Ciele

  1. Naučiť sa aplikovať jednovýberový test zhody strednej hodnoty μ so známou konštantou μ0, pričom smerodajnú odchýlku σ poznáme.
  2. Naučiť sa aplikovať jednovýberový test zhody strednej hodnoty μ so známou konštantou μ0, pričom smerodajnú odchýlku σ nepoznáme.
  3. Naučiť sa aplikovať jednovýberový test zhody rozptylu σ2 so známou konštantou σ20.
  4. Naučiť sa aplikovať dvojvýberový test zhody dvoch rozptylov σ21 a σ22.
  5. Naučiť sa aplikovať dvojvýberový test zhody dvoch stredných hodnôt μ1 a μ2, pričom smerodajné odchýlky σ1 a σ2 poznáme.
  6. Naučiť sa aplikovať dvojvýberový test zhody dvoch stredných hodnôt μ1 a μ2, pričom smerodajné odchýlky σ1 a σ2 nepoznáme a platí σ1=σ2.
  7. Naučiť sa aplikovať dvojvýberový test zhody dvoch stredných hodnôt μ1 a μ2, pričom smerodajné odchýlky σ1 a σ2 nepoznáme a platí σ1σ2.
  8. Naučiť sa aplikovať párový test zhody stredných hodnôt μ1 a μ2.

Úvod

    V tejto časti sa budeme zaoberať aplikáciou výberových štatistík pri porovnávaní niektorého parametra základného štatistického súboru s nejakou konkrétnou číselnou hodnotou a tiež pri porovnávaní parametrov toho istého druhu v dvoch rôznych základných súboroch, ktoré majú normálne rozdelenie.

    Teraz uvedieme základné pojmy testovania štatistických hypotéz.
    Tvrdenia, týkajúce sa rozdelenia (jeho parametrov alebo jeho tvaru) náhodných veličín, sa nazývajú štatistickými hypotézami. Postup, ktorým overujeme či daná hypotéza platí alebo nie, sa nazýva testom štatistickej hypotézy. Hypotézu, ktorej platnosť overujeme, nazývame nulovou hypotézou (testovanou hypotézou) a označujeme ju H0. Proti testovanej hypotéze postavíme tzv. alternatívnu hypotézu (alternatívu), ktorú označujeme H1.
    Test nulovej hypotézy H0 proti alternatíve H1 je postupom, ktorý na základe náhodného výberu z daného rozdelenia a na zvolenej hladine významnosti α (t. j. so zvolenou spoľahlivosťou 1α) vedie buď k zamietnutiu nulovej hypotézy (t. j. k prijatiu alternatívy) alebo k nezamietnutiu nulovej hypotézy (t. j. k zamietnutiu alternatívy).
    Tvar nulovej hypotézy je napr. H0:Q=Q0, resp. H0:QQ0=0 (odtiaľ pochádza jej názov), pričom Q je parameter základného súboru a Q0 je konkrétna konštanta.

    V praxi sa proti nulovej hypotéze stavajú obvykle tieto tri typy alternatívnych hypotéz:
    • Pravostranná: H1:Q> Q0, ktorá vymedzuje obor hodnôt parametra Q napravo od hodnoty Q0.
    • Ľavostranná: H1:Q< Q0, ktorá vymedzuje obor hodnôt parametra Q naľavo od hodnoty Q0.
    • Obojstranná: H1:Q Q0, ktorá sa od predchádzajúcich jednostranných alternatívnych hypotéz líši tým, že len popiera platnosť nulovej hypotézy.

    K testu nulovej hypotézy proti alternatíve použijeme testovaciu štatistiku (charakteristiku). Testovacia štatistika G je konkrétna funkcia náhodného výberu, ktorá má pre každú hypotézu H0 a H1 špeciálny tvar a rozdelenie pravdepodobnosti. Štatistika G sa nazýva aj testovacím kritériom.
    Obor hodnôt, ktorý môže štatistika G nadobudnúť, rozdelíme na dva disjunktné intervaly: na obor Kα, ktorý sa nazýva kritickým oborom (kritickou oblasťou, oblasťou zamietnutia H0) a na obor doplnkový. Kritická oblasť Kα je určená kvantilom testovacej charakteristiky G.
    Ak hodnota testovacej charakteristiky G, vypočítaná z výberových hodnôt, padne do kritickej oblasti Kα, zamietame testovanú hypotézu H0, t. j. prijímame alternatívnu hypotézu H1. Ak hodnota testovacej charakteristiky G nepadne do kritickej oblasti Kα, testovanú hypotézu H0 nezamietame. Hovoríme o teste hypotézy H0 založenom na kritickom obore Kα.
    Pretože testovanú nulovú hypotézu H0 prijímame alebo zamietame na základe výsledkov získaných náhodným výberom, môže byť jej prijatie alebo zamietnutie správne alebo nesprávne.
    Nesprávne zamietnutie testovanej hypotézy H0, t. j. nesprávne prijatie alternatívnej hypotézy H1 nazývame chybou prvého druhu (je to vlastne hladina významnosti α). K tejto chybe dochádza vtedy, keď hodnota testovacej charakteristiky padne do kritickej oblasti, ale pritom v skutočnosti platí hypotéza H0.
    Nesprávne prijatie testovanej hypotézy H0, t. j. jej nezamietnutie v prípade, že platí alternatívna hypotéza H1 nazývame chybou druhého druhu. K tejto chybe dochádza vtedy, keď hodnota testovacej charakteristiky nepadne do kritickej oblasti a pritom v skutočnosti platí hypotéza H1.

    Pri testovaní štatistických hypotéz je vhodné dodržiavať túto postupnosť krokov:
    1. Formulácia hypotéz H0 a H1.
    2. Voľba hladiny významnosti α.
    3. Výpočet hodnoty testovacej charakteristiky G na základe daných hodnôt náhodného výberu.
    4. Určenie kritickej oblasti Kα.
    5. Vyhodnotenie testu, ktoré spočíva buď v zamietnutí H0, a teda prijatí H1 alebo v prijatí H0.

Postup

  1. Jednovýberový Y-test zhody strednej hodnoty μ so známou konštantou μ0, pričom smerodajnú odchýlku σ poznáme

    Predpokladáme, že náhodná premenná X základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ a σ, t. j. Xnorm(μ,σ), pričom hodnotu σ poznáme. Nech n je rozsah náhodného výberu a ˉx je výberový priemer.
    Nulová hypotéza bude mať tvar H0:μ=μ0, kde μ0 je známa konštanta.
    Testovacia charakteristika Y=ˉxμ0σn má normované normálne rozdelenie pravdepodobnosti za predpokladu, že platí hypotéza H0.
    Kritická oblasť Kα je:

    • (y1α ;) pre H1:μ>μ0

    • ( ;y1α) pre H1:μ<μ0

    • ( ;y1α/2)(y1α/2 ;) pre H1:μμ0,

      kde yβ je β-kvantil normovaného normálneho rozdelenia pravdepodobnosti (viď predchádzajúce cvičenie 11).
    Poznámka:
    V praxi by sa mal vždy testovať aj predpoklad o normalite výberových súborov.
    Príklad:
    Pri tradičnom spôsobe opracovania strojových súčiastok sa dosahovali priemerné hodnoty 4,4 dôležitej kvalitatívnej vlastnosti so smerodajnou odchýlkou σ=0,4. Pokusne sa zavádza nová, lacnejšia metóda opracovania súčiastok, ktorou opracovali 20 súčiastok a boli dosiahnuté takéto výsledky: 4,5; 4,3; 4,1; 4,9; 4,6; 3,6; 4,7; 5,1; 4,8; 4,0; 3,7; 4,4; 4,9; 4,9; 5,2; 5,1; 4,7; 4,9; 4,6; 4,8. Na hladine významnosti α=0,05 otestujte hypotézu či nová metóda vedie k zvýšeniu hodnoty sledovanej kvalitatívnej vlastnosti. Predpokladáme normálne rozdelenie základného súboru, z ktorého bol realizovaný náhodný výber.
  2. Jednovýberový t-test zhody strednej hodnoty μ so známou konštantou μ0, pričom smerodajnú odchýlku σ nepoznáme

    Predpokladáme, že náhodná premenná X základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ a σ, t. j. Xnorm(μ,σ), pričom hodnotu σ nepoznáme. Nech n je rozsah náhodného výberu, ˉx je výberový priemer a s je výberová smerodajná odchýlka.
    Nulová hypotéza bude mať tvar H0:μ=μ0, kde μ0 je známa konštanta.
    Testovacia charakteristika t=ˉxμ0sn má Studentovo t-rozdelenie pravdepodobnosti s γ=n1 stupňami voľnosti za predpokladu, že platí hypotéza H0.
    Kritická oblasť Kα je:

    • (t1α,n1;) pre H1:μ>μ0

    • ( ;t1α,n1) pre H1:μ<μ0

    • ( ;t1α/2,n1)(t1α/2,n1 ;) pre H1:μμ0,

      kde tβ,n1 je β-kvantil Studentovho t-rozdelenia pravdepodobnosti s γ=n1 stupňami voľnosti.
    Príklad:
    Meral sa percentuálny obsah cínu vo vzorkách rudy. Výsledky sú v tabuľke: zi30354045505560657075ni4681525208752 Predpokladáme, že obsah cínu má normálne rozdelenie. Odborníci predpokladajú, že ruda obsahuje v priemere 50 % cínu. Na hladine významnosti α=0,05 overte túto hypotézu odborníkov.
  3. Jednovýberový χ2-test zhody rozptylu σ2 so známou konštantou σ20

    Predpokladáme, že náhodná premenná X základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ a σ, t. j. Xnorm(μ,σ). Nech n je rozsah náhodného výberu a s2 je výberový rozptyl.
    Nulová hypotéza bude mať tvar H0:σ2=σ20, kde σ20 je známa konštanta.
    Testovacia charakteristika χ2=n1σ20s2χ2-rozdelenie pravdepodobnosti (čítaj chíkvadrát) ) s γ=n1 stupňami voľnosti za predpokladu, že platí hypotéza H0.
    Kritická oblasť Kα je:

    • (χ21α,n1;) pre H1:σ2>σ20

    • (0 ;χ2α,n1) pre H1:σ2<σ20

    • (0 ;χ2α/2,n1 )(χ21α/2,n1 ;) pre H1:σ2σ20,

      kde χ2β,n1 je β-kvantil χ2-rozdelenia s γ=n1 stupňami voľnosti.
    Príklad:
    Presnosť nastavenia automatického obrábacieho stroja je charakterizovaná smerodajnou odchýlkou dĺžky súčiastok. Ak je táto hodnota väčšia ako 20 mm, automat treba znova nastaviť. Meranie kontrolných súčiastok dalo tieto výsledky v milimetroch: 792, 803, 790, 804, 801, 803, 798, 799, 806, 797, 802, 796, 802, 801, 798, 799, 806, 809, 797, 803. Posúďte či treba urobiť nové nastavenie, ak použijeme hladinu významnosti α=0,05. Predpokladáme normálne rozdelenie základného súboru, z ktorého bol realizovaný náhodný výber.
  4. Dvojvýberový F-test zhody dvoch rozptylov σ21 a σ22

    Predpokladáme, že náhodná premenná X1 jedného základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ1 a σ1, t. j. X1norm(μ1,σ1) a náhodná premenná X2 druhého základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ2 a σ2, t. j. X2norm(μ2,σ2).
    Nech sú dané dva nezávislé výbery z oboch základných súborov s rozsahmi n1 a n2, ktorých výberové rozptyly sú s21 a s22.
    Nulová hypotéza bude mať tvar H0:σ21=σ22.
    Testovacia charakteristika F=s21s22 má Fisherovo F-rozdelenie pravdepodobnosti s γ1=n11 a γ2=n21 stupňami voľnosti za predpokladu, že platí hypotéza H0.
    Kritická oblasť Kα je:

    • (F1α,γ1,γ2;) pre H1:σ21>σ22

    • (0 ;Fα,γ1,γ2) pre H1:σ21<σ22

    • (0 ;Fα/2,γ1,γ2)(F1α/2,γ1,γ2 ;) pre H1:σ21σ22,

      kde Fβ,γ1,γ2 je β-kvantil F-rozdelenia pravdepodobnosti s γ1=n11 a γ2=n21 stupňami voľnosti.
    Poznámka:
    Pre úsporu miesta sa v štandardných štatistických tabuľkách uvádzajú iba niektoré kvantily Fisherovho rozdelenia. Teda ak máme k dispozícii len takýto druh tabuliek, nenájdeniu niektorých kvantilov sa môžeme vyhnúť voľbou poradia premenných X1 a X2 tak, aby jednostranná alternatívna hypotéza mala tvar H1:σ21>σ22, resp. v prípade obojstrannej alternatívnej hypotézy zvolíme indexy 1 a 2 tak, aby platilo s1>s2, t. j. F>1. V prípade hľadania kvantilov napr. pomocou MATLABu nemáme žiadne obmedzenie.
    Príklad: Vážením sme získali údaje o presnom množstve automaticky balených výrobkov. Výsledky v gramoch pred nastavením baliaceho automatu sú: 243,2; 244,8; 253,1; 247,5; 251,0; 251,7; 254,0; 252,5; 252,8; 250,1; 247,3; 250,9; 253,2; 252,7. Výsledky v gramoch po nastavení baliaceho automatu sú: 250,4; 250,2; 251,1; 249,3; 249,9; 250,2; 251,1. Na hladine významnosti α=0,05 testujte hypotézu H0:σ21=σ22 proti H1:σ21>σ22. Predpokladáme normálne rozdelenie oboch základných súborov, z ktorých boli realizované náhodné výbery.
  5. Dvojvýberový Y-test zhody dvoch stredných hodnôt μ1 a μ2, pričom poznáme smerodajné odchýlky σ1 a σ2

    Predpokladáme, že náhodná premenná X1 jedného základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ1 a σ1, t. j. X1norm(μ1,σ1) a náhodná premenná X2 druhého základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ2 a σ2, t. j. X2norm(μ2,σ2), pričom hodnoty smerodajných odchýlok σ1 a σ2 poznáme.
    Nech sú dané dva nezávislé výbery z oboch základných súborov s rozsahmi n1 a n2, ktorých výberové priemery sú ˉx1 a ˉx2.
    Nulová hypotéza bude mať tvar H0:μ1=μ2.
    Testovacia charakteristika Y=ˉx1ˉx2n2σ21+n1σ22n1n2 má normované normálne rozdelenie pravdepodobnosti za predpokladu, že platí hypotéza H0.
    Kritická oblasť Kα je:

    • (y1α ;) pre H1:μ1>μ2

    • ( ;y1α) pre H1:μ1<μ2

    • ( ;y1α/2)(y1α/2 ;) pre H1:μ1μ2,

      kde yβ je β-kvantil normovaného normálneho rozdelenia pravdepodobnosti.
    Príklad:
    Prístroj meral dobu reakcie na svetelný signál v stotinách sekundy u desiatich náhodne vybraných vodičov z povolania, pričom bol zistený výberový priemer ˉx1=34 a tiež u dvadsiatich nových absolventov autoškoly, kde bol zistený výberový priemer ˉx2=42, pričom poznáme disperzie σ21=3 a σ22=6. Na hladine významnosti α=0,05 uvážte či doba reakcie na svetelný signál závisí od dĺžky praxe vodiča. Predpokladáme normálne rozdelenie oboch základných súborov, z ktorých boli realizované náhodné výbery.
  6. Dvojvýberový t-test zhody dvoch stredných hodnôt μ1 a μ2, pričom pre neznáme smerodajné odchýlky σ1 a σ2 platí σ1=σ2

    Predpokladáme, že náhodná premenná X1 jedného základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ1 a σ1, t. j. X1norm(μ1,σ1) a náhodná premenná X2 druhého základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ2 a σ2, t. j. X2norm(μ2,σ2), pričom hodnoty smerodajných odchýlok σ1 a σ2 nepoznáme, ale predpokladáme σ1=σ2.
    Poznámka: Predpoklad σ1=σ2 je potrebné overiť F-testom.
    Nech sú dané dva nezávislé výbery z oboch základných súborov s rozsahmi n1 a n2, ktorých výberové priemery sú ˉx1, ˉx2 a výberové rozptyly sú s21 a s22.
    Nulová hypotéza bude mať tvar H0:μ1=μ2.
    Ak je splnený predpoklad σ1=σ2, použijeme testovaciu charakteristiku t=ˉx1ˉx2(n11)s21+(n21)s22n1n2(n1+n22)n1+n2, ktorá má Studentovo t-rozdelenie pravdepodobnosti s γ=n1+n22 stupňami voľnosti za predpokladu, že platí hypotéza H0.
    Kritická oblasť Kα je:

    • (t1α,γ;) pre H1:μ1>μ2

    • ( ;t1α,γ) pre H1:μ1<μ2

    • ( ;t1α/2,γ)(t1α/2,γ ;) pre H1:μ1μ2,

      kde tβ,γ je β-kvantil Studentovho t-rozdelenia pravdepodobnosti s γ=n1+n22 stupňami voľnosti.
    Poznámka:
    Ak je n1>30 a tiež n2>30, tak môžeme použiť dvojvýberový Y-test (viď cieľ 5), kde položíme σ1s1 a σ2s2.
    Tento postup volíme vtedy, keď máme k dispozícii len klasické tabuľky, pretože pre veľké výberové súbory nie sú tabelované hodnoty kvantilov t-rozdelenia, t. j. v tomto prípade Studentovo rozdelenie aproximujeme normovaným normálnym rozdelením.
    Príklad:
    Jednou z rozhodujúcich vlastností pre akosť ľanového vlákna je hmotnosť stonky. Čím je stonka ťažšia, tým je vlákno kvalitnejšie. Aby sa preukázal vplyv istej metódy ošetrenia ľanu na akosť vlákna, bolo vykonaných 10 meraní na ošetrenom pozemku: 47,5; 57,7; 47,1; 38,8; 45,2; 49,8; 43,4; 50,8; 41,5; 38,8 a 12 meraní na kontrolnom neošetrenom pozemku: 49,2; 44,1; 44,1; 38,1; 40,9; 32,1; 36,8; 39,5; 67,2; 41,8; 46,9; 42,3. Za predpokladu normálneho rozdelenia hmotnosti stonky testujte hypotézu H0:μ1=μ2 proti hypotéze H1:μ1>μ2 na hladine významnosti α=0,05.
  7. Dvojvýberový t-test zhody dvoch stredných hodnôt μ1 a μ2, pričom pre neznáme smerodajné odchýlky σ1 a σ2 platí σ1σ2

    Predpokladáme, že náhodná premenná X1 jedného základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ1 a σ1, t. j. X1norm(μ1,σ1) a náhodná premenná X2 druhého základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ2 a σ2, t. j. X2norm(μ2,σ2), pričom hodnoty smerodajných odchýlok σ1 a σ2 nepoznáme, ale predpokladáme σ1σ2.
    Poznámka: Predpoklad σ1σ2 je potrebné overiť F-testom.
    Nech sú dané dva nezávislé výbery z oboch základných súborov s rozsahmi n1 a n2, ktorých výberové priemery sú ˉx1, ˉx2 a výberové rozptyly sú s21 a s22.
    Nulová hypotéza bude mať tvar H0:μ1=μ2.
    Ak nie je splnený predpoklad σ1=σ2, použijeme tzv. Welchov test a testovaciu charakteristiku t=ˉx1ˉx2s21n1+s22n2, ktorá má pri platnosti nulovej hypotézy t-rozdelenie pravdepodobnosti s γ stupňami voľnosti, pričom pre počet stupňov voľnosti platí vzťah γ=(s21n1+s22n2)2(s21n1)2n11+(s22n2)2n21.
    Poznámka: Počet stupňov voľnosti získame zaokrúhlením uvedeného výrazu.
    Kritická oblasť Kα je:

    • (t1α,γ;) pre H1:μ1>μ2

    • ( ;t1α,γ) pre H1:μ1<μ2

    • ( ;t1α/2,γ)(t1α/2,γ ;) pre H1:μ1μ2,

      kde tβ,γ je β-kvantil Studentovho t-rozdelenia pravdepodobnosti s γ stupňami voľnosti.
    Príklad:
    Vážením sme získali údaje o hmotnosti automaticky balených výrobkov. Výsledky v gramoch pred nastavením baliaceho automatu sú: 243,2; 244,8; 253,1; 247,5; 251,0; 251,7; 254,0; 252,5; 252,8; 250,1; 247,3; 250,9; 253,2; 252,7. Výsledky v gramoch po nastavení baliaceho automatu sú: 250,4; 250,2; 251,1; 249,3; 249,9; 250,2; 251,1. Na hladine významnosti α=0,05 zistite či sa stredná hodnota hmotnosti nastavením automatu nezmenila. Predpokladáme normálne rozdelenie oboch základných súborov, z ktorých boli realizované náhodné výbery.
  8. Párový t-test zhody dvoch stredných hodnôt μ1 a μ2

    Predpokladáme, že náhodná premenná X1 jedného základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ1 a σ1, t. j. X1norm(μ1,σ1) a náhodná premenná X2 druhého základného súboru má normálne rozdelenie pravdepodobnosti s parametrami μ2 a σ2, t. j. X2norm(μ2,σ2), pričom hodnoty smerodajných odchýlok σ1 a σ2 nepoznáme, ale predpokladáme σ1=σ2=σ.
    Ďalej predpokladáme, že máme dva spárované závislé výbery x1,1,x1,2,,x1,n a x2,1,x2,2,,x2,n rovnakého rozsahu n. To je situácia, ktorá nastane napr. vtedy, ak meriame objekt dvakrát (pred pokusom a po ňom) a chceme zistiť či mal pokus nejaký vplyv na meraný objekt.
    Z predpokladu normality dvojrozmerného rozdelenia vyplýva, že rozdiel náhodných veličín X1, X2, teda náhodná veličina D=X1X2 má normálne rozdelenie so strednou hodnotou μd=μ1μ2.

    Postupujeme tak, že najprv vypočítame rozdiely di=x1,ix2,i medzi párovými hodnotami, pre i=1,2,,n. Na vopred zvolenej hladine významnosti α môžeme namiesto hypotézy H0:μ1=μ2 ekvivalentne testovať nulovú hypotézu H0:μd=0 a pre túto použiť jednovýberový t-test strednej hodnoty (viď cieľ 2).
    Alternatívne hypotézy sú potom H1:μd>0, H1:μd<0 a H1:μd0.
    Poznámka:
    Aj keď bol párový t-test odvodený pre závislé výbery, nie je hrubou chybou jeho použitie aj pre nezávislé výbery s rovnakými rozsahmi, teda v situácii, keď by sa mal použiť dvojvýberový t-test. Ako sa uvádza v literatúre, dôjde len k menej efektívnemu spracovaniu informácie obsiahnutej vo výberových dátach.
    Príklad:
    V nasledujúcej tabuľke sú počty získaných bodov desiatich študentov z praktickej a teoretickej časti skúšky: \begin{array}{|c|c|c|c|c|c|c|c|c|c|c|} \hline \mathrm{Praktická\,časť}\a 28 \a 35 \a 32\a 15 \a 35\a 24 \a 29\a 19\a 21\a 12 \\ \hline \mathrm{Teoretická\,časť}\a 25 \a 35 \a 30 \a 11 \a 32 \a 28 \a 28\a 25\a 22 \a 11 \\ \hline \end{array} Na porovnanie týchto výsledkov aplikujte vhodný test. Použite hladinu významnosti \alpha =0{,}05. Predpokladáme normalitu rozdelenia výberových súborov.

Zdroje

  1. Ostertagová, E.: Aplikovaná štatistika. Equilibria, Košice, 2013, 218 s., ISBN 978-80-8143-067-1.
  2. Ostertagová, E.: Pravdepodobnosť a matematická štatistika v príkladoch. Elfa, Košice, 2005, 123 s., ISBN 80-8086-005-X.

Doplňujúce úlohy

    Úloha:
    Priemerná výška desaťročných chlapcov je 135,3 cm. U 14 chlapcov, ktorí navštevujú športovú školu, boli namerané tieto hodnoty výšky v cm: 136, 130, 151, 127, 133, 136, 139, 139, 141, 147, 139, 142, 140, 138. Na hladine významnosti \alpha =0{,}05 overte hypotézu, že výška chlapcov športovej školy sa štatisticky významne odlišuje od výšky 135,3 cm za predpokladu, že rozptyl výšky desaťročných chlapcov je \sigma^2=38{,}26 [\mathrm{cm^2}]. Predpokladáme normálne rozdelenie základného súboru, z ktorého bol realizovaný náhodný výber.
    Úloha:
    Systematická chyba meracieho prístroja sa eliminuje jeho nastavením a meraním etalónu, ktorého správnou nameranou hodnotou je \mu_0=10. Nezávislými meraniami za rovnakých podmienok boli získané tieto hodnoty: 10,24; 10,12; 9,91; 10,19; 9,78; 10,14; 9,86; 10,17; 10,05. Predpokladáme normálne rozdelenie základného súboru, z ktorého bol realizovaný náhodný výber. Je možné na hladine významnosti \alpha =0{,}05 vysvetliť odchýlky od hodnoty 10 náhodnými vplyvmi?
    Úloha:
    Podľa informácií výrobcu je variabilita životnosti ním vyrábaných obrazoviek vyjadrená smerodajnou odchýlkou 45 hodín. O životnosti náhodne vybraných 50 obrazoviek vyrobených u tohto výrobcu sú údaje v tabuľke:
    I_i n_i
    1860 - 1900 1
    1900 - 1940 4
    1940 - 1980 12
    1980 - 2020 14
    2020 - 2060 15
    2060 - 2100 3
    2100 - 2140 1
    Predpokladáme normálne rozdelenie základného súboru, z ktorého bol realizovaný náhodný výber. Testom na hladine významnosti \alpha =0{,}02 overte či sa dá prijať predpoklad, že je variabilita životnosti obrazoviek taká, ako tvrdí výrobca alebo taká nie je.
    Úloha:
    Zisťovalo sa či špeciálny prípravok pridaný do ocele zvyšuje jej pevnosť. Výsledky merania pri vzorkách, kde bol použitý prípravok: 6,2; 5,7; 5,6; 6,0; 6,3; 5,8; 5,7; 6,0; 6,0; 5,8. Výsledky merania pri vzorkách, kde nebol použitý prípravok: 5,6; 5,9; 5,8; 5,9; 5,7; 5,7; 6,0; 5,5; 5,7; 5,5. Na hladine významnosti \alpha =0{,}05 rozhodnite či sa disperzie oboch vzoriek významne líšia. Predpokladáme normálne rozdelenie oboch základných súborov, z ktorých boli realizované náhodné výbery.
    Úloha:
    Odberateľ dostáva žiarivky od dvoch dodávateľov A a B. Pri hodnotení kvality žiariviek sa sleduje tiež počet zapojení, ktoré žiarivky vydržia bez poškodenia. Skúšky výrobkov viedli k týmto výsledkom:
    Dodávateľ A: 2139, 2041, 1968, 1903, 1952, 1980, 2089, 1915, 2389, 2163, 2072, 1712, 2018, 1792, 1849.
    Dodávateľ B: 1947, 1602, 1906, 2031, 2072, 1812, 1942, 2074, 2132.
    Na hladine významnosti \alpha =0{,}05 overte hypotézu, že kvalita oboch dodávok je rovnaká. Predpokladáme normálne rozdelenie oboch základných súborov, z ktorých boli realizované náhodné výbery.
    Úloha:
    Pri antropologických meraniach obyvateľov Egypta bola okrem iného sledovaná šírka nosa v centimetroch u skupiny mužov vo veku 21 − 50 rokov zo severnej časti krajiny a u skupiny rovnako starých mužov z južnej časti. Výskum viedol k týmto výsledkom:
    Sever: 3,6; 4,1; 3,3; 3,4; 3,7; 3,1; 4,0; 4,0; 3,6; 3,0; 3,3; 3,7; 4,3; 3,3; 3,4; 3,4; 3,3; 3,6; 4,0; 3,4; 3,7.
    Juh: 4,1; 3,9; 4,0; 3,8; 4,1; 4,2; 3,8; 3,9; 3,8; 3,8; 4,0; 3,7; 3,9; 4,4; 3,7; 3,8; 3,9; 3,9; 4,0; 4,1; 3,8; 4,0; 4,3.
    Posúďte významnosť rozdielov vo výsledkoch meraní na hladine významnosti \alpha =0{,}05. Predpokladáme normálne rozdelenie oboch základných súborov, z ktorých boli realizované náhodné výbery.
    Úloha:
    Stanovenie thiocyanového iónu bolo paralelne realizované metódami A a B na 12 vzorkách s týmito výsledkami:
    Metóda A: 0,38; 0,56; 0,45; 0,49; 0,38; 0,41; 0,60; 0,36; 0,26; 0,41; 0,43; 0,40.
    Metóda B: 0,39; 0,58; 0,44; 0,52; 0,41; 0,45; 0,59; 0,37; 0,28; 0,42; 0,42; 0,38.
    Porovnajte obe metodiky otestovaním výsledkov. Zvoľte hladinu významnosti \alpha =0{,}05. Predpokladáme normálne rozdelenie oboch základných súborov, z ktorých boli realizované náhodné výbery.

Doplňujúce zdroje

  1. Bakytová, H., Ugron, M.: Príklady zo štatistických metód. Alfa, Bratislava, 1972, 289 s.
  2. Buša, J., Pirč, V., Schrötter, Š.: Numerické metódy, pravdepodobnosť a matematická štatistika. Elfa, Košice, 2006, 166 s., ISBN 80-8073-632-4.
  3. Daňo, I., Ostertagová, E.: Numerické metódy, pravdepodobnosť a matematická štatistika. Teória, riešené príklady a praktické aplikácie s MATLABom. Equilibria, Košice, 2011, 198 s., ISBN 978-80-89284-74-0.
  4. Gavalec, M., Kováčová, N., Ostertagová, E., Skřivánek, J: Pravdepodobnosť a matematická štatistika v počítačovom prostredí MATLABu. Elfa, Košice, 2002, 150 s., ISBN 80-89066-05-4.
  5. Markechová, D., Tirpáková, A., Stehlíková, B.: Základy štatistiky pre pedagógov, UKF v Nitre, 2011,205 s., ISBN 978-80-8094.
  6. Otipka, P., Šmajstrla, V.: Pravděpodobnost a statistika. TU, Ostrava, 2012, 269 s., ISBN 80-248-1194-4.