그만큼 피 유의 수준 테스트에서 귀무 가설을 기각하거나 거부하지 않기로 결정할 때 중요합니다. 운수 나쁘게, 피 값은 종종 오해됩니다. 이 스크립트는 한 샘플 학생의 티 모집단 평균의 테스트. 그것은 테스트 통계 및 관련 피 많은 샘플에 대해 - 값. 모든 경우를 시뮬레이션 할 수 있습니다. 즉, 모집단 평균 및 표준 편차와 가설 평균을 입력 할 수 있습니다.
스크립트를 열고 실행하십시오. 처음으로, 귀무 가설이 사실 인 경우를 시뮬레이션 할 것입니다. 이 예에서, 최종 제제의 중요한 특성은 pH이다. 그것은 6이어야합니다 (H0 : 평균 pH = 6). 모의 된 pH 값의 모집단은 평균 6이고 표준 편차는 0.1 pH이다. 나는 12 가지 준비를 위해 pH를 얻는다. 나는 100,000 샘플을 시뮬레이션하고 티 통계 및 그 피 각 샘플에 대해 - 값. 다음 대화 상자에는이 시뮬레이션에 대한 모든 올바른 매개 변수가 포함됩니다.
딸깍 하는 소리 승인 .
각 샘플에 대한 결과는 별도의 행에 나타납니다.
샘플링 분포 티 통계 및 그 피 - 값은 배포 플랫폼에 표시됩니다. 여기서 주목해야 할 두 가지 중요한 특징이 있습니다. 첫째, 티 귀무 가설이 사실 일 때 통계는 대칭으로 분포됩니다. 둘째, 피 귀무 가설이 사실 일 때 - 값은 균일하게 분포됩니다. 그 일관성은 왜 귀무 가설을 기각하는 규칙이 피 중요도 레벨보다 작은 값은 선택된 유의 수준과 같은 유형 I 오류 확률을 유도합니다.
나는이 시위를 반복 할 것이다. 이번에는 대립 가설이 사실 인 경우를 시뮬레이션 할 것입니다. 유일한 변화는 준비 pH 값의 시뮬레이션 된 모집단이 평균 6.1이라는 것입니다. 나는 다시 12 가지 준비를 위해 pH를 얻는다. 나는 100,000 샘플을 시뮬레이션하고 티 통계 및 그 피 각 샘플에 대해 - 값. 다음 대화 상자에는 두 번째 시뮬레이션에 대한 모든 올바른 매개 변수가 포함됩니다.
딸깍 하는 소리 승인 .
두 가지 주요 기능이 크게 변경되었습니다. 샘플 티 통계는 더 이상 대칭이 아닙니다. 이 모양은 비 중앙 t 분포 . 그만큼 피 더 이상 균일하게 분포되지 않습니다. 많은 결과가 90 % 이상의 중요도 아래에 있습니다. 평균의 변화가 표준 편차와 같고 표본 크기가 12 일 때이 시험의 힘을 보여줍니다.
