Hypothesis Testing

Hypothesis Testing একটি পরিসংখ্যানিক পদ্ধতি যার মাধ্যমে আমরা একটি দাবির বা অনুমান (হাইপোথিসিস) সঠিক কি না তা যাচাই করি। এই প্রক্রিয়ায়, আমরা একটি নির্দিষ্ট গবেষণা প্রশ্ন বা দাবির বিপক্ষে প্রমাণ (পক্ষে বা বিপক্ষে) সংগ্রহ করি এবং পরিসংখ্যানিকভাবে সিদ্ধান্ত নেয়া হয়। এটি পরিসংখ্যান এবং গবেষণার ক্ষেত্রে একটি গুরুত্বপূর্ণ টুল, যা বৈজ্ঞানিক পরীক্ষা এবং সিদ্ধান্ত গ্রহণে সহায়ক।

Hypothesis Testing এর ধাপসমূহ

১. হাইপোথিসিস নির্ধারণ (Formulate the Hypotheses)

প্রথম ধাপে, আমরা দুটি হাইপোথিসিস তৈরি করি:

• Null Hypothesis (H₀): এটি একটি দাবী যা বলা হয় যে কোনও পরিবর্তন বা প্রভাব নেই, অথবা ডেটার মধ্যে কোন পার্থক্য নেই। এটি সাধারণত পজিটিভ বা কোনো পরিবর্তন না হওয়ার ধারণাকে প্রতিনিধিত্ব করে।
• Alternative Hypothesis (H₁ বা Ha): এটি হাইপোথিসিস H₀ এর বিপরীতে দাঁড়ায়, যেখানে দাবি করা হয় যে ডেটার মধ্যে একটি পরিবর্তন বা প্রভাব রয়েছে।

উদাহরণ:

• H₀: একটি নতুন শিক্ষা পদ্ধতির কারণে পরীক্ষার ফলাফলে কোনো পরিবর্তন হয়নি।
• H₁: একটি নতুন শিক্ষা পদ্ধতির কারণে পরীক্ষার ফলাফলে পরিবর্তন এসেছে।

২. সঠিক পরিসংখ্যানিক পরীক্ষা নির্বাচন (Select the Significance Level and the Test Type)

আমরা একটি significance level (α) নির্ধারণ করি, যা সাধারণত ০.০৫ (৫%) বা ০.০১ (১%) হয়। এই মানটি একটি নির্দিষ্ট সীমা নির্ধারণ করে যা থেকে আমরা সিদ্ধান্ত নেবো যে আমরা হাইপোথিসিস H₀-কে প্রত্যাখ্যান করব বা না।

পরবর্তী, আমরা একটি উপযুক্ত পরিসংখ্যানিক পরীক্ষা নির্বাচন করি যা ডেটার প্রকৃতি এবং নমুনার আকারের উপর ভিত্তি করে হয়। কিছু জনপ্রিয় পরিসংখ্যানিক পরীক্ষা:

• t-test: যখন দুটি গোষ্ঠীর মধ্যে গড় তুলনা করা হয় এবং নমুনা আকার ছোট।
• z-test: যখন জনসংখ্যার স্ট্যান্ডার্ড ডেভিয়েশন জানা থাকে এবং নমুনা আকার বড়।
• chi-square test: যখন ক্যাটেগরিক্যাল ডেটার মধ্যে সম্পর্ক পরীক্ষা করা হয়।

৩. ডেটা সংগ্রহ এবং পরিসংখ্যানিক বিশ্লেষণ (Collect Data and Perform the Test)

এখন আমরা উপরের হাইপোথিসিস পরীক্ষা করার জন্য প্রয়োজনীয় ডেটা সংগ্রহ করি এবং সেই ডেটার ভিত্তিতে পরিসংখ্যানিক পরীক্ষা সম্পাদন করি। এটি সাধারণত নির্দিষ্ট একটি গণনা ফর্মুলার মাধ্যমে করা হয়।

৪. p-মান (p-value) নির্ধারণ (Determine the p-value)

p-value হল একটি পরিসংখ্যানিক মান যা আমাদের জানায়, H₀ সঠিক হলে আমাদের পরিদৃষ্ট ডেটা বা তার চেয়েও বেশি চরম ফলাফল পাওয়ার সম্ভাবনা কতটা। এটি significance level (α) এর সাথে তুলনা করা হয়:

• যদি p-value ≤ α, তাহলে আমরা H₀ কে প্রত্যাখ্যান করি এবং alternative hypothesis (H₁) কে গ্রহণ করি।
• যদি p-value > α, তাহলে আমরা H₀ কে গ্রহণ করি।

৫. সিদ্ধান্ত নেওয়া (Make a Decision)

• H₀ গ্রহণ: যদি p-value α এর চেয়ে বেশি হয়, তাহলে হাইপোথিসিস H₀ কে গ্রহণ করা হয়, অর্থাৎ ডেটায় কোনও পরিবর্তন বা প্রভাব নেই।
• H₀ প্রত্যাখ্যান: যদি p-value α এর চেয়ে কম হয়, তখন হাইপোথিসিস H₀ কে প্রত্যাখ্যান করা হয় এবং alternative hypothesis H₁ গ্রহণ করা হয়, অর্থাৎ ডেটায় পরিবর্তন বা প্রভাব রয়েছে।

Hypothesis Testing এর উদাহরণ

ধরা যাক, একটি কোম্পানি দাবি করছে যে তাদের পণ্যের গড় আয়ু ৫ বছরের বেশি। আমরা একটি নমুনা নিয়ে পরীক্ষা করতে চাই যে, তাদের দাবি সঠিক কি না।

• Null Hypothesis (H₀): গড় আয়ু ৫ বছর।
• Alternative Hypothesis (H₁): গড় আয়ু ৫ বছরের বেশি।

এখন, আমরা ৩০টি পণ্যের আয়ু পরিমাপ করি এবং গড় আয়ু বের করি। যদি p-value ≤ ০.০৫, তখন আমরা H₀ প্রত্যাখ্যান করে বলব যে পণ্যের গড় আয়ু ৫ বছরের বেশি। অন্যথায়, যদি p-value > ০.০৫, তাহলে আমরা H₀ গ্রহণ করব এবং বলতে পারব যে কোম্পানির দাবি সঠিক।

Hypothesis Testing এর গুরুত্বপূর্ণ পয়েন্টসমূহ

• Type I Error (α-error): যখন H₀ সঠিক থাকা সত্ত্বেও আমরা তা প্রত্যাখ্যান করি।
• Type II Error (β-error): যখন H₀ সঠিক না থাকা সত্ত্বেও আমরা তা গ্রহণ করি।

Significance Level (α):

• এটি আমাদের সিদ্ধান্ত নেওয়ার একটি নির্দিষ্ট সীমা নির্ধারণ করে। সাধারণত, α = 0.05 বা 0.01 ব্যবহার করা হয়।

Critical Value:

• এটি সেই সীমা নির্ধারণ করে যা p-value এর সাথে তুলনা করতে হয়।

সারাংশ

Hypothesis Testing হল একটি পরিসংখ্যানিক প্রক্রিয়া, যার মাধ্যমে আমরা কোনো দাবির সঠিকতা যাচাই করি। প্রথমে আমরা Null Hypothesis (H₀) এবং Alternative Hypothesis (H₁) তৈরি করি এবং তারপর পরিসংখ্যানিক পরীক্ষা (যেমন t-test, z-test, chi-square test) ব্যবহার করে p-value বের করি। p-value এর উপর ভিত্তি করে আমরা সিদ্ধান্ত নিই যে হাইপোথিসিস H₀ গ্রহণ করব নাকি প্রত্যাখ্যান করব। Type I এবং Type II errors থেকে সতর্ক থাকতে হয়, যাতে ভুল সিদ্ধান্ত না নেয়া হয়।

Hypothesis Testing পরিসংখ্যানের একটি গুরুত্বপূর্ণ অংশ যা ডেটার মাধ্যমে কোনো দাবির বা ধারণার সত্যতা যাচাই করতে ব্যবহৃত হয়। Null Hypothesis এবং Alternative Hypothesis হল এই পরীক্ষার দুটি মূল ধারণা, যা গবেষণায় সিদ্ধান্ত নেওয়ার প্রক্রিয়াকে পরিচালিত করে।

১. Null Hypothesis (নাল হাইপোথিসিস)

Null Hypothesis (H₀) হল একটি দাবী বা অনুমান যা সাধারণভাবে কোনো পরিবর্তন, সম্পর্ক বা পার্থক্য নেই এমন ধারণা নিয়ে তৈরি করা হয়। এটি পরিসংখ্যানিক পরীক্ষার জন্য একটি প্রাথমিক অনুমান যা কোনো বৈশিষ্ট্য বা পরিস্থিতির কোন পরিবর্তন বা পার্থক্য নির্ধারণ না করেই অব্যাহত থাকে। Null Hypothesis কে "no effect" hypothesis বা "no difference" hypothesis বলা হয়, কারণ এটি মূলত কিছুই পরিবর্তিত হয়নি এমন পূর্বধারণা থেকে শুরু হয়।

Null Hypothesis এর বৈশিষ্ট্য:

• এটি সাধারণত H₀ দ্বারা উপস্থাপিত হয়।
• এই হাইপোথিসিসে বলা হয় যে কোনো প্রভাব বা পার্থক্য নেই।
• এটি পরীক্ষা করার জন্য ব্যবহার করা হয় যে, কোনো নির্দিষ্ট পরিবর্তন বা সম্পর্ক ঘটেছে কিনা।

উদাহরণ:

• একটি নতুন ওষুধের প্রভাব পরীক্ষা করা: H₀: "ওষুধের কোনো প্রভাব নেই।"
• একটি স্কুলের ছাত্রদের গড় পরীক্ষা নম্বরের তুলনা: H₀: "শ্রেণীর মধ্যে গড় পরীক্ষা নম্বর সমান।"

২. Alternative Hypothesis (অল্টারনেটিভ হাইপোথিসিস)

Alternative Hypothesis (H₁ বা Ha) হল এমন একটি দাবী বা অনুমান যা null hypothesis এর বিপরীত। এটি সাধারণভাবে এমন একটি সম্পর্ক, পার্থক্য, বা প্রভাব তুলে ধরে যা null hypothesis তে বর্ণিত হয় না। যখন null hypothesis বাদ দেওয়া হয়, তখন alternative hypothesis গ্রহণ করা হয়।

Alternative Hypothesis এর বৈশিষ্ট্য:

• এটি সাধারণত H₁ বা Ha দ্বারা উপস্থাপিত হয়।
• এটি দাবি করে যে কিছু পরিবর্তন বা পার্থক্য আছে।
• এটি null hypothesis এর বিপরীত বা প্রতিক্রিয়া হিসেবে থাকে, এবং গবেষকরা এটি পরীক্ষা করতে চান।

উদাহরণ:

• একটি নতুন ওষুধের প্রভাব পরীক্ষা করা: H₁: "ওষুধের কিছু প্রভাব আছে।"
• একটি স্কুলের ছাত্রদের গড় পরীক্ষা নম্বরের তুলনা: H₁: "শ্রেণীর মধ্যে গড় পরীক্ষা নম্বর আলাদা।"

Null এবং Alternative Hypothesis এর মধ্যে পার্থক্য

সারাংশ

Null Hypothesis (H₀) একটি দাবী যা পরিসংখ্যানিক পরীক্ষায় "no effect" বা "no difference" ধারণাকে প্রতিনিধিত্ব করে, অর্থাৎ কিছু পরিবর্তন বা পার্থক্য নেই। অপরদিকে, Alternative Hypothesis (H₁ বা Ha) একটি দাবী যা null hypothesis এর বিপরীত, এবং এটি কোনো পরিবর্তন বা পার্থক্য হওয়ার সম্ভাবনা নির্দেশ করে। গবেষণায় সিদ্ধান্ত নেওয়ার জন্য null hypothesis কে প্রথমে পরীক্ষা করা হয় এবং যদি সেটি বাদ দেওয়া যায়, তখন alternative hypothesis গ্রহণ করা হয়।

Type I এবং Type II errors দুটি গুরুত্বপূর্ণ পরিসংখ্যানিক ত্রুটি যা hypothesis testing (হাইপোথিসিস পরীক্ষা) পরিচালনায় ঘটে। এই ত্রুটিগুলি একটি সিদ্ধান্ত গ্রহণ প্রক্রিয়া বা পরিসংখ্যানিক পরীক্ষা করতে গিয়ে যে ভুল হতে পারে তা বর্ণনা করে।

১. Type I Error (False Positive Error)

Type I Error তখন ঘটে যখন একটি সত্য (null hypothesis) ভুলভাবে অগ্রাহ্য করা হয় এবং ফলস্বরূপ এটি অগ্রহণযোগ্য হিসেবে ঘোষণা করা হয়। এটি একটি False Positive বা False Alarm হিসাবে পরিচিত, কারণ পরীক্ষা প্রমাণ করে যে কিছু ঘটেছে, যদিও বাস্তবে কিছু ঘটেনি।

বিশেষত্ব:

• Null Hypothesis (H₀): এটি সাধারণত একটি "সাধারণ" বা "কোন পার্থক্য নেই" ধরনের দাবি।
• Type I Error: যখন null hypothesis ভুলভাবে অস্বীকার করা হয়, অর্থাৎ পরীক্ষায় বলা হয় যে কোন পার্থক্য বা সম্পর্ক আছে, যদিও বাস্তবে তা নেই।
• এর সম্ভাবনা সাধারণত α (alpha) দ্বারা চিহ্নিত করা হয়, যেটি significance level বা পশ্চিমাংশ।

উদাহরণ:

ধরা যাক, একটি ওষুধের পরীক্ষায় null hypothesis হল যে "ওষুধটি কোনো প্রভাব ফেলে না"। যদি পরীক্ষা করে দেখা যায় যে, ওষুধটির প্রভাব রয়েছে, কিন্তু বাস্তবে সেটি কোনো প্রভাব ফেলছে না, তাহলে এটি Type I Error হবে, কারণ আমরা ভুলভাবে প্রভাবের অস্তিত্ব প্রমাণ করেছি।

২. Type II Error (False Negative Error)

Type II Error তখন ঘটে যখন মিথ্যা (alternative hypothesis) ভুলভাবে অগ্রাহ্য করা হয় এবং null hypothesis সত্য হিসেবে গ্রহণ করা হয়। এটি একটি False Negative হিসাবে পরিচিত, কারণ পরীক্ষায় বলা হয় যে কিছু হয়নি, যদিও বাস্তবে কিছু ঘটে।

বিশেষত্ব:

• Alternative Hypothesis (H₁): এটি একটি দাবি যা বলে যে "কিছু পরিবর্তন বা পার্থক্য আছে"।
• Type II Error: যখন null hypothesis ভুলভাবে গৃহীত হয়, অর্থাৎ পরীক্ষায় বলা হয় যে কিছু হয়নি, যদিও আসলে কিছু ঘটেছে।
• এর সম্ভাবনা সাধারণত β (beta) দ্বারা চিহ্নিত করা হয়।

উদাহরণ:

ধরা যাক, একই ওষুধের পরীক্ষায় null hypothesis ছিল "ওষুধটি কোনো প্রভাব ফেলে না", এবং alternative hypothesis ছিল "ওষুধটি প্রভাব ফেলে"। যদি পরীক্ষা করে দেখা যায় যে ওষুধটির কোনো প্রভাব নেই, যদিও বাস্তবে এটি প্রভাব ফেলে, তবে এটি Type II Error হবে, কারণ আমরা ভুলভাবে প্রভাবের অস্তিত্ব অস্বীকার করেছি।

Type I Error vs Type II Error

Error-এ সমন্বয়: Type I vs Type II Trade-Off

একটি পরীক্ষা পরিচালনা করার সময়, Type I এবং Type II Error এর মধ্যে trade-off (বিনিময়) থাকে। যদি আপনি Type I Error কমাতে চান (অর্থাৎ, Null hypothesis অস্বীকার না করা), তবে আপনি সম্ভবত Type II Error বাড়াতে পারেন (অর্থাৎ, কিছু সত্য বলে মনে করার পরে সেটি অস্বীকার করা)। উদাহরণস্বরূপ:

• আপনি যদি একটি কঠিন significance level সেট করেন (যেমন α = 0.01), তবে Type I Error কমবে, তবে Type II Error বৃদ্ধি পাবে।
• যদি আপনি significance level বেশি রাখেন (যেমন α = 0.10), তবে Type I Error বাড়বে, কিন্তু Type II Error কমবে।

সারাংশ

Type I Error হলো False Positive (ভুলভাবে কিছু ঘটেছে বলে বলা), এবং Type II Error হলো False Negative (ভুলভাবে কিছু ঘটেনি বলে বলা)। এই দুটি ত্রুটি পরিসংখ্যানিক পরীক্ষায় গুরুত্বপূর্ণ, এবং তাদের মধ্যে একটি চয়ন করার সময় trade-off থাকতে পারে। প্রায়ই পরীক্ষার significance level বা α এবং β এর মধ্যে সমন্বয় করা হয়, যাতে ত্রুটির সম্ভাবনা কমানো যায়।

Significance Level (α) এবং P-value হল পরিসংখ্যানিক হাইপোথিসিস টেস্টিংয়ের দুটি অত্যন্ত গুরুত্বপূর্ণ উপাদান। এগুলি পরীক্ষা করে যে কোনো নির্দিষ্ট পরিসংখ্যানিক ফলাফল কোন পর্যায়ে যথেষ্ট গুরুত্বপূর্ণ বা অর্থপূর্ণ, অর্থাৎ আমাদের স্যাম্পল ডেটার ভিত্তিতে কোন সিদ্ধান্ত নেওয়া উচিত।

১. Significance Level (α)

Significance Level (α) হল একটি পূর্বনির্ধারিত মান, যা হাইপোথিসিস টেস্টিংয়ে পরীক্ষার সিদ্ধান্ত নেয়ার জন্য ব্যবহৃত হয়। এটি আমাদেরকে একটি নির্দিষ্ট পরিসংখ্যানিক পরীক্ষার জন্য একটি "থ্রেশহোল্ড" বা সীমা প্রদান করে, যার মাধ্যমে আমরা সিদ্ধান্ত নেব যে হাইপোথিসিসটি গ্রহণ করতে হবে নাকি বাতিল করতে হবে।

সাধারণ মান:

• সাধারণভাবে, α = 0.05 ব্যবহৃত হয়, যা অর্থাৎ ৫% সম্ভাবনা যে পরীক্ষার ফলাফল কেবল কাকতালীয় (random) হতে পারে।
• α = 0.01 বা α = 0.10 এমনকি আরও কম বা বেশি হতে পারে, তবে এটি নির্ভর করে পরীক্ষার প্রকৃতি এবং গুরুত্বপূর্ণ সিদ্ধান্তের উপর।

ব্যবহার:

• Significance level (α) পরীক্ষার জন্য একটি বিশ্বাসযোগ্যতা স্তর প্রদান করে, যা থেকে আমরা সিদ্ধান্ত নেব যে ফলাফলটি statistically significant কিনা।
• এটি একটি তথ্য নির্ধারণের স্তর হিসেবে কাজ করে, যার মাধ্যমে আমরা কোন ফলাফলকে কাকতালীয় বা গুরুত্বপূর্ণ হিসেবে চিহ্নিত করতে পারি।

২. P-value

P-value হল একটি পরিসংখ্যানিক পরিমাপ যা প্রমাণ দেয় যে আমাদের হাইপোথিসিসের বিপক্ষে যে ফলাফল বা আরও চরম ফলাফল দেখা যাবে, তা কতটা সম্ভাব্য। এটি পরীক্ষার ফলাফলের অর্থপূর্ণতা পরীক্ষা করে এবং আমাদের হাইপোথিসিসটি গ্রহণ বা বাতিল করার সিদ্ধান্ত নিতে সাহায্য করে।

ফর্মুলা:

P-value গণনা করতে কোনও নির্দিষ্ট টেস্ট স্ট্যাটিস্টিকের উপর ভিত্তি করে একটি স্যাম্পল ডেটা থেকে সম্ভাবনা বের করা হয়। এটি সাধারণত টেস্ট স্ট্যাটিস্টিক, হাইপোথিসিস টেস্ট, এবং ডিস্ট্রিবিউশন দ্বারা নির্ধারিত হয়।

ব্যবহার:

• P-value ছোট হলে, আমাদের সিদ্ধান্ত null hypothesis (H₀) বাতিল করার পক্ষে থাকে, যা অর্থাৎ পরীক্ষিত উপকরণটি গুরুত্বপূর্ণ বা প্রভাবশালী।
• P-value বড় হলে, আমাদের সিদ্ধান্ত null hypothesis (H₀) গ্রহণ করার পক্ষে থাকে, যা অর্থাৎ পরীক্ষিত উপকরণটি কাকতালীয় বা অপ্রভাবিত হতে পারে।

Significance Level (α) এবং P-value এর সম্পর্ক

Significance level (α) এবং P-value একে অপরের সাথে সম্পর্কিত। এই সম্পর্কটি আমাদের সিদ্ধান্ত গ্রহণে সহায়তা করে:

1. Null Hypothesis (H₀) বাতিল করার জন্য P-value কে α এর সাথে তুলনা করা হয়:
   • যদি P-value ≤ α, তাহলে Null Hypothesis (H₀) বাতিল করা হয় এবং আমরা Alternative Hypothesis (H₁) গ্রহণ করি।
   • যদি P-value > α, তাহলে Null Hypothesis (H₀) গ্রহণ করা হয়, কারণ এটি পরিসংখ্যানিকভাবে গুরুত্বপূর্ণ নয়।

উদাহরণ:

ধরা যাক, আমাদের α = 0.05 এবং আমরা একটি পরীক্ষা করেছি যার P-value = 0.03।

• P-value (0.03) হল ছোট এবং এটি α (0.05) এর চেয়ে কম, তাই আমরা Null Hypothesis (H₀) বাতিল করি এবং পরীক্ষার ফলাফলকে statistically significant মনে করি।

এছাড়া, যদি P-value = 0.08 হয়, তাহলে P-value বড় এবং α এর চেয়ে বেশি, তাই আমরা Null Hypothesis (H₀) গ্রহণ করি এবং বলি যে ফলাফলটি কাকতালীয় হতে পারে।

Significance Level এবং P-value এর অন্যান্য ব্যবহার:

1. Decision Making: P-value এবং α মিলে সিদ্ধান্ত নিতে সহায়ক হয়, যাতে আমরা জানি যে ফলাফলটি আসল (real) কিনা, না কেবল কাকতালীয় বা র্যান্ডম।
2. Assessing Effectiveness: কোনও চিকিৎসা বা টেকনিক্যাল উপকরণ কতটা কার্যকর তা মূল্যায়ন করতে P-value এবং Significance level ব্যবহৃত হয়।
3. Testing Hypotheses: P-value এবং α দুইটি পরীক্ষার মাধ্যমে null hypothesis এর উপর সিদ্ধান্ত নেওয়া হয়। এটি পরীক্ষা করতে সাহায্য করে যে আমরা আমাদের মূল ধারণাকে মান্য করতে পারি কিনা।

সারাংশ

Significance Level (α) এবং P-value হল পরিসংখ্যানিক পরীক্ষায় ব্যবহৃত দুটি মৌলিক উপাদান। α একটি পূর্বনির্ধারিত মান যা আমাদের সিদ্ধান্তের জন্য সীমা নির্ধারণ করে, এবং P-value একটি পরিসংখ্যানিক পরিমাপ যা পরীক্ষার ফলাফলের অর্থপূর্ণতা পরিমাপ করে। যদি P-value ছোট হয় এবং α এর চেয়ে কম হয়, তবে আমরা null hypothesis বাতিল করি, অন্যথায় তা গ্রহণ করি।

One-tailed এবং Two-tailed Tests হল Hypothesis Testing (হাইপোথিসিস টেস্টিং)-এর দুটি মৌলিক ধরনের পদ্ধতি। এই পরীক্ষাগুলি একটি পরিসংখ্যানিক পরীক্ষার মাধ্যমে গবেষণার ফলাফলগুলি নির্ধারণ করতে ব্যবহৃত হয়, যা কোনো একটি দাবির সত্যতা যাচাই করতে সাহায্য করে।

১. One-tailed Test (একদিকি পরীক্ষা)

One-tailed test (একদিকি পরীক্ষা) একটি পরিসংখ্যানিক পরীক্ষা যেখানে হাইপোথিসিসের মধ্যে একটি নির্দিষ্ট দিক বা দিকে কোনো পরিবর্তন আশা করা হয়। এটি একটি একক দিকের পরিবর্তন পরীক্ষা করে (যেমন, গড় বেশি অথবা কম হওয়া)।

একদিকি পরীক্ষায়, alternative hypothesis (বিকল্প হাইপোথিসিস) শুধু একটি দিকের পরিবর্তন নির্দেশ করে (বা, বড় হওয়ার বা ছোট হওয়ার সম্ভাবনা)। উদাহরণস্বরূপ, এটি নিশ্চিত করতে চায় যে, একটি ভেরিয়েবল তার গড়ের থেকে বেশি বা কম হয়েছে কিনা।

ফর্মুলা:

• Null Hypothesis (H₀): $\mu = \mu_0$
• Alternative Hypothesis (H₁): $\mu > \mu_0$ (এটি বড় হতে পারে, বা $\mu < \mu_0$ (এটি কম হতে পারে))

উদাহরণ:

ধরা যাক, একটি কোম্পানি দাবি করছে যে তাদের পণ্যের গড় আয়ু ৫ বছর। আপনি পরীক্ষা করতে চান যে গড় আয়ু ৫ বছরের চেয়ে বেশি কিনা। তখন আপনার Null Hypothesis (H₀): গড় আয়ু ৫ বছর, এবং Alternative Hypothesis (H₁): গড় আয়ু ৫ বছরের চেয়ে বেশি হবে। এখানে আপনি শুধুমাত্র একটি দিকের পরিবর্তন পরীক্ষা করছেন (বেশি হওয়া)।

One-tailed Test ব্যবহৃত হয় যখন আমরা জানি বা আশা করি যে পরিবর্তন একটি নির্দিষ্ট দিকে ঘটবে।

২. Two-tailed Test (দ্বিদিকি পরীক্ষা)

Two-tailed test (দ্বিদিকি পরীক্ষা) একটি পরিসংখ্যানিক পরীক্ষা যেখানে হাইপোথিসিসের মধ্যে দুটি দিকের পরিবর্তন পরীক্ষা করা হয় (যেমন, গড় বেশি বা কম হওয়া)। এখানে alternative hypothesis (বিকল্প হাইপোথিসিস) দুটি দিকের পরিবর্তন নির্দেশ করে (বড় হওয়া বা ছোট হওয়া)।

ফর্মুলা:

• Null Hypothesis (H₀): $\mu = \mu_0$
• Alternative Hypothesis (H₁): $\mu \neq \mu_0$

উদাহরণ:

ধরা যাক, আপনি পরীক্ষা করতে চান যে একটি ফ্যাক্টরির উৎপাদিত পণ্যের গড় আয়ু ৫ বছর। এখানে, আপনি শুধুমাত্র জানেন না যে গড় আয়ু ৫ বছরের চেয়ে বেশি হবে নাকি কম হবে। সুতরাং, আপনার Null Hypothesis (H₀): গড় আয়ু ৫ বছর, এবং Alternative Hypothesis (H₁): গড় আয়ু ৫ বছরের চেয়ে বেশি বা কম হতে পারে। এখানে, পরিবর্তনটি উভয় দিক থেকে হতে পারে।

Two-tailed Test ব্যবহৃত হয় যখন পরিবর্তন উভয় দিক থেকে ঘটতে পারে, অর্থাৎ গড় কমে যাওয়া বা বাড়ে যাওয়া—এমন যেকোনো পরিবর্তন পরীক্ষা করতে।

One-tailed Test vs Two-tailed Test

কখন One-tailed এবং Two-tailed Test ব্যবহার করবেন?

• One-tailed Test: আপনি যখন নিশ্চিত বা আশা করেন যে কিছু পরিবর্তন শুধুমাত্র একটি দিক থেকে ঘটবে, তখন এটি ব্যবহৃত হয়। উদাহরণস্বরূপ, আপনি যদি কোনো ঔষধের কার্যকারিতা পরীক্ষা করতে চান এবং আশা করেন যে এর কার্যকারিতা কোনও ইতিবাচক দিক থেকে বৃদ্ধি পাবে, তখন আপনি one-tailed test ব্যবহার করবেন।
• Two-tailed Test: আপনি যখন জানেন না বা কোনও নির্দিষ্ট দিকের পরিবর্তন আশা করতে পারেন না, তখন এটি ব্যবহৃত হয়। উদাহরণস্বরূপ, যদি আপনি একটি শিক্ষার্থী গড় নম্বর পরীক্ষা করতে চান এবং আপনি জানেন না যে তার নম্বর বৃদ্ধি পাবে বা কমে যাবে, তবে আপনি two-tailed test ব্যবহার করবেন।

সারাংশ

One-tailed test এবং Two-tailed test হল পরিসংখ্যানিক হাইপোথিসিস টেস্টিংয়ের দুটি গুরুত্বপূর্ণ পদ্ধতি। One-tailed test একটি দিকের পরিবর্তন পরীক্ষা করে (বড় বা ছোট হওয়া), যখন Two-tailed test দুটি দিকের পরিবর্তন (বড় বা ছোট হওয়া) পরীক্ষা করে। কবে কোন পরীক্ষা ব্যবহার করবেন তা নির্ভর করে আপনার গবেষণার উদ্দেশ্য এবং আপনি কোন দিকের পরিবর্তন আশা করছেন তার ওপর।