Roulettelabo · Labo · Statistik · 8 Min.

Statistesch Signifikanz

„Signifikant“ heescht onwarscheinlech bei engem éierleche Rad, net „richteg“ an net „rentabel“.

Kuerz Äntwert

E p-Wäert vun 0,05 heescht, datt en éierlecht Rad eemol op zwanzeg e Muster liwwert, dat esou ongläichméisseg ass. Wann Dir zwanzeg Rieder ënnersicht, kënnt eent duerch Zoufall duerch.

Konventioun
p < 0,05
Quot vu Feelalarmen
5% pro Test
Léisung
Widderhuelung
wat et net ass
p(Rad huet eng Ofwäichung)

Wat de p-Wäert ass

Assuming the stated null model, the p-valueLabop-WäertD'Warscheinlechkeet, eng Ofwäichung ze gesinn, déi mindestens esou grouss ass wéi déi observéiert, wann d'Rad éierlech wier.Alles liesen → is the probabilityMathematikWarscheinlechkeetD'Chance vun engem Resultat, vun 0 bis 1 oder vun 0% bis 100%. Eng Zuel: 1/37 = 2,70%.Alles liesen → of a test statistic at least as extreme as the observed one. It is not the probability that the wheel is fair or that the result arose by chance. Interpretation also depends on the design, assumptions and tests attempted.

Aussorichteg?
p = 0,03 heescht, datt en éierlecht Rad an 3% vun de Fäll esou extrem Donnéeë liwwertjo
p = 0,03 heescht, datt d'Rad mat 97% Warscheinlechkeet eng Ofwäichung huetnee
p = 0,03 heescht, datt dat waarmt Fach waarm bleiftnee
p = 0,03, nodeems 30 Rieder ënnersicht goufen, ass e staarke Beweisnee; duerch Zoufall erwaart Dir een oder zwee esou Resultater
zweemol p = 0,03, op zwou onofhängeg Stéchprouwe vum selwechte Radelo eng Iwwerpréiwung wäert

Méifach Vergläicher

All Test, deen Dir op engem éierleche Rad maacht, huet eng Chance vu 5%, um 5%-Niveau duerchzekommen. Ënnersicht zwanzeg Rieder, an eent kënnt duerch. Ënnersicht ee Rad an zwanzeg Zäitfënsteren, an eng kënnt duerch. Ënnersicht eng Stéchprouf mat 37 Gruppéierungen no FachMaterialFachEent vun de 37 nummeréierte Fächer um Rotor. Op Englesch och: slot, cup.Alles liesen →, sechs no SektorRadSektorEn zesummenhängenden Ofschnëtt vu Fächer um Rad, am Géigesaz zu enger Grupp um Tableau.Alles liesen → an dräi no Faarf, an iergendeppes kënnt duerch. D'Mëttel dogéint ass, den Test festzeleeën, ier een d'Donnéeë kuckt, en eemol duerchzeféieren an op neien Donnéeën ze bestätegen. Dat Ofsichen, dat e Rad „mat Ofwäichung“ fënnt, ass meeschtens dat, wat d'Resultat produzéiert huet.

Chance, op d'mannst ee falsch positivt Resultat ze kréien, bei p < 0,05%
1 Test
5%
5 Tester
22,6%
10 Tester
40,1%
20 Tester
64,2%
37 Tester (ee pro Fach)
85,0%
%
042,5085,0%
1 − 0,95ⁿ. Wann Dir all Fach eenzel préift, fannt Dir bal sécher eent, dat „signifikant“ ass.

Signifikanz géint Gréisst

A large sample can detect a small departure from fairness that still does not make a bet profitable. At a true pocket probability of 1/36.5, a 35:1 bet has negative expectation. At 1/36 it breaks even. A p-value does not measure the size or practical value of an effect.

Teststäerkt

Power is the chance of rejecting the null under a specified alternative. For one pocket chosen in advance, an exact one-sided 5% binomial test on 1,000 spins rejects at 37 or more hits. If the true rate is 1/30, its power is about 28%, not 50%.

E praktesche Standard

Fir datt eng Behaaptung vun enger Ofwäichung interessant ass: en Test, deen am Viraus gewielt gouf, p < 0,01 amplaz 0,05, eng Widderhuelung op enger onofhängeger Stéchprouf vun änlecher Gréisst, an eng geschat Trefferquot vun 1/34 oder besser op de bevirzegte Fächer no der Widderhuelung. Dee Standard gouf an der Geschicht vum Spill eng Handvoll Mol erreecht an, souwäit ëffentlech Dokumenter weisen, ni op engem modernen, gutt ënnerhalene Rad.

Froen

Firwat 0,05?

Konventioun aus den 1920er Joren. Do ass näischt Besonnesches drun; 0,01 ass eng méi verstänneg Grenz, wann Dir vill Rieder ënnersicht.

Wa p winzeg ass, huet d'Rad dann op jidde Fall eng Ofwäichung?

Et liwwert warscheinlech keng gläichméisseg Resultater. Et kéint en Effekt vum Croupier sinn, e Feeler beim Opschreiwen oder e Problem beim Aginn vun den Donnéeën. Widderhuelt.

Seet e signifikant Resultat mir, op wéi ee Fach ech setze soll?

No. That requires a separate estimate of hit probability, its uncertainty and the actual payoutGeldAuszuelungWat eng gewonne Wett bréngt, uginn als „X zu 1“ zousätzlech zur zréckbezuelter Mise.Alles liesen →.

Spaass mat Mathematik

Probéiert et fir d'éischt selwer. All Léisung ass zougeklappt; maacht se op, wann Dir prett sidd.

  1. Suppose a dozenWettDosen1–12, 13–24 oder 25–36, bezillt 2:1.Alles liesen → chosen before data collection appears 742 times in 3,000 independent double-zeroRadNullDat eenzegt gréngt Fach, dat keng einfach Chance, Dosen oder Kolonn ofdeckt; d'Quell vum Hausvirdeel. Och: eenzeg Null, 0.Alles liesen → spins. Under the uniform model, how many standard deviationsMathematikStandardofwäichungQuadratwuerzel aus der Varianz; den typeschen Ofstand vun engem Resultat zum Erwaardungswäert.Alles liesen → below the mean is that? What is the probabilityMathematikWarscheinlechkeetD'Chance vun engem Resultat, vun 0 bis 1 oder vun 0% bis 100%. Eng Zuel: 1/37 = 2,70%.Alles liesen → of 742 or fewer hits?

    D'Léisung weisen

    Äntwert Ongeféier 8,1 Standardofwäichungen ze niddreg. En éierlecht Rad géif dat ongeféier eng Kéier op 3 × 10¹⁵ Versich maachen, also ni. D'Äntwert, déi mat der Fro publizéiert gouf, seet 11,75; mir kommen op 8,07.

    Under the stated model, X is binomial with n = 3,000 and p = 12/38. Its mean is np ≈ 947.37 and its standard deviation is √(np(1 − p)) ≈ 25.46.

    The standardized difference is (742 − 947.37)/25.46 ≈ −8.07. Summing the exact binomial probabilities from 0 through 742 gives P(X ≤ 742) ≈ 9.77 × 10⁻¹⁷. A normal approximation with continuity correction gives about 4.25 × 10⁻¹⁶; the relative error is large this far into the tail.

    This is the probability of the specified data event under the model, not the probability that the wheel is fair. Such a result calls for checking the observations, independence, uniformity and analysis plan. Selecting the worst-looking dozen after inspecting data, or searching many wheels or time periods, requires accounting for that selection.

E bësse Humor

Eent vun zwanzeg éierleche Rieder ass „signifikant“. Dat ass dat, wat d'Zuel bedeit.

Eent vun zwanzeg éierleche Rieder ass „signifikant“. Dat ass dat, wat d'Zuel bedeit.

Quellen

  1. Pearson, K. „On the criterion that a given system of deviations from the probable…“ https://www.amstat.org/asa/files/pdfs/P-ValueStatement.pdf
  2. Feller, W. An Introduction to Probability Theory and Its Applications, Vol. 1. https://www.itl.nist.gov/div898/software/dataplot/refman1/auxillar/chsqgood.htm
Modell: europäesch, eenzeg NullMethodologie ↗Quellen ↗