දත්ත එකතු කිරීම, මොඩලයක් පුහුණු කිරීම යනවා පමණක් නොව, ඒ දත්තවලින් විශ්වාසනීය තීරණ ගත කිරීමයි දත්ත විද්යාවේ සාර්ථකත්වය. ඒ සදහාම hypothesis testing යනු ගණිතමය සම්පාදකයක් වන අතර, එය අසාවකින් පසුගිය අනුමානවලට පදනම් වූ තීරණවලට විශ්වාසය එක් කරයි.
හයිපෝතෙසී පරීක්ෂණය කියන්නේ, ජනසංඛ්යාවක් හෝ ක්රියාවක් පිළිබඳව පරීක්ෂණාත්මක ප්රකාශයක් (hypothesis) සකසා, එය නියැලූ නියමිත සාම්පල දත්ත මත පරීක්ෂා කිරීමයි. ප්රධාන වශයෙන් නල් හයිපෝතෙසී (H₀) සහ විකල්ප හයිපෝතෙසී (H₁) ලෙස දෙකක් නිර්මාණය කරයි. H₀ යනු “වෙනසක් නැත / බලපෑමක් නැත” යන නීතිය, H₁ යනු විශ්ලේෂකයා පරීක්ෂා කිරීමට බලාපොරොත්තු වන ප්රකාශයයි.
දත්ත H₀ යටතේ ඇති නම් එය p‑value ලෙසින් මැනේ. p‑value එක 0.05 කට අඩු නම් H₀ ප්රතික්ෂේප කරයි; එමඟින් “අහඹු අවස්ථාවක් මගින් සිදු වූ නොවෙයි” යන තීරණය ලැබේ. එහෙත් p‑value එක ඉහළ නම් H₀ ප්රතික්ෂේප නොකරයි – ඒක “සාධාරණව සනාථ” නොවේ, “ප්රතික්ෂේප කළ නොහැකි” බවයි.
මෙම ක්රමය භාවිතා කිරීමෙන් ලැබෙන ප්රයෝජන කිහිපයක් ඇත:
- අස්ථානික ශබ්දයන්ගෙන් සැබෑ සංඥා වෙන් කරයි.
- සහකාරී පාර්ශ්විකයන්ට “අනিশ්චිතතාව” ගැන පොදු භාෂාවක් සැපයීමට හැකියාව ලැබේ.
- වෙනත් අල්ගොරිතම්, ප්රතිකාර, හෝ පාරිභෝගික කණ්ඩායම් අතර සාධාරණ සැසියක් ලබා දේ.
- “විකුණුම් වැඩි වුණා” යන අසාමාන්ය නිරීක්ෂණය, සංඛ්යාත්මක ප්රමාණයක් (effect size, confidence interval) සමඟ නිරූපණය කරයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණික ආයතන, විශ්වවිද්යාල සිසුන්, සහ ව්යාපාරිකයින්ට හයිපෝතෙසී පරීක්ෂණය විශාල වාසියක් ගෙනදෙනවා. දත්ත විද්යා පාඨමාලාවල මේ මූලික ක්රමය ඉගැන්වීමෙන්, නව AI හෝ machine learning ව්යාපෘතිවල වෛද්යමය තීරණ ගැනීමේ දෝෂය අඩු කරයි. එමෙන්ම, වෙළෙඳ ප්රචාරණ A/B පරීක්ෂණ, පාරිභෝගික වර්ගීකරණ, සහ රෝගී තත්ව විශ්ලේෂණය වැනි ක්ෂේත්රවල නිශ්චිත පරීක්ෂණ ක්රමයක් තිබීම, ව්යාපාරික ප්රතිලාභ වැඩි කරයි, හා රෝගී සත්කාරයේ නිරාකරණය තහවුරු කරයි. කෙටියෙන් කියනවා නම්, ශ්රී ලංකාවේ තොරතුරු තාක්ෂණය පදනම්ව ගොඩනැගෙන නව ව්යාපාරික නිර්මාණයන්ට විශ්වාසනීය පදනමක් සැපයීමේ මෙය අත්යවශ්ය පියවරකි.
අවසන් වශයෙන්, හයිපෝතෙසී පරීක්ෂණය දත්ත විද්යාවේ “ගැඹුරු විශ්ලේෂණ” පියවරක් වන අතර, එය භාවිතා කළ හැකි විවිධ පරීක්ෂණ වර්ග (t‑test, ANOVA, chi‑square, Kruskal‑Wallis) මගින් ඔබේ ව්යාපාරික හෝ අධ්යාපනික ගමන තීරණාත්මකව ඉදිරියට ගෙන යා හැක.
