Пример гипотезы простой: Виды гипотез: простая; сложная; альтернативная.

Лекция 2 из 10. Семь видов гипотез / Блог компании hopox / Хабр

Для быстрого роста интернет-компаниям надо тестировать гипотезы. Чтобы систематезировать эксперименты и связать действия команды с аналитическими данными можно использовать hopox. Однако, он сам не придумает гипотезы.

Ниже разберем семь видов гипотез, чтобы было понятно, в каком направлении проводить эксперименты.

Сегодня будет много кейсов. Сразу к делу.

Эксперименты могут быть с каналами привлечения, воронками продаж, монетизацией, поведением пользователя, со способами рекомендации продукта, механизмами удержания активных клиентов, воскрешением отказавшихся клиентов и т. д.

Разделить области экспериментирования можно с помощью “Пиратских метрик” Дейва МакКлюра: Привлечение, Активация, Удержание, Виральность, Доход. Эти пять шагов описывают путь пользователя, который способен дать максимальную ценность для бизнеса.

1. Гипотезы привлечения

— гипотезы, тестирующие каналы привлечения в продукт.
Мы постоянно что-то меняем в каналах привлечения. Однако, теперь все действия привязаны к результатам в цифрах. В зависимости от канала, действия могут сильно отличаться, но ключевые метрики успеха это количество показов, охват аудитории и количество переходов на сайт.

Примеры по каналам:

Контекстная реклама:

1. “Если изменить быстрые ссылки в объявлении, то увеличим CTR на 2%”,
2. “Если подключить брокер ставок, то стоимость перехода уменьшится на 20%”
3. “Если добавим цену в объявление, то получим платежеспособную аудиторию, увеличим стоимость привлечения пользователя до 25р., но конверсия в покупку на сайте вырастит до 7%”

SMM:

1. “Если сделать пост-интервью с известным экспертом рынка, то получим больше 200 репостов”
2. “Если делать один юмористический пост в день, то увеличим количество подписчиков за две недели на 400 человек”

Email-маркетинг:

1. “Если поменяем заголовок в письме, то получим конверсию в прочитанные письма больше 60%”
2. “Если предложить в письме скидку на 20-й день после активации, то получим конверсию переходов на страницу покупки 15%”

Гипотеза: Если в заголовок статьи добавить цифры и вместо “Простой тест, увеличивший количество наших подписчиков” опубликовать “Простой тест, увеличивший количество наших подписчиков на 30%”, то увеличим количество подписчиков на 40%.
Алекс Тернбул (Alex Turnbull), Groove — SaaS-сервис, реализующий helpdesk-решения для малого бизнеса.

2. Гипотезы активации

— гипотезы по тестированию первого успешного опыта пользователя.
Метрики успешности гипотез: Количество просмотренных страниц для контент-проектов, заполнение профиля для SaaS, добавление в корзину, но чаще всего это email посетителя.

Гипотеза: “Если в форме активации убрать одно из четырех полей, то конверсия увеличится на 26%”

Это реальный кейс Нила Патель (Neil Patel), известного маркетолога и учредителя сервисов QuickSprout, Kissmetrics, CrazyEgg и Hello Bar.

3. Гипотезы удержания

— гипотезы роста по созданию привычки пользоваться продуктом и услугой.
Важно знать, что увеличение удержания на 5% увеличивает прибыль в среднем на 25-95%. Позже будет отдельная лекция по гипотезам удержания с описанием универсального механизма. А пока, один всем знакомый кейс.

Гипотеза: ”Если каждый раз уведомлять пользователей по email о том, что кто-то отметил его на фотографии, то CTR будет примерно 75%”, Facebook.

4. Гипотезы виральности

Гипотезы по привлечению новых клиентов с помощью существующих. Есть три вида виральности: встроенная, искусственная и сарафанная. Но об этом в следующих лекциях, а пока пару кейсов от короля виральности DropBox:
функционал приглашения друзей из социальных сетей, по электронной почте и импорт контактов дал за перые 30 дней после запуска — 3 миллиона отправленных приглашений.
реферальная программа, позволяющая увеличить объем своего диска, за приглашение друга, способствовала росту аудитории на 60%

5. Гипотезы монетизации

Гипотезы тестируют, как эффективно переводить активных пользователей в платящих клиентов.

Гипотеза: “Если сократим триал-версии с 30 до 14 дней, то увеличим конверсию в продажи по окончанию триала на 102%”.

Кейс QuickSprout

6. Гипотезы ценности

Все пять перечисленных видов Эрик Рис относит к гипотезам роста, которые направлены на развитие продукта. Также, он выделяет большой пул гипотез по развитию бизнеса — гипотезы ценности.

Гипотезы ценности тестируют востребованность ценностного предложения для различных сегментов. Эти гипотезы актуальны для стартапов и компаний с новым продуктом и в этих лекциях они обсуждаться не будут.

7. Управленческие гипотезы

Гипотезы связанные с фокусировкой команды на длительный срок вокруг одной ключевой метрики.

• “Если мы воспользуемся hopox и начнем экспериментировать, то сможем привлечь из существующих каналов ещё +1000 клиентов за месяц”
• “Если наймем еще одного контент-менеджера, то увеличим количество подписчиков за 3 месяца на 2000”

Домашнее задание:

Попробуйте создать в инструменте маркетолога hopox минимум 10 гипотеза по 2-3 на каждое направление развития бизнеса: Привлечение, Активация, Удержание, Виральность, Монетизация.

Список лекций:

• Экспериментируй и расти
• 7 видов гипотез
• Работа Команды Роста (Growth Team)
• Гипотезы привлечения и ценности
• Работа на основе данных
• Гипотезы активации
• Гипотезы удержания
• Гипотезы виральности
• Памятка по составлению гипотез
• Что я утаил.

9.1 Простые и сложные гипотезы и их проверка

Пусть
— независимая выборка, соответствующая неизвестной
функции распределения . Простой гипотезой
называют предположение, состоящее в том, что неизвестная функция 
отвечает некоторому совершенно конкретному вероятностному распределению. Пример
простой гипотезы:

            : данные являются выборкой из равномерного
распределения

                    в отрезке .

Сложной гипотезой называют предположение
о том, что неизвестная функция  принадлежит некоторому множеству
распределений, состоящему из более чем одного элемента. В качестве иллюстрации
можно привести Пример 6.3.

Проверить статистическую гипотезу  — это значит на основе имеющихся
данных
принять или отвергнуть сделанное предположение.
Для этого используется подход, основанный на выборе так называемого критического
множества
. Мы поступаем
следующим образом: если данные наблюдений попадают в критическое множество
(то есть,
), то гипотеза отвергается;
если же данные находятся вне критического множества (то есть,
),
то гипотеза принимается. Такое решающее правило будем называть
критерием, основанным на критическом множестве .

Существует много методов построения критических множеств для проверки статистических
гипотез, некоторые из этих методов обсуждаются в последующих параграфах. Сейчас
мы кратко коснемся вопроса о возможных ошибках, которые мы допускаем, принимая
или отвергая гипотезы.

В силу случайной природы наблюдаемых данных возможна ситуация

в то время, когда гипотеза справедлива. Однако, согласно решающему
правилу, в этом случае мы отвергнем верную гипотезу  и, тем самым,
допустим ошибку. Очевидно, что в случае простой гипотезы вероятность
такой ошибки равна
. Эту
вероятность называют также уровнем значимости
статистического критерия. Такого рода ошибки неизбежны при анализе случайных
данных, и их не следует драматизировать. На практике уровень значимости критерия
задается изначально, исходя из реальных приложений и потенциальных последствий
возможных ошибок.

Как сгенерировать гипотезы о потребностях потенциальных потребителей вашего будущего продукта

Подавляющее большинство бизнесов умирает потому, что предлагают продукт, который не нужен потребителям. Это известное высказывание Эрика Риса, автора методики Lean Startup. Как не попасть в эту ловушку со своим проектом?

Ответ прост – прежде чем делать продукт, нужно провести исследование для выяснения спроса на ваш будущий продукт. Любой продукт существует, чтобы решать какие-то задачи потребителей. Поэтому начать исследование стоит с составления набора гипотез о потребностях потребителей. То есть придумать ответы на вопрос – какие проблемы и затруднения поможет решить ваш будущий продукт?

Создание гипотез – это творческий процесс и трудно вести его строго по определенному алгоритму, но стоит попытаться. В этой статье я описываю такой алгоритм, который поможет создать набор гипотез для последующей их проверки с помощью проблемных интервью.

О себе

Меня зовут Игорь Шелудько.

Я – предприниматель в сфере разработки и продаж программного обеспечения с 2000 года. У меня высшее техническое образование. Cвою трудовую деятельность я начинал как программист, также руководил небольшими командами, занимался как продуктовой, так и заказной разработкой.

Уже 3 года я сотрудничаю с Акселератором Южного IT-парка (г. Ростов-на-Дону) в качестве трекера стартап-проектов. За это время через мои заботливые руки индивидуального трекера прошло более 20 проектов, а через Акселератор вообще прошло более 200 проектов.

С чего начать?

По моему мнению, стоит начать с понимания кто будет целевой аудиторией (ЦА) вашего будущего продукта. Если у вас уже есть идея продукта, подумайте кому может быть нужен такой продукт? Часто бывает, что идея скорее не про продукт, а про процесс или технологию. Тем не менее вы вполне можете придумать кому это может быть полезно и для чего.

Как генерировать гипотезы о потребностях?

Гипотезы о потребностях – это ответы на вопрос – для решения каких задач ЦА может применяться ваш продукт? Чем он может быть полезен?

Я рекомендую генерировать гипотезы в виде дерева или ментальной карты (mind map), придерживаясь следующего алгоритма.

На верхнем уровне (сразу от корня) расположите ваши предположения об основных потребностях ЦА, которые вы можете удовлетворить своим продуктом. Постарайтесь придать конкретику этим гипотезам, по возможности употребите в формулировках измеримые параметры.

Если у вас получился очень большой список гипотез потребностей, то подумайте над приоритетами. Вряд ли все потребности будут одинаково важны для ЦА и для вас. Пометьте наиболее важные гипотезы. Если вам будет удобно – присвойте гипотезам потребностей рейтинги приоритета и затем проработайте далее наиболее важные потребности.

Пример:

Ситуация – молодой человек хочет приобрести свой первый автомобиль.

ЦА – автомобилисты, которые покупают свой первый легковой автомобиль.

Гипотеза потребности №1: Клиент хочет купить б/у авто не старше 7 лет с АКПП и бюджет не более ХХХ т.р.

Далее предположите, что у ЦА действительно есть такая потребность и подумайте какие задачи нужно решить, чтобы эту потребность удовлетворить. Задачи не сразу могут получиться конкретными и это не страшно. Задача – это ответ на вопрос «что нужно сделать, чтобы решить проблему?» Не желаемый результат, не процесс, а действие.

Задачи, возникающие при решении проблемы – это набор последовательных действий, приводящих клиента к желаемому результату – решению проблемы. Задачи образуют второй уровень дерева гипотез.

Если у вас на предыдущем шаге оказалось много гипотез потребностей, то проработайте задачи для наиболее важных гипотез. Менее важные — оставьте пока непроработанными. Их стоит проверить в ходе проблемных интервью, но не стоит сейчас уделять им много времени и сил.

Пример

Чтобы купить б/у авто нужно:

1. Определиться с моделью (не просто «модель» и не «выбор модели»)
2. Посмотреть модель «вживую», попробовать
3. Определиться с комплектацией и цветом (не просто «цвет»)
4. Найти несколько экземпляров для сравнения
5. Проверить достоверность информации о каждом экземпляре (не «пробить по базе ГИБДД», потому что это далеко не единственная проверка)
6. Провести оценку технического состояния, оценить расходы для приведения в исправное состояние (не просто «поехать в сервис»)
7. Выбрать конкретный экземпляр
8. Заключить договор купли продажи
9. Оформить страховку
10. Поставить на учёт, зарегистрировать куплю-продажу

Для решения каждой из этих задач могут применяться разные способы и инструменты.

На третьем уровне, возникают продукты и услуги – наши возможные конкуренты.

Пример

Чтобы определиться с моделью авто можно:

1. Зайти на avito, установить критерии — ценовой диапазон, возраст авто и другие параметры, посмотреть объявления и выбрать несколько вариантов модели авто
2. Спросить у более опытных знакомых — что они порекомендуют?
3. Заехать в несколько автосалонов, торгующих б/у автомобилями — так мы сможем решить сразу и следующую задачу (посмотреть вживую, примерить на себя), но можем и не увидеть всех интересных вариантов – это уже трудности, с ними мы будем разбираться далее
4. Нанять профессионального консультанта для этой и следующих задач — делегировать сразу несколько задач.

В последнем случае возникает интересная ситуация – такой консультант все равно будет решать указанные выше задачи. Несмотря на то, что мы можем делегировать ряд задач одному решению, одному исполнителю, задачи все равно остаются. В этом случае изменится целевая аудитория и могут измениться решения, однако задачи остаются. Так в ходе проработки одного сегмента потребителей мы пришли к гипотезе о существовании другого сегмента потребителей.

Каждое из решений может вызвать у потребителя трудности и неудобства – это четвёртый уровень дерева гипотез. На этом уровне возникают функции и отличительные особенности – «фичи» продуктов.

Примеры:

1. Для avito — выдача в приложении avito неудобна, так как мы хотели увидеть варианты моделей, а нам показывают конкретные объявления.
2. Заехать в салоны неудобно, так как в нашем районе их нет и нужно ехать на окраину города.
3. Наши знакомые не имеют опыта с автомобилями этой ценовой категории.
4. К консультанту нет доверия, вдруг он предложит только те варианты, за которые он получит дополнительный бонус от продавцов.

Гипотезы трудностей можно подробно не прорабатывать на начальном этапе формирования гипотез, но про трудности обязательно стоит спрашивать при проведении проблемных интервью.

Что вы получаете в итоге?

В итоге у вас будет карта (дерево) гипотез, которая послужит хорошей основой для разработки плана проведения проблемных интервью. Во время интервью вам нужно будет затронуть все важные моменты, присутствующие в карте гипотез.

§ 2.7. Простые примеры гипотез и их проверка

Преобразовав по правилам математической логики получим:

А В В А В В В А В

Из полученного выражения можно сделать вывод, что если нет следствия, то не должно быть и причины.

§ 2.7. Простые примеры гипотез и их проверка

За исключением тривиальных случаев гипотезу нельзя доказать ни логическим, ни опытным путем, ее можно отвергнуть или не отвергать.

т.е. из А следует В ), достаточно и одного отрицательного результата.

§ 2.7. Простые примеры гипотез и их проверка

Рассмотрим пример, встречающийся иногда

образом, говорит X, из наличия этих результатов вытекает истинность гипотезы.

§ 2.7. Простые примеры гипотез и их проверка

Проверим истинность выражения

В А В ?

Преобразуем эту формулу:

В А В В А В

Но В В 1, следовательно,

В А В

1.

Такой тип вывода (назван в логике тавтологией) всегда истинный, независимо от истинности и

в отдельностиА. В

§2.8. Гипотетико-дедуктивный метод

Является результатом приложения дедуктивного

метода, применяемого в математике, естествознании или научно-технических исследованиях. Основные этапы метода могут быть сформулированы в виде:

1.Построение информационной (описательной) мoдeли изучаемого явления. Выдвижение гипотезы, объясняющей наблюдаемое явление.

2.Построение математической модели.

3.Логико-математическое развитие модели.

§2.8. Гипотетико-дедуктивный метод

4.Получение зависимостей и проверяемых выводов.

5.Проверка опытом.

6.Корректировка, если нужно, гипотезы и математической модели.

§2.8. Гипотетико-дедуктивный метод

На первом этапе основным критерием для принятия или отказа от исходных положений, составляющих тезис, служит закон достаточного основания.

Нарушение этого закона может привести к любым результатам, верным или ложным, то есть гипотеза, на

которой базируются положения, нарушившие закон достаточного основания, ничего не доказывает.

§2.8. Гипотетико-дедуктивный метод

Дальнейшее развитие гипотезы должно соответствовать дедуктивному методу, то есть

логическая цепь доказательства должна быть непротиворечивой. При этом недопустимо в ходе доказательства введение дополнительных положений или ограничений.

Важнейшим требованием к гипотетико- дедуктивному методу является эмпирическая интерпретация терминов, промежуточных и

окончательных выводов, что проверяется размерностью формул.

2} = 4 $$, и гипотеза о том, что его среднее значение $$ \ mu $$ составляет, скажем, $$ 62 ”$$; то есть $$ {H_o}: \ mu = 62 $$. Итак, мы сформулировали простую гипотезу, поскольку среднее и дисперсия вместе полностью определяют нормальное распределение. В общем случае простая гипотеза утверждает, что $$ \ theta = {\ theta _o} $$, где $$ {\ theta _o} $$ — указанное значение параметра $$ \ theta $$, ($$ \ theta $$ может представлять $$ \ mu, p, {\ mu _1} — {\ mu _2} $$ и т. д.).

Гипотеза, которая не является простой (т.е. в которой указаны не все параметры), называется сложной гипотезой.2} <4 $$ имеют более одного значения, и никакие указанные значения не присваиваются. Общая форма составной гипотезы - $$ \ theta \ leqslant {\ theta _o} $$ или $$ \ theta \ geqslant {\ theta _o} $$; то есть параметр $$ \ theta $$ не превышает или не отстает от указанного значения $$ {\ theta _o} $$. Концепция простых и сложных гипотез применима как к нулевой гипотезе, так и к альтернативной гипотезе.

Гипотезы также могут быть классифицированы как точные и неточные.Гипотеза считается точной, если она выбирает уникальное значение для параметра, например $$ {H_o}: \ mu = 62 $$ или $$ p> 0,5 $$. Гипотеза называется неточной гипотезой , если она указывает более одного возможного значения для параметра, например $$ {H_o}: \ mu \ ne 62 $$ или $$ {H_o}: p = 62 $$. Простая гипотеза должна быть точной, в то время как точная гипотеза не обязательно является простой гипотезой. Неточная гипотеза — сложная гипотеза.

.

Краткое руководство — Документация по гипотезе 5.29.0

Этот документ расскажет вам обо всем, что вам нужно для начала работы.
Гипотеза.

Пример

Предположим, мы написали систему кодирования длин серий и хотим протестировать
это из.

У нас есть следующий код, который я взял прямо из
Вики по Rosetta Code (хорошо, я
удалили закомментированный код и исправили форматирование, но нет
функциональные модификации):

Кодировка

 def (input_string):
    count = 1
    пред = ""
    lst = []
    для символа в input_string:
        если символ! = пред:
            если предыдущий:
                запись = (предыдущая, количество)
                lst.добавить (запись)
            count = 1
            пред = символ
        еще:
            count + = 1
    запись = (символ, количество)
    lst.append (запись)
    вернуться lst


def decode (lst):
    q = ""
    для символа подсчитайте в lst:
        q + = символ * количество
    вернуть q
 

Мы хотим написать для этого тест, который проверит некоторые инварианты этих
функции.

Инвариант, как правило, пробуют, когда у вас есть такая кодировка /
декодирование заключается в том, что если вы что-то кодируете, а затем декодируете, вы получаете то же самое
значение обратно.

Давайте посмотрим, как вы это сделаете с гипотезой:

 из приведенной гипотезы
from hypothesis.strategies импортировать текст


@given (текст ())
def test_decode_inverts_encode (s):
    assert decode (кодировать (s)) == s
 

(В этом примере мы просто позволим pytest обнаружить и запустить тест. Мы рассмотрим
другими способами вы могли запустить его позже).

Текстовая функция возвращает то, что Гипотеза называет стратегией поиска. Объект
с методами, описывающими, как создавать и упрощать определенные виды
ценности.Декоратор @given затем проходит наш тест
функция и превращает ее в
параметризованный, который при вызове запускает тестовую функцию в широком диапазоне
диапазон совпадающих данных из этой стратегии.

Так или иначе, этот тест сразу обнаруживает ошибку в коде:

 Пример фальсификации: test_decode_inverts_encode (s = '')

UnboundLocalError: локальная переменная 'character', на которую ссылается перед назначением
 

Гипотеза правильно указывает, что этот код просто неверен, если он вызван
пустая строка.

Если мы исправим это, просто добавив следующий код в начало функции
тогда Гипотеза сообщает нам, что код правильный (ничего не делая, как вы ожидали
прохождение теста).

, если не input_string:
    возвращение []
 

Если мы хотим, чтобы этот пример всегда проверялся, мы могли бы добавить его в
из

.

Нулевая гипотеза и формулы: определение с примерами

Проблема вероятности: пример нулевой гипотезы

Две команды из малых лиг решают подбросить монетку, чтобы определить, какая команда будет бить первой. При подбрасывании монеты выигрывает лучший из десяти подбрасываний: красная команда выбирает орла, а синяя команда выбирает решку. Монета подбрасывается десять раз, и все десять раз выпадает решка. Красная команда объявляет фол и заявляет, что монета нечестная.

Красная команда выдвинула гипотезу о том, что монета смещена в сторону решки.Какова вероятность того, что честная монета выпадет решкой в ​​десяти из десяти бросков?

Поскольку монета должна иметь 50% шанс выпадения орла или решки при каждом подбрасывании, мы можем проверить вероятность выпадения решки в десяти из десяти подбрасываний, используя уравнение биномиального распределения.

В случае подбрасывания монеты вероятность будет:

(0,5) ¹⁰ = 0,0009766

Другими словами, вероятность того, что честная монета выпадет решкой десять раз из десяти, составляет менее 1/1000.Статистически мы бы сказали, что P <0,001, чтобы десять решек выпало на десять подбрасываний монеты. Итак, была ли монета честной?

Нулевая гипотеза: определение вероятности измеримого события.

У нас есть два варианта: либо подбрасывание монеты было честным, и мы наблюдали редкое событие, либо подбрасывание монеты было несправедливым. Мы должны решить, какой вариант мы считаем — основное статистическое уравнение не может определить, какой из двух сценариев является правильным.

Однако большинство из нас предпочло бы поверить в несправедливость монеты.Мы бы отвергли гипотезу о том, что монета была честной (т.е. имела ½ шанса подбросить решку против орла), и отвергли бы эту гипотезу на уровне значимости 0,001. Большинство людей сочли бы монету несправедливой, а не поверили бы, что они были свидетелями события, которое происходит менее 1/1000 раз.

Нулевая гипотеза: определение смещения

Что, если бы мы хотели проверить нашу теорию о несправедливости монеты? Чтобы выяснить, верна ли теория «несправедливой монеты», мы должны сначала изучить теорию справедливости монеты.Сначала мы проверим, является ли монета честной, потому что мы знаем, чего ожидать от честной монеты: вероятность того, что ½ бросков приведет к выпадению орла, а ½ бросков приведет к решке. Мы не можем исследовать возможность того, что монета была несправедливой, потому что вероятность получения орла или решки для предвзятой монеты неизвестна.

Нулевая гипотеза — это теория, которую мы можем проверить напрямую. В случае подбрасывания монеты нулевая гипотеза будет заключаться в том, что монета справедливая и имеет 50% шанс выпадения орла или решки при каждом подбрасывании монеты.Нулевая гипотеза обычно обозначается аббревиатурой H ₀ .

Альтернативная гипотеза — это теория, которую мы не можем проверить напрямую. В случае подбрасывания монеты альтернативная гипотеза будет заключаться в смещении монеты. Альтернативная гипотеза обычно обозначается аббревиатурой H ₁ .

В приведенном выше примере с подбрасыванием монеты в малой лиге мы знаем, что вероятность выпадения решки 10/10 при подбрасывании монеты очень маловероятна: вероятность того, что такое произойдет, меньше 1/1000.Это редкое событие: мы отклонили бы нулевую гипотезу (что монета справедлива) при уровне значимости P <0,001. Отвергая нулевую гипотезу, мы принимаем альтернативную гипотезу (т. Е. Монета несправедлива). По сути, принятие или отклонение нулевой гипотезы определяется уровнем значимости: определением редкости события.

Второй пример: нулевая гипотеза в действии

Рассмотрим другой сценарий: команда малой лиги делает еще один бросок монеты с другой монетой и подбрасывает 8 решек из 10 подбрасываний монеты.Монета в этом случае смещена?

Используя уравнение биномиального распределения, мы находим, что вероятность получить 2 решки из 10 бросков составляет 0,044. Отвергнем ли мы нулевую гипотезу о том, что монета справедлива на уровне 0,05 (уровень значимости 5%)?

Ответ отрицательный по следующим причинам:

(1) Если мы рассматриваем вероятность подбрасывания монеты 2/10 как редкую орелу, то мы также должны учитывать возможность подбрасывания монеты 1/10 и 0/10 как редкую орлу.Мы должны учитывать совокупную вероятность (0 из 10) + (1 из 10) + (2 из 10). Три вероятности: 0,0009766 + 0,0097656 + 0,0439450. При сложении вероятность получить 2 (или меньше) подбрасывания монеты орлом за десять попыток составляет 0,0547. Мы не можем отклонить этот сценарий с уровнем достоверности 0,05, потому что 0,0547> 0,05.

(2) Поскольку мы рассматриваем вероятность подбрасывания 2/10 монеты орлом, мы также должны учитывать вероятность получения 8/10 орла.Это так же вероятно, как получение 2/10 голов. Мы исследуем нулевую гипотезу о том, что монета справедливая, поэтому мы должны исследовать вероятность того, что 8 из десяти подбрасываний выпадут орлом, 9 из десяти подброшены орлом и 10 из десяти подброшены орлом. Поскольку мы должны изучить эту двустороннюю альтернативу, вероятность выпадения 8 из 10 орлов также составляет 0,0547. «Вся картина» такова, что вероятность этого события равна 2 (0,0547), что составляет 11%.

Получение 2 орлов из 10 подбрасываний монеты нельзя назвать «редким» событием, если только мы не назовем то, что происходит в 11% случаев, «редким».«В этом случае мы примем нулевую гипотезу о том, что монета является честной.

Уровни значимости

В статистике существует много уровней значимости — обычно уровень значимости упрощается до одного из нескольких уровней. Типичные уровни значимости: P <0,001, P <0,01, P <0,05 и P <0,10. Например, если фактический уровень значимости составляет 0,024, для целей расчета мы бы сказали, что P <0,05. Можно использовать фактический уровень (0,024), но большинство статистиков будут использовать следующий по величине уровень значимости для простоты вычислений.Вместо вычисления вероятности подбрасывания монеты 0,0009766 будет использоваться уровень 0,001.

В большинстве случаев для проверки гипотез используется уровень значимости 0,05.

Определение редкости: уровни значимости для нулевой гипотезы

Уровни значимости, используемые для определения истинности или ложности нулевой гипотезы, по сути, являются уровнями определения того, насколько редким может быть событие. Что редко? 5% приемлемый уровень ошибки? Является ли 1% приемлемым уровнем ошибки?

Допустимость ошибки зависит от приложения.Например, если вы производите верхнюю одежду для игрушек, допустимый уровень погрешности составляет 5%. Если во время тестирования колеблется менее 5% вершин игрушек, компания по производству игрушек может объявить это приемлемым и отправить товар.

Однако доверительный интервал 5% для медицинских устройств совершенно неприемлем. Если, например, в 5% случаев кардиостимулятор откажет, устройство будет немедленно снято с продажи. Никто не согласится с 5% -ной частотой отказов имплантируемого медицинского устройства.Уровень достоверности для такого типа устройств должен быть намного, намного выше: уровень достоверности 0,001 будет лучшим порогом для этого типа устройств.

Сравнение односторонних и двусторонних тестов

Больница хочет определить, подходит ли среднее время ответа травматологической бригады. В отделении неотложной помощи утверждают, что они реагируют на полученную травму со средним временем реакции 5 минут или меньше.

Если больница хочет определить критическое значение отсечки только для одного параметра (время отклика должно быть меньше x секунд), мы называем это односторонним тестом .Мы могли бы использовать этот тест, если бы нас не волновало, насколько быстро команда реагирует в лучшем случае, а заботило только, будут ли они отвечать медленнее, чем пятиминутное требование. Отделение неотложной помощи просто хочет определить, не хуже ли время реакции, чем заявлено. Односторонний тест по существу оценивает, показывают ли данные что-то «лучше» или «хуже».

Если больница хочет определить, будет ли время ответа f

.Настройки

— Документация по гипотезе 5.29.0

Hypothesis пытается установить хорошие значения по умолчанию для своего поведения, но иногда это
недостаточно, и вам нужно его настроить.

Механизмом для этого является объект settings .
Вы можете настроить тест на основе @given , чтобы использовать его, используя настройки
декоратор:

@given вызов выглядит следующим образом:

 из заданного импорта гипотез, настроек


@given (целые числа ())
@settings (max_examples = 500)
def test_this_thoroughly (x):
    проходить
 

Здесь используется объект settings , который заставляет тест получать гораздо большие
набор примеров, чем обычно.

Может применяться до или после данного, и результаты
тот же самый. Следующее точно эквивалентно:

 из заданного импорта гипотез, настроек


@settings (max_examples = 500)
@given (целые числа ())
def test_this_thoroughly (x):
    проходить
 

Доступные настройки

класс гипотеза. настройки ( родительский = нет , ** kwargs )

Объект настроек управляет множеством параметров, которые используются в
фальсификация.Они могут контролировать как стратегию фальсификации, так и
подробности генерируемых данных.

Значения по умолчанию взяты из объекта settings.default и
сделанные там изменения будут сохранены во вновь созданных настройках.

база данных

Экземпляр hypothesis.database.ExampleDatabase, который будет
используется для сохранения примеров и загрузки предыдущих примеров из. Может быть Нет
в этом случае хранилище не будет использоваться, ": memory:" для in-memory
база данных или любой путь к базе данных примера на основе каталога.

значение по умолчанию: (динамически вычисляется)

срок

Если установлено, продолжительность (как timedelta, целое или плавающее число миллисекунд)
что каждый отдельный пример (т.е. каждый раз, когда ваш тест
вызывается функция, а не весь оформленный тест) внутри теста не
разрешено превышать. Тесты, которые занимают больше времени, могут быть преобразованы в
ошибок (но не обязательно, если они приблизятся к сроку, чтобы
вариабельность времени выполнения теста).

Установите значение Нет, чтобы полностью отключить это поведение.

значение по умолчанию: timedelta (миллисекунды = 200)

дерандомизировать

Если True, генератор случайных чисел исходной гипотезы с использованием хеш-кода теста
функция, так что при каждом запуске будет проверяться один и тот же набор примеров, пока вы
обновить гипотезу, Python или тестовую функцию.

Это позволяет проверять регрессии и искать ошибки, используя
отдельные профили настроек — например бег
быстрые детерминированные тесты при каждой фиксации и более длительные недетерминированные
еженощное тестирование.

значение по умолчанию: Ложь

max_examples

Как только это множество удовлетворительных примеров было рассмотрено, но не найдено ни одного
контрпример, фальсификация прекратится.

Значение по умолчанию выбирается в соответствии с рабочим процессом, в котором тест будет частью
пакет, который регулярно выполняется локально или на сервере CI, балансируя общую
время работы против шанса пропустить ошибку.

Если вы пишете разовые тесты, запуск десятков тысяч примеров
вполне разумно, поскольку Гипотеза может пропустить редкие ошибки с настройками по умолчанию.Для очень сложных компаний

.