Statystyka · Symulacje

Skąd się biorą rozkłady t, χ² i F: symulacje w R

Sześć rysunków z symulacji w R: z sumy kwadratów zmiennych z powstaje χ², z ilorazu z i pierwiastka z χ² – rozkład t, z ilorazu dwóch χ² – rozkład F. Do tego kształt a stopnie swobody, obszar odrzucenia na każdym rozkładzie i to, co dzieje się ze statystyką t, gdy dane są skośne. Przy każdym rysunku gotowy podpis i zdanie do pracy.

Strona główna / Blog / Skąd się biorą rozkłady t, χ² i F
W skrócie: Rozkłady t, χ² i F to trzy przekształcenia zmiennych o standardowym rozkładzie normalnym. Suma kwadratów k takich zmiennych ma rozkład χ²(k), zmienna z podzielona przez pierwiastek z niezależnego χ²/k – rozkład t(k), a iloraz dwóch χ² podzielonych przez ich df – rozkład F. W 20 000 symulacji każdy z tych przepisów dał histogram zgodny z krzywą z tablic, a do obszaru odrzucenia trafiło około 5% wyników. Te rozkłady opisują statystyki testowe tylko wtedy, gdy dane spełniają założenia: przy populacji wykładniczej i 10 osobach dwustronny test t odrzucał prawdziwą H0 w 9.80% prób, prawie zawsze w jednym ogonie.

Jeden klocek: zmienna z

Tablice rozkładów t, χ² i F wyglądają jak trzy osobne światy. Tymczasem wszystkie trzy rozkłady buduje się z jednego klocka: zmiennej z o standardowym rozkładzie normalnym (średnia 0, odchylenie standardowe 1). Definicje, wzory i własności znajdziesz w hasłach rozkład t-Studenta, rozkład chi-kwadrat i rozkład F. Tutaj te rozkłady składamy w R z losowych liczb i sprawdzamy na rysunkach, że histogram z symulacji pokrywa się z krzywą z tablic.

Przepisy są trzy. Dodaj kwadraty k zmiennych z – dostaniesz χ²(k). Podziel jedną zmienną z przez pierwiastek z niezależnego χ² podzielonego przez jego stopnie swobody – dostaniesz t. Podziel dwa niezależne χ², każdy przez swoje stopnie swobody – dostaniesz F. Krzywa na rysunku to funkcja gęstości, a pole pod nią to prawdopodobieństwo.

Każda symulacja ma 20 000 powtórzeń. Przy odsetkach podajemy błąd Monte Carlo (MC): √(p(1 − p)/20 000), przy 5% to około 0.15 punktu procentowego (pp). Ziarno 576 ustaliliśmy z góry i nie dobieraliśmy go pod wynik. Cały kod jest w sekcji „Kod R” na końcu wpisu.

Rysunek 1: χ² to suma kwadratów zmiennych z

Trzy panele jeden pod drugim: szare histogramy sum kwadratów 1, 3 i 10 zmiennych z z 20 000 symulacji i niebieskie krzywe gęstości χ²(1), χ²(3) i χ²(10). Przy k = 1 masa skupia się tuż przy zerze, przy k = 3 szczyt leży około 1, przy k = 10 około 8; histogramy pokrywają się z krzywymi
Rysunek 1. Suma kwadratów k niezależnych zmiennych z (20 000 symulacji) i gęstość χ²(k) dla k = 1, 3 i 10. Obliczenia: R (dane symulowane, set.seed(576)).

Co widać. Przy jednej zmiennej suma kwadratów to po prostu z², więc większość wyników leży blisko zera, a pojedyncze sięgają 10 i więcej. Przy trzech zmiennych rozkład ma garb, a przy dziesięciu zaczyna przypominać przesunięty dzwon. Średnie z symulacji wyniosły 1.010, 3.016 i 9.962, a wariancje 2.051, 5.973 i 19.918 – zgodnie z regułą „średnia k, wariancja 2k” (Forbes i in., 2010). Wartości krytyczne 3.841, 7.815 i 18.307 przekroczyło 5.135%, 4.940% i 4.925% sum (błąd MC 0.15–0.16 pp).

Czego ten wykres nie pokazuje. Skąd sumy kwadratów biorą się w danych. W teście chi-kwadrat niezależności sumuje się standaryzowane różnice liczebności obserwowanych i oczekiwanych. Pearson (1900) zaproponował to kryterium do oceny, czy odchylenia mogą wynikać z losowania. W tym teście rozkład χ² jest jednak tylko przybliżeniem, dobrym przy dużych liczebnościach oczekiwanych. Gdy odchylenia liczysz od średniej z próby, a nie od średniej populacji, jeden stopień swobody znika. Pokazujemy to na symulacji w haśle stopnie swobody. Jak wygląda sama tabela i jej reszty, zobaczysz we wpisie tabela krzyżowa na wykresie.

Podpis do pracy (np. w rozdziale teoretycznym albo w aneksie):

Rysunek 1. Rozkład sumy kwadratów k niezależnych zmiennych o standardowym rozkładzie normalnym dla k = 1, 3 i 10. Uwaga. Słupki – 20 000 symulowanych sum; krzywe – gęstość rozkładu chi-kwadrat o k stopniach swobody.

Zdanie do pracy (gdy sam sprawdzasz rozkład statystyki symulacją):

W 20 000 symulacji suma kwadratów trzech niezależnych zmiennych standaryzowanych miała średnią 3.016 i wariancję 5.973 (wartości teoretyczne: 3 i 6), a wartość krytyczną χ²(3) = 7.815 przekroczyło 4.94% wyników (błąd Monte Carlo 0.15 pp).

Rysunek 2: t to z podzielone przez niepewne SD

Panel A: szary histogram 20 000 ilorazów z / √(χ²/3), niebieska krzywa t(3) i pomarańczowa przerywana krzywa normalna; t(3) ma niższy szczyt i grubsze ogony, histogram leży na krzywej t. Panel B: pole w obu ogonach P(|T| > c) w skali logarytmicznej dla df = 3, 10, 30 i rozkładu normalnego; przy c = 1.96 wynosi .145 dla df = 3 i .050 dla normalnego, a przy c = 5 różnica sięga kilku rzędów wielkości
Rysunek 2. Rozkład t z ilorazu z / √(χ²/3) i pole w ogonach rozkładów t o różnych stopniach swobody. Obliczenia: R (dane symulowane).

Co widać. Panel A: iloraz ma niższy szczyt i grubsze ogony niż rozkład normalny, a histogram leży na krzywej t(3). Kwantyl 97.5% wyniósł w symulacji 3.239, w teorii 3.182, a w rozkładzie normalnym tylko 1.960. Wynik |t| > 1.96 pojawił się w 14.54% prób (błąd MC 0.25 pp; teoria 14.49%). Panel B pokazuje, że różnica rośnie daleko w ogonie: |t| > 3 przy 3 df zdarza się w 5.77% przypadków, przy 10 df w 1.33%, przy 30 df w 0.54%, a w rozkładzie normalnym w 0.27%.

Ta sama konstrukcja kryje się w teście t. W statystyce (M − μ)/(s/√n) licznik po podzieleniu przez σ/√n jest zmienną z, a (n − 1)s²/σ² ma rozkład χ²(n − 1). Przy danych normalnych oba składniki są niezależne. Dlatego statystyka t z 20 000 prób po 4 osoby miała kwantyle −3.158 i 3.289, bliskie teoretycznym ±3.182 rozkładu t(3). Gosset opublikował ten wynik pod pseudonimem Student (1908). Zabell (2008) opisuje go jako pierwszy z dokładnych wyników dla małych prób, na których oparto współczesne wnioskowanie.

Czego ten wykres nie pokazuje. Że grube ogony mają koszt i zysk. Próg 1.96 przy 3 df prawie trzykrotnie zawyża błąd I rodzaju, więc wartości krytyczne t rosną przy małym n.

Podpis do pracy:

Rysunek 2. Rozkład t z trzema stopniami swobody a rozkład normalny. Uwaga. Panel A: słupki – 20 000 symulowanych ilorazów z / √(χ²/3); linia ciągła – gęstość t(3); linia przerywana – standardowy rozkład normalny. Panel B: prawdopodobieństwo wyniku |T| > c w skali logarytmicznej dla 3, 10 i 30 stopni swobody oraz rozkładu normalnego.

Zdanie do pracy (np. uzasadnienie, dlaczego przy małej próbie nie używasz progu 1.96):

Ponieważ odchylenie standardowe szacowano z małej próby, statystykę porównano z rozkładem t, a nie z rozkładem normalnym; przy trzech stopniach swobody próg 1.96 odpowiadałby rzeczywistemu poziomowi istotności .145, a nie .05.

Rysunek 3: F to iloraz dwóch χ²

Dwa panele jeden pod drugim z tą samą niebieską krzywą gęstości F(2, 27) malejącą od 1 przy zerze. Górny: histogram 20 000 ilorazów (χ²(2)/2)/(χ²(27)/27). Dolny: histogram 20 000 statystyk F z jednoczynnikowej ANOVA dla trzech grup po 10 osób przy prawdziwej H0. Oba histogramy pokrywają się z krzywą; pomarańczowa linia przerywana w miejscu wartości krytycznej 3.35
Rysunek 3. Rozkład F(2, 27) jako iloraz dwóch zmiennych χ² i jako rozkład statystyki F z ANOVA przy prawdziwej H0. Obliczenia: R (dane symulowane).

Co widać. Dwie drogi dają ten sam rozkład. Górny histogram to czysta konstrukcja: χ²(2)/2 podzielone przez χ²(27)/27. Dolny to statystyka F z 20 000 jednoczynnikowych ANOVA, w których trzy grupy po 10 osób losowano z tej samej populacji. Suma kwadratów międzygrupowa podzielona przez σ² ma tu rozkład χ²(2), a wewnątrzgrupowa – χ²(27). Wartość krytyczną 3.354 przekroczyło 5.04% ilorazów i 4.96% statystyk z ANOVA (błąd MC 0.15 pp). Średnie wyniosły 1.087 i 1.077 wobec teoretycznej 27/25 = 1.080 (Forbes i in., 2010).

Czego ten wykres nie pokazuje. Założeń, na których stoi ta zgodność. Obie grupy sum kwadratów mają rozkład χ² tylko przy danych normalnych o równych wariancjach (zob. homogeniczność wariancji). Rysunek pokazuje też tylko H0. Przy prawdziwej różnicy średnich statystyka F ma rozkład niecentralny, przesunięty w prawo – tak jak rozkład t na rysunkach we wpisie moc testu w obrazkach.

Podpis do pracy:

Rysunek 3. Rozkład F(2, 27) otrzymany dwiema drogami. Uwaga. Panel A: 20 000 ilorazów dwóch niezależnych zmiennych chi-kwadrat podzielonych przez ich stopnie swobody. Panel B: 20 000 statystyk F z jednoczynnikowej analizy wariancji (3 grupy po 10 osób, prawdziwa hipoteza zerowa). Krzywa – gęstość F(2, 27); linia przerywana – wartość krytyczna dla α = .05.

Zdanie do pracy:

W 20 000 symulowanych analiz wariancji przy prawdziwej hipotezie zerowej (3 grupy po 10 osób, rozkład normalny, równe wariancje) wartość krytyczną F(2, 27) = 3.354 przekroczyło 4.96% statystyk (błąd Monte Carlo 0.15 pp).

Rysunek 4: kształt a stopnie swobody

Panel A: krzywe χ² dla k = 1, 2, 4, 8 i 16 – wraz ze wzrostem k szczyt przesuwa się w prawo, a krzywa robi się szersza i bardziej symetryczna. Panel B: krzywe t dla df = 1, 3, 10, 30 i rozkład normalny – przy df = 1 najniższy szczyt i najgrubsze ogony, przy df = 30 krzywa prawie pokrywa się z normalną. Panel C: krzywe F(1, 10), F(2, 27), F(5, 50), F(10, 100) i F(20, 20) – przy małym df licznika maleją od zera, przy większym mają garb w okolicy 1
Rysunek 4. Gęstości rozkładów χ², t i F dla różnych stopni swobody. Obliczenia: R (krzywe teoretyczne).

Co widać. Panel A: χ²(k) przesuwa się w prawo, bo jego średnia wynosi k, i rozszerza się (SD = √(2k): 1.414 przy k = 1, 5.657 przy k = 16). Skośność spada z 2.828 do 0.707. Panel B: im mniej stopni swobody, tym niższy szczyt i grubsze ogony rozkładu t. Wariancja wynosi 3.000 przy 3 df, 1.250 przy 10 i 1.071 przy 30 (w rozkładzie normalnym 1). Przy 1 df wariancja nie istnieje – to rozkład Cauchy’ego. Dwustronna wartość krytyczna spada z 12.706 (1 df) przez 3.182 i 2.228 do 2.042 (30 df). Panel C: rozkład F przy jednym lub dwóch df licznika maleje od zera, a przy większych ma garb blisko 1. Wartości krytyczne: 4.965 dla F(1, 10), 3.354 dla F(2, 27), 2.400 dla F(5, 50) i 1.927 dla F(10, 100).

Czego ten wykres nie pokazuje. Skąd w Twojej analizie biorą się konkretne df – to wyjaśnia hasło stopnie swobody (tabela z najczęstszymi testami). Na rysunku nie widać też, że kolejność df w F ma znaczenie: F(2, 27) i F(27, 2) to inne krzywe.

Podpis do pracy:

Rysunek 4. Gęstości rozkładów chi-kwadrat, t i F dla wybranych stopni swobody. Uwaga. Panel A: χ²(k) dla k = 1, 2, 4, 8 i 16. Panel B: t(df) dla df = 1, 3, 10 i 30 oraz standardowy rozkład normalny. Panel C: F(d1, d2) dla pięciu par stopni swobody. Oś pionową w panelach A i C ucięto.

Zdanie do pracy:

Wraz ze wzrostem liczby stopni swobody rozkład t zbliża się do rozkładu normalnego, a dwustronna wartość krytyczna przy α = .05 maleje z 3.182 (3 df) do 2.042 (30 df).

Rysunek 5: wartość krytyczna i obszar odrzucenia

Trzy panele jeden pod drugim. A: rozkład t(9) z dwoma pomarańczowymi obszarami odrzucenia poza ±2.262; w symulacji trafiło tam 4.78% statystyk. B: rozkład χ²(3) z obszarem odrzucenia na prawo od 7.815; 4.94% statystyk. C: rozkład F(2, 27) z obszarem na prawo od 3.354; 4.96% statystyk
Rysunek 5. Obszary odrzucenia przy α = .05 na rozkładach t(9), χ²(3) i F(2, 27) wraz z odsetkiem symulowanych statystyk w obszarze. Obliczenia: R (dane symulowane).

Co widać. Na każdym rozkładzie pole obszaru odrzucenia wynosi α = .05. W teście t dla jednej próby z 10 osobami (9 df) dzieli się je na dwa ogony po .025 poza ±2.262. W teście χ² i F obszar leży tylko w prawym ogonie, bo kłopot dla H0 to wyłącznie duże wartości. W symulacji przy prawdziwej H0 do obszaru trafiło 4.78% statystyk t z prób normalnych, 4.94% sum kwadratów z rysunku 1 i 4.96% statystyk F z rysunku 3 (błąd MC 0.15 pp). Odsetek 4.78% leży półtora błędu MC poniżej 5% – to zwykła losowość.

Czego ten wykres nie pokazuje. Wartości krytycznych dla Twoich df – te odczytasz z tablic rozkładów t, χ² i F (z kalkulatorem dla dowolnych df). Hasło wartość krytyczna wyjaśnia, jak decyzja przez próg odpowiada decyzji przez wartość p. Kiedy wolno umieścić całe α w jednym ogonie rozkładu t, opisuje hasło test jednostronny i dwustronny. Rysunek nie mówi też nic o mocy – to pole pod innym rozkładem.

Podpis do pracy:

Rysunek 5. Wartości krytyczne i obszary odrzucenia hipotezy zerowej przy α = .05. Uwaga. Panel A: rozkład t(9), test dwustronny (±2.262). Panel B: rozkład χ²(3), prawy ogon (7.815). Panel C: rozkład F(2, 27), prawy ogon (3.354). Zacieniowane pole pod każdą krzywą wynosi .05.

Zdanie do Metody:

Hipotezy weryfikowano na poziomie istotności α = .05; w teście t dla jednej próby (n = 10) hipotezę zerową odrzucano, gdy |t(9)| ≥ 2.262, a w jednoczynnikowej analizie wariancji – gdy F(2, 27) ≥ 3.354.

Rysunek 6: gdy dane nie są normalne

Panel A: histogram 20 000 statystyk t z prób po 10 osób z populacji wykładniczej na tle niebieskiej krzywej t(9); histogram jest przesunięty w prawo, ma ucięty prawy ogon i długi lewy ogon; poniżej −2.262 leży 9.4% statystyk, powyżej 2.262 – 0.4%. Panel B: wykres rozrzutu średniej i SD w 500 próbach, wyraźnie rosnący, r = .76
Rysunek 6. Statystyka t z prób po 10 osób z populacji wykładniczej (prawdziwa H0) i zależność średniej od SD w tych próbach. Obliczenia: R (dane symulowane).

Co widać. Fikcyjny czas oczekiwania ma rozkład wykładniczy ze średnią 5 minut (skośność 2), a H0: μ = 5 jest prawdziwa. Histogram statystyki t nie pasuje do krzywej t(9): ma długi lewy ogon i krótki prawy (skośność −1.664). Dwustronny test przy α = .05 odrzucił H0 w 9.80% prób (błąd MC 0.21 pp): 9.41% w lewym ogonie i 0.38% w prawym. Jednostronny test „średnia mniejsza niż 5” odrzucał w 13.04% prób, a „większa niż 5” w 1.34%. Te same liczby dla populacji normalnej: 4.78%, 4.93% i 4.98%. Przyczynę widać w panelu B: w danych skośnych średnia i SD z próby są skorelowane (r = .76; w populacji normalnej .005). Gdy próba nie zawiera rzadkich dużych wartości, ma zarazem niską średnią i małe SD – a mała liczba w mianowniku wyolbrzymia ujemną różnicę. Rozpada się więc warunek z rysunku 2: licznik i mianownik nie są niezależne.

Czego ten wykres nie pokazuje. Że problem słabnie z liczebnością. Przy 40 osobach z tej samej populacji dwustronny test odrzucał w 6.67% prób, ale ogony wciąż były nierówne (5.82% wobec 0.86%). Boos i Hughes-Oliver (2000) pokazują, że to skośność populacji decyduje, jak duża musi być próba, by przedziały t miały właściwe pokrycie. Lumley i in. (2002) przypominają z kolei, że w dużych próbach test t jest trafny przy dowolnym rozkładzie. Pokrycie przedziałów przy skośnej populacji pokazujemy we wpisach przedział ufności w obrazkach i centralne twierdzenie graniczne. Przy małej, silnie skośnej próbie rozważ bootstrap albo test nieparametryczny – pamiętając, że odpowiadają na nieco inne pytanie.

Podpis do pracy:

Rysunek 6. Rozkład statystyki t przy danych z rozkładu wykładniczego. Uwaga. Panel A: 20 000 statystyk t z prób po 10 obserwacji przy prawdziwej hipotezie zerowej (μ = 5); krzywa – gęstość t(9); linie przerywane – wartości krytyczne ±2.262. Panel B: średnia i odchylenie standardowe w 500 próbach; linia przerywana – średnia populacji.

Zdanie do pracy (ograniczenia przy małej, skośnej próbie):

Rozkład zmiennej był silnie prawostronnie skośny, a próba liczyła 10 osób, dlatego statystyka t mogła odbiegać od rozkładu t(9); w symulacji z populacją wykładniczą dwustronny test przy α = .05 odrzucał prawdziwą hipotezę zerową w 9.80% prób, niemal wyłącznie w lewym ogonie.

Który rysunek gdzie w pracy

  • Rozdział teoretyczny lub wprowadzenie do metod: rysunki 1–4. Wystarczy jeden – zwykle 2 albo 4 – z krótkim komentarzem o stopniach swobody.
  • Metoda (plan analizy): zdanie z rysunku 5 o poziomie α i wartościach krytycznych, jeśli promotor ich wymaga. W Wynikach zamiast progu podaj dokładne p.
  • Ograniczenia: rysunek 6 albo samo zdanie, gdy masz małą próbę i silnie skośną zmienną.
  • Własna symulacja w pracy: zawsze liczba powtórzeń, ziarno i błąd Monte Carlo przy odsetkach.

Paletę sprawdziliśmy w symulacji deuteranopii i protanopii (przepis 7). Każdą informację niesie też typ linii, kształt albo etykieta. Inne „obrazkowe” wpisy z tej serii: moc testu i rozkład zmiennej na wykresie.

Przykład reprodukowalny

Kod R wszystkich rysunków

Kod odtwarza wszystkie liczby z tekstu i sześć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 definiuje paletę, motyw, liczbę powtórzeń R i funkcję blad_mc(), a przepisy 5 i 6 korzystają też z obiektów z przepisów 1 i 3. Każdy przepis z losowaniem zaczyna od set.seed(576). Każdy kończy się obiektem wykresu (p1–p6); do zapisu SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów p1–p6, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.

Dane są symulowane w kodzie, nic nie trzeba pobierać. Ręcznie wybrano tylko parametry przykładów: k = 1, 3 i 10 (rysunek 1), 3 df (rysunek 2), trzy grupy po 10 osób (rysunek 3), test t dla 10 osób (rysunek 5) i populację wykładniczą o średniej 5 przy n = 10 i 40 (rysunek 6). Liczba powtórzeń: 20 000 w każdej symulacji; cały kod liczy się w kilka sekund.

1. Motyw, paleta i χ² z sumy kwadratów: Rysunek 1

Dane wejściowe: nic – zmienne z losuje kod. Na początku przepisu paleta Okabe–Ito, motyw motyw, liczba powtórzeń R i funkcja blad_mc(), z których korzystają kolejne przepisy.

Co odczytać: dla k = 1, 3 i 10: średnią (teoria k), wariancję (teoria 2k), wartość krytyczną χ² przy α = .05 i odsetek sum powyżej niej z błędem MC.

R
# Rysunek 1. Rozkład χ² z symulacji: suma kwadratów k niezależnych zmiennych z (k = 1, 3, 10)
library(ggplot2)

# Paleta Okabe–Ito (czytelna przy zaburzeniach widzenia barw) i prosty motyw
kol <- c(teoria = "#0072B2", akcent = "#D55E00", dane = "grey70", ciemny = "grey25",
         zielony = "#009E73", pomarancz = "#E69F00", fiolet = "#CC79A7")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", size = rel(1.0)), panel.grid.minor = element_blank(),
        strip.text = element_text(face = "bold", hjust = 0), legend.position = "bottom",
        plot.background = element_rect(fill = "white", colour = NA))
R <- 20000                                    # liczba powtórzeń w każdej symulacji
blad_mc <- function(p, n = R) sqrt(p * (1 - p) / n)   # błąd Monte Carlo odsetka

set.seed(576)                                 # ziarno ustalone raz, bez dobierania pod wynik
ks <- c(1, 3, 10)
chi <- lapply(ks, function(k) {
  Z <- matrix(rnorm(R * k), nrow = R)         # R wierszy po k niezależnych zmiennych z
  rowSums(Z^2)                                # suma kwadratów w każdym wierszu
})
names(chi) <- paste0("k = ", ks)
chi3 <- chi[["k = 3"]]                        # przyda się w przepisach 3 i 5

# Średnia (teoria: k), wariancja (teoria: 2k) i odsetek ponad wartością krytyczną χ²(.95; k)
podsum1 <- t(sapply(seq_along(ks), function(i) {
  x <- chi[[i]]; k <- ks[i]; kr <- qchisq(.95, k); p <- mean(x > kr)
  c(k = k, srednia = mean(x), wariancja = var(x), krytyczna = kr,
    ponad_proc = 100 * p, blad_MC_pp = 100 * blad_mc(p))
}))
round(podsum1, 3)

# Histogram (gęstość) z symulacji i krzywa teoretyczna dchisq()
d1 <- do.call(rbind, lapply(seq_along(ks), function(i)
  data.frame(panel = names(chi)[i], x = chi[[i]][chi[[i]] < 30])))       # obcięcie osi do 30
krz1 <- do.call(rbind, lapply(ks, function(k) {
  x <- seq(0.02, 30, length.out = 400)
  data.frame(panel = paste0("k = ", k), x = x, y = pmin(dchisq(x, k), 1.2))
}))
d1$panel <- factor(d1$panel, levels = names(chi)); krz1$panel <- factor(krz1$panel, levels = names(chi))
p1 <- ggplot(d1, aes(x)) +
  geom_histogram(aes(y = after_stat(density), fill = "symulacja: suma k kwadratów z"),
                 binwidth = 0.5, boundary = 0, colour = "white", linewidth = 0.2) +
  geom_line(data = krz1, aes(x, y, colour = "teoria: gęstość χ²(k)"), linewidth = 1.1) +
  facet_wrap(~ panel, ncol = 1, scales = "free_y") +
  scale_fill_manual(values = kol[["dane"]], name = NULL) +
  scale_colour_manual(values = kol[["teoria"]], name = NULL) +
  coord_cartesian(xlim = c(0, 30)) +
  labs(x = "Suma kwadratów k zmiennych z", y = "Gęstość",
       title = "Suma kwadratów k zmiennych z ma rozkład χ²(k)") + motyw
# p1   # wyświetl; zapis: ggsave("rozklady-chi-kwadrat-suma-kwadratow.svg", p1, width = 8, height = 7.4)
Wynik w R
      k srednia wariancja krytyczna ponad_proc blad_MC_pp
[1,]  1   1.010     2.051     3.841      5.135      0.156
[2,]  3   3.016     5.973     7.815      4.940      0.153
[3,] 10   9.962    19.918    18.307      4.925      0.153

2. Rozkład t z ilorazu z / √(χ²/k) i ze statystyki t: Rysunek 2

Dane wejściowe: R, kol, motyw i blad_mc() z przepisu 1.

Co odczytać: kwantyle ilorazu, statystyki t z prób po 4 osoby, rozkładu t(3) i normalnego; odsetek |t| > 1.96 w symulacji i w teorii; pole w ogonach dla 3, 10 i 30 df.

R
# Rysunek 2. Rozkład t z symulacji: z / √(χ²/k) i porównanie z rozkładem normalnym (kontynuacja: R, kol, motyw, blad_mc)
library(patchwork)
set.seed(576)
k <- 3
z  <- rnorm(R)                                # licznik: zmienna z
ch <- rowSums(matrix(rnorm(R * k), nrow = R)^2)   # mianownik: niezależny χ²(k)
t3 <- z / sqrt(ch / k)                        # z podzielone przez pierwiastek z (χ²/k)

# Ta sama konstrukcja ukryta w teście t: próba n = 4 z rozkładu normalnego, statystyka (M − μ)/(s/√n)
n <- 4
X <- matrix(rnorm(R * n, mean = 100, sd = 15), nrow = R)
t_proba <- (rowMeans(X) - 100) / (apply(X, 1, sd) / sqrt(n))
kwantyle <- c(.025, .05, .95, .975)
round(rbind(konstrukcja_z_chi2 = quantile(t3, kwantyle), statystyka_t_z_prob_n4 = quantile(t_proba, kwantyle),
            teoria_t3 = qt(kwantyle, 3), normalny_z = qnorm(kwantyle)), 3)

# Grube ogony: P(|T| > 1.96) w symulacji i w teorii; teoria dla kilku df
p_sym <- mean(abs(t3) > 1.96)
round(c(sym_t3_ponad_1.96 = p_sym, blad_MC = blad_mc(p_sym), teoria_t3 = 2 * pt(-1.96, 3)), 4)
ogony <- sapply(c(3, 10, 30, Inf), function(df) 2 * pt(-c(1.96, 3), df))
dimnames(ogony) <- list(c("P(|T| > 1.96)", "P(|T| > 3)"), c("df = 3", "df = 10", "df = 30", "normalny"))
round(ogony, 4)

# Panel A: histogram z symulacji, gęstość t(3) i gęstość normalna
xs <- seq(-5, 5, length.out = 401)
krz2 <- rbind(data.frame(x = xs, y = dt(xs, 3), krzywa = "t(3)"),
              data.frame(x = xs, y = dnorm(xs), krzywa = "normalny N(0, 1)"))
p2a <- ggplot(data.frame(t = t3[abs(t3) < 5]), aes(t)) +
  geom_histogram(aes(y = after_stat(density) * mean(abs(t3) < 5)), binwidth = 0.2, boundary = 0,
                 fill = kol[["dane"]], colour = "white", linewidth = 0.2) +
  geom_line(data = krz2, aes(x, y, colour = krzywa, linetype = krzywa), linewidth = 1.1) +
  scale_colour_manual(values = c("t(3)" = kol[["teoria"]], "normalny N(0, 1)" = kol[["akcent"]]), name = NULL) +
  scale_linetype_manual(values = c("t(3)" = "solid", "normalny N(0, 1)" = "dashed"), name = NULL) +
  labs(x = "z / √(χ²/3)", y = "Gęstość", title = "A. Symulacja i dwie krzywe") + motyw
# Panel B: pole w obu ogonach P(|T| > c) w skali logarytmicznej
cs <- seq(1.5, 5, by = 0.05)
og <- do.call(rbind, lapply(list(c(3, "df = 3"), c(10, "df = 10"), c(30, "df = 30"), c(Inf, "normalny")),
  function(a) data.frame(c = cs, p = 2 * pt(-cs, as.numeric(a[1])), rozklad = a[2])))
og$rozklad <- factor(og$rozklad, levels = c("df = 3", "df = 10", "df = 30", "normalny"))
p2b <- ggplot(og, aes(c, p, colour = rozklad, linetype = rozklad)) +
  geom_line(linewidth = 1.1) +
  geom_point(data = data.frame(c = 1.96, p = p_sym, rozklad = factor("df = 3", levels = levels(og$rozklad))),
             shape = 17, size = 3.2, show.legend = FALSE) +
  scale_y_log10(breaks = c(.0001, .001, .01, .05, .2), labels = c(".0001", ".001", ".01", ".05", ".2")) +
  scale_colour_manual(values = c(kol[["teoria"]], kol[["zielony"]], kol[["pomarancz"]], kol[["akcent"]]), name = NULL) +
  scale_linetype_manual(values = c("solid", "longdash", "dotdash", "dashed"), name = NULL) +
  guides(colour = guide_legend(nrow = 2), linetype = guide_legend(nrow = 2)) +
  labs(x = "Próg c", y = "P(|T| > c), skala log", title = "B. Pole w ogonach") + motyw
p2 <- p2a + p2b
# p2   # zapis: ggsave("rozklady-t-grube-ogony.svg", p2, width = 8, height = 5.2)
Wynik w R
                         2.5%     5%   95% 97.5%
konstrukcja_z_chi2     -3.099 -2.351 2.341 3.239
statystyka_t_z_prob_n4 -3.158 -2.358 2.376 3.289
teoria_t3              -3.182 -2.353 2.353 3.182
normalny_z             -1.960 -1.645 1.645 1.960
sym_t3_ponad_1.96           blad_MC         teoria_t3 
           0.1454            0.0025            0.1449 
              df = 3 df = 10 df = 30 normalny
P(|T| > 1.96) 0.1449  0.0784  0.0593   0.0500
P(|T| > 3)    0.0577  0.0133  0.0054   0.0027

3. Rozkład F: iloraz dwóch χ² i statystyka F z ANOVA: Rysunek 3

Dane wejściowe: obiekty z przepisu 1; trzy grupy po 10 osób z populacji o M = 50 i SD = 10.

Co odczytać: zgodność ręcznego F z aov(), wartość krytyczną F(2, 27), odsetki powyżej niej z błędem MC i średnie wobec teoretycznej 27/25.

R
# Rysunek 3. Rozkład F z symulacji: (χ²₁/d₁)/(χ²₂/d₂) i statystyka F z jednoczynnikowej ANOVA (kontynuacja: R, kol, motyw, blad_mc)
set.seed(576)
d1f <- 2; d2f <- 27                           # jak w ANOVA: 3 grupy po 10 osób → df = 2 i 27
F_konstr <- (rowSums(matrix(rnorm(R * d1f), nrow = R)^2) / d1f) /
            (rowSums(matrix(rnorm(R * d2f), nrow = R)^2) / d2f)

# ANOVA przy prawdziwej H0: trzy grupy po 10 osób z tej samej populacji (M = 50, SD = 10)
g <- 3; ng <- 10
Y <- array(rnorm(R * g * ng, mean = 50, sd = 10), dim = c(R, ng, g))   # [powtórzenie, osoba, grupa]
sr_gr  <- apply(Y, c(1, 3), mean)                                       # średnie grup
sr_ogl <- rowMeans(sr_gr)
SS_miedzy <- ng * rowSums((sr_gr - sr_ogl)^2)
SS_wewn   <- rowSums(sapply(1:g, function(j) rowSums((Y[, , j] - sr_gr[, j])^2)))
F_anova <- (SS_miedzy / (g - 1)) / (SS_wewn / (g * ng - g))
# kontrola na pierwszym powtórzeniu: ten sam F co w aov()
dane1 <- data.frame(y = as.vector(Y[1, , ]), grupa = factor(rep(1:g, each = ng)))
round(c(F_recznie = F_anova[1], F_aov = summary(aov(y ~ grupa, dane1))[[1]][["F value"]][1]), 4)

kr_F <- qf(.95, d1f, d2f)
p_k <- mean(F_konstr > kr_F); p_a <- mean(F_anova > kr_F)
round(c(krytyczna_F = kr_F, konstrukcja_ponad_proc = 100 * p_k, blad_MC_pp = 100 * blad_mc(p_k),
        anova_ponad_proc = 100 * p_a, blad_MC_pp = 100 * blad_mc(p_a),
        srednia_konstr = mean(F_konstr), srednia_anova = mean(F_anova), srednia_teoria = d2f / (d2f - 2)), 3)

d3 <- rbind(data.frame(F = F_konstr, zrodlo = "A. (χ²(2)/2) / (χ²(27)/27)"),
            data.frame(F = F_anova, zrodlo = "B. F z ANOVA: 3 grupy po 10, H0 prawdziwa"))
d3 <- d3[d3$F < 8, ]
xs <- seq(0.01, 8, length.out = 400)
krz3 <- data.frame(x = xs, y = df(xs, d1f, d2f))
p3 <- ggplot(d3, aes(F)) +
  geom_histogram(aes(y = after_stat(density)), binwidth = 0.2, boundary = 0,
                 fill = kol[["dane"]], colour = "white", linewidth = 0.2) +
  geom_line(data = krz3, aes(x, y), colour = kol[["teoria"]], linewidth = 1.1) +
  geom_vline(xintercept = kr_F, linetype = "dashed", colour = kol[["akcent"]], linewidth = 0.8) +
  annotate("text", x = kr_F + 0.15, y = 0.75, hjust = 0, size = 3.9, colour = kol[["akcent"]],
           label = sprintf("F krytyczne = %.2f", kr_F)) +
  facet_wrap(~ zrodlo, ncol = 1) +
  labs(x = "Wartość F", y = "Gęstość", title = "Dwie drogi do tego samego rozkładu F(2, 27)",
       subtitle = "Słupki: 20 000 symulacji; niebieska krzywa: gęstość F(2, 27)") + motyw
# p3   # zapis: ggsave("rozklady-f-iloraz-chi-kwadrat-i-anova.svg", p3, width = 8, height = 6.6)
Wynik w R
F_recznie     F_aov 
   0.3359    0.3359 
           krytyczna_F konstrukcja_ponad_proc             blad_MC_pp 
                 3.354                  5.040                  0.155 
      anova_ponad_proc             blad_MC_pp         srednia_konstr 
                 4.960                  0.154                  1.087 
         srednia_anova         srednia_teoria 
                 1.077                  1.080 

4. Kształt rozkładów a stopnie swobody: Rysunek 4

Dane wejściowe: paleta i motyw z przepisu 1 (bez losowania).

Co odczytać: średnią, SD, skośność i wartość krytyczną χ²(k), wariancję i dwustronną wartość krytyczną t(df) oraz wartości krytyczne pięciu rozkładów F.

R
# Rysunek 4. Kształt rozkładów χ², t i F a stopnie swobody (same krzywe teoretyczne; kontynuacja: kol, motyw)
library(patchwork)
pal5 <- unname(kol[c("teoria", "akcent", "zielony", "pomarancz", "ciemny")])
lt5 <- c("solid", "dashed", "dotdash", "longdash", "dotted")
krzywe <- function(x, fun, etykiety) {
  d <- do.call(rbind, lapply(seq_along(fun), function(i) data.frame(x = x, y = fun[[i]](x), df = etykiety[i])))
  d$df <- factor(d$df, levels = etykiety); d
}
# χ²: k = 1, 2, 4, 8, 16 – średnia k, wariancja 2k
c4 <- krzywe(seq(0.05, 30, length.out = 400), lapply(c(1, 2, 4, 8, 16), function(k) function(x) dchisq(x, k)),
             paste0("k = ", c(1, 2, 4, 8, 16)))
p4a <- ggplot(c4, aes(x, pmin(y, 0.5), colour = df, linetype = df)) + geom_line(linewidth = 1) +
  scale_colour_manual(values = pal5, name = NULL) + scale_linetype_manual(values = lt5, name = NULL) +
  guides(colour = guide_legend(nrow = 2), linetype = guide_legend(nrow = 2)) +
  labs(x = "χ²", y = "Gęstość", title = "A. χ²(k)") + motyw
# t: df = 1, 3, 10, 30 i rozkład normalny
t4 <- krzywe(seq(-5, 5, length.out = 400),
             c(lapply(c(1, 3, 10, 30), function(v) function(x) dt(x, v)), list(function(x) dnorm(x))),
             c("df = 1", "df = 3", "df = 10", "df = 30", "normalny"))
p4b <- ggplot(t4, aes(x, y, colour = df, linetype = df)) + geom_line(linewidth = 1) +
  scale_colour_manual(values = pal5, name = NULL) + scale_linetype_manual(values = lt5, name = NULL) +
  guides(colour = guide_legend(nrow = 2), linetype = guide_legend(nrow = 2)) +
  labs(x = "t", y = "Gęstość", title = "B. t(df)") + motyw
# F: kilka par (d₁, d₂)
pary <- list(c(1, 10), c(2, 27), c(5, 50), c(10, 100), c(20, 20))
f4 <- krzywe(seq(0.02, 5, length.out = 400), lapply(pary, function(p) function(x) df(x, p[1], p[2])),
             sapply(pary, function(p) sprintf("F(%d, %d)", p[1], p[2])))
p4c <- ggplot(f4, aes(x, pmin(y, 1.5), colour = df, linetype = df)) + geom_line(linewidth = 1) +
  scale_colour_manual(values = pal5, name = NULL) + scale_linetype_manual(values = lt5, name = NULL) +
  guides(colour = guide_legend(nrow = 1), linetype = guide_legend(nrow = 1)) +
  labs(x = "F", y = "Gęstość", title = "C. F(d₁, d₂)") + motyw
p4 <- (p4a + p4b) / p4c

# Liczby do opisu: średnia i SD χ²(k), wariancja t, wartości krytyczne przy α = .05
round(sapply(c(1, 2, 4, 8, 16), function(k) c(k = k, srednia = k, SD = sqrt(2 * k), skosnosc = sqrt(8 / k),
                                             kryt_05 = qchisq(.95, k))), 3)
round(sapply(c(1, 3, 10, 30, Inf), function(v) c(df = v, wariancja = if (is.infinite(v)) 1 else if (v > 2) v / (v - 2) else NA,
                                               kryt_dwustronna = qt(.975, v))), 3)
round(sapply(pary, function(p) c(d1 = p[1], d2 = p[2], kryt_05 = qf(.95, p[1], p[2]))), 3)
# p4   # zapis: ggsave("rozklady-ksztalt-a-stopnie-swobody.svg", p4, width = 8, height = 7.6)
Wynik w R
          [,1]  [,2]  [,3]   [,4]   [,5]
k        1.000 2.000 4.000  8.000 16.000
srednia  1.000 2.000 4.000  8.000 16.000
SD       1.414 2.000 2.828  4.000  5.657
skosnosc 2.828 2.000 1.414  1.000  0.707
kryt_05  3.841 5.991 9.488 15.507 26.296
                  [,1]  [,2]   [,3]   [,4] [,5]
df               1.000 3.000 10.000 30.000  Inf
wariancja           NA 3.000  1.250  1.071 1.00
kryt_dwustronna 12.706 3.182  2.228  2.042 1.96
          [,1]   [,2] [,3]    [,4]   [,5]
d1       1.000  2.000  5.0  10.000 20.000
d2      10.000 27.000 50.0 100.000 20.000
kryt_05  4.965  3.354  2.4   1.927  2.124

5. Wartość krytyczna i obszar odrzucenia: Rysunek 5

Dane wejściowe: obiekty z przepisu 1, chi3 z przepisu 1 i F_anova z przepisu 3; nowe próby po 10 osób z populacji normalnej.

Co odczytać: wartości krytyczne t(9), χ²(3) i F(2, 27) oraz odsetek statystyk z symulacji w obszarze odrzucenia z błędem MC.

R
# Rysunek 5. Wartość krytyczna i obszar odrzucenia na rozkładach t(9), χ²(3) i F(2, 27), α = .05
# (kontynuacja: R, kol, motyw, blad_mc, chi3 z przepisu 1, F_anova z przepisu 3)
library(patchwork)
set.seed(576)
n <- 10                                       # test t dla jednej próby: n = 10 → df = 9
X <- matrix(rnorm(R * n, mean = 100, sd = 15), nrow = R)
t_norm <- (rowMeans(X) - 100) / (apply(X, 1, sd) / sqrt(n))   # H0 prawdziwa (μ = 100)

kr <- c(t = qt(.975, 9), chi2 = qchisq(.95, 3), F = qf(.95, 2, 27))
odsetki <- c(t_dwustronnie = mean(abs(t_norm) > kr[["t"]]), chi2_prawy = mean(chi3 > kr[["chi2"]]),
             F_prawy = mean(F_anova > kr[["F"]]))
round(rbind(krytyczna = kr, w_obszarze_proc = 100 * odsetki, blad_MC_pp = 100 * blad_mc(odsetki)), 3)

rysuj_obszar <- function(x, y, w_obszarze, kryt, sym_proc, tytul, os_x) {
  d <- data.frame(x = x, y = y, obszar = w_obszarze)
  ogon <- d[d$obszar, ]
  ggplot(d, aes(x, y)) +
    geom_area(data = transform(d, y = ifelse(obszar, y, 0)), aes(fill = "obszar odrzucenia (pole = α = .05)")) +
    geom_line(colour = kol[["teoria"]], linewidth = 1.1) +
    geom_line(data = transform(ogon, y = 0), aes(group = x > 0), colour = kol[["akcent"]], linewidth = 2.2) +   # zasięg obszaru na osi
    geom_vline(xintercept = kryt, linetype = "dashed", colour = kol[["ciemny"]]) +
    annotate("text", x = kryt, y = max(y) * 1.1, hjust = ifelse(kryt < 0, 1.1, -0.1),
             label = sub("-", "−", sprintf("%.3f", kryt)), size = 3.8, colour = kol[["ciemny"]]) +
    annotate("text", x = max(x), y = max(y) * 0.55, hjust = 1, size = 3.7, colour = kol[["akcent"]],
             label = sprintf("w obszarze: %.2f%%\nz 20 000 symulacji", sym_proc)) +
    scale_fill_manual(values = kol[["akcent"]], name = NULL) +
    scale_y_continuous(expand = expansion(mult = c(0.02, 0.12))) +
    labs(x = os_x, y = "Gęstość", title = tytul) + motyw
}
xt <- seq(-5, 5, length.out = 301)
p5a <- rysuj_obszar(xt, dt(xt, 9), abs(xt) >= kr[["t"]], c(-1, 1) * kr[["t"]], 100 * odsetki[[1]],
                    "A. t(9): test dwustronny, po .025 w każdym ogonie", "t")
xc <- seq(0, 16, length.out = 301)
p5b <- rysuj_obszar(xc, dchisq(xc, 3), xc >= kr[["chi2"]], kr[["chi2"]], 100 * odsetki[[2]],
                    "B. χ²(3): tylko prawy ogon", "χ²")
xf <- seq(0, 7, length.out = 301)
p5c <- rysuj_obszar(xf, df(xf, 2, 27), xf >= kr[["F"]], kr[["F"]], 100 * odsetki[[3]],
                    "C. F(2, 27): tylko prawy ogon", "F")
p5 <- p5a / p5b / p5c + plot_layout(guides = "collect") & theme(legend.position = "bottom")
# p5   # zapis: ggsave("rozklady-wartosc-krytyczna-obszar-odrzucenia.svg", p5, width = 8, height = 8.4)
Wynik w R
                    t  chi2     F
krytyczna       2.262 7.815 3.354
w_obszarze_proc 4.780 4.940 4.960
blad_MC_pp      0.151 0.153 0.154

6. Statystyka t przy populacji wykładniczej: Rysunek 6

Dane wejściowe: obiekty z przepisu 1, X i t_norm z przepisu 5; populacja wykładnicza o średniej 5, próby po 10 i 40 osób.

Co odczytać: odsetki odrzuceń prawdziwej H0 (dwustronnie, w każdym ogonie i jednostronnie) dla danych normalnych i wykładniczych, ich błędy MC, korelację średniej z SD, skośność statystyki t i wynik dla 40 osób.

R
# Rysunek 6. Statystyka t, gdy dane nie są normalne: populacja wykładnicza, n = 10
# (kontynuacja: R, kol, motyw, blad_mc, t_norm i X z przepisu 5)
library(patchwork)
set.seed(576)
mu_w <- 5                                     # fikcyjny czas oczekiwania (min): rozkład wykładniczy, średnia 5, skośność 2
n <- 10
W <- matrix(rexp(R * n, rate = 1 / mu_w), nrow = R)
M_w <- rowMeans(W); s_w <- apply(W, 1, sd)
t_wykl <- (M_w - mu_w) / (s_w / sqrt(n))      # H0 prawdziwa: μ = 5
kr9 <- qt(.975, 9); kr9_1 <- qt(.95, 9)

# Odsetki odrzuceń przy α = .05 (nominalnie 5% dwustronnie i 5% w każdym teście jednostronnym)
bledy <- function(t) c(dwustronny = mean(abs(t) > kr9), lewy_ogon_2.5 = mean(t < -kr9), prawy_ogon_2.5 = mean(t > kr9),
                       jednostronny_mniej = mean(t < -kr9_1), jednostronny_wiecej = mean(t > kr9_1))
tab6 <- rbind(normalna = bledy(t_norm), wykladnicza = bledy(t_wykl))
round(100 * tab6, 2)
round(100 * blad_mc(tab6), 2)                 # błędy Monte Carlo (pp)
# Dlaczego: w populacji normalnej średnia i SD z próby są niezależne, w skośnej – nie
round(c(r_M_s_normalna = cor(rowMeans(X), apply(X, 1, sd)), r_M_s_wykladnicza = cor(M_w, s_w),
        skosnosc_t_normalna = mean(scale(t_norm)^3), skosnosc_t_wykladnicza = mean(scale(t_wykl)^3)), 3)
# Ta sama populacja, n = 40: test dwustronny i oba ogony
W40 <- matrix(rexp(R * 40, rate = 1 / mu_w), nrow = R)
t40 <- (rowMeans(W40) - mu_w) / (apply(W40, 1, sd) / sqrt(40)); kr39 <- qt(.975, 39)
round(100 * c(dwustronny = mean(abs(t40) > kr39), lewy_ogon_2.5 = mean(t40 < -kr39), prawy_ogon_2.5 = mean(t40 > kr39)), 2)

# Panel A: histogram t z populacji wykładniczej i krzywa t(9)
xs <- seq(-8, 4, length.out = 400)
p6a <- ggplot(data.frame(t = t_wykl[t_wykl > -8 & t_wykl < 4]), aes(t)) +
  geom_histogram(aes(y = after_stat(density) * mean(t_wykl > -8 & t_wykl < 4)), binwidth = 0.25, boundary = 0,
                 fill = kol[["dane"]], colour = "white", linewidth = 0.2) +
  geom_line(data = data.frame(x = xs, y = dt(xs, 9)), aes(x, y), colour = kol[["teoria"]], linewidth = 1.1) +
  geom_vline(xintercept = c(-1, 1) * kr9, linetype = "dashed", colour = kol[["akcent"]]) +
  annotate("text", x = -kr9 - 0.2, y = 0.33, hjust = 1, size = 3.7, colour = kol[["akcent"]],
           label = sprintf("%.1f%%\nponiżej", 100 * tab6["wykladnicza", "lewy_ogon_2.5"])) +
  annotate("text", x = kr9 + 0.2, y = 0.33, hjust = 0, size = 3.7, colour = kol[["akcent"]],
           label = sprintf("%.1f%%\npowyżej", 100 * tab6["wykladnicza", "prawy_ogon_2.5"])) +
  labs(x = "Statystyka t (n = 10)", y = "Gęstość", title = "A. t z danych wykładniczych") + motyw
# Panel B: średnia i SD w 500 pierwszych próbach (linia przerywana: μ = 5)
p6b <- ggplot(data.frame(M = M_w[1:500], s = s_w[1:500]), aes(M, s)) +
  geom_point(colour = kol[["ciemny"]], alpha = 0.35, size = 1.4) +
  geom_vline(xintercept = mu_w, linetype = "dashed", colour = kol[["akcent"]]) +
  labs(x = "Średnia z próby M (min)", y = "SD z próby (min)",
       title = paste0("B. M i SD: r = ", sub("^0", "", sprintf("%.2f", cor(M_w, s_w))))) + motyw
p6 <- p6a + p6b + plot_layout(widths = c(1.25, 1))
# p6   # zapis: ggsave("rozklady-t-skosna-populacja-n10.svg", p6, width = 8, height = 5)
Wynik w R
            dwustronny lewy_ogon_2.5 prawy_ogon_2.5 jednostronny_mniej
normalna          4.78          2.43           2.35               4.93
wykladnicza       9.80          9.41           0.38              13.04
            jednostronny_wiecej
normalna                   4.98
wykladnicza                1.34
            dwustronny lewy_ogon_2.5 prawy_ogon_2.5 jednostronny_mniej
normalna          0.15          0.11           0.11               0.15
wykladnicza       0.21          0.21           0.04               0.24
            jednostronny_wiecej
normalna                   0.15
wykladnicza                0.08
        r_M_s_normalna      r_M_s_wykladnicza    skosnosc_t_normalna 
                 0.005                  0.761                  0.028 
skosnosc_t_wykladnicza 
                -1.664 
    dwustronny  lewy_ogon_2.5 prawy_ogon_2.5 
          6.67           5.82           0.86 

7. Kontrola palety: deuteranopia i protanopia

Dane wejściowe: paleta kol z przepisu 1.

Co odczytać: odległość barw ΔE w przestrzeni CIELAB dla par kolorów z rysunków przy typowym widzeniu i po symulacji deuteranopii i protanopii; para czerwony–zielony to przykład do unikania.

R
# Czy paleta przetrwa zaburzenia widzenia barw? Symulacja w pakiecie colorspace (kontynuacja: kol)
library(colorspace)
pary <- list("niebieski – cynober (teoria / obszar odrzucenia)" = kol[c("teoria", "akcent")],
             "niebieski – szary (krzywa / słupki)" = kol[c("teoria", "dane")],
             "zielony – pomarańcz (df = 10 / df = 30)" = kol[c("zielony", "pomarancz")],
             "cynober – zielony (normalny / df = 10)" = kol[c("akcent", "zielony")],
             "czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A"))
roznica <- function(k) {                      # odległość barw w przestrzeni CIELAB (ΔE)
  lab <- coords(as(hex2RGB(col2hex(k)), "LAB")); sqrt(sum((lab[1, ] - lab[2, ])^2))
}
col2hex <- function(k) rgb(t(col2rgb(k)), maxColorValue = 255)
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(col2hex(k))),
                                   protanopia = roznica(protan(col2hex(k)))))), 1)
Wynik w R
                                                 widzenie_typowe deuteranopia
niebieski – cynober (teoria / obszar odrzucenia)           114.6        108.3
niebieski – szary (krzywa / słupki)                         49.5         53.4
zielony – pomarańcz (df = 10 / df = 30)                     88.7         66.3
cynober – zielony (normalny / df = 10)                     102.4         53.5
czerwony – zielony (do unikania)                           121.7         21.1
                                                 protanopia
niebieski – cynober (teoria / obszar odrzucenia)       91.9
niebieski – szary (krzywa / słupki)                    44.9
zielony – pomarańcz (df = 10 / df = 30)                51.5
cynober – zielony (normalny / df = 10)                 37.3
czerwony – zielony (do unikania)                       31.6

Bibliografia oprogramowania

Liczby na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (losowanie, gęstości, kwantyle i aov() – pakiety stats i base). Rysunki wykonano w pakiecie ggplot2, panele złożono pakietem patchwork i zapisano pakietem svglite, a paletę sprawdzono pakietem colorspace. 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. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  4. colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01
  5. 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

Najczęstsze błędy

  • Próg 1.96 przy małej próbie. Przy 3 df daje rzeczywiste α = .145 (rysunek 2).
  • Dzielenie p przez 2 w teście χ² albo F. Te testy już są prawostronne (rysunek 5).
  • Zamienione df w F. F(2, 27) to nie F(27, 2) – podawaj df licznika i mianownika (rysunek 4).
  • Stopnie swobody utożsamione z liczebnością. W teście χ² niezależności zależą od liczby kategorii, a nie od N.
  • Wiara, że rozkład z tablic „działa zawsze”. Opisuje statystykę tylko przy spełnionych założeniach; przy małej skośnej próbie test t chybia w jednym ogonie (rysunek 6).
  • Symulacja bez ziarna, liczby powtórzeń i błędu Monte Carlo.

Najczęstsze pytania

Jaki jest związek między rozkładem t, chi-kwadrat i F?

Wszystkie trzy powstają ze zmiennych o standardowym rozkładzie normalnym. Suma kwadratów k niezależnych zmiennych z ma rozkład χ²(k); zmienna z podzielona przez √(χ²/k) – rozkład t(k); iloraz (χ²₁/d₁)/(χ²₂/d₂) – rozkład F(d₁, d₂). Stąd kwadrat zmiennej t(k) ma rozkład F(1, k).

Skąd się biorą grube ogony rozkładu t?

Bo w mianowniku statystyki t stoi odchylenie standardowe z próby, które samo jest losowe i bywa zaniżone. Gdy jest za małe, iloraz wychodzi duży. W symulacji z 3 stopniami swobody wynik |t| > 1.96 pojawił się w 14.54% prób, a w rozkładzie normalnym zdarza się w 5%. Przy 30 df ten odsetek spada do 5.93%.

Czy rozkład chi-kwadrat jest zawsze prawoskośny?

Tak, bo suma kwadratów nie może być ujemna. Skośność wynosi jednak √(8/k): 2.83 przy k = 1 i 0.71 przy k = 16, więc przy wielu stopniach swobody rozkład coraz bardziej przypomina normalny. Średnia równa się k, a wariancja 2k.

Skąd się bierze rozkład F w analizie wariancji?

Gdy H0 jest prawdziwa, a dane są normalne o równych wariancjach, suma kwadratów międzygrupowa i wewnątrzgrupowa podzielone przez wariancję populacji to dwie niezależne zmienne χ². Statystyka F jest ilorazem tych zmiennych podzielonych przez ich df. W symulacji 20 000 jednoczynnikowych ANOVA (3 grupy po 10 osób) histogram F pokrył się z krzywą F(2, 27), a 4.96% wyników przekroczyło wartość krytyczną 3.354.

Co się dzieje z testem t, gdy dane nie mają rozkładu normalnego?

Statystyka t przestaje mieć rozkład t. Przy populacji wykładniczej i 10 osobach dwustronny test przy α = .05 odrzucał prawdziwą H0 w 9.80% prób, z czego 9.41% w lewym ogonie, a tylko 0.38% w prawym. Przy 40 osobach odsetek spadł do 6.67%. Przy dużych próbach test t jest trafny także przy nienormalnych danych (Lumley i in., 2002), ale przy małej, silnie skośnej próbie traktuj p ostrożnie.

Powiązane hasła

Przeczytaj też

Nie wiesz, z którym rozkładem porównać swoją statystykę?

Pomożemy dobrać test do danych, sprawdzić założenia i opisać wyniki tak, żebyś umiał(a) wyjaśnić na obronie, skąd się wzięły stopnie swobody i wartość p.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Boos, D. D., & Hughes-Oliver, J. M. (2000). How large does n have to be for Z and t intervals? The American Statistician, 54(2), 121–128. https://doi.org/10.1080/00031305.2000.10474524
  2. Forbes, C., Evans, M., Hastings, N., & Peacock, B. (2010). Statistical distributions (4th ed.). Wiley. https://doi.org/10.1002/9780470627242
  3. Lumley, T., Diehr, P., Emerson, S., & Chen, L. (2002). The importance of the normality assumption in large public health data sets. Annual Review of Public Health, 23(1), 151–169. https://doi.org/10.1146/annurev.publhealth.23.100901.140546
  4. Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
  5. Student. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.1093/biomet/6.1.1
  6. Zabell, S. L. (2008). On Student’s 1908 article “The probable error of a mean”. Journal of the American Statistical Association, 103(481), 1–7. https://doi.org/10.1198/016214508000000030

Cytowania BibTeX

@article{boos2000how, author={Boos, Dennis D. and Hughes-Oliver, Jacqueline M.}, title={{How large does n have to be for Z and t intervals?}}, journal={The American Statistician}, year={2000}, volume={54}, number={2}, pages={121--128}, doi={10.1080/00031305.2000.10474524}}
@book{forbes2010statistical, author={Forbes, Catherine and Evans, Merran and Hastings, Nicholas and Peacock, Brian}, title={{Statistical distributions (4th ed.)}}, year={2010}, publisher={Wiley}, doi={10.1002/9780470627242}}
@article{lumley2002importance, author={Lumley, Thomas and Diehr, Paula and Emerson, Scott and Chen, Lu}, title={{The importance of the normality assumption in large public health data sets}}, journal={Annual Review of Public Health}, year={2002}, volume={23}, number={1}, pages={151--169}, doi={10.1146/annurev.publhealth.23.100901.140546}}
@article{pearson1900criterion, author={Pearson, Karl}, title={{On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling}}, journal={The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science}, year={1900}, volume={50}, number={302}, pages={157--175}, doi={10.1080/14786440009463897}}
@article{student1908probable, author={{Student}}, title={{The probable error of a mean}}, journal={Biometrika}, year={1908}, volume={6}, number={1}, pages={1--25}, doi={10.1093/biomet/6.1.1}}
@article{zabell2008student, author={Zabell, S. L.}, title={{On Student’s 1908 article “The probable error of a mean”}}, journal={Journal of the American Statistical Association}, year={2008}, volume={103}, number={481}, pages={1--7}, doi={10.1198/016214508000000030}}
R