Prace dyplomowe · Statystyka

Testy nieparametryczne – zadania z rozwiązaniami krok po kroku

Dziesięć zadań z testów nieparametrycznych jak na kolokwium: Mann–Whitney (także z remisami), test znaków, Wilcoxon dla par, Kruskal–Wallis z testem Dunna, Friedman i Spearman. Każde z rangami policzonymi ręcznie, decyzją z tablic lub p, wielkością efektu, zapisem APA i typowym błędem.

Strona główna / Blog / Testy nieparametryczne – zadania
W skrócie: Dziesięć zadań obejmuje typowy materiał kolokwium z testów nieparametrycznych: test U Manna–Whitneya (z remisami i bez), test znaków, test Wilcoxona dla par, test Kruskala–Wallisa z testem Dunna, test Friedmana i korelację Spearmana. Każde rozwiązanie pokazuje rangowanie, statystykę, decyzję z tablic lub p, wielkość efektu (r, rrb, ε², W), zapis APA i typowy błąd. Dwa zadania uczą, kiedy test rangowy wybrać, a kiedy nie. Liczby sprawdzono w R, a dane są w pliku CSV.

Testy nieparametryczne – zadania z rozwiązaniami: jak z nich korzystać

Poniżej znajdziesz testy nieparametryczne – zadania z rozwiązaniami krok po kroku, w stylu kolokwium lub egzaminu ze statystyki na 1. i 2. roku. Historyjki pochodzą z pedagogiki, zarządzania i ekonomii, a dane są na tyle małe, że policzysz je kalkulatorem.

Każde zadanie ma stały układ: treść, rozwiązanie krok po kroku, interpretacja w stylu APA i typowy błąd. Wszystkie liczby sprawdziliśmy w R (kod na końcu wpisu); gdy funkcja R różni się od rachunku z tablic, piszemy o tym przy zadaniu.

Co właściwie sprawdzają testy rangowe i jak opisać je w pracy, wyjaśnia poradnik testy nieparametryczne krok po kroku. Wzory są standardowe (King i Minium, 2009).

Spis zadań: numer, historyjka i metoda nieparametryczna
ZadanieHistoryjkaCo liczysz
1czas rozwiązania zadania przy dwóch metodach nauczaniatest U Manna–Whitneya, dokładne p, Ukryt z tablic
2ocena zajęć online i stacjonarnych (1–5)test U z rangami wiązanymi, przybliżenie normalne, r i rrb
3degustacja nowej i starej recepturytest znaków (rozkład dwumianowy)
4spóźnienia przed i po wprowadzeniu elastycznych godzintest Wilcoxona dla par, zera i remisy
5punkty ze sprawdzianu po trzech formach zajęćtest Kruskala–Wallisa, ε², test Dunna
6ocena trzech projektów opakowania przez tych samych klientówtest Friedmana, W Kendalla
7staż pracy a ocena przełożonegokorelacja Spearmana z rangami wiązanymi
8wyniki z artykułu bez dostępu do danychwielkość efektu: r = Z/√N, rrb, ε²
9czas obsługi klienta z jedną skrajną wartościątest t Welcha a test Manna–Whitneya
10sześć krótkich opisów badańwybór testu: parametryczny czy nieparametryczny

Wartości krytyczne U i T bierzesz z tablic testów rangowych, a χ² – z tablic rozkładów t, χ² i F. Uwaga na kierunek: w testach Manna–Whitneya i Wilcoxona odrzucasz H0, gdy statystyka jest mniejsza lub równa wartości krytycznej. W testach χ², Kruskala–Wallisa i Friedmana – gdy jest większa. Dane do zadań: testy-nieparametryczne-zadania-dane.csv (format długi: zadanie, osoba, grupa, zmienna, wartość).

Zadanie 1. Test U Manna–Whitneya bez remisów

Treść zadania

Nauczyciel matematyki porównał dwie metody nauczania. Uczniowie uczeni metodą A (z instrukcją krok po kroku, n = 6) rozwiązywali zadanie logiczne w czasie (w minutach): 12, 15, 9, 18, 11, 14. Uczniowie uczeni metodą B (bez instrukcji, n = 7): 19, 16, 22, 13, 25, 20, 17. Czy metody różnią się czasem rozwiązania (α = .05, dwustronnie)?

Rozwiązanie krok po kroku

Krok 1. Wspólne rangowanie. Połącz oba zbiory (N = 13) i uporządkuj: 9, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 22, 25. Najkrótszy czas dostaje rangę 1 (rysunek 1). Rangowanie robisz na połączonej próbie, nie osobno w grupach.

Krok 2. Sumy rang. Metoda A: 3 + 6 + 1 + 9 + 2 + 5 = 26. Metoda B: 10 + 7 + 12 + 4 + 13 + 11 + 8 = 65. Kontrola: 26 + 65 = 91 = N(N + 1)/2 = 13 × 14 / 2.

U1 = R1 − n1(n1 + 1)/2 = 26 − 21 = 5;   U2 = n1n2 − U1 = 42 − 5 = 37;   U = min(5, 37) = 5

Krok 3. Decyzja. Z tablic dla n1 = 6, n2 = 7 i α = .05 (dwustronnie) Ukryt = 6. Ponieważ 5 ≤ 6, odrzucasz H0. Bez remisów i przy małych grupach R liczy dokładne p = .022 (podaje W = 5, czyli U dla pierwszej grupy).

Krok 4. Opis i wielkość efektu. Mediany: 13.00 min (A) i 19.00 min (B). Korelacja rangowo-biseryjna rrb = (U2 − U1)/(n1n2) = (37 − 5)/42 = .76.

Oś czasu od 9 do 25 minut z 13 kółkami: niebieskie dla metody A z rangami 1, 2, 3, 5, 6, 9 i czerwone dla metody B z rangami 4, 7, 8, 10, 11, 12, 13; podpisy: metoda A suma rang 26, U1 = 5; metoda B suma rang 65, U2 = 37, U = 5, dokładne p = .022
Rysunek 1. Wspólne rangowanie 13 wyników z zadania 1. Rangi metody A skupiają się po lewej, więc U jest małe. Obliczenia: R (dane z treści zadania).

Interpretacja

Uczniowie uczeni metodą A rozwiązywali zadanie szybciej (Me = 13.00 min) niż uczniowie uczeni metodą B (Me = 19.00 min), U = 5, p = .022 (dokładne), r_rb = .76.

Mann i Whitney (1947) zaproponowali statystykę U opartą na względnych rangach obu prób i podali tablice prawdopodobieństw dla małych grup; test równoważny opisał wcześniej Wilcoxon (1945). Więcej: test U Manna–Whitneya.

Typowy błąd

Porównanie U z wartością krytyczną „jak w teście t”, czyli odrzucanie H0 przy U większym od Ukryt. W teście U jest odwrotnie.

Zadanie 2. Test U z rangami wiązanymi i przybliżeniem normalnym

Treść zadania

Studenci ocenili zajęcia na skali 1–5 (1 – bardzo źle, 5 – bardzo dobrze). Grupa online (n = 10): 3, 4, 2, 5, 3, 3, 4, 2, 3, 4. Grupa stacjonarna (n = 12): 4, 5, 4, 3, 5, 4, 5, 4, 3, 5, 4, 5. Zmienna jest porządkowa i ma dużo remisów. Porównaj grupy testem Manna–Whitneya (przybliżenie normalne) i oblicz dwie miary efektu.

Rozwiązanie krok po kroku

Krok 1. Rangi średnie dla remisów. W połączonej próbie (N = 22) ocenę 2 ma 2 osoby, ocenę 3 – 6 osób, ocenę 4 – 8 osób, a ocenę 5 – 6 osób. Remisy dostają średnią z zajmowanych miejsc: ocena 2 (miejsca 1–2) – rangę 1.5, ocena 3 (miejsca 3–8) – 5.5, ocena 4 (9–16) – 12.5, ocena 5 (17–22) – 19.5.

Krok 2. Sumy rang i U. Online: 2 × 1.5 + 4 × 5.5 + 3 × 12.5 + 1 × 19.5 = 82. Stacjonarna: 171 (kontrola: 82 + 171 = 253 = 22 × 23 / 2). U1 = 82 − 10 × 11 / 2 = 27, U2 = 120 − 27 = 93.

Krok 3. Średnia i odchylenie U z korektą na remisy. Przy H0 średnia U wynosi n1n2/2 = 60. Remisy zmniejszają wariancję; dla każdej grupy remisów policz t³ − t (t – liczba osób z tym samym wynikiem): 6 + 210 + 504 + 210 = 930.

σU = √{ n1n2/12 × [(N + 1) − Σ(t³ − t)/(N(N − 1))] } = √{ 120/12 × [23 − 930/462] } = 14.49
Z = (U1 − 60) / 14.49 = (27 − 60) / 14.49 = −2.28;   p = .023

Krok 4. Decyzja. |Z| = 2.28 > 1.96, więc odrzucasz H0. R domyślnie dodaje poprawkę na ciągłość (p = .025); bez niej daje .023.

Krok 5. Wielkość efektu. r = |Z|/√N = 2.28/√22 = .49. rrb = (U2 − U1)/(n1n2) = (93 − 27)/120 = .55. Kerby (2014) opisuje ją jako prostą różnicę odsetka par zgodnych i niezgodnych z hipotezą: 93/120 − 27/120.

Interpretacja

Studenci zajęć stacjonarnych oceniali je wyżej (Me = 4.00) niż studenci zajęć online (Me = 3.00), U = 27, Z = −2.28, p = .023, r = .49, r_rb = .55.

Obie miary są poprawne, ale nie zamienne – napisz, którą podajesz (zob. wielkość efektu w testach nieparametrycznych).

Typowy błąd

Pominięcie korekty na remisy we wzorze na σU: daje Z = −2.18 zamiast −2.28.

Zadanie 3. Test znaków

Treść zadania

Piekarnia sprawdza nową recepturę chleba. Każda z 15 osób spróbowała dwóch kromek (nowa i stara receptura, w losowej kolejności) i wskazała, która jej bardziej smakuje. 11 osób wolało nową, 3 – starą, a 1 osoba nie miała zdania. Czy osoby częściej wybierały nową recepturę (α = .05, dwustronnie)?

Rozwiązanie krok po kroku

Krok 1. Odrzuć remisy. W teście znaków osoba bez preferencji nie niesie informacji o kierunku. Zostaje n = 14: 11 plusów i 3 minusy.

Krok 2. Rozkład dwumianowy. Przy H0 każda osoba z prawdopodobieństwem 0.5 wybiera nową recepturę. Policz prawdopodobieństwo wyniku tak skrajnego jak 3 minusy lub mniej:

P(X ≤ 3) = [C(14,0) + C(14,1) + C(14,2) + C(14,3)] / 214 = (1 + 14 + 91 + 364) / 16384 = 470 / 16384 = 0.029

Krok 3. Decyzja. Test dwustronny: p = 2 × 470/16384 = .057 (tak samo binom.test(11, 14)). Ponieważ .057 > .05, nie odrzucasz H0. Przybliżenie normalne (Z = 1.87, p = .061) przy 14 osobach zastąp dokładnym p.

Interpretacja

Nową recepturę wybrało 11 z 14 osób z preferencją (78.57%, 95% CI [49.20, 95.34]), test znaków: p = .057 (dokładne, dwustronne); jedną osobę bez preferencji pominięto.

Test jednostronny dałby p = .029, ale wolno go użyć tylko wtedy, gdy kierunek zapisano przed zebraniem danych.

Typowy błąd

Wliczenie osoby bez zdania do n (11 plusów na 15 osób): binom.test(11, 15) daje p = .118 – remis staje się wtedy ukrytym „minusem” i osłabia test.

Zadanie 4. Test Wilcoxona dla par: zera i remisy

Treść zadania

Firma wprowadziła elastyczne godziny pracy. Dla 10 pracowników zapisano liczbę spóźnień w miesiącu przed zmianą i po niej. Przed: 9, 6, 8, 7, 5, 10, 6, 4, 11, 5. Po: 5, 6, 3, 4, 6, 5, 2, 2, 4, 7 (ta sama kolejność osób). Czy liczba spóźnień się zmieniła? Użyj testu Wilcoxona dla par (α = .05, dwustronnie).

Rozwiązanie krok po kroku

Krok 1. Różnice (przed − po): 4, 0, 5, 3, −1, 5, 4, 2, 7, −2. Jedna osoba ma różnicę 0 – w klasycznym teście Wilcoxona ją pomijasz, więc n = 9.

Krok 2. Rangi wartości bezwzględnych. |d| po uporządkowaniu: 1, 2, 2, 3, 4, 4, 5, 5, 7. Remisy dostają rangę średnią: |d| = 2 → 2.5; 4 → 5.5; 5 → 7.5. Pozostałe: 1 → 1, 3 → 4, 7 → 9.

Krok 3. Sumy rang ze znakiem. Ujemne różnice to −1 (ranga 1) i −2 (ranga 2.5), więc T− = 3.5. T+ = 45 − 3.5 = 41.5 (kontrola: suma wszystkich rang = 9 × 10 / 2 = 45). T = min(41.5, 3.5) = 3.5.

Krok 4. Decyzja z tablic. Dla n = 9 i α = .05 (dwustronnie) Tkryt = 5. Ponieważ 3.5 ≤ 5, odrzucasz H0.

Krok 5. Przybliżenie normalne (liczy je R przy zerach i remisach):

Z = (T+ − n(n + 1)/4) / √[n(n + 1)(2n + 1)/24 − Σ(t³ − t)/48] = (41.5 − 22.5) / 8.42 = 2.26;   p = .024

R podaje V = 41.5 (to T+) i p = .024.

Krok 6. Wielkość efektu. rrb dla par = (T+ − T−)/(T+ + T−) = (41.5 − 3.5)/45 = .84.

Wykres słupkowy różnic przed minus po dla 10 pracowników: siedem niebieskich słupków dodatnich z rangami +5.5, +7.5, +4, +7.5, +5.5, +2.5, +9, dwa czerwone ujemne z rangami −1 i −2.5 oraz pracownik 2 z różnicą 0 pominięty; podpis T+ = 41.5, T− = 3.5, T = 3.5, T krytyczne = 5, Z = 2.26, p = .024
Rysunek 2. Różnice par z zadania 4 i ich rangi ze znakiem. Obliczenia: R (dane z treści zadania).

Interpretacja

Po wprowadzeniu elastycznych godzin pracownicy spóźniali się rzadziej (Me = 4.50) niż przed zmianą (Me = 6.50), test Wilcoxona: T = 3.5, Z = 2.26, p = .024, r_rb = .84; jedną parę bez zmiany pominięto (n = 9).

Bez grupy porównawczej nie wiesz, czy spadek wynika ze zmiany godzin. Więcej: test Wilcoxona.

Typowy błąd

Użycie testu znaków „bo prościej”: na tych danych (7 plusów, 2 minusy) daje p = .180, bo pomija wielkość różnic. Zostaw go na sytuacje, gdy znasz tylko kierunek (zadanie 3).

Zadanie 5. Test Kruskala–Wallisa i test Dunna

Treść zadania

Szkoła porównała trzy formy zajęć z geografii. Po 6 uczniów z każdej grupy napisało sprawdzian (0–20 pkt). Wykład: 8, 11, 7, 10, 12, 9. Ćwiczenia: 13, 10, 15, 12, 14, 11. Projekt: 16, 14, 18, 13, 17, 19. Czy forma zajęć wiąże się z wynikiem? Jeśli tak – które grupy się różnią?

Rozwiązanie krok po kroku

Krok 1. Wspólne rangowanie 18 wyników (remisy: 10, 11, 12, 13 i 14 występują po dwa razy, więc dostają rangi 4.5, 6.5, 8.5, 10.5 i 12.5). Sumy rang: wykład R1 = 25.5, ćwiczenia R2 = 56.5, projekt R3 = 89. Średnie rangi: 4.25, 9.42 i 14.83.

H = 12 / (N(N + 1)) × Σ Rj²/nj − 3(N + 1) = 12 / (18 × 19) × 1960.58 − 57 = 11.79

Krok 2. Korekta na remisy. C = 1 − Σ(t³ − t)/(N³ − N) = 0.995, więc H = 11.79 / 0.995 = 11.85.

Krok 3. Decyzja. df = k − 1 = 2; χ²kryt(2) = 5.99. Ponieważ 11.85 > 5.99, odrzucasz H0; p = .003. Kruskal i Wallis (1952) podali, że przy H0 H ma w przybliżeniu rozkład χ²(k − 1), chyba że próby są bardzo małe.

Krok 4. Wielkość efektu. ε² = H/(N − 1) = 11.85/17 = .70 (zob. epsilon-kwadrat).

Krok 5. Test Dunna (krótko). Dunn (1964) zaproponował porównania oparte na wspólnym rangowaniu wszystkich grup zamiast osobnego rangowania każdej pary. z = różnica średnich rang / 3.07 (błąd standardowy z korektą na remisy), a p poprawiasz metodą Holma.

Test Dunna po teście Kruskala–Wallisa w zadaniu 5
ParaRóżnica średnich rangzpp (Holm)
wykład – ćwiczenia5.171.68.093.156
wykład – projekt10.583.44.001.002
ćwiczenia – projekt5.421.76.078.156
Wykresy pudełkowe punktów ze sprawdzianu w trzech grupach po 6 uczniów: wykład mediana 9.5 i średnia ranga 4.25, ćwiczenia mediana 12.5 i średnia ranga 9.42, projekt mediana 16.5 i średnia ranga 14.83; podpis H(2) = 11.85, p = .003, epsilon kwadrat = .70, test Dunna z korektą Holma: różni się tylko para wykład – projekt
Rysunek 3. Wyniki sprawdzianu w trzech formach zajęć (zadanie 5). Obliczenia: R (dane z treści zadania).

Interpretacja

Forma zajęć wiązała się z wynikiem sprawdzianu, H(2) = 11.85, p = .003, ε² = .70. Test Dunna z korektą Holma wykazał, że uczniowie z zajęć projektowych (Me = 16.50) uzyskali wyższe wyniki niż uczniowie z wykładu (Me = 9.50), p = .002; pozostałe różnice nie były istotne (oba p = .156).

Więcej: test Kruskala–Wallisa, test Dunna i poprawka Holma.

Typowy błąd

Zamiast testu Dunna – trzy osobne testy Manna–Whitneya bez korekty. Dają p = .036, .005 i .030, czyli „wszystko istotne”, a ryzyko błędu I rodzaju rośnie z liczbą porównań.

Zadanie 6. Test Friedmana dla małych danych

Treść zadania

Siedmiu klientów oceniło trzy projekty opakowania (A, B, C) na skali 1–10.

Oceny trzech projektów opakowania i rangi w wierszach w zadaniu 6
KlientA: ocena (ranga)B: ocena (ranga)C: ocena (ranga)
16 (2)8 (3)5 (1)
27 (2)9 (3)6 (1)
35 (1)7 (2)8 (3)
46 (2)9 (3)4 (1)
55 (2)8 (3)4 (1)
64 (1)8 (3)6 (2)
77 (2)9 (3)5 (1)
Suma rang122010

Czy projekty różnią się ocenami (α = .05)?

Rozwiązanie krok po kroku

Krok 1. Rangi w wierszach. W teście Friedmana rangujesz oceny każdego klienta osobno (1 – najniższa, 3 – najwyższa). Sumy rang: A = 12, B = 20, C = 10. Kontrola: 12 + 20 + 10 = 42 = 7 × 6.

χ²F = 12 / (nk(k + 1)) × ΣRj² − 3n(k + 1) = 12 / 84 × (144 + 400 + 100) − 84 = 92 − 84 = 8.00

Krok 2. Decyzja. df = k − 1 = 2; χ²kryt(2) = 5.99; 8.00 > 5.99, p = .018. Przy tak małym n przybliżenie χ² bywa niedokładne. Dokładny rozkład (wszystkie 67 = 279936 możliwych układów rang przy H0) daje wartość krytyczną 7.14 i dokładne p = .016 – wniosek się nie zmienia.

Krok 3. Wielkość efektu. W Kendalla = χ²F/(n(k − 1)) = 8.00/14 = .57. Projekt B oceniło najwyżej 6 z 7 klientów.

Krok 4. Porównania par. Testy Wilcoxona dla par z korektą Holma dają p = .060 (A–B), .797 (A–C) i .068 (B–C). Przy 7 osobach testy par mają bardzo małą moc – to nie błąd w rachunkach.

Interpretacja

Oceny projektów opakowania różniły się, χ²_F(2, N = 7) = 8.00, p = .018, W = .57. Projekt B oceniano wyżej (Me = 8.00; średnia ranga 2.86) niż projekty A (Me = 6.00; 1.71) i C (Me = 5.00; 1.43), ale porównania par z korektą Holma nie były istotne (p od .060 do .797).

Friedman (1937) zaproponował ten test jako sposób na uniknięcie założenia normalności w analizie wariancji z powtarzanymi pomiarami. Więcej: test Friedmana.

Typowy błąd

Rangowanie wszystkich 21 ocen razem, jak w teście Kruskala–Wallisa, zamiast w każdym wierszu osobno.

Zadanie 7. Korelacja Spearmana z rangami wiązanymi (krótko)

Treść zadania

W małej firmie zebrano staż pracy (lata) i ocenę przełożonego (1–5) ośmiu pracowników. Staż: 1, 3, 2, 6, 4, 8, 5, 10. Ocena: 2, 3, 3, 4, 2, 5, 4, 3. Oblicz współczynnik korelacji Spearmana i sprawdź jego istotność.

Rozwiązanie krok po kroku

Krok 1. Rangi. Staż: 1, 3, 2, 6, 4, 7, 5, 8. Ocena (z remisami): 1.5, 4, 4, 6.5, 1.5, 8, 6.5, 4.

Krok 2. Wzór skrócony. Różnice rang d: −0.5, −1, −2, −0.5, 2.5, −1, −1.5, 4; Σd² = 31. ρ = 1 − 6 × 31 / (8 × 63) = .631.

Krok 3. Wersja dokładna przy remisach. Gdy są rangi wiązane, wzór skrócony jest tylko przybliżeniem. Dokładnie liczysz korelację Pearsona na rangach: ρ = .618.

t = ρ √(n − 2) / √(1 − ρ²) = 1.92;   df = 6;   tkryt = 2.447;   p = .103

Interpretacja

Staż pracy korelował dodatnio z oceną przełożonego, ale związek nie był istotny statystycznie, ρ(6) = .62, p = .103.

Przy 8 osobach nawet ρ ≈ .6 może być przypadkiem. Więcej zadań: zbiór korelacja i regresja – zadania z rozwiązaniami i poradnik korelacja Pearsona i Spearmana krok po kroku.

Typowy błąd

Wzór 1 − 6Σd²/(n(n² − 1)) przy wielu remisach bez komentarza. Tu różnica jest mała (.631 wobec .618), ale rośnie z liczbą remisów (zob. korelacja Spearmana).

Zadanie 8. Wielkość efektu z opublikowanych wyników

Treść zadania

Piszesz przegląd literatury i masz tylko wyniki z artykułów, bez danych. Oblicz wielkości efektu: (a) test Manna–Whitneya: U = 150, n1 = 20, n2 = 25 (bez remisów); (b) test Wilcoxona dla par: T+ = 160, T− = 50, 20 par bez zer; (c) test Kruskala–Wallisa: H(2) = 9.60, N = 48.

Rozwiązanie krok po kroku

(a) Z = (150 − 20 × 25/2) / √(20 × 25 × 46/12) = −2.28, p = .022. r = 2.28/√45 = .34. rrb = 1 − 2U/(n1n2) = 1 − 300/500 = .40.

(b) Kontrola: 160 + 50 = 210 = 20 × 21/2, więc dane są spójne. Z = (160 − 105) / √(20 × 21 × 41/24) = 2.05, p = .040. rrb = (160 − 50)/210 = .52. r = Z/√N zależy od tego, co przyjmiesz za N: przy 20 parach .46, przy 40 obserwacjach .32.

(c) p = .008; ε² = 9.60/47 = .20.

Interpretacja

W tabeli przeglądu podaj miarę i sposób obliczenia, np. „rrb = .40 (z U)”; rrb ma jedną definicję, więc łatwiej je porównywać.

Typowy błąd

Wstawienie do r = Z/√N liczby obserwacji (40) zamiast par (20) bez informacji w tekście: .32 zamiast .46.

Zadanie 9. Jedna skrajna wartość: test t czy test Manna–Whitneya?

Treść zadania

Bank zmierzył czas obsługi klienta (w minutach) w dwóch oddziałach, po 8 klientów. Oddział A: 6, 8, 7, 9, 5, 8, 7, 6. Oddział B: 10, 12, 9, 11, 13, 10, 12, 58. Wynik 58 min to prawdziwy pomiar (zakładanie konta firmowego). Porównaj oddziały testem t Welcha i testem Manna–Whitneya.

Rozwiązanie krok po kroku

Krok 1. Opis. Oddział A: M = 7.00, SD = 1.31, Me = 7.00. Oddział B: M = 16.88, SD = 16.67, Me = 11.50. Jedna wartość 58 odsuwa średnią B od mediany o ponad 5 minut.

Krok 2. Test t Welcha. t(7.09) = 1.67, p = .138.

Krok 3. Test Manna–Whitneya. Rangi oddziału A: 2.5, 6.5, 4.5, 8.5, 1, 6.5, 4.5, 2.5 (R1 = 36.5). U = 36.5 − 8 × 9/2 = 0.5: na 64 pary jeden remis (9 i 9 min), w pozostałych klient z A był obsłużony szybciej. p < .001. Dla testu rangowego 58 minut to po prostu ranga 16.

Wykres punktowy czasu obsługi w dwóch oddziałach: oddział A od 5 do 9 minut ze średnią 7.00 i medianą 7.0; oddział B od 9 do 13 minut i jeden klient 58 minut, średnia 16.88 przesunięta w prawo od mediany 11.5; podpis test t Welcha p = .138, test Manna–Whitneya p < .001
Rysunek 4. Wartość skrajna z zadania 9 odsuwa średnią oddziału B od mediany i zawyża SD. Obliczenia: R (dane z treści zadania).

Interpretacja

Klienci oddziału A byli obsługiwani krócej (Me = 7.00 min) niż klienci oddziału B (Me = 11.50 min), U = 0.5, p < .001 (test Manna–Whitneya z przybliżeniem normalnym).

Gdyby skrajny klient w B był obsługiwany 14 minut, oba testy dałyby p < .001. O wyborze testu zdecydowała więc jedna prawdziwa obserwacja odstająca, a nie „nienormalność” jako taka.

Typowy błąd

Usunięcie 58 minut „bo psuje wynik”. Bez tej osoby test t Welcha daje t(12.40) = 5.66, p < .001, ale wnioskujesz wtedy o innej populacji klientów – bez tych, którzy załatwiają długie sprawy. Prawdziwych wartości nie usuwaj – wybierz metodę na nie odporną.

Zadanie 10. Kiedy test nieparametryczny, a kiedy nie?

Treść zadania

Dla każdego opisu wskaż test i krótko uzasadnij wybór.

  1. Dwie grupy po 60 osób, wynik skali z 20 pozycji (suma), rozkład lekko skośny.
  2. Dwie grupy po 9 osób, liczba wizyt u lekarza w roku (dużo zer, jedna osoba z 25 wizytami).
  3. Te same 30 osób oceniło jedno twierdzenie na skali 1–5 przed szkoleniem i po nim.
  4. Cztery grupy po 40 osób, wynik testu wiedzy zbliżony do normalnego, różne wariancje.
  5. 12 osób porównuje dwa produkty i mówi tylko, który woli.
  6. Pięć pomiarów nastroju tych samych 15 osób na pojedynczej pozycji 1–7.

Rozwiązanie

  1. Test t Welcha. Przy 60 osobach w grupie średnie mają rozkład bliski normalnemu; istotny test Shapiro–Wilka nie jest powodem zmiany testu.
  2. Test Manna–Whitneya: mała próba, wiele zer i prawdziwa wartość skrajna – jak w zadaniu 9.
  3. Test Wilcoxona dla par: pojedyncza pozycja porządkowa i te same osoby.
  4. ANOVA Welcha (z post hoc Gamesa–Howella), a nie test Kruskala–Wallisa – problemem są wariancje, nie kształt rozkładu.
  5. Test znaków – znasz tylko kierunek preferencji (zadanie 3).
  6. Test Friedmana (pięć pomiarów tych samych osób, pozycja porządkowa).

Typowy błąd

Wybór testu po tym, który daje mniejsze p – test zapisz w planie analizy przed wynikami. Pełna mapa wyboru: jaki test statystyczny do jakiej hipotezy.

Testy w programie: testy nieparametryczne w SPSS.

Inne zbiory zadań

Przykład reprodukowalny

Sprawdź wyniki w R: kod i wynik

Dwa przepisy liczą wszystkie liczby z rozwiązań na danych wpisanych w kod (bez losowania). Każde zadanie jest policzone wzorem, jak na kartce, a potem gotową funkcją R jako kontrola. Rysunki i plik CSV powstały w osobnym skrypcie, który wczytuje dane z tych przepisów.

Zadania 1–4: test Manna–Whitneya, test znaków i test Wilcoxona dla par

Dane wejściowe: liczby z treści zadań 1–4 wpisane w kod; tylko funkcje bazowego R (rank, pwilcox, psignrank, wilcox.test, binom.test).

Co odczytać: rangi, sumy rang, U i T, wartości krytyczne, Z z korektą na remisy, p i wielkości efektu oraz linie „Błąd”, które pokazują wynik typowej pomyłki.

R
# B382 – zadania 1–4: test U Manna–Whitneya (bez remisów i z remisami), test znaków, test Wilcoxona dla par
# 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, r)

# Zadanie 1. Czas rozwiązania zadania logicznego (min): metoda A (n = 6) i metoda B (n = 7)
A <- c(12, 15, 9, 18, 11, 14)
B <- c(19, 16, 22, 13, 25, 20, 17)
n1 <- length(A); n2 <- length(B)
rangi <- rank(c(A, B))
R1 <- sum(rangi[1:n1]); R2 <- sum(rangi[-(1:n1)])
U1 <- R1 - n1 * (n1 + 1) / 2; U2 <- n1 * n2 - U1
Ukr <- max(which(pwilcox(0:(n1 * n2), n1, n2) <= 0.025)) - 1   # największe U z P(U <= Ukr) <= .025
cat("Zadanie 1\n")
cat("Uporządkowane wyniki:", sort(c(A, B)), "\n")
cat("Rangi grupy A:", rangi[1:n1], "; suma R1 =", R1, "\n")
cat("Rangi grupy B:", rangi[-(1:n1)], "; suma R2 =", R2, "; kontrola R1 + R2 =", R1 + R2, "= N(N + 1)/2 =", (n1 + n2) * (n1 + n2 + 1) / 2, "\n")
cat("U1 =", U1, "; U2 =", U2, "; U = min =", min(U1, U2), "\n")
cat("U krytyczne (n1 = 6, n2 = 7, alfa = .05, dwustronnie) =", Ukr, "\n")
cat("Mediany: A =", z2(median(A)), "; B =", z2(median(B)), "\n")
w1 <- wilcox.test(A, B)
cat("Kontrola wilcox.test(): W =", w1$statistic, "; dokładne p =", bz(w1$p.value), "\n")
cat("Korelacja rangowo-biseryjna rrb = (U2 - U1) / (n1 * n2) =", bz((U2 - U1) / (n1 * n2)), "\n\n")

# Zadanie 2. Ocena zajęć (1–5): grupa online (n = 10) i stacjonarna (n = 12) – rangi wiązane
online <- c(3, 4, 2, 5, 3, 3, 4, 2, 3, 4)
stacj  <- c(4, 5, 4, 3, 5, 4, 5, 4, 3, 5, 4, 5)
n1 <- length(online); n2 <- length(stacj); N <- n1 + n2
rangi <- rank(c(online, stacj))
cat("Zadanie 2\n")
tab <- table(c(online, stacj))
cat("Liczba osób z każdą oceną:", paste0(names(tab), ": ", tab), "\n")
cat("Ranga średnia dla każdej oceny:", paste0(sort(unique(c(online, stacj))), " -> ", tapply(rangi, c(online, stacj), mean)), "\n")
R1 <- sum(rangi[1:n1]); R2 <- sum(rangi[-(1:n1)])
U1 <- R1 - n1 * (n1 + 1) / 2; U2 <- n1 * n2 - U1
cat("R1 (online) =", R1, "; R2 (stacjonarna) =", R2, "; U1 =", U1, "; U2 =", U2, "\n")
mU <- n1 * n2 / 2
t <- as.numeric(tab)
sU_bez <- sqrt(n1 * n2 * (N + 1) / 12)
sU <- sqrt(n1 * n2 / 12 * ((N + 1) - sum(t^3 - t) / (N * (N - 1))))
Z <- (U1 - mU) / sU
cat("Średnia U =", mU, "; suma (t^3 - t) =", sum(t^3 - t), "; SD U bez korekty =", z2(sU_bez), "; z korektą na remisy =", z2(sU), "\n")
cat("Z =", z2(Z), "; p (dwustronnie) =", bz(2 * pnorm(-abs(Z))), "\n")
cat("r = |Z| / sqrt(N) =", bz(abs(Z) / sqrt(N)), "; rrb = (U2 - U1) / (n1 * n2) =", bz((U2 - U1) / (n1 * n2)), "\n")
cat("Mediany: online =", z2(median(online)), "; stacjonarna =", z2(median(stacj)), "\n")
w2 <- wilcox.test(online, stacj, exact = FALSE, correct = FALSE)
cat("Kontrola wilcox.test(correct = FALSE): W =", w2$statistic, "; p =", bz(w2$p.value), "\n")
w2c <- wilcox.test(online, stacj, exact = FALSE)
cat("Z poprawką na ciągłość (domyślnie w R): p =", bz(w2c$p.value), "\n")
cat("Błąd: SD U bez korekty na remisy daje Z =", z2((U1 - mU) / sU_bez), "\n\n")

# Zadanie 3. Test znaków: 15 osób porównało nową i starą recepturę (11 woli nową, 3 starą, 1 bez zdania)
plus <- 11; minus <- 3; zera <- 1
n3 <- plus + minus
cat("Zadanie 3\n")
cat("n po odrzuceniu remisów =", n3, "; mniejsza liczba znaków =", min(plus, minus), "\n")
cat("P(X <= 3) przy prawdopodobieństwie 1/2:", "suma C(14, k) dla k = 0..3 =", sum(choose(n3, 0:3)), "; 2^14 =", 2^n3,
    "; wynik =", bz(pbinom(min(plus, minus), n3, 0.5)), "\n")
cat("p dwustronne =", bz(2 * pbinom(min(plus, minus), n3, 0.5)), "; p jednostronne =", bz(pbinom(min(plus, minus), n3, 0.5)), "\n")
b3 <- binom.test(plus, n3)
cat("Kontrola binom.test(): p =", bz(b3$p.value), "; odsetek wolących nową =", z2(100 * plus / n3), "%; 95% CI [",
    z2(100 * b3$conf.int), "] %\n")
Zs <- (abs(plus - n3 / 2) - 0.5) / sqrt(n3 / 4)
cat("Przybliżenie normalne z poprawką na ciągłość: Z =", z2(Zs), "; p =", bz(2 * pnorm(-Zs)), "\n")
cat("Błąd: remis wliczony do n (11 plusów na 15 osób) daje p =", bz(binom.test(plus, n3 + zera)$p.value), "\n\n")

# Zadanie 4. Test Wilcoxona dla par: liczba spóźnień w miesiącu przed i po wprowadzeniu elastycznych godzin (10 osób)
przed <- c(9, 6, 8, 7, 5, 10, 6, 4, 11, 5)
po    <- c(5, 6, 3, 4, 6, 5, 2, 2, 4, 7)
d <- przed - po
cat("Zadanie 4\n")
cat("Różnice przed - po:", d, "\n")
dn <- d[d != 0]; n4 <- length(dn)
rg <- rank(abs(dn))
cat("Bez zer: n =", n4, "; |d|:", abs(dn), "\n")
cat("Rangi |d|:", rg, "\n")
Tp <- sum(rg[dn > 0]); Tm <- sum(rg[dn < 0])
cat("T+ =", Tp, "; T- =", Tm, "; T = min =", min(Tp, Tm), "; kontrola T+ + T- =", Tp + Tm, "= n(n + 1)/2 =", n4 * (n4 + 1) / 2, "\n")
Tkr <- max(which(psignrank(0:(n4 * (n4 + 1) / 2), n4) <= 0.025)) - 1
cat("T krytyczne (n = 9, alfa = .05, dwustronnie) =", Tkr, "\n")
tt <- table(abs(dn))
mT <- n4 * (n4 + 1) / 4
sT <- sqrt(n4 * (n4 + 1) * (2 * n4 + 1) / 24 - sum(tt^3 - tt) / 48)
Z4 <- (Tp - mT) / sT
cat("Średnia T =", mT, "; SD T z korektą na remisy =", z2(sT), "; Z =", z2(Z4), "; p =", bz(2 * pnorm(-abs(Z4))), "\n")
cat("rrb dla par = (T+ - T-) / (T+ + T-) =", bz((Tp - Tm) / (Tp + Tm)), "; r = Z / sqrt(9) =", bz(Z4 / sqrt(n4)), "\n")
cat("Mediany: przed =", z2(median(przed)), "; po =", z2(median(po)), "; mediana różnic =", z2(median(d)), "\n")
w4 <- wilcox.test(przed, po, paired = TRUE, exact = FALSE, correct = FALSE)
cat("Kontrola wilcox.test(paired, correct = FALSE): V =", w4$statistic, "; p =", bz(w4$p.value), "\n")
cat("Test znaków na tych samych danych: plusy =", sum(d > 0), "; minusy =", sum(d < 0), "; p =", bz(binom.test(sum(d > 0), n4)$p.value), "\n")
Wynik w R
Zadanie 1
Uporządkowane wyniki: 9 11 12 13 14 15 16 17 18 19 20 22 25 
Rangi grupy A: 3 6 1 9 2 5 ; suma R1 = 26 
Rangi grupy B: 10 7 12 4 13 11 8 ; suma R2 = 65 ; kontrola R1 + R2 = 91 = N(N + 1)/2 = 91 
U1 = 5 ; U2 = 37 ; U = min = 5 
U krytyczne (n1 = 6, n2 = 7, alfa = .05, dwustronnie) = 6 
Mediany: A = 13.00 ; B = 19.00 
Kontrola wilcox.test(): W = 5 ; dokładne p = .022 
Korelacja rangowo-biseryjna rrb = (U2 - U1) / (n1 * n2) = .762 

Zadanie 2
Liczba osób z każdą oceną: 2: 2 3: 6 4: 8 5: 6 
Ranga średnia dla każdej oceny: 2 -> 1.5 3 -> 5.5 4 -> 12.5 5 -> 19.5 
R1 (online) = 82 ; R2 (stacjonarna) = 171 ; U1 = 27 ; U2 = 93 
Średnia U = 60 ; suma (t^3 - t) = 930 ; SD U bez korekty = 15.17 ; z korektą na remisy = 14.49 
Z = -2.28 ; p (dwustronnie) = .023 
r = |Z| / sqrt(N) = .486 ; rrb = (U2 - U1) / (n1 * n2) = .550 
Mediany: online = 3.00 ; stacjonarna = 4.00 
Kontrola wilcox.test(correct = FALSE): W = 27 ; p = .023 
Z poprawką na ciągłość (domyślnie w R): p = .025 
Błąd: SD U bez korekty na remisy daje Z = -2.18 

Zadanie 3
n po odrzuceniu remisów = 14 ; mniejsza liczba znaków = 3 
P(X <= 3) przy prawdopodobieństwie 1/2: suma C(14, k) dla k = 0..3 = 470 ; 2^14 = 16384 ; wynik = .029 
p dwustronne = .057 ; p jednostronne = .029 
Kontrola binom.test(): p = .057 ; odsetek wolących nową = 78.57 %; 95% CI [ 49.20 95.34 ] %
Przybliżenie normalne z poprawką na ciągłość: Z = 1.87 ; p = .061 
Błąd: remis wliczony do n (11 plusów na 15 osób) daje p = .118 

Zadanie 4
Różnice przed - po: 4 0 5 3 -1 5 4 2 7 -2 
Bez zer: n = 9 ; |d|: 4 5 3 1 5 4 2 7 2 
Rangi |d|: 5.5 7.5 4 1 7.5 5.5 2.5 9 2.5 
T+ = 41.5 ; T- = 3.5 ; T = min = 3.5 ; kontrola T+ + T- = 45 = n(n + 1)/2 = 45 
T krytyczne (n = 9, alfa = .05, dwustronnie) = 5 
Średnia T = 22.5 ; SD T z korektą na remisy = 8.42 ; Z = 2.26 ; p = .024 
rrb dla par = (T+ - T-) / (T+ + T-) = .844 ; r = Z / sqrt(9) = .752 
Mediany: przed = 6.50 ; po = 4.50 ; mediana różnic = 3.50 
Kontrola wilcox.test(paired, correct = FALSE): V = 41.5 ; p = .024 
Test znaków na tych samych danych: plusy = 7 ; minusy = 2 ; p = .180 

Zadania 5–9: Kruskal–Wallis z testem Dunna, Friedman, Spearman, wielkość efektu i wartość skrajna

Dane wejściowe: liczby z treści zadań 5–9 wpisane w kod; funkcje pakietu stats (kruskal.test, friedman.test, cor.test, wilcox.test, t.test, p.adjust) i kontrola testu Dunna funkcją kwAllPairsDunnTest z pakietu PMCMRplus.

Co odczytać: statystyki z rachunku ręcznego i z funkcji R (powinny być identyczne), tabelę testu Dunna, W Kendalla, dwie wersje ρ Spearmana i porównanie testu t z testem rangowym.

R
# B382 – zadania 5–9: test Kruskala–Wallisa z testem Dunna, test Friedmana, korelacja Spearmana,
# wielkość efektu z opublikowanych wyników, wartość skrajna: test t a test Manna–Whitneya
# Dane wpisane na sztywno – te same co w treści zadań. Funkcje bazowego R (stats) i kontrola testu Dunna w PMCMRplus.
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))
bp <- function(p) if (p < .001) "p < .001" else paste("p =", bz(p))   # p w zapisie APA

# Zadanie 5. Punkty ze sprawdzianu (0–20) po trzech formach zajęć (po 6 uczniów)
wyklad <- c(8, 11, 7, 10, 12, 9)
cwicz  <- c(13, 10, 15, 12, 14, 11)
projekt <- c(16, 14, 18, 13, 17, 19)
wynik <- c(wyklad, cwicz, projekt)
forma <- factor(rep(c("wykład", "ćwiczenia", "projekt"), each = 6), levels = c("wykład", "ćwiczenia", "projekt"))
N <- length(wynik); k <- nlevels(forma); nj <- tapply(wynik, forma, length)
rg <- rank(wynik)
Rj <- tapply(rg, forma, sum)
cat("Zadanie 5\n")
cat("Rangi:", paste(forma, wynik, rg, sep = ":"), "\n")
cat("Sumy rang:", paste(names(Rj), Rj), "; średnie rangi:", paste(names(Rj), z2(Rj / nj)), "\n")
H0 <- 12 / (N * (N + 1)) * sum(Rj^2 / nj) - 3 * (N + 1)
tt <- table(wynik); C <- 1 - sum(tt^3 - tt) / (N^3 - N)
H <- H0 / C
cat("Suma R^2/n =", z2(sum(Rj^2 / nj)), "; H bez korekty =", z2(H0), "; korekta na remisy C =", z3(C), "; H =", z2(H), "\n")
cat("df =", k - 1, "; chi^2 krytyczne =", z2(qchisq(0.95, k - 1)), "; p =", bz(pchisq(H, k - 1, lower.tail = FALSE)), "\n")
cat("epsilon^2 = H / (N - 1) =", bz(H / (N - 1)), "\n")
cat("Mediany:", paste(levels(forma), z2(tapply(wynik, forma, median))), "\n")
kw <- kruskal.test(wynik ~ forma)
cat("Kontrola kruskal.test(): chi^2 =", z2(kw$statistic), "; df =", kw$parameter, "; p =", bz(kw$p.value), "\n")
# Test Dunna: różnice średnich rang, błąd standardowy z korektą na remisy, korekta Holma
sr <- Rj / nj
s2 <- (N * (N + 1) / 12 - sum(tt^3 - tt) / (12 * (N - 1)))
pary <- combn(levels(forma), 2)
zD <- apply(pary, 2, function(p) (sr[p[2]] - sr[p[1]]) / sqrt(s2 * (1 / nj[p[1]] + 1 / nj[p[2]])))
pD <- 2 * pnorm(-abs(zD))
dunn <- data.frame(para = apply(pary, 2, paste, collapse = " - "), roznica_rang = z2(apply(pary, 2, function(p) sr[p[2]] - sr[p[1]])),
                   z = z2(zD), p = bz(pD), p_Holm = bz(p.adjust(pD, "holm")))
cat("Test Dunna (SE różnicy średnich rang =", z2(sqrt(s2 * (1 / 6 + 1 / 6))), "):\n"); print(dunn, row.names = FALSE)
dk <- suppressWarnings(PMCMRplus::kwAllPairsDunnTest(wynik, forma, p.adjust.method = "holm"))
cat("Kontrola PMCMRplus::kwAllPairsDunnTest (Holm):\n"); print(round(dk$p.value, 3))
cat("Błąd: trzy testy Manna–Whitneya bez korekty: p =",
    bz(apply(pary, 2, function(p) wilcox.test(wynik[forma == p[1]], wynik[forma == p[2]], exact = FALSE)$p.value)), "\n\n")

# Zadanie 6. Test Friedmana: 7 klientów oceniło trzy projekty opakowania (1–10)
oceny <- matrix(c(6, 8, 5,
                  7, 9, 6,
                  5, 7, 8,
                  6, 9, 4,
                  5, 8, 4,
                  4, 8, 6,
                  7, 9, 5), ncol = 3, byrow = TRUE, dimnames = list(klient = 1:7, projekt = c("A", "B", "C")))
n6 <- nrow(oceny); k6 <- ncol(oceny)
rw <- t(apply(oceny, 1, rank))
cat("Zadanie 6\n"); cat("Rangi w wierszach (każdy klient osobno):\n"); print(rw)
Rk <- colSums(rw)
chiF <- 12 / (n6 * k6 * (k6 + 1)) * sum(Rk^2) - 3 * n6 * (k6 + 1)
cat("Sumy rang:", paste(names(Rk), Rk), "; suma kwadratów =", sum(Rk^2), "; średnie rangi:", paste(names(Rk), z2(Rk / n6)), "\n")
cat("chi^2_F =", z2(chiF), "; df =", k6 - 1, "; chi^2 krytyczne =", z2(qchisq(0.95, k6 - 1)), "; p =", bz(pchisq(chiF, k6 - 1, lower.tail = FALSE)), "\n")
cat("W Kendalla = chi^2_F / (n(k - 1)) =", bz(chiF / (n6 * (k6 - 1))), "\n")
cat("Mediany ocen:", paste(colnames(oceny), z2(apply(oceny, 2, median))), "\n")
fr <- friedman.test(oceny)
cat("Kontrola friedman.test(): chi^2 =", z2(fr$statistic), "; p =", bz(fr$p.value), "\n")
# Dokładne p: wszystkie 6^7 układów rang w wierszach przy H0 są jednakowo prawdopodobne
perm <- rbind(c(1, 2, 3), c(1, 3, 2), c(2, 1, 3), c(2, 3, 1), c(3, 1, 2), c(3, 2, 1))
uklady <- as.matrix(expand.grid(rep(list(1:6), n6)))
sumy <- sapply(1:k6, function(j) rowSums(matrix(perm[uklady, j], ncol = n6)))
chi_all <- 12 / (n6 * k6 * (k6 + 1)) * rowSums(sumy^2) - 3 * n6 * (k6 + 1)
rozklad <- table(round(chi_all, 6)); wart <- as.numeric(names(rozklad))
p_ogon <- rev(cumsum(rev(as.numeric(rozklad)))) / length(chi_all)   # P(chi^2_F >= wartość)
cat("Dokładne p (", length(chi_all), "układów rang ) =", bz(mean(chi_all >= chiF - 1e-9)),
    "; najmniejsza chi^2_F z dokładnym p <= .05 =", z2(min(wart[p_ogon <= .05])), "\n")
pw <- c("A-B" = wilcox.test(oceny[, "A"], oceny[, "B"], paired = TRUE, exact = FALSE)$p.value,
        "A-C" = wilcox.test(oceny[, "A"], oceny[, "C"], paired = TRUE, exact = FALSE)$p.value,
        "B-C" = wilcox.test(oceny[, "B"], oceny[, "C"], paired = TRUE, exact = FALSE)$p.value)
cat("Post hoc: Wilcoxon dla par, p z korektą Holma:", paste(names(pw), bz(p.adjust(pw, "holm"))), "\n")
cat("Projekt B oceniony najwyżej przez", sum(rw[, "B"] == 3), "z", n6, "klientów\n\n")

# Zadanie 7. Korelacja Spearmana: staż pracy (lata) i ocena przełożonego (1–5), 8 pracowników
staz <- c(1, 3, 2, 6, 4, 8, 5, 10)
ocena <- c(2, 3, 3, 4, 2, 5, 4, 3)
rx <- rank(staz); ry <- rank(ocena); dd <- rx - ry
cat("Zadanie 7\n")
cat("Rangi stażu:", rx, "\n"); cat("Rangi oceny:", ry, "\n"); cat("d:", dd, "; suma d^2 =", sum(dd^2), "\n")
cat("Wzór skrócony 1 - 6 suma d^2 / (n(n^2 - 1)) =", z3(1 - 6 * sum(dd^2) / (8 * 63)), "\n")
cat("Pearson na rangach (dokładnie przy remisach) rho =", z3(cor(rx, ry)), "\n")
tS <- cor(rx, ry) * sqrt(6) / sqrt(1 - cor(rx, ry)^2)
cat("t(6) =", z2(tS), "; t krytyczne =", z3(qt(0.975, 6)), "; p =", bz(2 * pt(-abs(tS), 6)), "\n")
cs <- suppressWarnings(cor.test(staz, ocena, method = "spearman", exact = FALSE))
cat("Kontrola cor.test(method = 'spearman'): rho =", z3(cs$estimate), "; p =", bz(cs$p.value), "\n\n")

# Zadanie 8. Wielkość efektu z wyników podanych w artykule (bez dostępu do danych)
cat("Zadanie 8\n")
# a) Manna–Whitneya: U = 150, n1 = 20, n2 = 25 (brak remisów)
U <- 150; m1 <- 20; m2 <- 25; Na <- m1 + m2
Za <- (U - m1 * m2 / 2) / sqrt(m1 * m2 * (Na + 1) / 12)
cat("a) Z =", z2(Za), "; p =", bz(2 * pnorm(-abs(Za))), "; r = |Z|/sqrt(N) =", bz(abs(Za) / sqrt(Na)), "; rrb = 1 - 2U/(n1 n2) =", bz(1 - 2 * U / (m1 * m2)), "\n")
# b) Wilcoxon dla par: T+ = 160, T- = 50, n = 20 par bez zer
Tp8 <- 160; Tm8 <- 50; nb <- 20
Zb <- (Tp8 - nb * (nb + 1) / 4) / sqrt(nb * (nb + 1) * (2 * nb + 1) / 24)
cat("b) kontrola T+ + T- =", Tp8 + Tm8, "= n(n + 1)/2 =", nb * (nb + 1) / 2, "; Z =", z2(Zb), "; p =", bz(2 * pnorm(-abs(Zb))),
    "; rrb = (T+ - T-)/(T+ + T-) =", bz((Tp8 - Tm8) / (Tp8 + Tm8)), "; r (N = 20) =", bz(Zb / sqrt(nb)), "; r (N = 40) =", bz(Zb / sqrt(2 * nb)), "\n")
# c) Kruskal–Wallis: H(2) = 9.60, N = 48
Hc <- 9.6; Nc <- 48
cat("c) p =", bz(pchisq(Hc, 2, lower.tail = FALSE)), "; epsilon^2 = H/(N - 1) =", bz(Hc / (Nc - 1)), "\n\n")

# Zadanie 9. Jedna skrajna wartość: czas obsługi klienta (min) w dwóch oddziałach, po 8 klientów
oddzA <- c(6, 8, 7, 9, 5, 8, 7, 6)
oddzB <- c(10, 12, 9, 11, 13, 10, 12, 58)
cat("Zadanie 9\n")
cat("Oddział A: M =", z2(mean(oddzA)), "; SD =", z2(sd(oddzA)), "; Me =", z2(median(oddzA)), "\n")
cat("Oddział B: M =", z2(mean(oddzB)), "; SD =", z2(sd(oddzB)), "; Me =", z2(median(oddzB)), "\n")
tw <- t.test(oddzB, oddzA)
cat("Test t Welcha: t(", z2(tw$parameter), ") =", z2(tw$statistic), ";", bp(tw$p.value), "\n")
rg9 <- rank(c(oddzA, oddzB)); R1 <- sum(rg9[1:8]); U9 <- R1 - 8 * 9 / 2
cat("Rangi oddziału A:", rg9[1:8], "; R1 =", R1, "; U =", U9, "\n")
w9 <- wilcox.test(oddzA, oddzB, exact = FALSE, correct = FALSE)
cat("Test Manna–Whitneya: W =", w9$statistic, ";", bp(w9$p.value), "\n")
oddzB2 <- replace(oddzB, 8, 14)
cat("Gdyby skrajny wynik wynosił 14 min: test t Welcha", bp(t.test(oddzB2, oddzA)$p.value),
    "; Mann–Whitney", bp(wilcox.test(oddzA, oddzB2, exact = FALSE, correct = FALSE)$p.value), "\n")
tw7 <- t.test(oddzB[-8], oddzA)
cat("Bez wartości skrajnej (n = 7 w B): test t Welcha t(", z2(tw7$parameter), ") =", z2(tw7$statistic), ";", bp(tw7$p.value), "\n")
Wynik w R
Zadanie 5
Rangi: wykład:8:2 wykład:11:6.5 wykład:7:1 wykład:10:4.5 wykład:12:8.5 wykład:9:3 ćwiczenia:13:10.5 ćwiczenia:10:4.5 ćwiczenia:15:14 ćwiczenia:12:8.5 ćwiczenia:14:12.5 ćwiczenia:11:6.5 projekt:16:15 projekt:14:12.5 projekt:18:17 projekt:13:10.5 projekt:17:16 projekt:19:18 
Sumy rang: wykład 25.5 ćwiczenia 56.5 projekt 89 ; średnie rangi: wykład 4.25 ćwiczenia 9.42 projekt 14.83 
Suma R^2/n = 1960.58 ; H bez korekty = 11.79 ; korekta na remisy C = 0.995 ; H = 11.85 
df = 2 ; chi^2 krytyczne = 5.99 ; p = .003 
epsilon^2 = H / (N - 1) = .697 
Mediany: wykład 9.50 ćwiczenia 12.50 projekt 16.50 
Kontrola kruskal.test(): chi^2 = 11.85 ; df = 2 ; p = .003 
Test Dunna (SE różnicy średnich rang = 3.07 ):
                para roznica_rang    z    p p_Holm
  wykład - ćwiczenia         5.17 1.68 .093   .156
    wykład - projekt        10.58 3.44 .001   .002
 ćwiczenia - projekt         5.42 1.76 .078   .156
Kontrola PMCMRplus::kwAllPairsDunnTest (Holm):
          wykład ćwiczenia
ćwiczenia  0.156        NA
projekt    0.002     0.156
Błąd: trzy testy Manna–Whitneya bez korekty: p = .036 .005 .030 

Zadanie 6
Rangi w wierszach (każdy klient osobno):
      projekt
klient A B C
     1 2 3 1
     2 2 3 1
     3 1 2 3
     4 2 3 1
     5 2 3 1
     6 1 3 2
     7 2 3 1
Sumy rang: A 12 B 20 C 10 ; suma kwadratów = 644 ; średnie rangi: A 1.71 B 2.86 C 1.43 
chi^2_F = 8.00 ; df = 2 ; chi^2 krytyczne = 5.99 ; p = .018 
W Kendalla = chi^2_F / (n(k - 1)) = .571 
Mediany ocen: A 6.00 B 8.00 C 5.00 
Kontrola friedman.test(): chi^2 = 8.00 ; p = .018 
Dokładne p ( 279936 układów rang ) = .016 ; najmniejsza chi^2_F z dokładnym p <= .05 = 7.14 
Post hoc: Wilcoxon dla par, p z korektą Holma: A-B .060 A-C .797 B-C .068 
Projekt B oceniony najwyżej przez 6 z 7 klientów

Zadanie 7
Rangi stażu: 1 3 2 6 4 7 5 8 
Rangi oceny: 1.5 4 4 6.5 1.5 8 6.5 4 
d: -0.5 -1 -2 -0.5 2.5 -1 -1.5 4 ; suma d^2 = 31 
Wzór skrócony 1 - 6 suma d^2 / (n(n^2 - 1)) = 0.631 
Pearson na rangach (dokładnie przy remisach) rho = 0.618 
t(6) = 1.92 ; t krytyczne = 2.447 ; p = .103 
Kontrola cor.test(method = 'spearman'): rho = 0.618 ; p = .103 

Zadanie 8
a) Z = -2.28 ; p = .022 ; r = |Z|/sqrt(N) = .341 ; rrb = 1 - 2U/(n1 n2) = .400 
b) kontrola T+ + T- = 210 = n(n + 1)/2 = 210 ; Z = 2.05 ; p = .040 ; rrb = (T+ - T-)/(T+ + T-) = .524 ; r (N = 20) = .459 ; r (N = 40) = .325 
c) p = .008 ; epsilon^2 = H/(N - 1) = .204 

Zadanie 9
Oddział A: M = 7.00 ; SD = 1.31 ; Me = 7.00 
Oddział B: M = 16.88 ; SD = 16.67 ; Me = 11.50 
Test t Welcha: t( 7.09 ) = 1.67 ; p = .138 
Rangi oddziału A: 2.5 6.5 4.5 8.5 1 6.5 4.5 2.5 ; R1 = 36.5 ; U = 0.5 
Test Manna–Whitneya: W = 0.5 ; p < .001 
Gdyby skrajny wynik wynosił 14 min: test t Welcha p < .001 ; Mann–Whitney p < .001 
Bez wartości skrajnej (n = 7 w B): test t Welcha t( 12.40 ) = 5.66 ; p < .001 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats oraz PMCMRplus); 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. PMCMRplus (wersja 1.9.12): Pohlert, T. (2024). PMCMRplus: Calculate pairwise multiple comparisons of mean rank sums extended [R package]. https://doi.org/10.32614/CRAN.package.PMCMRplus
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. 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
  5. 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

Dlaczego w teście Manna–Whitneya odrzucam H0, gdy U jest mniejsze od wartości krytycznej?

Małe U oznacza, że wyniki jednej grupy prawie zawsze leżą poniżej wyników drugiej, czyli grupy się nie przeplatają. Dlatego w tablicach testu U (i testu Wilcoxona dla par) odrzucasz H0, gdy statystyka jest mniejsza lub równa wartości krytycznej. W zadaniu 1 U = 5 ≤ Ukryt = 6, więc wynik jest istotny.

Jak sprawdzić, czy dobrze nadałem rangi w zadaniu z testem nieparametrycznym?

Suma wszystkich rang musi wynosić N(N + 1)/2. Dla 13 osób to 91, dla 22 osób – 253. W teście Friedmana sumy rang kolumn dają n × k(k + 1)/2, a w teście Wilcoxona T+ + T− = n(n + 1)/2 po pominięciu zer.

Kiedy w zadaniu liczyć dokładne p, a kiedy przybliżenie normalne?

Dokładne p (lub tablice wartości krytycznych) stosuj przy małych grupach bez remisów, np. dwie grupy po kilka osób. Przy remisach, zerach w różnicach albo większych grupach licz Z z korektą na remisy. Na tych samych danych oba podejścia zwykle prowadzą do tego samego wniosku.

Dlaczego R daje inne p niż moje obliczenia ręczne w teście Wilcoxona lub Manna–Whitneya?

Najczęściej z trzech powodów: R domyślnie dodaje poprawkę na ciągłość (w zadaniu 2 p = .025 zamiast .023), przy małych próbach bez remisów liczy dokładne p zamiast Z, a przy remisach stosuje korektę wariancji. Ustaw exact i correct tak, jak liczyłeś na kartce, i porównaj ponownie.

Jakie zadania z testów nieparametrycznych pojawiają się na kolokwium?

Najczęściej: test U Manna–Whitneya z rangami wiązanymi, test Wilcoxona dla par, test Kruskala–Wallisa, test Friedmana i korelacja Spearmana, rzadziej test znaków i wielkość efektu. Częstym poleceniem jest też wybór testu do opisu badania, jak w zadaniu 10 – zakres porównaj z sylabusem przedmiotu.

Powiązane hasła

Przeczytaj też

Masz własne dane do pracy i nie wiesz, który test wybrać?

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. Dunn, O. J. (1964). Multiple comparisons using rank sums. Technometrics, 6(3), 241–252. https://doi.org/10.1080/00401706.1964.10490181
  2. Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, 32(200), 675–701. https://doi.org/10.1080/01621459.1937.10503522
  3. Kerby, D. S. (2014). The simple difference formula: An approach to teaching nonparametric correlation. Comprehensive Psychology, 3, Article 11.IT.3.1. https://doi.org/10.2466/11.IT.3.1 ● Otwarty dostęp
  4. King, B. M., & Minium, E. W. (2009). Statystyka dla psychologów i pedagogów. Wydawnictwo Naukowe PWN.
  5. Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621. https://doi.org/10.1080/01621459.1952.10483441
  6. Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. The Annals of Mathematical Statistics, 18(1), 50–60. https://doi.org/10.1214/aoms/1177730491 ● Otwarty dostęp
  7. Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80–83. https://doi.org/10.2307/3001968

Cytowania BibTeX

@article{dunn1964multiple, author={Dunn, Olive Jean}, title={{Multiple comparisons using rank sums}}, journal={Technometrics}, year={1964}, volume={6}, number={3}, pages={241--252}, doi={10.1080/00401706.1964.10490181}}
@article{friedman1937use, author={Friedman, Milton}, title={{The use of ranks to avoid the assumption of normality implicit in the analysis of variance}}, journal={Journal of the American Statistical Association}, year={1937}, volume={32}, number={200}, pages={675--701}, doi={10.1080/01621459.1937.10503522}}
@article{kerby2014simple, author={Kerby, Dave S.}, title={{The simple difference formula: An approach to teaching nonparametric correlation}}, journal={Comprehensive Psychology}, year={2014}, volume={3}, eid={11.IT.3.1}, doi={10.2466/11.it.3.1}}
@book{king2009statystyka, author={King, Bruce M. and Minium, Edward W.}, title={{Statystyka dla psychologów i pedagogów}}, year={2009}, publisher={Wydawnictwo Naukowe PWN}}
@article{kruskal1952use, author={Kruskal, William H. and Wallis, W. Allen}, title={{Use of ranks in one-criterion variance analysis}}, journal={Journal of the American Statistical Association}, year={1952}, volume={47}, number={260}, pages={583--621}, doi={10.1080/01621459.1952.10483441}}
@article{mann1947test, author={Mann, H. B. and Whitney, D. R.}, title={{On a test of whether one of two random variables is stochastically larger than the other}}, journal={The Annals of Mathematical Statistics}, year={1947}, volume={18}, number={1}, pages={50--60}, doi={10.1214/aoms/1177730491}}
@article{wilcoxon1945individual, author={Wilcoxon, Frank}, title={{Individual comparisons by ranking methods}}, journal={Biometrics Bulletin}, year={1945}, volume={1}, number={6}, pages={80--83}, doi={10.2307/3001968}}
R