PL 
EnglishDomyślny
Українська📊 Testowanie hipotez — test t i wartość p
Losuj próby, wykonaj test t i zobacz, jak wielkość efektu, liczebność próby i alfa wpływają na wartość p, błędy I i II rodzaju oraz moc testu.
O testowaniu hipotez
Ta symulacja pokazuje, jak statystyczny test hipotez rozstrzyga między hipotezą zerową H₀ a hipotezą alternatywną H₁. Losuje próby z populacji o rozkładzie normalnym, oblicza statystykę testową i przekształca ją w dwustronną wartość p przy użyciu rozkładu t (lub rozkładu χ² dla opcji testu zgodności). Górny wykres pokazuje rozkłady próbkowania dla hipotezy zerowej i alternatywnej z zacieniowanym obszarem odrzucenia; dolny wykres gromadzi empiryczny rozkład wartości p w powtarzanych próbach.
Wybierasz rodzaj testu (jednopróbkowy test t, dwupróbkowy test t lub test zgodności χ²) i dostosowujesz liczebność próby n, rzeczywistą wielkość efektu δ, poziom istotności α oraz odchylenie standardowe populacji σ. Każde uruchomienie losowo wybiera albo prawdziwą hipotezę zerową, albo rzeczywisty efekt, więc bieżące liczniki błędów I rodzaju, błędów II rodzaju i poprawnych decyzji pokazują, jak moc testu = 1−β zależy od Twoich wyborów — ta sama logika, którą badacze stosują przy planowaniu badań klinicznych, testów A/B i kontroli jakości.
Najczęściej zadawane pytania
Czym jest testowanie hipotez?
Testowanie hipotez to procedura decydowania, czy dane z próby są zgodne z domyślnym twierdzeniem zwanym hipotezą zerową. Obliczasz statystykę testową, sprawdzasz, jak zaskakująca byłaby ona przy założeniu prawdziwości hipotezy zerowej, i odrzucasz hipotezę zerową, jeśli to zaskoczenie (wartość p) spada poniżej wybranego progu. Ten symulator pozwala obserwować tę decyzję na wielu losowych próbach.
Co oznacza tutaj wartość p?
Wartość p to prawdopodobieństwo zaobserwowania statystyki testowej co najmniej tak skrajnej jak otrzymana, zakładając prawdziwość hipotezy zerowej. Symulator oblicza ją dwustronnie na podstawie rozkładu t, więc statystyka t daleka od zera daje małe p. Jeśli wartość p jest mniejsza niż α, decyzja zmienia się z „Brak podstaw do odrzucenia” na „Odrzuć H₀”.
Co kontrolują cztery suwaki?
Liczebność próby n (5–200) ustala, ile obserwacji losuje się w każdej próbie; wielkość efektu δ (0–3) to rzeczywiste przesunięcie średniej stosowane, gdy efekt jest obecny; istotność α (0,01–0,20) ustala próg odrzucenia i wartość krytyczną; a odchylenie standardowe σ (0,5–3) ustala rozproszenie populacji. Większe n lub δ, albo mniejsze σ, zwiększają moc testu.
Jak oblicza się statystykę t?
Dla testu jednopróbkowego statystyka to t = x̄ ÷ √(s²/n), gdzie x̄ to średnia z próby, a s² wariancja z próby, przy n−1 stopniach swobody. Wersja dwupróbkowa wykorzystuje różnicę średnich podzieloną przez łączony błąd standardowy przy 2n−2 stopniach swobody. Opcja χ² sumuje natomiast (obserwowane−oczekiwane)²/oczekiwane dla czterech kategorii.
Czym są błędy I i II rodzaju?
Błąd I rodzaju to odrzucenie prawdziwej hipotezy zerowej — fałszywie pozytywny wynik, którego długookresowy wskaźnik równa się α. Błąd II rodzaju to nieodrzucenie fałszywej hipotezy zerowej — pominięcie rzeczywistego efektu, ze wskaźnikiem β. Liczniki w panelu zliczają oba typy w miarę uruchamiania prób, dzięki czemu możesz potwierdzić, że wskaźnik błędów I rodzaju oscyluje wokół wybranej wartości α.
Czym jest moc testu statystycznego?
Moc to prawdopodobieństwo poprawnego odrzucenia hipotezy zerowej, gdy istnieje rzeczywisty efekt o wielkości δ, równe 1−β. Symulator szacuje ją na podstawie parametru niecentralności δ÷(σ/√n) względem wartości krytycznej. Zwiększanie n lub δ, albo zmniejszanie σ, przesuwa rozkład alternatywny głębiej w obszar odrzucenia, zwiększając wyświetlaną moc.
Dlaczego rozkład wartości p czasem wygląda na jednostajny?
Gdy hipoteza zerowa jest prawdziwa, wartości p mają rozkład jednostajny między 0 a 1, dlatego dolny histogram spłaszcza się w kierunku przerywanej linii odniesienia dla prób z hipotezą zerową. Gdy występuje rzeczywisty efekt, wartości p gromadzą się blisko zera. Ponieważ każde uruchomienie to losowa mieszanka 50/50 hipotezy zerowej i efektu, widzisz połączenie obu kształtów.
Czy symulacja jest statystycznie dokładna?
Rdzeń matematyczny jest autentyczny: symulacja losuje próby z rozkładu normalnego metodą biegunową Boxa–Mullera i oblicza funkcje rozkładu t oraz χ² za pomocą przybliżeń ułamków łańcuchowych i szeregów niepełnej funkcji beta i gamma. Wartość mocy testu wykorzystuje przybliżenie normalne rozkładu niecentralnego t, więc jest to bliskie oszacowanie, a nie dokładna wartość tablicowa.
Jaka jest różnica między trzema rodzajami testów?
Jednopróbkowy test t sprawdza, czy średnia pojedynczej grupy różni się od wartości odniesienia. Dwupróbkowy test t porównuje średnie dwóch niezależnych grup. Test zgodności χ² sprawdza, czy obserwowane liczności kategorii pasują do oczekiwanego rozkładu — tutaj cztery kategorie w porównaniu z rozkładem jednostajnym. Każdy wykorzystuje inne stopnie swobody i inny rozkład próbkowania.
Dlaczego wartość krytyczna zmienia się, gdy zmieniam α?
Wartość krytyczna wyznacza granicę obszaru odrzucenia, a zmniejszenie α wymaga silniejszych dowodów, przesuwając tę granicę głębiej w ogony rozkładu. Symulator wyznacza ją metodą bisekcji na rozkładzie t (lub χ²) tak, aby pole ogona równało się α. Mniejsze α zmniejsza błędy I rodzaju, ale przy pozostałych czynnikach niezmienionych obniża moc i zwiększa błędy II rodzaju.
Jak to jest wykorzystywane w praktyce?
Ten sam schemat leży u podstaw badań klinicznych, testów A/B w oprogramowaniu, doświadczeń rolniczych i kontroli jakości w produkcji. Praktycy stosują analizę mocy testu — dokładnie ten kompromis między n, δ, σ i α pokazany tutaj — aby dobrać liczebność próby wystarczająco dużą do wykrycia istotnego efektu, zachowując akceptowalny poziom fałszywie pozytywnych i fałszywie negatywnych wyników jeszcze przed zebraniem danych.
Losuj próby, wykonaj test t i obserwuj, jak wielkość efektu, liczebność próby i alfa wpływają na wartość p, wskaźniki błędów I i II rodzaju oraz moc testu.
3D · Three.js / WebGL renderer · 60 FPS target · runs fully client-side, no install