Hypotesetest..

#0 Nej, du bliver nødt til at behandle det statistisk, hvilket du ikke gør. Hvor er din alternativhypotese (den er nødvendig for at teste)(?), hvad er din standardfejl(?), hvor beregner du din teststørrelse(?), hvorledes kan du antage, at den er normalfordelt?

I øvrigt er der forskel på at teste enkeltsidet på et 5 % signifikansniveau og dobbeltsidet på et 10 % signifikansniveau, men det er ikke til at blive klog på, om du laver et dobbeltsidet eller enkeltesidet test eller tester på et 5 % eller 10 % signifikansniveau.

Det eneste, du umiddelbart har gjort, er at udregne frekvensen for, hvornår programmet vurderer korrekt.

 hvor er det jeg gør forkert.. helt præcist.. altså ss. for succes er 94% at den gætter rigtigt, og 6% at den gætter forkert..

Hvis vi udfører et dobbeltsidet test (idet du vel ingen forventninger har til, om den gætter mere eller mindre korrekt) på et 5 % signifikansniveau, kan nulhypotesen og den tilhørende alternativhypotese formuleres:

h0: p₀=0.94

h1: p₀≠0.94

Lad os udføre et Z-test, hvor p₀=0.94 og p_hat=0.854. Da har vi, idet

Z=(p_hat-p₀)/(sqrt(p₀*(1-p₀)/n),

hvor n er antallet af observationer, at

Z=(0.854-0.94)/(sqrt(0.94*(1-0.94)/100))=-3.62,

der er markant mindre end -1.96, der er den kritiske værdi for et dobbeltsidet test på et 5 % signifikansniveau. Der er således mindre end 5 % sandsynligheds chance for, at du får en værdi, der er mere ekstrem, og du afviser derfor nulhypotesen. Den sande sandsynlighed adskiller sig signifikant fra 0.94.

 Jeg forstår intet.. hvad er Z, hvad er Phat.. og dobbeltsidet test?

og h1 ? 

h1 er din alternativhypotese. Den er nødvendig for at vide, hvordan du skal tolke på dit test.

p_hat er den estimerede sandsynlighedsværdi, hvor p₀ er den forventede (hypotetiske) værdi.

At det er et dobbeltsidet test betyder, at du tester, om den sande sandsynlighedsværdi er forskellig fra nulhypotesen. Havde du ville teste, om den sande værdi var mindre end den hypotetiske værdi, havde du skulle lave et enkeltsidet test. Dette er også relevant, for det er nemmere at afvise en nulhypotese ved at lave et enkeltsidet test.

Z er blot en teststørrelse, der antager, at stikprøven er normalfordelt. Det er størrelsen af den, der afgør, om du kan afvise din nulhypotese, for den tager ikke kun højde for din estimerede p-værdi, den tager også højde for i hvor høj grad denne kan variere som følge af statistiske "friktioner". Det sidste gør du ikke, hvis du kun udregner frekvenser som i #0, og det er et problem. Hvad nu hvis du forsøgte at få computeren til at vurdere 100 nye gange? - så kunne du i princippet få helt nye resultater..

Min metode forudsætter dog, at du har lavet et forsøg, hvor du har bedt computeren om at vurdere 100 personer og så har set, den har gættet korrekt i 85,4 procent af tilfældene (i praksis 100 uafhængige bernoulliforsøg, dvs binomialfordelt). Dit ræsonnement og fremgangsmåde i opgaven kan jeg slet ikke følge, så det kan være, at det er der, vi taler forbi hinanden! 

 Min er en kopi af denne
http://www.youtube.com/watch?v=d-cnRbYiFrM

I så fald har du forstået det korrekt. Jeg synes stadig, at den form for test er noget lal, men det gjorde jeg også i gymnasiet (kan pludselig huske, hvad det er). Statistiske test (som jeg var ude i #3 og #5) giver mere mening. Men med hensyn til linket og filmen i #6 har du forstået det korrekt.

 nu er jeg selv blevet forvirret..

Eks. (hypotesetest)
Et nyt computer program skal vurdere hvorledes brugerne på en chat er pædofile
Ho (nulhypotese): med 0,94 gætter den korrekt
Stikprøve: 100 bruger testes.
Signifikansniveau: 10% (at tallet angiver risikoen ved at forkaste nulhypotesen og antage den alternative hypotese. Altså risikoen for at resultatet, der understøtter den alternative hypotese, er fremkommet tilfældigt.)
• Dvs. at der højst 10% sandsynlighed for at nulhypotesen er forkert og derved kan forkastes.

Jeg sætter den kritiske mængde til at være større end 91, hvilket betyder at jeg forventer at den gætter 91 korrekt og 9 forkert. Kritiske mængde beregnes via ti-nspire:

Kritiske mængde®:
K1={0,1,2,3, ……91} = 0,146 = 14,6% - vil være rigtigt vuderet (er sansyndligheden for at den gætter 0 -91 rigtigt 14,6%)?
K2={92…., 100} =0,854 = 85,4 % - vil være rigtigt vuderet (er sansyndligheden for at den gætter forkert 85,4%) ?

Hypotesen forkastes! .. Det viser sig nemlig at 14,6% sandsynlighed for at forkaste hypotesen, og vi har i start sat signifikans niveau på 10%, altså sandsynligheden for fejl og derfor forkastes kan forkastes.
Dog hvis man sætter kritiske mængde til at være større end 90 viser det

K1={0,1,2,3, ……90} = 0,078 = 7,8% - vil være rigtigt vuderet
K2={91…., 100} =0,922 = 92,2 % - vil være rigtigts vuderet

Hypotesen kan altså bevaret, hvis fordi at den nedre kritiske mængdes sandsynlighed er mindre end signifikansniveauet.

Det skal dog siges at man normalt ikke vil sætte et signifikans niveau så højt, og især i dette tilfælde.