ફિટ ટેસ્ટની ભલાઈ શું છે?

યોગ્ય પદ્ધતિની સારીતા એ આંકડાકીય પૂર્વધારણા પરીક્ષણ છે જે નિર્ધારિત કરે છે કે નમૂનાનો ડેટા વસ્તીના સામાન્ય વિતરણ સાથે કેટલી સારી રીતે મેળ ખાય છે. તેને બીજી રીતે કહીએ તો, આ પરીક્ષણ નિર્ધારિત કરે છે કે શું તમારો નમૂનાનો ડેટા તે એકનો પ્રતિનિધિ છે કે જેને તમે વાસ્તવિક વસ્તીમાં શોધવાની અપેક્ષા રાખશો અથવા તે કોઈપણ રીતે પક્ષપાતી છે.

વાસ્તવિક મૂલ્યો અને સામાન્ય વિતરણ ઉદાહરણમાં મોડેલના અપેક્ષિત મૂલ્યો વચ્ચેની અસમાનતા યોગ્યતાની સારીતા દ્વારા નક્કી કરવામાં આવે છે.

ફિટ ટેસ્ટની સારીતાનું મહત્વ

ફિટ ટેસ્ટની સારીતા એ જોવા માટે એક મહત્વપૂર્ણ પરીક્ષણ છે કે શું અવલોકન કરવામાં આવેલ ડેટા આગાહી કરવામાં આવી છે તેની સાથે મેળ ખાય છે. પૂર્વધારણા પરીક્ષણના પરિણામોનો ઉપયોગ નિર્ણયો લેવા માટે થઈ શકે છે. ઉદાહરણ તરીકે, દુકાનને જાણવાની જરૂર છે કે યુવાનોને કયા પ્રકારના ઉત્પાદનો આકર્ષે છે. કયા ઉત્પાદનને પસંદ કરવામાં આવે છે તે નિર્ધારિત કરવા માટે, વેપારી વૃદ્ધ અને યુવાન વ્યક્તિઓના રેન્ડમ નમૂનાનું મતદાન કરે છે.

ઉત્પાદન A અને 90% આત્મવિશ્વાસ ધરાવતા યુવાનો વચ્ચે એક કડી છે તે નિર્ધારિત કરવા માટે તેઓ ચી-સ્ક્વેરનો ઉપયોગ કરે છે. આ તારણોના આધારે, તે તારણ કાઢવું શક્ય છે કે આ નમૂના યુવાન વયસ્કોની વસ્તીને પ્રતિબિંબિત કરે છે. આનો ઉપયોગ રિટેલ માર્કેટર્સ દ્વારા તેમની ઝુંબેશને સુધારવા માટે થઈ શકે છે.

ફિટ ટેસ્ટના વિવિધ પ્રકારો

ફિટની સારીતા વિવિધ રીતે નક્કી કરી શકાય છે. ચી-સ્ક્વેર, કોલમોગોરોવ-સ્મિર્નોવ ટેસ્ટ અને શિપિરો-વિલ્ક ટેસ્ટ એ કેટલીક સૌથી વધુ ઉપયોગમાં લેવાતી આંકડાકીય પ્રક્રિયાઓ છે. ચાલો આ પરીક્ષણો વિશે વિગતવાર જાણીએ.

1. ચી-સ્ક્વેર ટેસ્ટ

ચી-સ્ક્વેર ટેસ્ટ એ રેન્ડમ નમૂનાના આધારે વસ્તીના દાવાની માન્યતાનું મૂલ્યાંકન કરવા માટે એક અનુમાનિત આંકડાકીય પદ્ધતિ છે. સંબંધની સૉર્ટ અથવા તીવ્રતા, જોકે, સૂચવવામાં આવી નથી. ઉદાહરણ તરીકે, કનેક્શન સારું કે ખરાબ છે કે કેમ તે કહેતું નથી. તે દ્વિપદી અને પોઈસન વિતરણ જેવા અલગ વિતરણો સાથે કામ કરે છે.

જરૂરી સુયોજિત કરી રહ્યા છીએઆલ્ફા મહત્વનું સ્તર, ચકાસવા માટેના સ્પષ્ટ ચલોને ઓળખવા અને પૂર્વધારણાને વ્યાખ્યાયિત કરવીનિવેદનો તેમની વચ્ચેના સંબંધોને લગતા, ફિટની ચી-સ્ક્વેર સારીતાની ગણતરીમાં તમામ મહત્વપૂર્ણ પગલાં છે. નલ પૂર્વધારણા એ જણાવવા વિશે છે કે ચલો વચ્ચે કોઈ કડી નથી, જ્યારે વૈકલ્પિક પૂર્વધારણા જણાવે છે કે ત્યાં એક લિંક છે.

2. કોલમોગોરોવ-સ્મિર્નોવ ટેસ્ટ

કોલમોગોરોવ-સ્મિરનોવ ટેસ્ટ (જેને K-S ટેસ્ટ પણ કહેવાય છે) એ આંકડાકીય પ્રક્રિયા છે જે મૂલ્યાંકન કરે છે કે શું નમૂના વસ્તીમાં આપેલ વિતરણમાંથી આવે છે. તેનું નામ રશિયન ગણિતશાસ્ત્રીઓ એન્ડ્રે કોલમોગોરોવ અને નિકોલાઈ સ્મિર્નોવના નામ પરથી રાખવામાં આવ્યું છે. નોન-પેરામેટ્રિક કોલમોગોરોવ-સ્મિરનોવ ટેસ્ટ, જે મોટા નમૂનાઓ માટે સૂચવવામાં આવે છે, તે માન્ય થવા માટે કોઈપણ વિતરણ પર આધાર રાખતું નથી. હેતુ શૂન્ય પૂર્વધારણાને સાબિત કરવાનો છે, જે સામાન્ય વિતરણનો નમૂનો છે. તેનો ઉપયોગ ફક્ત સતત વિતરણ માટે જ થઈ શકે છે.

3. શિપિરો-વિલ્ક ટેસ્ટ

શિપિરો-વિલ્ક ટેસ્ટનો ઉપયોગ નમૂનામાં સામાન્ય વિતરણ છે કે નહીં તે ઓળખવા માટે થાય છે. સતત ડેટાના એક ચલ સાથેના નમૂનાનો ઉપયોગ કરતી વખતે તે માત્ર સામાન્યતા માટે મૂલ્યાંકન કરે છે. 2000 લોકો સુધીના નાના નમૂનાના કદ માટે આ શ્રેષ્ઠ છે. તે અન્યની જેમ આલ્ફાનો ઉપયોગ કરે છે અને બે પૂર્વધારણાઓ બનાવે છે: નલ અને વૈકલ્પિક. નલ પૂર્વધારણા ભારપૂર્વક જણાવે છે કે નમૂના સામાન્ય વિતરણમાંથી આવે છે, જ્યારે વૈકલ્પિક પૂર્વધારણા જણાવે છે કે તે નથી.

બોટમ લાઇન

ફિટ ટેસ્ટની સારીતા એ તપાસ કરે છે કે વસ્તી કેવી હોવી જોઈએ તે નમૂનાના ડેટા સાથે કેટલી સારી રીતે મેળ ખાય છે. અવલોકન કરેલ મૂલ્ય નમૂનાના ડેટામાંથી મેળવવામાં આવે છે અને વિસંગતતા માપનો ઉપયોગ કરીને અનુમાનિત અપેક્ષિત મૂલ્ય સાથે સરખામણી કરવામાં આવે છે. તમે ઇચ્છો તે નિષ્કર્ષ પર આધાર રાખીને, યોગ્ય પૂર્વધારણા પરીક્ષણોની ઘણી સારીતાઓ ઉપલબ્ધ છે. ઉપયોગ કરવા માટે ફિટ ટેસ્ટની શ્રેષ્ઠ સારીતા તમે નમૂના વિશે શું જાણવા માગો છો અને તે કેટલું મોટું છે તેના પર ખૂબ આધાર રાખે છે.