Prace dyplomowe · Statystyka

Estymacja i testowanie hipotez: zadania z rozwiązaniami krok po kroku

Dziesięć zadań z estymacji i testowania hipotez jak na kolokwium: przedziały ufności dla średniej i proporcji (Wald i Wilson), liczebność próby, testy z i t dla jednej średniej, testy dla proporcji, test jednostronny i dwustronny, błąd II rodzaju i moc. Każde z danymi, rozwiązaniem krok po kroku i typowym błędem.

Strona główna / Blog / Estymacja i testowanie hipotez – zadania
W skrócie: Dziesięć zadań obejmuje typowy dział kolokwium z wnioskowania statystycznego: przedziały ufności dla średniej (σ znane i nieznane) i dla proporcji, minimalną liczebność próby, testy z i t dla jednej średniej, testy dla jednej i dwóch proporcji, test jednostronny a dwustronny oraz błąd II rodzaju i moc. Każde rozwiązanie ma wzór, podstawienie, wynik pośredni, decyzję z wartością krytyczną lub p, interpretację i typowy błąd. Wszystkie liczby sprawdzono w R, a dane do zadań są w pliku CSV.

Estymacja i testowanie hipotez: zadania z rozwiązaniami – jak z nich korzystać

Estymacja i testowanie hipotez to zwykle jeden dział kolokwium: szacujesz parametr populacji z próby i sprawdzasz, czy dane są zgodne z hipotezą o nim. Poniżej znajdziesz 10 zadań z rozwiązaniami z estymacji i testowania hipotez w stylu kolokwium na 1. i 2. roku.

Każde zadanie ma treść z danymi, rozwiązanie krok po kroku (wzór, podstawienie, wynik, wartość krytyczna albo p), interpretację i typowy błąd. Historyjki pochodzą z pedagogiki, zarządzania i życia studenckiego. Wszystkie liczby policzyliśmy w R (kod na końcu wpisu); inna ostatnia cyfra na kalkulatorze to zwykle skutek zaokrągleń.

Zadania uzupełniają zbiór zadań ze statystyki na psychologii (tam są testy t dla dwóch grup) i idą głębiej w logikę wnioskowania. Wzory są standardowe – znajdziesz je w podręcznikach statystyki dla studentów (np. King i Minium, 2009).

Spis zadań: numer, historyjka i metoda statystyczna
ZadanieHistoryjkaCo liczysz
1test kompetencji matematycznych w gminieprzedział ufności dla średniej, σ znane (z); 90%, 95%, 99%
2czas snu studentów w sesjiprzedział ufności dla średniej, σ nieznane (t)
3rezygnacja ze studiów: 2 z 20 osóbprzedział dla proporcji: Wald i Wilson
4planowanie ankiety wśród studentówminimalna liczebność próby (średnia i proporcja)
5masa opakowań kawy na linii produkcyjnejtest z dla jednej średniej
6czas odrabiania lekcji przez uczniówtest t dla jednej średniej, związek z przedziałem ufności
7absolwenci pracujący w zawodzietest dla jednej proporcji
8zdawalność egzaminu: kurs online i stacjonarnytest dla dwóch proporcji, przedział dla różnicy
9program korepetycjitest jednostronny a dwustronny
10kontrola jakości z zadania 5błąd I i II rodzaju, moc, liczebność dla mocy .80

Wartości krytyczne podajemy przy każdym zadaniu, ale na kolokwium musisz je odczytać sam(a) – przydadzą się tablice rozkładów t, χ², F i z. Dane do zadań z surowymi wynikami (2, 3, 6, 7 i 8) są w jednym pliku: estymacja-i-testowanie-hipotez-zadania-dane.csv (format długi; odpowiedzi tak/nie jako 1/0).

Zadanie 1. Przedział ufności dla średniej, gdy σ jest znane

Treść zadania

Ogólnopolski test kompetencji matematycznych ma w normach odchylenie standardowe σ = 15 punktów. W jednej gminie wylosowano 36 uczniów; ich średni wynik wyniósł M = 104.2. Oblicz 90%, 95% i 99% przedział ufności dla średniego wyniku wszystkich uczniów gminy.

Rozwiązanie krok po kroku

Krok 1. Błąd standardowy średniej. Skoro σ jest znane z norm, błąd standardowy liczysz bez szacowania SD z próby:

SE = σ / √n = 15 / √36 = 15 / 6 = 2.50

Krok 2. Wartości krytyczne z rozkładu normalnego. Dla 90% ufności z = 1.645, dla 95% – 1.960, dla 99% – 2.576.

Krok 3. Margines błędu i przedziały według wzoru M ± z × SE:

Przedziały ufności dla średniej przy trzech poziomach ufności
Poziom ufnościzMarginesPrzedziałSzerokość
90%1.6454.11[100.09, 108.31]8.22
95%1.9604.90[99.30, 109.10]9.80
99%2.5766.44[97.76, 110.64]12.88

Interpretacja

Średni wynik uczniów gminy to 104.2 punktu, 95% CI [99.30, 109.10]. Wyższy poziom ufności oznacza szerszy przedział, a precyzję poprawia liczebność: przy 144 uczniach margines 95% spadłby z 4.90 do 2.45. Więcej w haśle estymacja przedziałowa.

Typowy błąd

Zdanie „z prawdopodobieństwem 95% średnia gminy leży między 99.30 a 109.10”. Poziom ufności opisuje procedurę: w 95% powtórzeń losowania przedział obejmie prawdziwą średnią. Greenland i in. (2016) wymieniają takie odczytanie konkretnego przedziału wśród typowych błędnych interpretacji przedziałów ufności.

Zadanie 2. Przedział ufności dla średniej, gdy σ jest nieznane

Treść zadania

Dwunastu studentów zapisywało w czasie sesji, ile godzin śpią w nocy (średnio z tygodnia): 6.5, 7.0, 5.5, 8.0, 6.0, 7.5, 6.5, 5.0, 7.0, 6.5, 8.5, 6.0. Oblicz 95% przedział ufności dla średniego czasu snu studentów w sesji.

Rozwiązanie krok po kroku

Krok 1. Średnia. Suma wynosi 80, n = 12, więc M = 80 / 12 = 6.667 godziny.

Krok 2. SD z próby. Suma kwadratów odchyleń od średniej SS = 11.167, więc s = √(11.167 / 11) = 1.008 godziny. σ nie znasz, więc potrzebujesz rozkładu t.

Krok 3. Błąd standardowy i wartość krytyczna. SE = 1.008 / √12 = 0.291. Z rozkładu t-Studenta przy df = 11 i 95% ufności: tkryt = 2.201.

95% CI = M ± tkryt × SE = 6.667 ± 2.201 × 0.291 = 6.667 ± 0.640 → [6.03, 7.31]

Interpretacja

Studenci spali w sesji średnio M = 6.67 godziny (SD = 1.01), 95% CI [6.03, 7.31]. Przedział nie obejmuje 8 godzin, więc dane nie są zgodne z hipotezą, że przeciętny student śpi w sesji 8 godzin. Wynik sprawdzisz w kalkulatorze przedziału ufności.

Typowy błąd

Pomylenie SD z SE: „M ± 1.96 SD” daje [4.69, 8.64]. To nie jest przedział ufności dla średniej, tylko przybliżony zakres, w którym mieści się większość pojedynczych studentów.

Zadanie 3. Przedział ufności dla proporcji: Wald i Wilson

Treść zadania

W pilotażowej grupie 20 studentów nowego kierunku 2 osoby zrezygnowały ze studiów w pierwszym semestrze. Oblicz 95% przedział ufności dla odsetka rezygnacji metodą Walda i metodą Wilsona. Porównaj wyniki z sytuacją, w której na roku jest 200 osób, a zrezygnowało 20.

Rozwiązanie krok po kroku

Krok 1. Odsetek z próby. p̂ = 2 / 20 = .100 (10%).

Krok 2. Przedział Walda (wzór podręcznikowy):

SE = √[p̂(1 − p̂) / n] = √(0.1 × 0.9 / 20) = 0.067;   p̂ ± 1.96 × SE → [−.031, .231]

Dolna granica jest ujemna, a ujemnego odsetka być nie może.

Krok 3. Przedział Wilsona liczysz w trzech krokach:

środek = (p̂ + z²/(2n)) / (1 + z²/n) = (0.100 + 0.096) / 1.192 = 0.164
połowa szerokości = [z / (1 + z²/n)] × √[p̂(1 − p̂)/n + z²/(4n²)] = 0.137
95% CI = 0.164 ± 0.137 → [.028, .301]

Środek (.164) jest przesunięty od p̂ = .100 w stronę .50, więc przedział nie wychodzi poza zakres 0–1.

Krok 4. Duża próba. Przy 20 rezygnacjach na 200 osób (ten sam odsetek 10%): Wald [.058, .142], Wilson [.066, .149]. Różnica między metodami prawie znika.

Wykres rzeczywistego pokrycia 95% przedziałów dla proporcji przy n = 20 w zależności od prawdziwego odsetka od .01 do .99: niebieska linia Wilsona oscyluje blisko 95%, czerwona linia Walda leży zwykle poniżej 95% i gwałtownie spada przy odsetkach bliskich 0 i 1; zaznaczony punkt dla odsetka .10: Wald .876, Wilson .957
Rysunek 1. Jak często „95%” przedział naprawdę obejmuje prawdziwy odsetek przy n = 20. Pokrycie policzono dokładnie z rozkładu dwumianowego dla każdego prawdziwego odsetka. Obliczenia: R.

Interpretacja

W pilotażu zrezygnowało 10% studentów, 95% CI (Wilson) [2.8%, 30.1%]. Przy 20 osobach oszacowanie jest bardzo nieprecyzyjne. Rysunek 1 pokazuje, dlaczego warto wybrać Wilsona: przy n = 20 i prawdziwym odsetku 10% przedział Walda obejmuje go tylko w 87.6% prób, a Wilsona – w 95.7%. Brown i in. (2001) pokazali, że chaotyczne pokrycie przedziału Walda utrzymuje się znacznie uporczywiej, niż się sądzi, i przy małym n zalecają m.in. przedział Wilsona. Według Agrestiego i Coulla (1998) pokrycie Wilsona jest bliskie nominalnemu nawet w bardzo małych próbach. Inne metody opisuje hasło przedział ufności dla proporcji.

Typowy błąd

Obcięcie ujemnej granicy Walda do zera i podanie [0, .231] jako „poprawionego” wyniku. Obcięcie nie poprawia pokrycia – policz od razu przedział Wilsona (w R robi to prop.test(x, n, correct = FALSE)).

Zadanie 4. Ile osób zbadać, żeby osiągnąć zadany margines błędu

Treść zadania

Samorząd studencki planuje ankietę. (a) Chce oszacować średnie miesięczne wydatki studenta na materiały do nauki z marginesem błędu ±10 zł (95% ufności); z poprzedniej edycji wiadomo, że SD ≈ 80 zł. (b) Chce oszacować odsetek studentów korzystających z poradni psychologicznej z marginesem ±5 punktów procentowych, nie wiedząc nic o tym odsetku. (c) Jak zmieni się wynik (b), jeśli z wcześniejszych badań odsetek wynosi ok. 15%? (d) A jeśli na uczelni studiuje tylko 1200 osób?

Rozwiązanie krok po kroku

Krok 1. Średnia. Przekształć wzór na margines E = z × σ / √n względem n:

n = (z × σ / E)² = (1.96 × 80 / 10)² = 15.68² = 245.86 → 246 osób

Krok 2. Proporcja bez wiedzy wstępnej. Iloczyn p(1 − p) jest największy dla p = .50 („najgorszy przypadek”):

n = z² × p(1 − p) / E² = 1.96² × 0.25 / 0.05² = 384.16 → 385 osób

Krok 3. Proporcja z wiedzą wstępną. Dla p = .15: n = 1.96² × 0.15 × 0.85 / 0.05² = 195.92 → 196 osób, czyli prawie o połowę mniej.

Krok 4. Mała populacja. Gdy próba to spora część populacji, stosuje się korektę na populację skończoną: n = n0 / [1 + (n0 − 1) / N]. Dla N = 1200 wychodzi 291.18 → 292 osoby.

Wyniki pośrednie liczone w R z niezaokrąglonym z różnią się na drugim miejscu po kropce (245.85, 384.15, 195.91), ale po zaokrągleniu w górę dają te same liczebności.

Dwie malejące krzywe marginesu błędu 95% dla odsetka w punktach procentowych w zależności od liczebności próby od 20 do 1200: niebieska dla odsetka .50 i pomarańczowa dla .15; przerywana linia na poziomie 5 punktów przecina je w punktach n = 196 dla .15 i n = 385 dla .50
Rysunek 2. Margines błędu maleje z pierwiastkiem z n: przy odsetku .50 wynosi ±9.80 punktu dla 100 osób, ±4.90 dla 400 i ±2.45 dla 1600. Obliczenia: R.

Interpretacja

Potrzeba 246 osób do średniej i 385 do odsetka (przy uczelni liczącej 1200 osób – 292). To liczby ankiet oddanych, więc zaproszeń trzeba wysłać więcej. Inne założenia policzysz w kalkulatorze liczebności próby, a szerzej temat opisuje poradnik dobór liczebności próby i hasło margines błędu w sondażu.

Typowy błąd

Zapominanie, że margines dotyczy całej próby. Podgrupa 120 osób (np. pierwszy rok) ma margines ±8.9 punktu procentowego – planuj liczebność dla najmniejszej podgrupy, którą chcesz analizować.

Zadanie 5. Test z dla jednej średniej

Treść zadania

Maszyna pakuje kawę do opakowań o deklarowanej masie 250 g. Z dokumentacji wiadomo, że σ = 4 g. Kontroler zważył 25 losowo wybranych opakowań i uzyskał M = 248.2 g. Czy na poziomie α = .05 można twierdzić, że maszyna jest rozregulowana (średnia różni się od 250 g)?

Rozwiązanie krok po kroku

Krok 1. Hipotezy. H0: μ = 250, H1: μ ≠ 250 (test dwustronny, bo rozregulowanie w każdą stronę jest problemem). Zob. hipotezy statystyczne H0 i H1.

Krok 2. Statystyka testowa. σ jest znane, więc używasz rozkładu normalnego:

SE = 4 / √25 = 0.80;   z = (M − μ0) / SE = (248.2 − 250) / 0.80 = −2.25

Krok 3. Decyzja przez wartość krytyczną. Przy α = .05 dwustronnie wartość krytyczna wynosi ±1.960. Ponieważ |−2.25| > 1.960, statystyka leży w obszarze krytycznym – odrzucasz H0. Równoważnie: obszar przyjęcia H0 dla średniej to 250 ± 1.96 × 0.80 = [248.432, 251.568], a 248.2 leży poza nim.

Krok 4. Wartość p. p = 2 × Φ(−2.25) = .024. Przy α = .01 (zkryt = 2.576) H0 nie zostałaby odrzucona.

Interpretacja

Średnia masa opakowań w próbie (M = 248.2 g) była istotnie niższa od deklarowanej, z = −2.25, p = .024; 95% CI [246.63, 249.77]. Przedział nie zawiera 250, co zgadza się z decyzją testu. O tym, czy 1.8 g to dużo, decyduje kontekst, a nie wartość p.

Typowy błąd

Użycie testu z z SD policzonym z małej próby. Gdy σ szacujesz z tych samych danych, użyj testu t (zadanie 6).

Zadanie 6. Test t dla jednej średniej i przedział ufności

Treść zadania

Szkoła deklaruje w materiałach dla rodziców, że uczniowie poświęcają na zadania domowe średnio 60 minut dziennie. Pedagog zebrał dzienniczki 10 uczniów: 52, 61, 48, 55, 66, 50, 58, 45, 63, 54 minuty. Sprawdź hipotezę testem t (α = .05, dwustronnie), oblicz 95% i 99% przedział ufności i porównaj obie decyzje.

Rozwiązanie krok po kroku

Krok 1. Statystyki opisowe. M = 55.20, SS = 413.60, SD = √(413.60 / 9) = 6.78, SE = 6.78 / √10 = 2.14.

t = (M − μ0) / SE = (55.20 − 60) / 2.14 = −2.24;   df = 10 − 1 = 9

Krok 2. Decyzja. tkryt(9) = 2.262. Ponieważ |−2.24| < 2.262, nie ma podstaw do odrzucenia H0; dokładnie p = .052.

Krok 3. Przedziały ufności. 95% CI = 55.20 ± 2.262 × 2.14 → [50.35, 60.05]; 99% CI (tkryt = 3.250) → [48.23, 62.17].

Krok 4. Związek przedziału z testem. 95% przedział obejmuje 60 (ledwo – górna granica to 60.05), więc dwustronny test na α = .05 nie odrzuca H0. Reguła działa zawsze: μ0 poza (1 − α) przedziałem oznacza p < α. Przedział 99% odpowiada testowi na α = .01.

Interpretacja

Uczniowie poświęcali na zadania domowe średnio 55.20 minuty dziennie (SD = 6.78), co nie różniło się istotnie od deklarowanych 60 minut, t(9) = −2.24, p = .052, d = −0.71, 95% CI [50.35, 60.05].

Brak istotności nie dowodzi, że szkoła ma rację: przedział sięga od ok. 50 do 60 minut, a d = −0.71 to efekt umiarkowanie duży. Więcej: test t dla jednej próby.

Typowy błąd

Zapis „p = .052, więc H0 jest prawdziwa” albo „wynik prawie istotny, więc czas pracy jest krótszy”. Test nie dowodzi H0, a p = .052 i p = .048 to praktycznie ta sama siła dowodów.

Zadanie 7. Test dla jednej proporcji

Treść zadania

Uczelnia podaje w materiałach promocyjnych, że 70% absolwentów kierunku pracuje w zawodzie. W losowej próbie 120 absolwentów w zawodzie pracowało 72 osoby. Sprawdź twierdzenie uczelni (α = .05, dwustronnie).

Rozwiązanie krok po kroku

Krok 1. Hipotezy i warunek stosowania. H0: π = .70, H1: π ≠ .70. Przybliżenie normalne jest uprawnione, bo nπ0 = 84 i n(1 − π0) = 36 – obie liczby są wyraźnie większe niż 5–10.

Krok 2. Statystyka z. Odsetek w próbie p̂ = 72 / 120 = .600. Błąd standardowy liczysz z wartości z hipotezy zerowej (π0), nie z próby:

SE0 = √[π0(1 − π0) / n] = √(0.7 × 0.3 / 120) = 0.042;   z = (0.600 − 0.700) / 0.042 = −2.39

Z zaokrąglonym SE wychodzi na kalkulatorze −2.38; R liczy na niezaokrąglonych wartościach i podaje −2.39.

Krok 3. Decyzja. |−2.39| > 1.960, p = .017 – odrzucasz H0. prop.test(…, correct = FALSE) podaje ten sam test jako χ²(1) = 5.71 = z²; dokładny binom.test daje p = .022.

Interpretacja

W pracy zawodowej było 60.0% absolwentów (72/120), istotnie mniej niż deklarowane 70%, z = −2.39, p = .017; 95% CI (Wilson) [51.1%, 68.3%]. Przedział Wilsona powstaje przez odwrócenie właśnie tego testu, dlatego jego wynik zawsze zgadza się z decyzją testu: 70% leży poza przedziałem, a p < .05.

Typowy błąd

Liczenie SE z odsetka w próbie (√(0.6 × 0.4 / 120) = 0.045, z = −2.24). W teście zakładasz prawdziwość H0, więc używasz π0.

Zadanie 8. Test dla dwóch proporcji

Treść zadania

Egzamin z ekonomii zdało 43 z 56 studentów, którzy uczyli się w kursie online, i 31 z 54 studentów z kursu stacjonarnego. Czy odsetki zdających różnią się (α = .05, dwustronnie)? Oblicz 95% przedział ufności dla różnicy odsetków.

Rozwiązanie krok po kroku

Krok 1. Odsetki. Online: p̂1 = 43/56 = .768; stacjonarnie: p̂2 = 31/54 = .574; różnica = .194 (19.4 punktu procentowego).

Krok 2. Wspólny odsetek. Przy H0 (π1 = π2) najlepszym oszacowaniem jest odsetek w obu grupach łącznie: p̂ = (43 + 31) / (56 + 54) = 74 / 110 = .673.

SE = √[p̂(1 − p̂)(1/n1 + 1/n2)] = 0.089;   z = (0.768 − 0.574) / 0.089 = 2.17

(Na zaokrąglonych liczbach 0.194 / 0.089 daje 2.18 – to różnica z zaokrągleń, R podaje 2.17).

Krok 3. Decyzja. 2.17 > 1.960, p = .030 – odrzucasz H0. Najmniejsza liczność oczekiwana w tabeli 2 × 2 wynosi 17.67, więc przybliżenie normalne jest w porządku.

Krok 4. Przedział dla różnicy. Do przedziału nie łączysz grup (nie zakładasz H0): SE = √[p̂1(1 − p̂1)/n1 + p̂2(1 − p̂2)/n2] = 0.088, więc 95% CI = .194 ± 1.96 × 0.088 → [.022, .366].

Interpretacja

Egzamin zdało 76.8% studentów kursu online (43/56) i 57.4% studentów kursu stacjonarnego (31/54), z = 2.17, p = .030; różnica wyniosła 19.4 punktu procentowego, 95% CI [2.2, 36.6].

Przedział jest szeroki. Studenci sami wybierali kurs, więc różnica nie musi wynikać z formy nauki. Zapis χ²(1) = 4.69 (= z²) i przedział Newcombe’a opisuje hasło test dla dwóch proporcji.

Typowy błąd

Porównanie wyniku ręcznego z domyślnym prop.test(), który dla tabeli 2 × 2 stosuje poprawkę Yatesa: daje χ² = 3.85, p = .050 (dokładniej .0497). Żeby uzyskać wynik z kroku 2, dopisz correct = FALSE.

Zadanie 9. Test jednostronny a dwustronny

Treść zadania

Średni wynik próbnego egzaminu w województwie wynosi 60 punktów. Dwudziestu uczniów po programie korepetycji uzyskało M = 63.6, SD = 8.5. (a) Wykonaj test dwustronny. (b) Wykonaj test jednostronny H1: μ > 60, który autorzy programu zapisali przed badaniem. (c) Co by było, gdyby uczniowie uzyskali M = 56.4?

Rozwiązanie krok po kroku

Krok 1. Statystyka t (ta sama w obu wersjach):

SE = 8.5 / √20 = 1.901;   t = (63.6 − 60) / 1.901 = 1.894;   df = 19

Krok 2. Test dwustronny. α = .05 dzielisz na dwa ogony po .025: tkryt = ±2.093. 1.894 < 2.093, p = .074 – nie odrzucasz H0.

Krok 3. Test jednostronny. Całe α = .05 trafia do prawego ogona: tkryt = 1.729. 1.894 > 1.729, p = .037 – odrzucasz H0. Jednostronne p to połowa dwustronnego, gdy wynik idzie w przewidywanym kierunku.

Krok 4. Wynik w przeciwnym kierunku. Dla M = 56.4 statystyka wynosi t = −1.894, a jednostronne p = .963. Test jednostronny „w górę” nie wykryje spadku, nawet dużego.

Dwa panele z rozkładem t o 19 stopniach swobody: po lewej test dwustronny z czerwonymi obszarami krytycznymi poza ±2.093, po prawej test jednostronny z obszarem krytycznym powyżej 1.729; niebieska pionowa linia przy t = 1.89 leży poza obszarem krytycznym po lewej (p = .074) i w obszarze krytycznym po prawej (p = .037)
Rysunek 3. Ten sam wynik t(19) = 1.89 w obu wersjach testu z zadania 9. W teście jednostronnym obszar krytyczny jest w jednym ogonie i zaczyna się bliżej zera. Obliczenia: R.

Interpretacja

Uczniowie po korepetycjach uzyskali średnio 63.6 punktu (SD = 8.5). W teście jednostronnym, zapisanym przed zebraniem danych, wynik był istotnie wyższy od średniej wojewódzkiej, t(19) = 1.89, p = .037 (jednostronnie). W teście dwustronnym różnica nie była istotna (p = .074). W pracy napisz, którą wersję wybrałeś i dlaczego. Zob. test jednostronny i dwustronny oraz test jednostronny czy dwustronny.

Typowy błąd

Wybór testu jednostronnego dopiero po obejrzeniu danych, „bo dwustronny nie wyszedł”. Rzeczywisty poziom istotności wynosi wtedy nie .05, lecz .10.

Zadanie 10. Błąd I i II rodzaju oraz moc testu

Treść zadania

Wróć do kontroli opakowań kawy z zadania 5 (H0: μ = 250 g, σ = 4 g, n = 25, α = .05, test dwustronny). Załóż, że maszyna naprawdę pakuje średnio 248 g. (a) Jakie jest prawdopodobieństwo błędu II rodzaju β i jaka jest moc testu? (b) Ile opakowań trzeba ważyć, żeby moc wynosiła .80?

Rozwiązanie krok po kroku

Krok 1. Obszar przyjęcia H0 w jednostkach średniej. Z zadania 5: H0 przyjmujesz, gdy średnia z próby leży w [248.432, 251.568]. Ryzyko odrzucenia prawdziwej H0 (błąd I rodzaju) to α = .05.

Krok 2. Rozkład średniej przy H1. Jeśli μ = 248, średnie z próby mają rozkład normalny ze średnią 248 i SE = 0.80. Zamień granice na wyniki z względem 248:

zdolna = (248.432 − 248) / 0.80 = 0.540;   zgórna = (251.568 − 248) / 0.80 = 4.460

Krok 3. β i moc. β to szansa, że średnia z próby mimo wszystko trafi do obszaru przyjęcia H0:

β = Φ(4.460) − Φ(0.540) = 1.000 − 0.705 = .295;   moc = 1 − β = .705

Krok 4. Liczebność dla mocy .80. Dla testu dwustronnego n = [(z1−α/2 + z1−β) × σ / Δ]² = [(1.960 + 0.842) × 4 / 2]² = 31.40 → 32 opakowania. Przy n = 32 moc wynosi .807.

Dwie krzywe normalne rozkładu średniej z próby: ciągła wokół 250 g dla H0 i przerywana wokół 248 g dla H1; pionowe przerywane linie przy 248.432 i 251.568 wyznaczają obszar przyjęcia H0; czerwone ogony pod krzywą H0 to alfa po .025, pomarańczowe pole pod krzywą H1 w obszarze przyjęcia to beta = .295, zielone pole na lewo od 248.432 to moc = .705
Rysunek 4. α, β i moc z zadania 10 na dwóch rozkładach średniej z próby. Obliczenia: R.

Interpretacja

Jeśli maszyna pakuje średnio 248 g, kontrola na 25 opakowaniach wykryje to w ok. 70% przypadków, a w ok. 30% przeoczy. Symulacja 10 000 kontroli w R dała odsetek odrzuceń H0 .702 przy μ = 248 i .052 przy μ = 250. Przy α = .01 moc spada do .470, przy μ = 249 do .240, a przy 50 opakowaniach rośnie do .942. Pojęcia błędu I i II rodzaju oraz mocy należą do podejścia Neymana i Pearsona (1933). Konwencję mocy .80 spopularyzował Cohen (1992), który zestawił liczebności potrzebne do jej osiągnięcia w ośmiu standardowych testach. Zob. błąd I i II rodzaju i moc testu.

Typowy błąd

Liczenie mocy „po fakcie” z efektu zaobserwowanego w próbie i wniosek „test nie wyszedł, bo moc była mała”. Taka moc jest funkcją uzyskanego p i nic nowego nie mówi; moc liczy się dla efektu ustalonego z góry (tu 2 g).

Ściąga: wzory, przedział a test

Prawie wszystko sprowadza się do schematu oszacowanie ± wartość krytyczna × SE (przedział) i (oszacowanie − wartość z H0) / SE (test). Zmieniają się tylko SE i rozkład.

Ściąga: parametr, błąd standardowy, rozkład i uwagi do zadań
SytuacjaBłąd standardowyRozkładNa co uważać
Średnia, σ znaneσ / √nzσ musi pochodzić spoza próby
Średnia, σ nieznanes / √nt, df = n − 1SD to nie SE
Proporcja – przedział√[p̂(1 − p̂)/n] (Wald) albo wzór Wilsonazprzy małym n wybierz Wilsona
Proporcja – test√[π0(1 − π0)/n]zSE z wartości z H0
Dwie proporcje – testwspólny odsetek p̂ obu grupz (= √χ²)domyślny prop.test ma poprawkę Yatesa
Liczebność dla średniejn = (zσ / E)²zzawsze zaokrąglaj w górę
Liczebność dla proporcjin = z²p(1 − p) / E²zbez wiedzy wstępnej p = .50

Zapamiętaj też regułę łączącą oba działy. Dwustronny test na poziomie α odrzuca H0 wtedy i tylko wtedy, gdy wartość z H0 leży poza (1 − α) przedziałem ufności policzonym tą samą metodą. Pokazują to zadania 5, 6 i 7. Przedział mówi więcej niż test, bo pokazuje wielkość efektu – w pracy podawaj oba.

Inne zbiory zadań

Przykład reprodukowalny

Sprawdź wyniki w R: kod i wynik

Dwa przepisy liczą wszystkie liczby z rozwiązań na danych wpisanych w kod. Każde zadanie jest policzone najpierw wzorem, tak jak na kartce, a potem – tam, gdzie się da – gotową funkcją R jako kontrola. Losowanie występuje tylko w symulacji mocy w zadaniu 10 (ziarno 380). Rysunki i plik CSV powstały w osobnym skrypcie, który korzysta z danych z tych przepisów.

Zadania 1–5: przedziały ufności, liczebność próby i test z

Dane wejściowe: liczby z treści zadań 1–5 wpisane w kod; tylko funkcje bazowego R (qnorm, qt, t.test, prop.test, dbinom).

Co odczytać: marginesy i granice przedziałów, kroki wzoru Wilsona, pokrycie przedziałów Walda i Wilsona, liczebności przed zaokrągleniem i po nim, statystykę z i p; linie „Błąd” pokazują wynik typowej pomyłki.

R
# B380 – zadania 1–5: przedział ufności dla średniej (z i t), dla proporcji (Wald i Wilson),
# minimalna liczebność próby, test z dla jednej średniej
# Dane wpisane na sztywno – te same co w treści zadań. Tylko funkcje bazowego R (stats).
z2 <- function(x) formatC(x, format = "f", digits = 2)
z3 <- function(x) formatC(x, format = "f", digits = 3)
bz <- function(x) sub("^(-?)0\\.", "\\1.", z3(x))   # bez zera przed kropką (p)

# Zadanie 1. Test kompetencji matematycznych: sigma = 15 znane z norm, n = 36, M = 104.2
M1 <- 104.2; sigma1 <- 15; n1 <- 36
SE1 <- sigma1 / sqrt(n1)
cat("Zadanie 1\n")
cat("SE =", z2(SE1), "\n")
for (pu in c(0.90, 0.95, 0.99)) {
  zk <- qnorm(1 - (1 - pu) / 2)
  cat(sprintf("%.0f%%: z krytyczne = %s ; margines = %s ; CI = [%s, %s] ; szerokość = %s\n",
              100 * pu, z3(zk), z2(zk * SE1), z2(M1 - zk * SE1), z2(M1 + zk * SE1), z2(2 * zk * SE1)))
}
cat("Przy n = 144 (4 razy więcej): margines 95% =", z2(qnorm(0.975) * sigma1 / sqrt(144)), "\n\n")

# Zadanie 2. Czas snu (godziny) 12 studentów w sesji, sigma nieznane
sen <- c(6.5, 7.0, 5.5, 8.0, 6.0, 7.5, 6.5, 5.0, 7.0, 6.5, 8.5, 6.0)
n2 <- length(sen); M2 <- mean(sen); SD2 <- sd(sen); SE2 <- SD2 / sqrt(n2)
tk2 <- qt(0.975, df = n2 - 1)
cat("Zadanie 2\n")
cat("n =", n2, "; suma =", sum(sen), "; M =", z3(M2), "; SS =", z3(sum((sen - M2)^2)), "; SD =", z3(SD2), "; SE =", z3(SE2), "\n")
cat("t krytyczne (df = 11, 95%) =", z3(tk2), "; margines =", z3(tk2 * SE2), "\n")
cat("95% CI = [", z2(M2 - tk2 * SE2), ",", z2(M2 + tk2 * SE2), "]\n")
cat("Kontrola t.test():", z2(t.test(sen)$conf.int), "\n")
cat("Błąd: M ± 1.96 SD = [", z2(M2 - 1.96 * SD2), ",", z2(M2 + 1.96 * SD2), "]\n\n")

# Zadanie 3. Rezygnacja ze studiów: 2 z 20 osób; dla porównania 20 z 200
wald <- function(x, n, pu = 0.95) {
  p <- x / n; z <- qnorm(1 - (1 - pu) / 2); se <- sqrt(p * (1 - p) / n)
  c(p - z * se, p + z * se)
}
wilson <- function(x, n, pu = 0.95) {
  p <- x / n; z <- qnorm(1 - (1 - pu) / 2)
  srodek <- (p + z^2 / (2 * n)) / (1 + z^2 / n)
  pol <- z / (1 + z^2 / n) * sqrt(p * (1 - p) / n + z^2 / (4 * n^2))
  c(srodek - pol, srodek + pol)
}
cat("Zadanie 3\n")
z95w <- qnorm(0.975)
for (d in list(c(2, 20), c(20, 200))) {
  x <- d[1]; n <- d[2]
  cat(sprintf("x = %d, n = %d: odsetek = %s ; SE Walda = %s\n", x, n, z3(x / n), z3(sqrt((x / n) * (1 - x / n) / n))))
  cat("  Wald   [", z3(wald(x, n)), "]\n")
  cat("  Wilson [", z3(wilson(x, n)), "] ; środek Wilsona =", z3(mean(wilson(x, n))), "\n")
  cat("  Wilson krok po kroku: z^2/(2n) =", z3(z95w^2 / (2 * n)), "; 1 + z^2/n =", z3(1 + z95w^2 / n),
      "; połowa szerokości =", z3(diff(wilson(x, n)) / 2), "\n")
  cat("  Kontrola prop.test(correct = FALSE):", z3(prop.test(x, n, correct = FALSE)$conf.int), "\n")
}
# Rzeczywiste pokrycie 95% przedziałów przy n = 20 i prawdziwym odsetku 10% (dokładnie z rozkładu dwumianowego)
pokrycie <- function(metoda, n, p) {
  x <- 0:n
  w <- sapply(x, function(k) { g <- metoda(k, n); g[1] <= p & p <= g[2] })
  sum(dbinom(x, n, p) * w)
}
cat("Pokrycie przy n = 20 i odsetku 0.10: Wald =", z3(pokrycie(wald, 20, 0.10)), "; Wilson =", z3(pokrycie(wilson, 20, 0.10)), "\n\n")

# Zadanie 4. Minimalna liczebność próby dla zadanego marginesu błędu (95%)
z95 <- qnorm(0.975)
n_sr <- (z95 * 80 / 10)^2                    # średnia: sigma = 80 zł, margines E = 10 zł
n_p50 <- z95^2 * 0.5 * 0.5 / 0.05^2          # proporcja: odsetek 0.5 (najgorszy przypadek), E = 5 pkt proc.
n_p15 <- z95^2 * 0.15 * 0.85 / 0.05^2        # proporcja: odsetek 0.15 z wcześniejszych badań
N_pop <- 1200
n_skon <- n_p50 / (1 + (n_p50 - 1) / N_pop) # korekta na populację skończoną
cat("Zadanie 4\n")
cat("Średnia: n =", z2(n_sr), "-> zaokrąglij w górę:", ceiling(n_sr), "\n")
cat("Proporcja, odsetek 0.50: n =", z2(n_p50), "->", ceiling(n_p50), "\n")
cat("Proporcja, odsetek 0.15: n =", z2(n_p15), "->", ceiling(n_p15), "\n")
cat("Z tablicową wartością 1.96: średnia =", z2((1.96 * 80 / 10)^2), "; odsetek 0.50:", z2(1.96^2 * 0.25 / 0.05^2),
    "; odsetek 0.15:", z2(1.96^2 * 0.15 * 0.85 / 0.05^2), "\n")
cat("Populacja N = 1200, odsetek 0.50: n =", z2(n_skon), "->", ceiling(n_skon), "\n")
cat("Kontrola: margines przy n = 385 i odsetku 0.50 =", z3(z95 * sqrt(0.25 / 385)), "\n")
cat("Błąd: podgrupa 120 osób z próby 385 ma margines =", z3(z95 * sqrt(0.25 / 120)), "\n\n")

# Zadanie 5. Kontrola masy opakowań kawy: H0: mu = 250 g, sigma = 4 g, n = 25, M = 248.2 g
mu0 <- 250; sigma5 <- 4; n5 <- 25; M5 <- 248.2
SE5 <- sigma5 / sqrt(n5); z5 <- (M5 - mu0) / SE5
cat("Zadanie 5\n")
cat("SE =", z2(SE5), "; z =", z2(z5), "; z krytyczne =", z3(qnorm(0.975)), "\n")
cat("p dwustronne =", bz(2 * pnorm(-abs(z5))), "; p jednostronne (mu < 250) =", bz(pnorm(z5)), "\n")
cat("Obszar przyjęcia H0 dla średniej z próby: [", z3(mu0 - qnorm(0.975) * SE5), ",", z3(mu0 + qnorm(0.975) * SE5), "]\n")
cat("95% CI dla mu = [", z2(M5 - qnorm(0.975) * SE5), ",", z2(M5 + qnorm(0.975) * SE5), "]\n")
cat("Przy alfa = .01: z krytyczne =", z3(qnorm(0.995)), "\n")
Wynik w R
Zadanie 1
SE = 2.50 
90%: z krytyczne = 1.645 ; margines = 4.11 ; CI = [100.09, 108.31] ; szerokość = 8.22
95%: z krytyczne = 1.960 ; margines = 4.90 ; CI = [99.30, 109.10] ; szerokość = 9.80
99%: z krytyczne = 2.576 ; margines = 6.44 ; CI = [97.76, 110.64] ; szerokość = 12.88
Przy n = 144 (4 razy więcej): margines 95% = 2.45 

Zadanie 2
n = 12 ; suma = 80 ; M = 6.667 ; SS = 11.167 ; SD = 1.008 ; SE = 0.291 
t krytyczne (df = 11, 95%) = 2.201 ; margines = 0.640 
95% CI = [ 6.03 , 7.31 ]
Kontrola t.test(): 6.03 7.31 
Błąd: M ± 1.96 SD = [ 4.69 , 8.64 ]

Zadanie 3
x = 2, n = 20: odsetek = 0.100 ; SE Walda = 0.067
  Wald   [ -0.031 0.231 ]
  Wilson [ 0.028 0.301 ] ; środek Wilsona = 0.164 
  Wilson krok po kroku: z^2/(2n) = 0.096 ; 1 + z^2/n = 1.192 ; połowa szerokości = 0.137 
  Kontrola prop.test(correct = FALSE): 0.028 0.301 
x = 20, n = 200: odsetek = 0.100 ; SE Walda = 0.021
  Wald   [ 0.058 0.142 ]
  Wilson [ 0.066 0.149 ] ; środek Wilsona = 0.108 
  Wilson krok po kroku: z^2/(2n) = 0.010 ; 1 + z^2/n = 1.019 ; połowa szerokości = 0.042 
  Kontrola prop.test(correct = FALSE): 0.066 0.149 
Pokrycie przy n = 20 i odsetku 0.10: Wald = 0.876 ; Wilson = 0.957 

Zadanie 4
Średnia: n = 245.85 -> zaokrąglij w górę: 246 
Proporcja, odsetek 0.50: n = 384.15 -> 385 
Proporcja, odsetek 0.15: n = 195.91 -> 196 
Z tablicową wartością 1.96: średnia = 245.86 ; odsetek 0.50: 384.16 ; odsetek 0.15: 195.92 
Populacja N = 1200, odsetek 0.50: n = 291.18 -> 292 
Kontrola: margines przy n = 385 i odsetku 0.50 = 0.050 
Błąd: podgrupa 120 osób z próby 385 ma margines = 0.089 

Zadanie 5
SE = 0.80 ; z = -2.25 ; z krytyczne = 1.960 
p dwustronne = .024 ; p jednostronne (mu < 250) = .012 
Obszar przyjęcia H0 dla średniej z próby: [ 248.432 , 251.568 ]
95% CI dla mu = [ 246.63 , 249.77 ]
Przy alfa = .01: z krytyczne = 2.576 

Zadania 6–10: test t, testy dla proporcji, test jednostronny i moc

Dane wejściowe: liczby z treści zadań 6–10 wpisane w kod; funkcje pakietu stats (t.test, prop.test, binom.test, pt, pnorm, rnorm).

Co odczytać: statystyki testów z rachunku ręcznego i z funkcji R (powinny być identyczne), wartości krytyczne, p jedno- i dwustronne, przedziały ufności, β i moc oraz wynik symulacji.

R
# B380 – zadania 6–10: test t dla jednej średniej i przedział ufności, test dla jednej proporcji,
# test dla dwóch proporcji, test jednostronny a dwustronny, błąd II rodzaju i moc testu z
# Dane wpisane na sztywno – te same co w treści zadań. Tylko funkcje bazowego R (stats).
z2 <- function(x) formatC(x, format = "f", digits = 2)
z3 <- function(x) formatC(x, format = "f", digits = 3)
bz <- function(x) sub("^(-?)0\\.", "\\1.", z3(x))   # bez zera przed kropką (p, d)

# Zadanie 6. Czas odrabiania lekcji (minuty dziennie), 10 uczniów; H0: mu = 60
lekcje <- c(52, 61, 48, 55, 66, 50, 58, 45, 63, 54)
n6 <- length(lekcje); M6 <- mean(lekcje); SD6 <- sd(lekcje); SE6 <- SD6 / sqrt(n6)
t6 <- (M6 - 60) / SE6
cat("Zadanie 6\n")
cat("n =", n6, "; M =", z2(M6), "; SS =", z2(sum((lekcje - M6)^2)), "; SD =", z2(SD6), "; SE =", z2(SE6), "\n")
cat("t(", n6 - 1, ") =", z2(t6), "; t krytyczne 95% =", z3(qt(0.975, n6 - 1)), "; 99% =", z3(qt(0.995, n6 - 1)), "\n")
cat("p dwustronne =", bz(2 * pt(-abs(t6), n6 - 1)), "; d =", z2((M6 - 60) / SD6), "\n")
for (pu in c(0.95, 0.99)) {
  tk <- qt(1 - (1 - pu) / 2, n6 - 1)
  cat(sprintf("%.0f%% CI = [%s, %s]\n", 100 * pu, z2(M6 - tk * SE6), z2(M6 + tk * SE6)))
}
tt6 <- t.test(lekcje, mu = 60)
cat("Kontrola t.test(mu = 60): t =", z2(tt6$statistic), "; p =", bz(tt6$p.value), "; 95% CI [", z2(tt6$conf.int), "]\n\n")

# Zadanie 7. Absolwenci pracujący w zawodzie: 72 ze 120; H0: pi = 0.70
x7 <- 72; n7 <- 120; p0 <- 0.70; p7 <- x7 / n7
SE7 <- sqrt(p0 * (1 - p0) / n7); z7 <- (p7 - p0) / SE7
cat("Zadanie 7\n")
cat("odsetek =", z3(p7), "; SE przy H0 =", z3(SE7), "; z =", z2(z7), "; p dwustronne =", bz(2 * pnorm(-abs(z7))), "\n")
cat("Warunek n*pi0 =", n7 * p0, "; n*(1 - pi0) =", n7 * (1 - p0), "\n")
pt7 <- prop.test(x7, n7, p = p0, correct = FALSE)
cat("Kontrola prop.test(correct = FALSE): chi^2 =", z2(pt7$statistic), "(= z^2 =", z2(z7^2), "); p =", bz(pt7$p.value),
    "; 95% CI Wilsona [", z3(pt7$conf.int), "]\n")
cat("Test dokładny binom.test(): p =", bz(binom.test(x7, n7, p = p0)$p.value), "\n")
SEw <- sqrt(p7 * (1 - p7) / n7)
cat("Błąd: SE z p z próby zamiast pi0 =", z3(SEw), "; z =", z2((p7 - p0) / SEw), "\n\n")

# Zadanie 8. Zdawalność egzaminu: kurs online 43/56, kurs stacjonarny 31/54
x8 <- c(online = 43, stacjonarny = 31); n8 <- c(online = 56, stacjonarny = 54)
p8 <- x8 / n8; pw <- sum(x8) / sum(n8)
SE8 <- sqrt(pw * (1 - pw) * (1 / n8[1] + 1 / n8[2])); z8 <- unname((p8[1] - p8[2]) / SE8)
SEr <- sqrt(sum(p8 * (1 - p8) / n8))
cat("Zadanie 8\n")
cat("Odsetki:", z3(p8), "; różnica =", z3(p8[1] - p8[2]), "; wspólny odsetek =", z3(pw), "\n")
cat("SE (wspólny odsetek) =", z3(SE8), "; z =", z2(z8), "; p dwustronne =", bz(2 * pnorm(-abs(z8))), "\n")
cat("95% CI różnicy (Wald, SE bez łączenia =", z3(SEr), "): [", z3(p8[1] - p8[2] - qnorm(0.975) * SEr), ",",
    z3(p8[1] - p8[2] + qnorm(0.975) * SEr), "]\n")
pt8 <- prop.test(x8, n8, correct = FALSE)
cat("Kontrola prop.test(correct = FALSE): chi^2 =", z2(pt8$statistic), "; p =", bz(pt8$p.value), "\n")
pt8y <- prop.test(x8, n8)
cat("Domyślnie (poprawka Yatesa): chi^2 =", z2(pt8y$statistic), "; p =", bz(pt8y$p.value),
    "; dokładniej p =", sub("^0", "", formatC(pt8y$p.value, format = "f", digits = 4)), "\n")
cat("Najmniejsza liczność oczekiwana =", z2(min(outer(n8, c(pw, 1 - pw)))), "\n\n")

# Zadanie 9. Program korepetycji: n = 20, M = 63.6, SD = 8.5; H0: mu = 60
n9 <- 20; M9 <- 63.6; SD9 <- 8.5; SE9 <- SD9 / sqrt(n9)
t9 <- (M9 - 60) / SE9
cat("Zadanie 9\n")
cat("SE =", z3(SE9), "; t(19) =", z3(t9), "\n")
cat("t krytyczne: dwustronne =", z3(qt(0.975, 19)), "; jednostronne =", z3(qt(0.95, 19)), "\n")
cat("p dwustronne =", bz(2 * pt(-abs(t9), 19)), "; p jednostronne (mu > 60) =", bz(pt(t9, 19, lower.tail = FALSE)), "\n")
t9b <- (56.4 - 60) / SE9
cat("Gdyby M = 56.4: t =", z3(t9b), "; p jednostronne (mu > 60) =", bz(pt(t9b, 19, lower.tail = FALSE)), "\n\n")

# Zadanie 10. Moc testu z zadania 5: H0: mu = 250, sigma = 4, n = 25, alfa = .05 (dwustronnie); H1: mu = 248
mu0 <- 250; mu1 <- 248; sigma <- 4; n10 <- 25; SE10 <- sigma / sqrt(n10)
gr <- mu0 + c(-1, 1) * qnorm(0.975) * SE10
beta <- pnorm(gr[2], mu1, SE10) - pnorm(gr[1], mu1, SE10)
cat("Zadanie 10\n")
cat("Granice obszaru przyjęcia H0: [", z3(gr), "]\n")
cat("z dla dolnej granicy przy mu = 248:", z3((gr[1] - mu1) / SE10), "; dla górnej:", z3((gr[2] - mu1) / SE10), "\n")
cat("Phi(4.460) =", z3(pnorm((gr[2] - mu1) / SE10)), "; Phi(0.540) =", z3(pnorm((gr[1] - mu1) / SE10)), "\n")
cat("beta =", z3(beta), "; moc =", z3(1 - beta), "\n")
moc_z <- function(n, delta = 2, s = 4, alfa = 0.05) {
  se <- s / sqrt(n); zk <- qnorm(1 - alfa / 2)
  pnorm(-zk + delta / se) + pnorm(-zk - delta / se)
}
cat("Moc przy alfa = .01:", z3(moc_z(25, alfa = 0.01)), "; przy n = 50:", z3(moc_z(50)), "; dla mu = 249:", z3(moc_z(25, delta = 1)), "\n")
n_80 <- ((qnorm(0.975) + qnorm(0.80)) * sigma / (mu0 - mu1))^2
cat("z dla 1 - beta = .80:", z3(qnorm(0.80)), "; n dla mocy .80 =", z2(n_80), "->", ceiling(n_80), "; moc przy n = 32:", z3(moc_z(32)), "\n")
set.seed(380)
sym <- replicate(10000, { m <- mean(rnorm(n10, mu1, sigma)); abs((m - mu0) / SE10) > qnorm(0.975) })
sym0 <- replicate(10000, { m <- mean(rnorm(n10, mu0, sigma)); abs((m - mu0) / SE10) > qnorm(0.975) })
cat("Symulacja 10 000 prób: odsetek odrzuceń H0 przy mu = 248 =", z3(mean(sym)), "; przy mu = 250 =", z3(mean(sym0)), "\n")
Wynik w R
Zadanie 6
n = 10 ; M = 55.20 ; SS = 413.60 ; SD = 6.78 ; SE = 2.14 
t( 9 ) = -2.24 ; t krytyczne 95% = 2.262 ; 99% = 3.250 
p dwustronne = .052 ; d = -0.71 
95% CI = [50.35, 60.05]
99% CI = [48.23, 62.17]
Kontrola t.test(mu = 60): t = -2.24 ; p = .052 ; 95% CI [ 50.35 60.05 ]

Zadanie 7
odsetek = 0.600 ; SE przy H0 = 0.042 ; z = -2.39 ; p dwustronne = .017 
Warunek n*pi0 = 84 ; n*(1 - pi0) = 36 
Kontrola prop.test(correct = FALSE): chi^2 = 5.71 (= z^2 = 5.71 ); p = .017 ; 95% CI Wilsona [ 0.511 0.683 ]
Test dokładny binom.test(): p = .022 
Błąd: SE z p z próby zamiast pi0 = 0.045 ; z = -2.24 

Zadanie 8
Odsetki: 0.768 0.574 ; różnica = 0.194 ; wspólny odsetek = 0.673 
SE (wspólny odsetek) = 0.089 ; z = 2.17 ; p dwustronne = .030 
95% CI różnicy (Wald, SE bez łączenia = 0.088 ): [ 0.022 , 0.366 ]
Kontrola prop.test(correct = FALSE): chi^2 = 4.69 ; p = .030 
Domyślnie (poprawka Yatesa): chi^2 = 3.85 ; p = .050 ; dokładniej p = .0497 
Najmniejsza liczność oczekiwana = 17.67 

Zadanie 9
SE = 1.901 ; t(19) = 1.894 
t krytyczne: dwustronne = 2.093 ; jednostronne = 1.729 
p dwustronne = .074 ; p jednostronne (mu > 60) = .037 
Gdyby M = 56.4: t = -1.894 ; p jednostronne (mu > 60) = .963 

Zadanie 10
Granice obszaru przyjęcia H0: [ 248.432 251.568 ]
z dla dolnej granicy przy mu = 248: 0.540 ; dla górnej: 4.460 
Phi(4.460) = 1.000 ; Phi(0.540) = 0.705 
beta = 0.295 ; moc = 0.705 
Moc przy alfa = .01: 0.470 ; przy n = 50: 0.942 ; dla mu = 249: 0.240 
z dla 1 - beta = .80: 0.842 ; n dla mocy .80 = 31.40 -> 32 ; moc przy n = 32: 0.807 
Symulacja 10 000 prób: odsetek odrzuceń H0 przy mu = 248 = 0.702 ; przy mu = 250 = 0.052 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats); rysunki przygotowano w pakietach ggplot2, svglite i magick. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
  4. magick (wersja 2.9.1): Ooms, J. (2026). magick: Advanced graphics and image-processing in R [R package]. https://doi.org/10.32614/CRAN.package.magick

Najczęstsze pytania

Kiedy w zadaniu użyć rozkładu z, a kiedy t?

Rozkład z stosujesz, gdy odchylenie standardowe populacji σ jest znane spoza próby (z norm testu, dokumentacji maszyny) – jak w zadaniach 1 i 5. Gdy σ szacujesz z tych samych danych, używasz rozkładu t z n − 1 stopniami swobody (zadania 2, 6 i 9). Przy dużych próbach oba rozkłady prawie się pokrywają, ale na kolokwium liczy się poprawny wybór.

Dlaczego przedział Walda dla proporcji może mieć ujemną granicę?

Bo jest symetryczny wokół odsetka z próby, a przy małym n i odsetku blisko 0 (lub 1) margines bywa większy niż sam odsetek. W zadaniu 3 dla 2 rezygnacji na 20 osób Wald daje [−.031, .231]. Przedział Wilsona [.028, .301] mieści się w zakresie 0–1 i ma pokrycie bliższe deklarowanym 95%.

Dlaczego liczebność próby zaokrągla się zawsze w górę?

Bo wzór podaje minimalną liczbę osób, przy której margines nie przekracza założonej wartości. Wynik 384.16 zaokrąglony w dół do 384 dałby margines minimalnie większy niż ±5 punktów procentowych, a w górę do 385 – spełnia warunek. Pamiętaj też, że to liczba ankiet zwróconych, a nie wysłanych.

Czy przedział ufności i test zawsze dają tę samą odpowiedź?

Tak, jeśli liczysz je tą samą metodą i na tym samym poziomie: dwustronny test na α = .05 odrzuca H0 dokładnie wtedy, gdy wartość z H0 leży poza 95% przedziałem. Różnice pojawiają się przy proporcjach, gdy test liczysz z SE z H0, a przedział metodą Walda; przedział Wilsona zawsze zgadza się z testem score (zadanie 7).

Jak policzyć moc testu na kolokwium bez programu?

Wyznacz granice obszaru przyjęcia H0 w jednostkach oryginalnej zmiennej, przelicz je na wyniki z względem średniej z hipotezy alternatywnej i odczytaj z tablicy pole między nimi – to β. Moc to 1 − β. W zadaniu 10 wychodzi β = .295 i moc .705.

Powiązane hasła

Przeczytaj też

Masz własne dane i nie wiesz, jaki przedział lub test policzyć?

Pomożemy dobrać analizę do hipotez, sprawdzimy obliczenia w R lub SPSS i wyjaśnimy wyniki tak, żebyś umiał(a) samodzielnie je opisać i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Agresti, A., & Coull, B. A. (1998). Approximate is better than “exact” for interval estimation of binomial proportions. The American Statistician, 52(2), 119–126. https://doi.org/10.1080/00031305.1998.10480550
  2. Brown, L. D., Cai, T. T., & DasGupta, A. (2001). Interval estimation for a binomial proportion. Statistical Science, 16(2), 101–133. https://doi.org/10.1214/ss/1009213286
  3. Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
  4. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3 ● Otwarty dostęp
  5. King, B. M., & Minium, E. W. (2009). Statystyka dla psychologów i pedagogów. Wydawnictwo Naukowe PWN.
  6. Neyman, J., & Pearson, E. S. (1933). On the problem of the most efficient tests of statistical hypotheses. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, 231(694–706), 289–337. https://doi.org/10.1098/rsta.1933.0009 ● Otwarty dostęp

Cytowania BibTeX

@article{agresti1998approximate, author={Agresti, Alan and Coull, Brent A.}, title={{Approximate is better than “exact” for interval estimation of binomial proportions}}, journal={The American Statistician}, year={1998}, volume={52}, number={2}, pages={119--126}, doi={10.1080/00031305.1998.10480550}}
@article{brown2001interval, author={Brown, Lawrence D. and Cai, T. Tony and DasGupta, Anirban}, title={{Interval estimation for a binomial proportion}}, journal={Statistical Science}, year={2001}, volume={16}, number={2}, pages={101--133}, doi={10.1214/ss/1009213286}}
@article{cohen1992power, author={Cohen, Jacob}, title={{A power primer}}, journal={Psychological Bulletin}, year={1992}, volume={112}, number={1}, pages={155--159}, doi={10.1037/0033-2909.112.1.155}}
@article{greenland2016statistical, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={{Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations}}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}
@book{king2009statystyka, author={King, Bruce M. and Minium, Edward W.}, title={{Statystyka dla psychologów i pedagogów}}, year={2009}, publisher={Wydawnictwo Naukowe PWN}}
@article{neyman1933problem, author={Neyman, Jerzy and Pearson, Egon S.}, title={{On the problem of the most efficient tests of statistical hypotheses}}, journal={Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character}, year={1933}, volume={231}, number={694–706}, pages={289--337}, doi={10.1098/rsta.1933.0009}}
R