Test t jest używany do określenia, czy średnie dwóch grup różnią się statystycznie istotnie.
Służy do oceny, czy zaobserwowana różnica między dwiema grupami wykracza poza losowe wahania.
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 testowana jest nowa receptura sosu pomidorowego. Celem jest sprawdzenie, czy lepkość nowej receptury różni się średnio od poprzedniej receptury. W tym celu przeprowadzane są pomiary lepkości na próbkach starej i nowej receptury.
Interpretacja wyników:
Ustalona wartość p jest znacznie powyżej poziomu istotności 0,05, więc hipoteza zerowa jest utrzymana. Nie ma dowodów na to, że średnia lepkość nowej receptury różni się od poprzedniej.
Objaśnienia grafiki:
- Punkty oznaczają średnie wartości lepkości dla starej i nowej receptury.
- Bary błędów reprezentują 95% przedział ufności średniej.
- Znaczące nakładanie się przedziałów ufności pokazuje, że nie ma statystycznie istotnej różnicy.
Przygotowanie
- Wybierz ciągły pomiar (np. lepkość).
- Zdefiniuj dwie grupy, których średnie mają być porównane.
- Ustaw poziom istotności (zwykle α = 0,05).
- Sprawdź, czy dane nie wykazują silnych odchyleń od rozkładu normalnego.
- Upewnij się, że pomiary zostały zebrane niezależnie.
Użyj w AlphadiTab
- Wybierz narzędzie 2-próbek t w fazie Analizy.
- Wybierz pierwszą grupę dla próbki 1.
- Wybierz drugą grupę dla próbki 2.
- Przeprowadź analizę, wybierając Nowy Twórz.
Interpretacja
- Sprawdź, czy wartość p jest mniejsza lub równa poziomowi istotności.
- p ≤ α → statystycznie istotna różnica w średnich.
- p > α → brak statystycznie istotnej różnicy w średnich.
- Interpretacja odnosi się wyłącznie do średniej.
Test t 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.
Nie ręczne wprowadzanie (zbiór danych): Porównanie opiera się na wybranych kolumnach danych.
H₀: μ₁ − μ₂ = Δ₀ | H₁: μ₁ − μ₂ ≠ Δ₀
Wybierz dwustronny, jeśli chcesz sprawdzić, czy średnie dwóch próbek różnią się bez określania konkretnego kierunku. Przydatne, gdy nie ma konkretnego oczekiwania co do kierunku różnicy. Przykład: Czy średnie wyniki testów grupy A i grupy B różnią się?
H₀: μ₁ − μ₂ = Δ₀ | H₁: μ₁ − μ₂ > Δ₀
Wybierz większy, jeśli chcesz sprawdzić, czy średnia pierwszej próbki jest większa niż drugiej. Testuje tylko, czy próbka 1 ma znacząco wyższe wartości. Przykład: Czy średni przychód po kampanii reklamowej jest wyższy niż przed?
H₀: μ₁ − μ₂ = Δ₀ | H₁: μ₁ − μ₂ < Δ₀
Wybierz mniejszy, jeśli chcesz sprawdzić, czy średnia pierwszej próbki jest mniejsza niż drugiej. Testuje tylko, czy próbka 1 ma znacząco niższe wartości. Przykład: Czy średni czas przetwarzania po optymalizacji jest niższy niż przed?
Ilość napełnienia sosu pomidorowego
W produkcji używane są dwie maszyny napełniające. Należy zbadać, czy średnia ilość 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 średnich odbywa się za pomocą testu t (2 próbki).
Interpretacja
Test t wykazuje statystycznie istotną różnicę w średniej ilości napełnienia między dwiema maszynami. Wartość p jest poniżej 0,05, więc hipoteza zerowa jest odrzucona.
→ Maszyny różnią się średnią ilością napełnienia.
Czas reakcji na zgłoszenia
W helpdesku IT zgłoszenia są przetwarzane w wielu lokalizacjach. Czas reakcji jest regularnie oceniany w celu zidentyfikowania różnic w jakości usług. W przykładzie dostępne są dane z trzech lokalizacji. Test t (2 próby) jest zasadniczo odpowiedni tylko do porównania dwóch grup. Dla więcej niż dwóch lokalizacji istnieją dwa podejścia:
Porównania parami za pomocą testu t: Każda lokalizacja może być porównana parami z innymi (np. A vs. B, A vs. C, B vs. C).
Alternatywa – Analiza wariancji (ANOVA): Jeśli wszystkie lokalizacje mają być rozważane jednocześnie, ANOVA jest bardziej odpowiednim narzędziem. Sprawdza, czy istnieje co najmniej jedna istotna różnica między średnimi, bez konieczności przeprowadzania wielu indywidualnych testów.
Uwaga: Przy wielu testach t parami wzrasta ryzyko przypadkowych trafień.
Interpretacja
Test t pokazuje brak statystycznie istotnej różnicy między średnimi czasami przetwarzania lokalizacji DLZ Północ i DLZ Wschód. Wartość p jest powyżej 0,05, więc hipoteza zerowa jest utrzymana.
→ Brak różnicy średnich; preferuj ANOVA dla więcej niż dwóch lokalizacji.
Wskaźnik sprzedaży według regionu
W sprzedaży oferty dla klientów są przetwarzane przez dwa zespoły. Należy zbadać, czy średni czas realizacji (DLT) różni się między Zespołem A a Zespołem B.
Interpretacja
Test t pokazuje brak statystycznie istotnej różnicy w średnim czasie realizacji między dwoma zespołami. Wartość p jest powyżej 0,05, więc hipoteza zerowa jest utrzymana.
→ Oba zespoły przetwarzają oferty równie szybko średnio.
Czas dostawy po centrum logistycznym
W dziale logistyki zamówienia klientów są kompletowane i wysyłane. Aby zwiększyć wydajność, wprowadzono nowe wózki widłowe. Należy zbadać, czy średni czas dostawy (w godzinach) zmniejszył się po wprowadzeniu. Analiza jest przeprowadzana jako jednostronny test t (kierunek „większy”).
H₀: μPrzed − μPo = 0 | H₁: μPrzed − μPo > 0
Interpretacja
Jednostronny test t wykazuje statystycznie istotną różnicę (t = 3.29; p = 0.001). Średni czas dostawy przed wprowadzeniem jest znacząco wyższy niż po.
→ Nowe wózki widłowe znacząco skróciły średni czas dostawy.
Porównanie dostawców
W zakupach komponenty są pozyskiwane od dwóch dostawców. Należy zbadać, czy średni wskaźnik odrzutów na dostawę różni się między Dostawcą A a Dostawcą B (mierzony w %).
Uwaga: Test t zakłada w przybliżeniu normalnie rozłożone, ciągłe dane. Wartości procentowe mogą być dyskretne; przy małych ilościach dostaw założenie o normalnym rozkładzie może być naruszone. Przy większych ilościach dostaw test t jest zazwyczaj nieproblematyczny w praktyce.
Interpretacja
Test t pokazuje statystycznie istotną różnicę w średnim wskaźniku odrzutów między dostawcami (p < 0,05). Hipoteza zerowa jest odrzucona.
→ Dostawca A ma lepszy (niższy) wskaźnik odrzutów.
Odchylenie prognozy
W planowaniu produkcji tworzone są prognozy zapotrzebowania na różne okresy planowania. Aby ocenić jakość prognozy, oblicza się odchylenie prognozy. Badane jest, czy średnie odchylenie prognozy różni się między krótkoterminowymi a długoterminowymi okresami planowania:
- Krótkoterminowy horyzont: n = 30, średnia = 0,0 %, odchylenie standardowe = 1,5 %
- Długoterminowy horyzont: n = 30, średnia = 0,0 %, odchylenie standardowe = 3,8 %
Interpretacja
Test t dla dwóch niezależnych próbek pokazuje, że średnie odchylenia prognozy nie różnią się statystycznie istotnie. Ponieważ wartość p jest powyżej 0,05, hipoteza zerowa nie jest odrzucana.
→ Brak różnicy w średnim odchyleniu prognozy między krótkoterminowym a długoterminowym.
t-wartość: Statystyka testu t. Stosunek obserwowanej różnicy średnich do zmienności danych.
p-wartość: Wynik testu hipotezy. Podstawa decyzji między H₀ a H₁.
α = Poziom istotności: Ustalona prawdopodobieństwo błędu (zwykle 0,05).
H₀ (Hipoteza zerowa): Średnie obu grup są równe.
H₁ (Hipoteza alternatywna): Średnie obu grup różnią się.
df = Stopnie swobody: Wyprowadzone z rozmiarów próbek obu grup.
Przedział ufności: Zakres wartości, który zawiera prawdziwą różnicę średnich z wybranym poziomem ufności.
Dwustronny / jednostronny: Wskazuje, czy różnica jest testowana w obu kierunkach, czy tylko w jednym.