Differences

This shows you the differences between two versions of the page.

--- c:ms:2025:lecture_note_week_04 [2025/03/26 06:57] – [Hypothesis testing] hkimscil
+++ c:ms:2025:lecture_note_week_04 [2025/03/26 07:41] (current) – [Hypothesis testing] hkimscil
@@ Line 423: / Line 423: @@
 var.pop <- var(pop)
-iter <- 10000
+# 시뮬레이션 시작
-n <-100
+iter <- 10000 # 사실은 무한대
-means <-rep(NA, iter)
+n <-100 # sample size
+means <-rep(NA, iter) # means memory reservation
 for(i in 1:iter){
   means[i] = mean(sample(pop, n))
 }
-# hist(means)
+m.empirical <- mean(means)
 se.empirical <- sd(means)
+m.empirical
 se.empirical
 se <- sd.pop/sqrt(n)
-se
+se2 <- se * 2
+se3 <- se * 3
+vlines <- c(m.empirical,
+            m.empirical+c(-se,se),
+            m.empirical+c(-se2,se2),
+            m.empirical+c(-se3,se3))
+colors = c("blue",
+           "red", "red",
+           "darkgreen", "darkgreen",
+           "black", "black")
+hist(means)
+abline(v=vlines, col=colors, lwd=2, lty="dashed")
+# 아래는 n=100 샘플을 하여 평균을 구해본 것
 s1 <- sample(pop, n)
 s1
@@ Line 459: / Line 475: @@
 m.s3
-p.val.one.tail <- pnorm(6m.s3,
+p.val.one.tail <-
-                        m.pop,
+  pnorm(m.s3, m.pop, se, lower.tail = F)
-                        se, lower.tail = F)
+p.val.two.tail <-
-p.val.two.tail <- pnorm(m.s3,
+  pnorm(m.s3, m.pop, se, lower.tail = F) * 2
-                        m.pop,
-                        se, lower.tail = F) * 2
 p.val.one.tail
 p.val.two.tail
-# set.seed(2000)
+set.seed(1010)
 s4 <- rnorm(100, 54, 10)
 m.s4 <- mean(s4)
@@ Line 481: / Line 495: @@
 z.score <- (m.s4-m.pop)/se
 z.score
-pnorm(z.score, lower.tail = F)
+pnorm(z.score, lower.tail = F)*2
+# 만약에 pnorm을 이용하여 정확한
+# probability를 구할 수 없는 상황
+# 이라고 가정하면
+# 우리는 CLT 정리를 생각하여
+# n = 100인 샘플을 무한 반복하여
+# 샘플링 하고, 각 샘플의 평균을
+# 기록하여 모아둔다면 그 분포는
+# N(mu, sigma^2/n) 이라는 것을
+# 안다. N(50, 100/100)
+# 따라서 이 집합의 표준편차값은
+# sigma/sqrt(n) = 1
+# 대충 바로 위의  그래프와 같은
+# 모습이고, 이 그래프에서 sd를
+# 위로 두개, 밑으로 두개 쓴 구간은
+# 녹색에 해당하는 48-52 이다.
+# 이 구간에서 샘플의 평균이 나타날
+# 확률은 95%라고 하였다. 따라서
+# 우리가 가지고 있는 m.s4의 값은
+# 52점 밖에 존재하므로
+# 5%의 확률로서만 얻을 수 있는 샘플
+# 평균이라는 것을 알수 있다.
+# 위의 결과를 가지고 두가지 판단을 할 수
+# 있다. 하나는 이 샘플의 평균이 모집단
+# 평균이 50이고 표준편차가 10인 집단에서
+# 나올 수 있는 샘플일 확률이 1/20밖에
+# 안되므로 이 샘플은 우리가 염두에 둔
+# 원래 모집단에서 나온 것이 아니라는
+# 생각이다.
+# 두 번째는 이 샘플이 그 모집단에서
+# 나오기는 했다. 그러나 1/20 확률에
+# 우연찮게 이번에 걸려서 m.s4의 평균값이
+# 나왔다.
+# 이것은 1/20확률에 근거한 판단이므로 첫
+# 번째 판단을 나의 주 판단으로 한다. 즉,
+# 이 샘플은 원래 모집단에서 나올 샘플이
+# 아닌 다른 집단에서 나온 샘플이다.
+# 그런데 여기서 추가로 주목할 점은 내가 샘플이
+# 정상적인지 아니면 비정상적인지 판단하는 기준
+# 선을 표준점수 +- 2에 두었다는 점이다.
+# m.s4의 점수는 53.2 이므로 m.s4-m.pop(50)
+# 인 3.2는 샘플평균들의 집합에서 구하는
+# 표준편차가 3.2만큼 떨어진 것을 알 수 있다.
+# 우리는 이것을 표준점수라고 하였으므로
+# 우리가 구한 z-score = 3.2라는 것을 알 수 있고
+# 이 점수가 표준편차값 2개를 위아래로 적용한 선보다
+# 밖에 존재하므로 샘플이 모집단에서 나오지 않은
+# 특별한 샘플이라는 것을 주장할 수 있다.
 </code>