আপনি cite করতে নো ফ্রি লাঞ্চ উপপাদ্য যদি আপনি চান, কিন্তু আপনি শুধু cite পারে মোড Ponens (নামেও পরিচিত ডিটাচমেন্ট আইন , যার মূল, ন্যায়িক যুক্তি ভিত্তিতে) নো ফ্রি লাঞ্চ উপপাদ্য ।
নো ফ্রি লাঞ্চ উপপাদ্য সত্য কোন অ্যালগরিদম যে সব উদ্দেশ্যে ফিট করতে পারে যে সেখানে: একটি আরও নির্দিষ্ট ধারণা পরিব্যাপ্ত। অন্য কথায়, ফ্রি লাঞ্চের উপপাদ্যটি মূলত বলছে যে কোনও অ্যালগরিদমিক যাদু বুলেট নেই । মোডাস পোনেন্সের এই শিকাগুলি, কারণ সঠিক ফলাফল দেওয়ার জন্য অ্যালগরিদম বা একটি পরিসংখ্যানের পরীক্ষার জন্য, আপনাকে পূর্ববর্তীগুলি সন্তুষ্ট করতে হবে।
সমস্ত গাণিতিক উপপাদাগুলির মতোই, আপনি যদি পূর্বসূত্রগুলি লঙ্ঘন করেন, তবে পরিসংখ্যান পরীক্ষাটি কেবল বোধগম্য নয় এবং আপনি এ থেকে কোনও সত্য বের করতে পারবেন না। সুতরাং আপনি যদি নিজের পরীক্ষাটি ব্যবহার করে আপনার ডেটা ব্যাখ্যা করতে চান তবে আপনাকে অবশ্যই ধরে নিতে হবে যে প্রয়োজনীয় ভিত্তিগুলি পূরণ হয়েছে, যদি তা না হয় (এবং আপনি এটি জানেন) তবে আপনার পরীক্ষাটি মারা গেছে ভুল।
এটি কারণ বৈজ্ঞানিক যুক্তি ছাড়ের উপর ভিত্তি করে: মূলত, আপনার পরীক্ষা / আইন / উপপাদ্য একটি অন্তর্নিহিত নিয়ম , যা বলে যে আপনার যদি পূর্বসূরতা থাকে Aতবে আপনি সিদ্ধান্তে পৌঁছাতে পারেন B: A=>Bতবে আপনার যদি না থাকে Aতবে আপনি হয় Bবা করতে পারেন না B, এবং উভয় ক্ষেত্রেই সত্য , এটি লজিকাল ইনফারেন্স / ছাড়ের অন্যতম মূল বিষয় (মোডাস পোনেন্স বিধি)। অন্য কথায়, আপনি যদি প্রিমিসগুলি লঙ্ঘন করেন তবে ফলাফলটি কোনও বিষয় নয় এবং আপনি কোনও কিছুই ছাড় করতে পারবেন না ।
জড়িত বাইনারি সারণী মনে রাখবেন:
A B A=>B
F F T
F T T
T F F
T T T
আপনার ক্ষেত্রে তাই সহজ করতে, আপনার আছে Dependent_Variables => ANOVA_correct। এখন, আপনি যদি স্বাধীন ভেরিয়েবল ব্যবহার করেন, এইভাবে Dependent_Variablesহয় False, তারপর সংশ্লেষ সত্য হবে যেহেতু Dependent_Variablesধৃষ্টতা লঙ্ঘন করা হয়।
অবশ্যই এটি সরল, এবং অনুশীলনে আপনার আনোভা পরীক্ষাটি এখনও কার্যকর ফলাফলগুলি ফিরে আসতে পারে কারণ প্রায়শই সবসময় নির্ভরশীল ভেরিয়েবলগুলির মধ্যে কিছুটা স্বাতন্ত্র্য থাকে, তবে এটি আপনাকে ধারণা দেয় যে কেন আপনি কেবল অনুমানগুলি পূরণ না করে পরীক্ষার উপর নির্ভর করতে পারবেন না ।
যাইহোক, আপনি পরীক্ষাগুলিও ব্যবহার করতে পারেন যা পূর্ববর্তী সমস্যাগুলি হ্রাস করে মূল দ্বারা সন্তুষ্ট হয় না : স্পষ্টভাবে স্বাধীনতার সীমাবদ্ধতা শিথিল করে, আপনার ফলাফলটি এখনও অর্থবহ হতে পারে, গ্যারান্টিযুক্ত নয় (কারণ তারপরে আপনার ফলাফলগুলি হ্রাস সমস্যাটিতে প্রয়োগ হবে না, সম্পূর্ণ সমস্যা, সুতরাং আপনি যদি প্রমাণ করতে পারেন যে নতুন সমস্যার অতিরিক্ত সীমাবদ্ধতাগুলি আপনার পরীক্ষায় প্রভাব ফেলে না এবং এটি আপনার ফলাফলগুলিকে প্রভাবিত করে) তবে আপনি প্রতিটি ফলাফল অনুবাদ করতে পারবেন না।
অনুশীলনে, প্রায়শই ব্যবহারিক ডেটা মডেল করতে ব্যবহৃত হয়, উদাহরণস্বরূপ নাইভ বেইস ব্যবহার করে, নির্ভরশীল (স্বতন্ত্র পরিবর্তে) ভেরিয়েবলকে একটি মডেল যা স্বতন্ত্র ভেরিয়েবলগুলি ধরে নিয়েছে তা ব্যবহার করে এবং আশ্চর্যরকমভাবে এটি প্রায়শই খুব ভালভাবে কাজ করে, এবং কখনও কখনও মডেলগুলির অ্যাকাউন্টিংয়ের চেয়েও ভাল works নির্ভরতা জন্য । যখন ডেটা সমস্ত প্রত্যাশা পূরণ না করে তখন আনোভা কীভাবে ব্যবহার করবেন সে সম্পর্কে আপনি এই প্রশ্নে আগ্রহীও হতে পারেন ।
সংক্ষিপ্তসার হিসাবে: যদি আপনি ব্যবহারিক ডেটাতে কাজ করতে চান এবং আপনার লক্ষ্যটি কোনও বৈজ্ঞানিক ফলাফল প্রমাণ করা নয় তবে সুনির্দিষ্টভাবে কাজ করে এমন একটি সিস্টেম তৈরি করা (যেমন, একটি ওয়েব সার্ভিস বা যা কিছু ব্যবহারিক প্রয়োগ), স্বাধীনতার ধারণা (এবং সম্ভবত অন্যান্য অনুমান) শিথিল করা যায়, তবে আপনি যদি কিছু সাধারণ সত্যকে অনুমান / প্রমাণ করার চেষ্টা করছেন , তবে আপনার সর্বদা পরীক্ষাগুলি ব্যবহার করা উচিত যা আপনি গাণিতিকভাবে গ্যারান্টি দিতে পারেন (বা কমপক্ষে নিরাপদে এবং নিশ্চিতভাবে ধরে নেওয়া উচিত) যে আপনি সমস্ত ভিত্তি সন্তুষ্ট করেছেন ।