Test F jest używany do sprawdzania, czy wariancje dwóch grup różnią się statystycznie istotnie. Jest stosowany do oceny, czy zaobserwowana różnica w zmienności wykracza poza losowe fluktuacje.
Decyzja jest podejmowana poprzez porównanie wartości p z ustalonym poziomem istotności (zwykle α = 0,05):
- p ≤ α → Akceptuj H₁ (odrzuć H₀)
- p > α → Zachowaj H₀
W rozwoju produktu testowany jest nowy przepis na sos pomidorowy. Celem jest sprawdzenie, czy rozkład lepkości nowego przepisu różni się od poprzedniego przepisu.
Interpretacja wyników:
Określona wartość p jest znacznie poniżej poziomu istotności 0,05, więc hipoteza zerowa jest odrzucona. Rozkład lepkości starego i nowego przepisu nie jest taki sam. Nowy przepis rozprzestrzenia się znacznie bardziej niż stary.
Wyjaśnienia dotyczące grafiki:
- Punkty oznaczają odchylenia standardowe lepkości dla starego i nowego przepisu.
- Belki błędów reprezentują 95% przedział ufności dla odpowiedniego odchylenia standardowego.
- Niepokrywające się przedziały ufności pokazują, że istnieje różnica w odchyleniu standardowym.
Przygotowanie
- Wybierz odpowiednią miarę rozproszenia do porównania.
- Zdefiniuj dwie grupy, których wariancje mają być porównane.
- Ustaw poziom istotności (zwykle α = 0,05).
- Sprawdź, czy dane nie wykazują silnych odchyleń od rozkładu normalnego.
Użycie w AlphadiTab
- Wybierz narzędzie 2-Sample-F w fazie analizy.
- Wybierz pierwszą grupę dla Próbki 1.
- Wybierz drugą grupę dla Próbki 2.
- Przeprowadź analizę, wybierając Utwórz nowy.
Interpretacja
- Sprawdź, czy wartość p jest mniejsza lub równa poziomowi istotności.
- p ≤ α → statystycznie istotna różnica w wariancjach.
- p > α → brak statystycznie istotnej różnicy w wariancjach.
- Interpretacja odnosi się wyłącznie do rozproszenia, nie do średniej.
Test F oferuje dwa główne ustawienia: typ wprowadzania danych i kierunek hipotezy.
Ręczne wprowadzanie: Porównanie opiera się na ręcznie wprowadzonych odchyleniach standardowych i rozmiarach próbek dwóch próbek.
H₀: σ₁² / σ₂² = 1 | H₁: σ₁² / σ₂² ≠ 1
Wybierz dwustronny, jeśli chcesz sprawdzić, czy wariancje dwóch próbek różnią się bez określania konkretnego kierunku. Przydatne, gdy nie ma konkretnego oczekiwania co do kierunku różnicy. Przykład: Czy wariancje czasów reakcji grupy A i grupy B różnią się?
H₀: σ₁² / σ₂² ≤ 1 | H₁: σ₁² / σ₂² > 1
Wybierz większy, jeśli chcesz sprawdzić, czy wariancja pierwszej próbki jest większa niż drugiej. Różnice w przeciwnym kierunku nie są brane pod uwagę. Przykład: Czy wariancja czasu dostawy przed środkiem jest większa niż po?
H₀: σ₁² / σ₂² ≥ 1 | H₁: σ₁² / σ₂² < 1
Wybierz mniejszy, jeśli chcesz sprawdzić, czy wariancja pierwszej próbki jest mniejsza niż drugiej. Różnice w przeciwnym kierunku nie są brane pod uwagę. Przykład: Czy wariancja lepkości starej formulacji jest mniejsza niż nowej?
Ilość napełnienia sosu pomidorowego – Maszyna A vs. Maszyna B
W produkcji używane są dwie maszyny napełniające. Należy zbadać, czy rozproszenie ilości napełnienia różni się między Maszyną A a Maszyną B. Dane pomiarowe dla obu maszyn są dostępne w formie podsumowanej:
- Maszyna A: n = 25, Średnia = 500,2 ml, Odchylenie standardowe = 1,1 ml
- Maszyna B: n = 25, Średnia = 498,9 ml, Odchylenie standardowe = 1,0 ml
Porównanie rozproszeń przeprowadza się za pomocą testu F (2 próbki).
Interpretacja
Test F pokazuje brak statystycznie istotnej różnicy w rozproszeniu ilości napełnienia między dwiema maszynami. Wartość p wynosi 0,644, co jest powyżej 0,05, więc hipoteza zerowa jest utrzymana.
→ Obie maszyny działają równie konsekwentnie pod względem ilości napełnienia.
Czas reakcji
W serwisie IT, zgłoszenia są przetwarzane w wielu lokalizacjach. Czas reakcji jest regularnie oceniany w celu zidentyfikowania różnic w stabilności procesów. W przykładzie dostępne są dane z trzech lokalizacji. Test F (2 próbki) jest zasadniczo odpowiedni tylko do porównania dwóch grup. Dla więcej niż dwóch lokalizacji istnieją dwa podejścia:
Porównania parami z testem F: Każda lokalizacja może być porównana parami z innymi (np. A vs. B, A vs. C, B vs. C).
Alternatywa – test Levene'a dla wielu grup: Jeśli wszystkie lokalizacje mają być rozważane jednocześnie, porównanie wariancji dla wielu grup jest zazwyczaj bardziej odpowiednim narzędziem.
Uwaga: Przy wielu testach F parami, ryzyko przypadkowych trafień wzrasta.
Interpretacja
Test F pokazuje statystycznie istotną różnicę między wariancjami lokalizacji DLZ Północ i DLZ Wschód (p = 0.000). Czas realizacji w lokalizacji Wschód różni się znacznie bardziej niż w lokalizacji Północ.
→ Dla więcej niż dwóch lokalizacji preferowane jest zastosowanie procedury dla wielu grup.
Czas realizacji według zespołu
W sprzedaży oferty dla klientów są przetwarzane przez dwa zespoły. Należy zbadać, czy różnica w czasie realizacji różni się między Zespołem A a Zespołem B.
Interpretacja
Test F wykazuje statystycznie istotną różnicę w zmienności czasu realizacji między dwoma zespołami. Wartość p wynosi 0.047, nieco poniżej 0.05, więc hipoteza zerowa jest odrzucona.
→ Zespół A wykazuje większą zmienność i pracuje mniej konsekwentnie niż Zespół B.
Czas dostawy po centrum logistycznym
W dziale logistyki zamówienia klientów są kompletowane i wysyłane. Aby zwiększyć wydajność, wprowadzono nowe wózki widłowe. Należy zbadać, czy rozproszenie czasu dostawy (w godzinach) zmniejszyło się po wprowadzeniu. Analiza jest przeprowadzana jako jedenstronny test F (kierunek “większy”).
H₀: σ²Przed / σ²Po ≤ 1 | H₁: σ²Przed / σ²Po > 1
Interpretacja
Jednostronny test F wykazuje statystycznie istotną różnicę (F = 3.5934; p = 0.000). Czas dostawy przed wprowadzeniem rozprasza się znacznie bardziej niż po.
→ Nowe wózki widłowe nie tylko skróciły czas dostawy, ale także uczyniły go bardziej stabilnym.
Porównanie dostawców
W zakupach komponenty są pozyskiwane od dwóch dostawców. Należy zbadać, czy różnica w odsetku odrzuceń na dostawę różni się między Dostawcą A a Dostawcą B (mierzona w %).
Uwaga: Test F zakłada w przybliżeniu normalnie rozkładaną, metryczną dane. Wartości procentowe mogą być dyskretne; przy małych ilościach dostaw założenie o normalnym rozkładzie może być naruszone. W razie wątpliwości należy użyć bardziej odpornej metody.
Interpretacja
Test F pokazuje statystycznie istotną różnicę w zmienności odsetka odrzuceń między dostawcami (p = 0.005). Hipoteza zerowa jest odrzucona.
→ Dostawca B działa bardziej konsekwentnie; Dostawca A wykazuje większą zmienność w odsetku odrzuceń.
Odchylenie prognozy
W planowaniu produkcji tworzone są prognozy zapotrzebowania na różne okresy planowania. Aby ocenić jakość prognozy, obliczane jest odchylenie prognozy. Badane jest, czy rozproszenie między krótkoterminowymi a długoterminowymi okresami planowania różni się:
- Krótkoterminowy horyzont: n = 30, odchylenie standardowe = 1,5 %
- Długoterminowy horyzont: n = 30, odchylenie standardowe = 3,8 %
Interpretacja
Test F pokazuje, że rozproszenia krótkoterminowych i długoterminowych okresów planowania różnią się statystycznie istotnie (p = 0,000). Hipoteza zerowa zostaje odrzucona.
→ Prognozy długoterminowe różnią się znacząco bardziej niż krótkoterminowe.
Wartość F: Statystyka testu F. Stosunek dwóch wariancji próbki.
s₁², s₂²: Wariancje próbki grup 1 i 2.
σ₁², σ₂²: Wariancje populacji grup 1 i 2 (nieznane, oszacowane).
α = Poziom istotności: Ustalona prawdopodobieństwo błędu (zwykle 0,05).
H₀ (Hipoteza zerowa): Wariancje dwóch grup są równe (σ₁² = σ₂²).
H₁ (Hipoteza alternatywna): Wariancje dwóch grup różnią się.
df = Stopnie swobody: Wyprowadzone z rozmiarów próbek obu grup (n₁ − 1 i n₂ − 1).
Przedział ufności: Zakres wartości, który zawiera prawdziwy stosunek wariancji z wybranym poziomem ufności.
Statystyka testu F
Liczba stopni swobody
df₂ = n₂ − 1
Przedział ufności (dolna granica)
Przedział ufności (górna granica)
Stosunek odchyleń standardowych
Uwaga: Do obliczeń odchyleń standardowych próby oraz wartości rozkładu i kwantyli rozkładu F i Chi-kwadrat użyto NMath.