T-Testi Hesaplama Aracı
Ham verilerden veya özet istatistiklerden tek örneklemli veya iki örneklemli t-testi hesaplayın. Değerlerinizi girin, alternatif hipotezi ve anlamlılık düzeyini seçin; t istatistiğini, serbestlik derecesini, p-değerini ve sonucu alın.
T-Testi Çalıştırın
T-Testi Formülü
Burada:
- \(\bar{x}\) — örneklem ortalaması
- \(\mu_0\) — H0 altındaki varsayılan kitle ortalaması
- \(s\) — örneklem standart sapması (paydada \(n - 1\) ile)
- \(n\) — örneklem büyüklüğü
- \(\bar{x}_1, \bar{x}_2\), \(s_1, s_2\), \(n_1, n_2\) — iki bağımsız örneklemin ortalamaları, standart sapmaları ve büyüklükleri
t istatistiği, örneklem ortalamasının H0 altında varsayılan değerden kaç standart hata uzakta olduğunu ölçer. p-değerini elde etmek için \(df\) serbestlik derecesine sahip Student t dağılımıyla karşılaştırılır: p-değeri, H0 doğru olsaydı en az bu kadar uçuk bir sonucu gözlemleme olasılığıdır. İki kuyruklu test için \(p = 2\,P(T_{df} \ge |t|)\); tek kuyruklu testlerde tek kuyruk kullanılır. İki örneklem için birleştirilmiş varyans seçeneği işaretlenirse, standart hata birleştirilmiş \(s_p^2\) varyansını kullanır ve \(df = n_1 + n_2 - 2\) olur.
T-Testi – Hesaplama Örneği
{shortcode_start}
Örnek: bir makinenin şişeleri 100 ml'ye kadar doldurması gerekiyor. On dolum hacmi ölçülüyor: 99,2; 98,7; 100,3; 101,1; 99,5; 98,9; 100,8; 99,6; 100,2; 97,9. Ortalama dolum, \(\alpha = 0.05\) düzeyinde 100 ml'den farklı mı? (Bunlar hesaplama aracının varsayılan değerleridir.)
\[ n = 10, \quad \bar{x} = \frac{996.2}{10} = 99.62, \quad s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n - 1}} \approx 0.994 \]
\[ t = \frac{99.62 - 100}{0.994/\sqrt{10}} = \frac{-0.38}{0.314} \approx -1.209, \quad df = 10 - 1 = 9 \]
\[ p = 2\,P(T_9 \ge |-1.209|) \approx 0.258 \]
Sonuç: \(t \approx -1.209\), \(df = 9\), \(p \approx 0.258\). \(p > 0.05\) olduğundan H0'ı reddedemeyiz: ortalama dolumun 100 ml'den farklı olduğuna dair istatistiksel olarak anlamlı bir kanıt yoktur.
{/shortcode_start}
T-Testi Hesaplama Aracı Nasıl Kullanılır
- Test ayarları altında Test türünü seçin: tek örneklemli (bir örneklem ortalamasını varsayılan bir değerle karşılaştırın) veya iki örneklemli (iki bağımsız örneklem ortalamasını karşılaştırın).
- Alternatif hipotezi (H1) seçin — iki kuyruklu (\(\neq\)), sağ kuyruklu (\(>\)) veya sol kuyruklu (\(<\)) — ve anlamlılık düzeyini (\(\alpha\)) belirleyin: 0,05, 0,01 veya 0,10.
- Tek örneklemli test için varsayılan ortalamayı (\(\mu_0\)) girin.
- İki örneklemli test için variance varsayımını seçin: Welch (eşit olmayan varyanslar, daha güvenli varsayılan) veya birleştirilmiş (eşit varyanslar).
- Giriş modunu ayarlayın. Ham veri ile değerlerinizi örneklem verisi alanına (iki örneklemli testte ayrıca 2. örneklem verisi alanına) boşluklar, noktalı virgüller veya satır sonlarıyla ayırarak yapıştırın. Özet istatistikler ile her örneklem için ortalama, standart sapma ve örneklem büyüklüğünü girin.
- t istatistiğini, serbestlik derecesini, p-değerini ve H0'ın seçtiğiniz \(\alpha\) düzeyinde reddedilip edilmediğini belirten Sonucu okuyun.
T-Testi Nedir ve Sonuç Nasıl Yorumlanır
t-testi, kitle standart sapmasının bilinmediği ve örneklemden tahmin edilmesi gerektiği durumlarda bir ortalamayı (veya iki ortalama arasındaki farkı) iddia edilen bir değerle karşılaştıran istatistiksel bir hipotez testidir. Bu, bilimde, kalite kontrolünde, tıpta ve A/B testlerinde küçük veri setleriyle karşılaşılan tipik durumdur. Elde edilen t istatistiği, gözlenen farkı standart hata birimleriyle ifade eder; sıfırdan uzak değerler, verinin sıfır hipoteziyle çeliştiğini düşündürür.
p-değeri şu soruyu yanıtlar: sıfır hipotezi doğru olsaydı, gözlenenden en az kadar uçuk bir sonuç alma olasılığı nedir? Küçük bir p-değeri, verinin H0 altında şaşırtıcı olacağı anlamına gelir ve buna karşı kanıt sağlar. Geleneksel olarak, \(p \le \alpha\) olduğunda (genellikle 0,05) sonuç istatistiksel olarak anlamlı kabul edilir ve H0 reddedilir. Büyük bir p-değeri H0'ın doğru olduğunu kanıtlamaz — yalnızca buna karşı yeterli kanıt olmadığı anlamına gelir.
Kuyruk yönünü araştırma sorunuza göre seçin. İki kuyruklu test herhangi bir farkı araştırır (\(\mu \ne \mu_0\)). Sağ kuyruklu test ortalamanın varsayılan değerden büyük olup olmadığını, sol kuyruklu test ise küçük olup olmadığını sorar. Tek kuyruklu testler seçilen yönde daha güçlüdür, ancak gerekçelendirilmeleri veriye bakmadan önce yapılmış olmalıdır — sonradan kuyruk değiştirmek yanlış pozitif oranını şişirir.
İki bağımsız örneklem için hesaplama aracı varsayılan olarak Welch testini sunar. Bu test eşit varyanslar varsaymaz ve serbestlik derecesi için Welch–Satterthwaite yaklaşımını kullanır; iki örneklemin farklı yayılım veya büyüklükleri olduğunda bu daha güvenilirdir. Birleştirilmiş sürüm, yalnızca kitlelerin eşit varyanslara sahip olduğuna inanılıyorsa uygundur.
Varsayımlar, Sınırlamalar ve Pratik İpuçları
- Normallik: t-testi, temeldeki kitlein (veya artıkların) kabaca normal dağıldığını varsayar. Küçük örneklemelerde histogram veya normallik grafiği kontrol edin; büyük örneklemelerde (kabaca \(n \ge 30\)), merkezi limit teoremi testi orta düzeydeki normallikten sapmalara karşı dayanıklı kılar. Aykırı değerler içeren aşırı çarpık veriler için parametrik olmayan bir alternatif gerekir.
- Bağımsızlık: gözlemler birbirinden bağımsız olmalıdır. Eşleştirilmiş veya tekrarlı ölçüm verileri (aynı deneklerde öncesi/sonrası) iki örneklemli testle analiz edilmemelidir — bunun yerine farklar üzerinde tek örneklemli bir test kullanın.
- Örneklem büyüklüğü: her örneklemde en az 2 değer gerekir ve değerlerin tamamı özdeş olmamalıdır (SS = 0). Küçük örneklemeler geniş belirsizlik verir; bu yüzden anlamsız bir sonuç yalnızca düşük güç yansıtıyor olabilir — bir çalışma planlarken Örneklem Büyüklüğü Hesaplama Aracı'na bakın.
- Anlamlılık ile önem: çok küçük bir p-değeri yalnızca farkın sıfır olma olasılığının düşük olduğunu söyler, farkın büyük veya pratikte anlamlı olduğunu değil. Her zaman etki büyüklüğünü raporlayın ve ortalama farkın makul aralığını görmek için testi bir Güven Aralığı Hesaplama Aracı ile tamamlayın.
- Ham veri ile özet istatistikler: ham veri, hesaplama aracının ortalama ve SS'yi sizin için hesaplamasına izin verir (\(n-1\) paydalı); özet modu, yayınlanmış sonuçları okurken kullanışlıdır. Tek tek değerleri kontrol etmek için Standart Sapma Hesaplama Aracı ve (bilinen \(\sigma\) veya büyük örneklemeler için) Z-Skoru Hesaplama Aracı faydalı yardımcılardır.
Sıkça Sorulan Sorular
İyi veya anlamlı bir t istatistiği değeri nedir?
Evrensel bir "iyi" t-değeri yoktur — anlamı serbestlik derecesine ve testinizin tek mi iki mi kuyruklu olduğuna bağlıdır. Kabaca, 20 serbestlik derecesi civarında ±2,09'u aşan iki kuyruklu bir t değeri \(\alpha = 0.05\) düzeyinde anlamlıdır. Daha büyük \(|t|\) değerleri sıfır hipotezine karşı daha güçlü kanıt gösterir. Anlamlılığı her zaman yalnızca t istatistiğine değil, p-değerine göre değerlendirin.
t istatistiğini elle nasıl hesaplarım?
Tek örneklemli test için örneklem ortalamasından varsayılan ortalamayı çıkarın, ardından standart hataya \(s/\sqrt{n}\)'ye bölün. Önce ortalamayı, sonra \(n-1\) paydalı örneklem standart sapmasını hesaplayın. Örneğin \(\bar{x} = 12\), \(\mu_0 = 10\), \(s = 3\), \(n = 9\) ise: \(t = (12-10)/(3/\sqrt{9}) = 2\). p-değerini elde etmek için \(df = n-1\) serbestlik derecesine sahip t dağılımıyla karşılaştırın.
Tek kuyruklu mu iki kuyruklu mu t-testi kullanmalıyım?
Herhangi bir fark önemli olduğunda (yüksek veya düşük) iki kuyruklu test kullanın. Tek kuyruklu testi yalnızca veri toplamadan önce yönlü bir tahmin belirttiyseniz kullanın — örneğin "yeni ilaç tansiyonu düşürüyor" gibi. Sonucu gördükten sonra kuyruk seçmek yanlış pozitif oranını yapay olarak şişirir. Şüphedeyseniz, iki kuyruklu test çoğu araştırma ortamında tutumlu ve yaygın kabul gören seçenektir.
t-testi ile z-testi arasındaki fark nedir?
z-testi, kitle standart sapması \(\sigma\) bilindiğinde veya örneklemeler çok büyük olduğunda kullanılır; t-testi ise \(\sigma\)'nın örneklemden tahmin edilmesi gerektiğinde, yani ekstra bir belirsizlik eklendiğinde kullanılır. t dağılımının kuyrukları normal dağılımdan daha ağırdır, özellikle serbestlik derecesi azken. \(n\) büyüdükçe (kabaca 30'un üzerine çıktıkça) iki test neredeyse aynı sonuçları verir.
Eşleştirilmiş veya öncesi/sonrası verilerle t-testi kullanabilir miyim?
Normal bir iki örneklemli test olarak kullanılmaz. Eşleştirilmiş ölçümler — örneğin aynı kişilerde tedavi öncesi ve sonrası tansiyon — bağımsızlık varsayımını ihlal eder. Bunun yerine her denek için farkı hesaplayın ve bu farklar üzerinde ortalamalarının sıfıra eşit olup olmadığını test eden tek örneklemli bir t-testi uygulayın. Eşleştirilmiş verilerde bağımsız iki örneklemli test kullanmak genellikle istatistiksel gücü kaybettirir.
p-değerim neden diğer yazılımlardan biraz farklı?
Küçük farklılıklar genellikle girdilerdeki yuvarlamadan veya farklı varyans varsayımlarından kaynaklanır. Diğer aracın birleştirilmiş varyansları kullanıp bunun Welch kullanmadığını ya da varsayılan olarak eşit varyansları varsayıp varsaymadığını kontrol edin (Excel'in T.TEST'i tip 2'de bunu yapar). Standart sapmayı girmeden önce daha az ondalığa yuvarlamak da t istatistiğini ve p-değerini belirgin şekilde kaydırabilir; bu yüzden tam hassasiyeti girin.
Bir t-testinin geçerli olması için kaç gözlem gerekir?
Teknik olarak test en az 2 gözlemle çalışır, ancak çok küçük örneklemeler düşük güce sahiptir ve normallikten sapmalara duyarlıdır. \(n \ge 30\) olduğunda merkezi limit teoremi, çarpık verilerde bile testi oldukça dayanıklı kılar. Planlama için gereken örneklem büyüklüğü, tespit etmek istediğiniz etki büyüklüğüne, anlamlılık düzeyine ve istenen güce bağlıdır — doğru seçim için bir güç analizi yapılır.