<\/p>\n
Test t dla dw\u00f3ch pr\u00f3b<\/a> s\u0142u\u017cy do sprawdzenia, czy \u015brednie z dw\u00f3ch populacji s\u0105 r\u00f3wne, czy nie.<\/span><\/p>\n Ten samouczek zawiera kompletny przewodnik dotycz\u0105cy interpretacji wynik\u00f3w testu t dla dw\u00f3ch pr\u00f3bek w j\u0119zyku R.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce chcemy wiedzie\u0107, czy dwa r\u00f3\u017cne gatunki ro\u015blin maj\u0105 t\u0119 sam\u0105 \u015bredni\u0105 wysoko\u015b\u0107. Aby to przetestowa\u0107, zbieramy prost\u0105 losow\u0105 pr\u00f3bk\u0119<\/a> 12 ro\u015blin z ka\u017cdego gatunku.<\/span><\/p>\n Nast\u0119pnie u\u017cyjemy polecenia t.test()<\/strong> do wykonania testu t sk\u0142adaj\u0105cego si\u0119 z dw\u00f3ch przyk\u0142ad\u00f3w:<\/span><\/p>\n Oto jak interpretowa\u0107 wyniki testu:<\/span><\/p>\n dane:<\/strong> informuje nas o danych wykorzystanych w te\u015bcie t dla dw\u00f3ch pr\u00f3bek. W tym przypadku u\u017cyli\u015bmy wektor\u00f3w zwanych group1 i group2.<\/span><\/p>\n t:<\/strong> To jest statystyka testu t. W tym przypadku jest to -2,5505<\/strong> .<\/span><\/p>\n df<\/strong> : S\u0105 to stopnie swobody powi\u0105zane ze statystyk\u0105 testu t. W tym przypadku jest to 20 488<\/strong> . Wyja\u015bnienie sposobu obliczania warto\u015bci stopni swobody mo\u017cna znale\u017a\u0107 w przybli\u017ceniu Satterthwaire’a<\/a> .<\/span><\/p>\n Warto\u015b\u0107 p:<\/strong> Jest to warto\u015b\u0107 p odpowiadaj\u0105ca statystyce testowej wynosz\u0105cej -2,5505 i df = 20,488. Warto\u015b\u0107 p wynosi 0,01884<\/strong> . Mo\u017cemy potwierdzi\u0107 t\u0119 warto\u015b\u0107 za pomoc\u0105 kalkulatora T Score do P Value<\/a> .<\/span><\/p>\n hipoteza alternatywna:<\/strong> m\u00f3wi nam o hipotezie alternatywnej zastosowanej w tym konkretnym te\u015bcie t. W tym przypadku alternatywna hipoteza jest taka, \u017ce prawdziwa r\u00f3\u017cnica \u015brednich mi\u0119dzy dwiema grupami nie jest r\u00f3wna zeru.<\/span><\/p>\n 95% przedzia\u0142 ufno\u015bci:<\/strong> m\u00f3wi nam 95% przedzia\u0142 ufno\u015bci dla prawdziwej r\u00f3\u017cnicy \u015brednich mi\u0119dzy obiema grupami. Okazuje si\u0119, \u017ce jest to [-5,601, -.5654]<\/strong> .<\/span><\/p>\n przyk\u0142adowe szacunki:<\/strong> m\u00f3wi nam to o \u015bredniej pr\u00f3bki<\/a> dla ka\u017cdej grupy. W tym przypadku \u015brednia pr\u00f3by dla Grupy 1 wynios\u0142a 11,667<\/strong> , a \u015brednia pr\u00f3by dla Grupy 2 wynios\u0142a 14,75<\/strong> .<\/span><\/p>\n Dwa za\u0142o\u017cenia tego konkretnego testu t dla dw\u00f3ch pr\u00f3bek s\u0105 nast\u0119puj\u0105ce:<\/span><\/p>\n H 0<\/sub> :<\/strong> \u00b5 1<\/sub> = \u00b5 2<\/sub> (\u015brednie z obu populacji s\u0105 r\u00f3wne)<\/span><\/p>\n H A<\/sub> :<\/strong> \u00b5 1<\/sub> \u2260\u00b5 2<\/sub> (\u015brednie z obu populacji nie<\/em> s\u0105 r\u00f3wne)<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 p naszego testu (0,01884)<\/strong> jest mniejsza ni\u017c alfa = 0,05, odrzucamy hipotez\u0119 zerow\u0105 testu.<\/span> Oznacza to, \u017ce mamy wystarczaj\u0105ce dowody, aby stwierdzi\u0107, \u017ce \u015brednia wysoko\u015b\u0107 ro\u015blin w obu populacjach jest r\u00f3\u017cna.<\/span><\/p>\n Funkcja t.test()<\/strong> w R u\u017cywa nast\u0119puj\u0105cej sk\u0142adni:<\/span><\/p>\n t.test(x, y, alternatywa = \u201edwie strony\u201d, mu = 0, para = FA\u0141SZ, zmienna. r\u00f3wna = FA\u0141SZ, poziom konf. = 0,95)<\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n W powy\u017cszym przyk\u0142adzie przyj\u0119li\u015bmy nast\u0119puj\u0105ce za\u0142o\u017cenia:<\/span><\/p>\n Podczas wykonywania w\u0142asnego testu t mo\u017cesz swobodnie modyfikowa\u0107 dowolny z tych argument\u00f3w, w zale\u017cno\u015bci od konkretnego testu, kt\u00f3ry chcesz wykona\u0107.<\/span><\/p>\n Wprowadzenie do testu t dla dw\u00f3ch pr\u00f3bek<\/a> Test t dla dw\u00f3ch pr\u00f3b s\u0142u\u017cy do sprawdzenia, czy \u015brednie z dw\u00f3ch populacji s\u0105 r\u00f3wne, czy nie. Ten samouczek zawiera kompletny przewodnik dotycz\u0105cy interpretacji wynik\u00f3w testu t dla dw\u00f3ch pr\u00f3bek w j\u0119zyku R. Krok 1: Utw\u00f3rz dane Za\u0142\u00f3\u017cmy, \u017ce chcemy wiedzie\u0107, czy dwa r\u00f3\u017cne gatunki ro\u015blin maj\u0105 t\u0119 sam\u0105 \u015bredni\u0105 wysoko\u015b\u0107. Aby to przetestowa\u0107, zbieramy […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1715","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Krok 1: Utw\u00f3rz dane<\/strong><\/span><\/h3>\n
#create vector of plant heights from group 1\n<\/span>group1 <- c(8, 8, 9, 9, 9, 11, 12, 13, 13, 14, 15, 19)\n\n#create vector of plant heights from group 2\n<\/span>group2 <- c(11, 12, 13, 13, 14, 14, 14, 15, 16, 18, 18, 19)<\/strong><\/pre>\n Krok 2: Wykonaj i zinterpretuj test t dla dw\u00f3ch pr\u00f3bek<\/strong><\/span><\/h3>\n
#perform two sample t-tests\n<\/span>t. test<\/span> (group1, group2)\n\n\tWelch Two Sample t-test\n\ndata: group1 and group2\nt = -2.5505, df = 20.488, p-value = 0.01884\nalternative hypothesis: true difference in means is not equal to 0\n95 percent confidence interval:\n -5.6012568 -0.5654098\nsample estimates:\nmean of x mean of y \n 11.66667 14.75000 \n<\/strong><\/pre>\n Uwagi<\/strong><\/span><\/h3>\n
\n
\n
Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Kalkulator testu t dla dw\u00f3ch pr\u00f3bek<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"