keď v skutočnosti platí. Jej pravdepodobnosť označujeme ako alfa.

Simona: A tá druhá?

Tomáš: Chyba druhého druhu je, keď prepustíme vinníka. Teda nezamietneme H0, hoci je nesprávna. A my, samozrejme, chceme pravdepodobnosť týchto chýb čo najmenšiu.

Simona: A ako teda finálne rozhodneme? Podľa čoho vieme, či je ten dôkaz dosť silný?

Tomáš: Máme na to tri hlavné spôsoby, ale najpopulárnejší je pomocou p-hodnoty. P-hodnota je v podstate odpoveď na otázku: Ak by bola nulová hypotéza pravdivá, aká je šanca, že by sme videli takéto extrémne dáta?

Simona: Aha! Takže ak je tá šanca veľmi malá, tak si povieme, že H0 asi neplatí.

Tomáš: Presne! Ak je p-hodnota menšia ako naša stanovená hladina alfa, napríklad 5 %, tak výsledok považujeme za štatisticky významný a H0 zamietame. Je to ako povedať: “Toto je príliš veľká náhoda, aby to bola pravda.”

Simona: Takže v podstate hľadáme štatistické anomálie.

Tomáš: Dalo by sa to tak povedať. Ale pozor! Ak hypotézu nezamietneme, neznamená to, že je pravdivá. Znamená to len, že sme nenašli dosť dôkazov na jej zamietnutie. Nie “je nevinný”, ale “nebol uznaný za vinného”.

Simona: Super, Tomáš, toto bol skvelý prehľad. Zdá sa, že štatistika je naozaj mocný nástroj na pochopenie sveta okolo nás. Od popisných štatistík až po testovanie hypotéz.

Tomáš: Určite áno. Dúfam, že sme našim poslucháčom ukázali, že to nie je len strašiak z hodín matematiky, ale naozaj užitočná a zaujímavá disciplína.

Simona: Ja myslím, že sa ti to podarilo. Veľká vďaka, že si si našiel čas a všetko nám takto zrozumiteľne vysvetlil. A vám, milí poslucháči, ďakujeme za pozornosť pri našej sérii o štatistike. Majte sa krásne!

Tomáš: Dovidenia!