Statystyka inferencyjna
Testowanie hipotez, przedziały ufności, p-value, t-test, chi-kwadrat, ANOVA, regresja liniowa
1Czym jest hipoteza zerowa (H₀) w testowaniu hipotez?
Czym jest hipoteza zerowa (H₀) w testowaniu hipotez?
Odpowiedź
Hipoteza zerowa (H₀) to domyślne stwierdzenie zakładające brak efektu lub istotnej różnicy. Jest to hipoteza, którą próbujemy odrzucić lub nie odrzucić na podstawie zebranych danych. Na przykład H₀ może stwierdzać, że nowe leczenie nie ma efektu w porównaniu z placebo. Test statystyczny ocenia, czy dane dostarczają wystarczających dowodów do odrzucenia tej hipotezy na rzecz hipotezy alternatywnej (H₁).
2Co reprezentuje p-value w teście statystycznym?
Co reprezentuje p-value w teście statystycznym?
Odpowiedź
P-value to prawdopodobieństwo uzyskania wyniku co najmniej tak ekstremalnego jak obserwowany, przy założeniu, że hipoteza zerowa jest prawdziwa. Niskie p-value (zwykle < 0.05) wskazuje, że obserwowane dane są mało prawdopodobne przy H₀, co prowadzi do jej odrzucenia. Uwaga: p-value nie jest prawdopodobieństwem prawdziwości H₀ ani prawdopodobieństwem, że wyniki wynikają z przypadku.
3Czym jest błąd I rodzaju w statystyce inferencyjnej?
Czym jest błąd I rodzaju w statystyce inferencyjnej?
Odpowiedź
Błąd I rodzaju (fałszywie dodatni) występuje, gdy odrzucamy hipotezę zerową, podczas gdy jest ona faktycznie prawdziwa. Poziom istotności α (często 0.05) reprezentuje maksymalne akceptowalne prawdopodobieństwo popełnienia tego błędu. Na przykład, wniosek, że lek jest skuteczny, gdy nie jest, stanowi błąd I rodzaju. Błąd ten jest kontrolowany przez wybór poziomu istotności.
Czym jest błąd II rodzaju w statystyce inferencyjnej?
Co reprezentuje 95% przedział ufności?
+21 pytań z rozmów
Inne tematy rekrutacyjne Data Science & ML
Podstawy Pythona
Programowanie Obiektowe w Pythonie
Struktury danych Python
Podstawy Git
Podstawy SQL
Podstawy NumPy
Podstawy Pandas
Jupyter & Google Colab
SQL Joins i zaawansowane zapytania
Zaawansowany Pandas
Wizualizacja z Matplotlib & Seaborn
Interaktywne wizualizacje z Plotly
Statystyka opisowa
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Uczenie nadzorowane: Regresja
Uczenie nadzorowane: Klasyfikacja
Drzewa Decyzyjne i Ensembles
ML Nienadzorowane
Pipeline'y ML i walidacja
Szeregi czasowe i prognozowanie
Podstawy Deep Learning
TensorFlow & Keras
CNN i klasyfikacja obrazów
RNN i Sekwencje
Transformers i Attention
NLP i Hugging Face
GenAI i LangChain
MLOps i Wdrożenie
Opanuj Data Science & ML na następną rozmowę
Uzyskaj dostęp do wszystkich pytań, flashcards, testów technicznych, ćwiczeń code review i symulatorów rozmów.
Zacznij za darmo