Z-Test Kalkulátor - Bezplatný Nástroj pro Statistickou Významnost

Co je z-test?

Z-test je statistický test, který zjišťuje, zda se průměr výběru statisticky významně liší od známého populačního průměru, pokud je směrodatná odchylka populace již známá. Výsledkem je jediné číslo, z-skóre, které ukazuje, kolik směrodatných odchylek leží výběrový průměr od průměru populace. Výzkumní pracovníci, inspektoři kvality a analytici jej používají k posouzení, zda je pozorovaný rozdíl pravděpodobně skutečný, nebo pouze výsledkem náhody.

Vzorec pro Z-test

Z-test vypočítá z-skóre podle tohoto vzorce, tedy testové statistiky pro případ, kdy je směrodatná odchylka známa, jak ji uvádí příručka NIST/SEMATECH e-Handbook of Statistical Methods:

$Z = \dfrac{\bar{x} - \mu}{\sigma / \sqrt{n}}$

• $\bar{x}$ je výběrový průměr
• $\mu$ je průměr populace
• $\sigma$ je směrodatná odchylka populace
• $n$ je velikost výběru

Spodní část vzorce, $\sigma / \sqrt{n}$, se nazývá směrodatná chyba. Vyjadřuje, do jaké míry se mají výběrové průměry lišit pouze v důsledku náhodného výběru.

Jak vypočítat z-test krok za krokem

1. Z nasbíraných údajů určete výběrový průměr ($\bar{x}$).
2. Určete známý průměr populace ($\mu$).
3. Určete známou směrodatnou odchylku populace ($\sigma$).
4. Spočítejte velikost výběru ($n$).
5. Od $\bar{x}$ odečtěte $\mu$.
6. Vydělte $\sigma$ druhou odmocninou z $n$ a získáte směrodatnou chybu.
7. Výsledek kroku 5 vydělte výsledkem kroku 6. Výsledkem je z-skóre.

Praktický příklad

Továrna uvádí, že její šrouby mají průměrnou délku 10 cm a směrodatnou odchylku populace 0,2 cm. Inspektor změří 100 šroubů a zjistí výběrový průměr 10,05 cm.

• $\bar{x} = 10.05$
• $\mu = 10$
• $\sigma = 0.2$
• $n = 100$

Směrodatná chyba: $0.2 / \sqrt{100} = 0.2 / 10 = 0.02$

Z-skóre: $(10.05 - 10) / 0.02 = 0.05 / 0.02 = 2.5$

Z-skóre je 2,5. Výběrový průměr leží 2,5 směrodatné chyby nad průměrem populace.

Jak interpretovat z-skóre

Z-skóre blízké hodnotě 0 znamená, že výběrový průměr je blízko průměru populace. Velké kladné nebo záporné z-skóre znamená, že výběrový průměr je od průměru populace daleko, což poukazuje na skutečný rozdíl, nikoli na náhodu.

Běžné kritické hodnoty normálního rozdělení pro oboustranný test:

• α = 0,10 (90 % hladina spolehlivosti): z = ±1,645
• α = 0,05 (95 % hladina spolehlivosti): z = ±1,96
• α = 0,01 (hladina spolehlivosti 99 %): z = ±2,576

Pokud vypočtené z-skóre překročí kritickou hodnotu pro zvolenou hladinu významnosti, výsledek se označuje za statisticky významný a nulová hypotéza (že žádný rozdíl neexistuje) se zamítá.

V uvedeném příkladu je z = 2,5 mimo hodnotu ±1,96, takže rozdíl je statisticky významný na hladině 0,05. Oboustranná p-hodnota pro z = 2,5 je přibližně 1,24 %, což znamená, že pravděpodobnost pozorování takto velkého rozdílu je přibližně 1 ku 80, pokud by skutečná průměrná délka šroubu byla skutečně 10 cm.

Kdy použít z-test

Z-test je vhodný, když:

• Směrodatná odchylka populace je známá.
• Velikost výběru je dostatečně velká, obvykle větší než 30.
• Údaje pocházejí z náhodného výběru.
• Populace má normální rozdělení nebo je výběr dostatečně velký, aby bylo možné použít centrální limitní větu.

Pokud směrodatná odchylka populace není známá nebo je výběr malý, používá se místo něj t-test. T-test odhaduje variabilitu přímo z výběru a zohledňuje dodatečnou nejistotu, kterou to způsobuje.

Z-test versus t-test

Oba testy měří, jak daleko je výběrový průměr od očekávané hodnoty, v jednotkách směrodatné chyby. Z-test předpokládá, že směrodatná odchylka populace je známa. T-test tuto hodnotu odhaduje z výběru a používá širší rozdělení závislé na velikosti výběru, které zohledňuje vyšší nejistotu. V praxi se t-test používá častěji. NIST označuje případ, kdy je třeba směrodatnou odchylku odhadnout z dat, za typičtější.

Praktické použití z-testu

• Kontrola kvality: ověřování, zda dávka vyrobených součástí odpovídá cílové specifikaci.
• Lékařský výzkum: porovnávání průměrného výsledku skupiny léčených osob se známou hodnotou populace.
• Vzdělávání: porovnávání výsledků testů třídy s celostátním průměrem.
• Finance: ověřování, zda se výnosy fondu liší od průměrného výnosu srovnávacího ukazatele.

Dějiny

Normální rozdělení, na kterém z-test stojí, popsal Abraham de Moivre, který jej v roce 1733 použil jako aproximaci binomického rozdělení. Carl Friedrich Gauss a Pierre-Simon Laplace teorii dále rozvinuli na počátku devatenáctého století, tedy brzy po roce 1800. Formální metody testování hypotéz, včetně použití z-skóre a kritických hodnot k posouzení statistické významnosti, vypracovali na počátku 20. století statistikové jako Ronald Fisher, Jerzy Neyman a Egon Pearson.

Často kladené otázky

Jaký je rozdíl mezi z-testem a t-testem?

Z-test vyžaduje známou směrodatnou odchylku populace a nejlépe funguje u velkých výběrů. T-test se používá, když směrodatná odchylka populace není známá a musí být odhadnuta na základě výběru; funguje u malých i velkých výběrů.

Jakou velikost výběru z-test potřebuje?

Běžným orientačním pravidlem je velikost výběru větší než 30. Pod touto hranicí jsou výsledky z-testu nespolehlivé a t-test je obvykle vhodnější.

Co znamená z-skóre 2,5?

Z-skóre 2,5 znamená, že výběrový průměr leží 2,5 směrodatné chyby nad průměrem populace. To je mimo oboustrannou kritickou hodnotu ±1,96 pro 95 % hladinu spolehlivosti, takže rozdíl je na této hladině statisticky významný. Oboustranná p-hodnota pro z = 2,5 je přibližně 1,24 %.

Co je p-hodnota v z-testu?

P-hodnota je pravděpodobnost získání výsledku přinejmenším stejně extrémního jako pozorovaný výsledek, pokud by ve skutečnosti neexistoval žádný rozdíl od průměru populace. Menší p-hodnota představuje silnější důkaz proti nulové hypotéze. P-hodnota nižší než 0,05 se běžně považuje za statisticky významnou.

Co je nulová hypotéza v z-testu?

Nulová hypotéza tvrdí, že mezi výběrovým průměrem a průměrem populace není žádný rozdíl. Z-test měří, jak silné důkazy výběr poskytuje proti tomuto tvrzení.

Lze z-test použít u malých výběrů?

Nedoporučuje se to. U malého výběru nebo neznámé směrodatné odchylky populace poskytuje t-test přesnější výsledky, protože zohledňuje dodatečnou nejistotu spojenou s odhadem variability z omezeného množství údajů.

Reference

1. National Institute of Standards and Technology. NIST/SEMATECH e-Handbook of Statistical Methods, oddíl 7.2.2 "Are the data consistent with the assumed process mean?". NIST e-Handbook 7.2.2 — z = (Ȳ − μ₀)/(σ/√N), pokud je směrodatná odchylka známa; odhad z dat je typičtější případ.
2. National Institute of Standards and Technology. NIST/SEMATECH e-Handbook of Statistical Methods, oddíl 1.3.6.7.1 "Cumulative Distribution Function of the Standard Normal Distribution". NIST e-Handbook 1.3.6.7.1 — kritické hodnoty 1,282, 1,645, 1,960, 2,326 a 2,576; plocha od 0 do 2,5 je 0,49379.
3. MacTutor History of Mathematics, University of St Andrews. Abraham de Moivre. MacTutor: Abraham de Moivre — de Moivre odvodil normální křivku v roce 1733 jako aproximaci binomického rozdělení.