परिकल्पना परीक्षण चरण दर चरण: H0 से p-मान तक

परिकल्पना परीक्षण सांख्यिकीय अनुमान का कार्यघोड़ा है, जिसका उपयोग नैदानिक परीक्षणों से लेकर वेबसाइटों पर A/B परीक्षणों तक हर जगह होता है। फिर भी यह सांख्यिकी का सबसे गलत समझा जाने वाला विषय भी है। यह मार्गदर्शिका पूरी प्रक्रिया को एक बार — स्पष्ट रूप से — समझाती है, ताकि आप समझ सकें कि p-मान का वास्तव में क्या अर्थ है।

पाँच चरण

1. $H_0$ और $H_1$ बताएँ: शून्य परिकल्पना (यथास्थिति) और वैकल्पिक (वह दावा जिसका आप समर्थन करना चाहते हैं)।
2. एक सार्थकता स्तर $\alpha$ चुनें: आमतौर पर 0.05 या 0.01।
3. अपने डेटा से परीक्षण सांख्यिकी की गणना करें ($z$, $t$, $\chi^2$, आदि)।
4. p-मान खोजें: इतने चरम डेटा को देखने की प्रायिकता यदि $H_0$ सत्य होता।
5. निर्णय लें: यदि $p < \alpha$, तो $H_0$ को अस्वीकार करें; अन्यथा अस्वीकार करने में विफल।

ध्यान दें: "अस्वीकार करने में विफल" ≠ "$H_0$ को स्वीकार करना"। आपके पास बस इसके विरुद्ध पर्याप्त प्रमाण नहीं है।

एक-नमूना z-परीक्षण (हल किया गया उदाहरण)

एक कारखाना दावा करता है कि उसके बल्ब औसतन 1000 घंटे चलते हैं ($\sigma = 50$)। आप 25 बल्बों का परीक्षण करते हैं और $\bar x = 980$ मापते हैं। क्या $\alpha = 0.05$ पर दावा खंडित होता है?

1. $H_0: \mu = 1000$, $H_1: \mu \ne 1000$।
2. $\alpha = 0.05$, दो-पुच्छ।
3. परीक्षण सांख्यिकी: $z = \frac{\bar x - \mu_0}{\sigma / \sqrt{n}} = \frac{980 - 1000}{50/\sqrt{25}} = \frac{-20}{10} = -2$।
4. p-मान: $2 \cdot P(Z < -2) \approx 2 \cdot 0.0228 = 0.0456$।
5. चूँकि $0.0456 < 0.05$, $H_0$ को अस्वीकार करें। औसत जीवनकाल 1000 घंटे से सार्थक रूप से भिन्न है।

सही परीक्षण चुनना

स्थिति	परीक्षण
एक माध्य, $\sigma$ ज्ञात	एक-नमूना z-परीक्षण
एक माध्य, $\sigma$ अज्ञात, n छोटा	एक-नमूना t-परीक्षण
दो माध्य, स्वतंत्र नमूने	दो-नमूना t-परीक्षण
दो युग्मित माध्य	युग्मित t-परीक्षण
अनुपात	अनुपात के लिए z-परीक्षण
अनुरूपता / आकस्मिकता	काई-वर्ग

प्रकार I बनाम प्रकार II त्रुटि

• प्रकार I: एक सत्य $H_0$ को अस्वीकार करना। प्रायिकता = $\alpha$।
• प्रकार II: एक असत्य $H_0$ को अस्वीकार करने में विफल। प्रायिकता = $\beta$।
• शक्ति = $1 - \beta$: एक वास्तविक प्रभाव को सही ढंग से पहचानने की प्रायिकता।

ये तीनों साथ-साथ चलते हैं: स्थिर नमूना आकार के लिए $\alpha$ को घटाने से $\beta$ बढ़ता है; नमूना आकार बढ़ाने से दोनों घटते हैं।

सामान्य गलतियाँ

• "p-मान = $H_0$ के सत्य होने की प्रायिकता" — असत्य। p-मान $P(\text{data} \mid H_0)$ है, $P(H_0 \mid \text{data})$ नहीं।
• बहु तुलनाएँ — $\alpha = 0.05$ पर 20 परीक्षण चलाने से औसतन ≈1 मिथ्या सकारात्मक की गारंटी होती है। एक सुधार का उपयोग करें।
• सार्थकता को महत्व के साथ मिलाना — विशाल $n$ के साथ एक नन्हा प्रभाव अत्यधिक सार्थक हो सकता है फिर भी व्यावहारिक रूप से अप्रासंगिक।

AI परिकल्पना परीक्षण सॉल्वर के साथ आज़माएँ

अपना डेटा डालने और परीक्षण सांख्यिकी, p-मान और निर्णय प्राप्त करने के लिए परिकल्पना परीक्षण सॉल्वर का उपयोग करें।

संबंधित संदर्भ:

• Z-स्कोर कैलकुलेटर — हर z-परीक्षण की बुनियादी ईंट
• मानक विचलन कैलकुलेटर — परिवर्तनशीलता इनपुट
• सामान्य बंटन कैलकुलेटर — जो z-परीक्षण मानते हैं