Hypotesprövningskalkylator: så beräknar du z-test och t-test för hand
En hypotesprövningskalkylator kontrollerar om stickprovsdata ger tillräckligt starka bevis för att förkasta ett påstående om en population, genom att omvandla en nollhypotes och en alternativhypotes till en enda testvariabel och ett p-värde som du kan jämföra med en signifikansnivå. Elever tar till en hypotesprövningskalkylator när en läxuppgift frågar om en fabriks genomsnittliga fyllvikt har drivit iväg, om en ny undervisningsmetod faktiskt höjer provresultaten eller om en omgjord webbplats verkligen ökade konverteringsgraden. Den här guiden bygger upp z-test- och t-test-varianterna av hypotesprövning från grunden, går igenom fullständigt lösta exempel för ett-stickprovs z-test och t-test och förklarar ensidiga kontra tvåsidiga test, kritiska värden, p-värden samt typ I- och typ II-fel, så att du förstår exakt vad en hypotesprövningskalkylator räknar ut innan du litar på dess svar.
Innehåll
- 01Vad är en hypotesprövningskalkylator?
- 02Hur väljer en hypotesprövningskalkylator mellan ett z-test och ett t-test?
- 03Hur beräknar du ett ett-stickprovs z-test steg för steg?
- 04Hur beräknar du ett ett-stickprovs t-test steg för steg?
- 05Vad är skillnaden mellan ett ensidigt och ett tvåsidigt test?
- 06Vad är typ I- och typ II-fel, och varför spelar de roll?
- 07Vilka misstag bör du undvika när du använder en hypotesprövningskalkylator?
- 08Övningsuppgifter i hypotesprövning med lösningar
- 09Vad mer undrar elever om hypotesprövningskalkylatorer?
- 10Mer hjälp med läxor i hypotesprövning
Vad är en hypotesprövningskalkylator?
En hypotesprövningskalkylator tar emot stickprovsdata, ett påstått populationsvärde och en signifikansnivå och returnerar sedan en testvariabel, ett p-värde och ett beslut om huruvida påståendet ska förkastas. Varje hypotestest börjar med två konkurrerande påståenden: nollhypotesen (H0), som representerar det befintliga påståendet eller status quo, och alternativhypotesen (Ha), som representerar det du misstänker faktiskt kan vara sant. En hypotesprövningskalkylator bevisar aldrig att H0 är sann — den mäter bara om bevisen i stickprovet är tillräckligt starka för att förkasta H0 till förmån för Ha, eller för svaga för att motivera den slutsatsen.
Ett hypotestest bevisar aldrig att nollhypotesen är sann. Det avgör bara om bevisen i stickprovet är tillräckligt starka för att förkasta den.
Hur väljer en hypotesprövningskalkylator mellan ett z-test och ett t-test?
Varje hypotesprövningskalkylator behöver samma grundläggande indata — ett påstått populationsvärde, en stickprovsstatistika, ett spridningsmått och en stickprovsstorlek — men vilken formel den använder beror på ett avgörande faktum: om populationens standardavvikelse är känd.
1. Använd ett z-test när populationens standardavvikelse (σ) är känd
Det inträffar när ett påstående kommer med ett historiskt eller teoretiskt σ, ofta från en stor befintlig datamängd — till exempel en tillverkare med flera års kvalitetskontrolldata för en produkts vikt. Testvariabel: z = (x̄ − μ0) ÷ (σ ÷ √n), där x̄ är stickprovsmedelvärdet, μ0 är det påstådda populationsmedelvärdet och n är stickprovsstorleken.
2. Använd ett t-test när bara stickprovets standardavvikelse (s) är känd
Det här är den överlägset vanligaste situationen i verkligheten, eftersom populationens standardavvikelse sällan är känd i förväg. Testvariabel: t = (x̄ − μ0) ÷ (s ÷ √n), med frihetsgrader df = n − 1. T-fördelningen är bredare och flackare än normalfördelningen för små stickprov, vilket gör det svårare att nå signifikans — ett inbyggt straff för den extra osäkerhet som ligger i att skatta σ från själva stickprovet.
3. Varför du ändå bör lära dig den manuella metoden
Läxor och prov kräver nästan alltid hela uppställningen — att ange H0 och Ha, beräkna testvariabeln term för term och jämföra den med ett kritiskt värde eller p-värde — inte bara en slutgiltig decimal. En hypotesprövningskalkylator är snabbast för att kontrollera ett svar, men de manuella stegen nedan är det som faktiskt ger poäng och bygger den intuition som behövs för senare ämnen som konfidensintervall och ANOVA.
Hur beräknar du ett ett-stickprovs z-test steg för steg?
Här är ett fullständigt löst exempel med ett påstående som kan kontrolleras mot en känd populationsstandardavvikelse.
1. Ange hypoteserna och samla in data
Ett flingföretag påstår att dess paket i genomsnitt innehåller 500 g, och historiska kvalitetskontrolldata visar en populationsstandardavvikelse på σ = 12 g. En kvalitetsinspektör tar ett stickprov på n = 36 paket och finner ett stickprovsmedelvärde på x̄ = 495 g. H0: μ = 500 (den genomsnittliga fyllvikten stämmer med påståendet). Ha: μ ≠ 500 (den genomsnittliga fyllvikten skiljer sig från påståendet). Det här är ett tvåsidigt test eftersom oron gäller varje avvikelse, inte bara underfyllnad. Testa vid α = 0.05.
2. Beräkna testvariabeln z
z = (x̄ − μ0) ÷ (σ ÷ √n) = (495 − 500) ÷ (12 ÷ √36) = −5 ÷ (12 ÷ 6) = −5 ÷ 2 = −2.5.
3. Hitta det kritiska värdet och p-värdet
För ett tvåsidigt test vid α = 0.05 är de kritiska z-värdena ±1.96. P-värdet är 2 × P(Z ≤ −2.5) = 2 × 0.0062 ≈ 0.0124.
4. Fatta beslutet och tolka det
Eftersom |z| = 2.5 överstiger 1.96 (motsvarande att p ≈ 0.0124 är mindre än α = 0.05) förkastas H0. Stickprovet ger statistiskt signifikanta bevis för att den genomsnittliga fyllvikten skiljer sig från de påstådda 500 g. En hypotesprövningskalkylator skulle ge exakt samma z = −2.5 och p ≈ 0.0124 direkt, men nu kan du själv verifiera varje mellansteg.
z = (x̄ − μ0) ÷ (σ ÷ √n). Med x̄ = 495, μ0 = 500, σ = 12 och n = 36 blir z = −2.5, vilket till beloppet överstiger det kritiska värdet 1.96 — förkasta H0.
Hur beräknar du ett ett-stickprovs t-test steg för steg?
När populationens standardavvikelse är okänd är processen nästan identisk, men den använder stickprovets standardavvikelse och t-fördelningen i stället för normalfördelningen.
1. Ange hypoteserna och samla in data
Ett läxhjälpsföretag påstår att dess program förbättrar provresultaten med mer än 8 poäng i genomsnitt. Ett stickprov på n = 15 elever visar en genomsnittlig förbättring på x̄ = 8.9 poäng med en stickprovsstandardavvikelse på s = 2.1 poäng. H0: μ = 8 (den sanna genomsnittliga förbättringen är 8 poäng). Ha: μ > 8 (den sanna genomsnittliga förbättringen är större än 8 poäng). Det här är ett ensidigt (högersidigt) test eftersom företaget bara påstår en förbättring på mer än 8. Testa vid α = 0.05.
2. Beräkna testvariabeln t
t = (x̄ − μ0) ÷ (s ÷ √n) = (8.9 − 8) ÷ (2.1 ÷ √15) = 0.9 ÷ (2.1 ÷ 3.873) = 0.9 ÷ 0.5422 ≈ 1.660.
3. Hitta det kritiska värdet och p-värdet
Frihetsgrader: df = n − 1 = 15 − 1 = 14. För ett ensidigt test vid α = 0.05 med df = 14 är det kritiska t-värdet ungefär 1.761. Att slå upp t ≈ 1.660 med df = 14 ger ett ensidigt p-värde på ungefär 0.059.
4. Fatta beslutet och tolka det
Eftersom t ≈ 1.660 inte överstiger det kritiska värdet 1.761 (motsvarande att p ≈ 0.059 är större än α = 0.05) kan H0 inte förkastas. Det här stickprovet på 15 elever ger inte tillräckligt starka bevis, på 5-procentsnivån, för att den sanna genomsnittliga förbättringen överstiger 8 poäng — även om stickprovsmedelvärdet 8.9 i sig ser lovande ut.
t = (x̄ − μ0) ÷ (s ÷ √n). Med x̄ = 8.9, μ0 = 8, s = 2.1 och n = 15 blir t ≈ 1.660 med df = 14 — under det kritiska värdet 1.761, så vi kan inte förkasta H0.
Vad är skillnaden mellan ett ensidigt och ett tvåsidigt test?
Valet mellan ett ensidigt och ett tvåsidigt test beror helt på hur alternativhypotesen är formulerad, och att välja fel ändrar både det kritiska värdet och slutsatsen.
1. Tvåsidiga test letar efter vilken skillnad som helst
Ha: μ ≠ μ0 delar upp förkastningsområdet i båda svansarna av fördelningen, så bevis i endera riktningen (för högt eller för lågt) kan leda till att H0 förkastas. Exemplet med flingpaketen ovan är tvåsidigt eftersom en avvikelse i endera riktningen — överfyllnad eller underfyllnad — spelar roll för inspektören.
2. Ensidiga test letar efter en skillnad i en bestämd riktning
Ha: μ > μ0 eller Ha: μ < μ0 lägger hela förkastningsområdet i en enda svans, vilket gör det lättare att nå signifikans i den riktningen men innebär att bevis i motsatt riktning aldrig kan leda till att H0 förkastas, hur extrema de än är.
3. Ett löst exempel: vänstersidigt z-test
En tillverkare påstår att dess glödlampor håller i minst 1000 timmar i genomsnitt, med ett känt σ = 50 timmar. Ett stickprov på n = 40 lampor har en genomsnittlig livslängd på x̄ = 985 timmar. H0: μ = 1000. Ha: μ < 1000 (vänstersidigt, eftersom oron gäller lampor som håller kortare än påstått). z = (985 − 1000) ÷ (50 ÷ √40) = −15 ÷ 7.906 ≈ −1.897. Det vänstersidiga kritiska värdet vid α = 0.05 är −1.645. Eftersom z ≈ −1.897 är mer extremt än −1.645 (p ≈ 0.0289 < 0.05) förkastas H0 — stickprovet tyder på att lamporna i genomsnitt håller kortare än de påstådda 1000 timmarna.
Ett tvåsidigt test delar α mellan båda svansarna (±1.96 vid α = 0.05); ett ensidigt test lägger hela α i en svans (±1.645 vid α = 0.05), vilket gör det lättare att upptäcka en effekt enbart i den förutsagda riktningen.
Vad är typ I- och typ II-fel, och varför spelar de roll?
Inget hypotestest är någonsin helt säkert, och att förstå de två sätt som det kan bli fel på är lika viktigt som att beräkna testvariabeln rätt.
1. Typ I-fel: att förkasta en sann H0
Ett typ I-fel uppstår när testet förkastar H0 trots att H0 faktiskt är sann — ett falskt positivt resultat. Med flingpaketsexemplet skulle ett typ I-fel innebära slutsatsen att den genomsnittliga fyllvikten har drivit bort från 500 g när den i själva verket inte har gjort det. Sannolikheten för ett typ I-fel är lika med signifikansnivån α, och därför innebär valet α = 0.05 att du accepterar upp till 5 % risk för den här typen av falskt alarm.
2. Typ II-fel: att inte förkasta en falsk H0
Ett typ II-fel uppstår när testet inte förkastar H0 trots att H0 faktiskt är falsk — en missad upptäckt. I exemplet med läxhjälpsprogrammet skulle ett typ II-fel innebära slutsatsen att programmet inte höjer resultaten med mer än 8 poäng när det faktiskt gör det, kanske för att stickprovsstorleken 15 var för liten för att upptäcka en verklig men måttlig effekt. Sannolikheten för ett typ II-fel betecknas β, och 1 − β kallas testets styrka.
3. Avvägningen mellan de två feltyperna
Att sänka α för att göra typ I-fel mindre sannolika (säg från 0.05 till 0.01) gör testet mer konservativt, vilket i stället höjer risken för ett typ II-fel. Att öka stickprovsstorleken är i allmänhet det bästa sättet att minska båda felriskerna samtidigt, eftersom ett större n krymper medelfelet och gör verkliga effekter lättare att upptäcka utan att α behöver luckras upp.
Typ I-fel: att förkasta en sann H0 (ett falskt alarm), med sannolikheten α. Typ II-fel: att inte förkasta en falsk H0 (en missad effekt), med sannolikheten β.
Vilka misstag bör du undvika när du använder en hypotesprövningskalkylator?
De här felen dyker upp hela tiden i bedömda statistikläxor, oavsett om beräkningen görs för hand eller kontrolleras mot en hypotesprövningskalkylator efteråt.
1. Att använda ett z-test när σ är okänt
Om populationens standardavvikelse inte anges direkt (och inte kan antas utifrån en stor historisk datamängd) ska du i stället använda ett t-test med stickprovets standardavvikelse. Att stoppa in en stickprovsstandardavvikelse i z-formeln underskattar den sanna osäkerheten, särskilt för små stickprov.
2. Att välja fel svansriktning
Att matcha Ha mot påståendets faktiska formulering spelar roll: 'större än' eller 'mer än' betyder ett högersidigt test, 'mindre än' betyder ett vänstersidigt test, och 'skiljer sig från' eller 'inte lika med' betyder tvåsidigt. Att använda ett tvåsidigt kritiskt värde för ett ensidigt påstående (eller tvärtom) ändrar både det kritiska värdet och slutsatsen.
3. Att misstolka p-värdet som sannolikheten att H0 är sann
Ett litet p-värde betyder att de observerade data skulle vara osannolika om H0 vore sann — det anger inte direkt sannolikheten att H0 i sig är sann eller falsk. Håll den villkorade formuleringen ('sannolikheten för dessa data, givet H0') i minnet när du skriver en slutsats.
4. Att behandla 'kan inte förkastas' som 'bevisat sant'
Att inte kunna förkasta H0 betyder bara att stickprovet inte gav tillräckligt med bevis mot den — det bevisar aldrig att H0 är sann. Ett större stickprov, eller ett annat stickprov, kan fortfarande leda till att H0 förkastas för samma underliggande population.
Övningsuppgifter i hypotesprövning med lösningar
Arbeta igenom de här tre uppgifterna från lättast till svårast. Försök med var och en innan du läser lösningen, och jämför sedan din uppställning med de steg som visas.
1. Uppgift 1 (nybörjare): tvåsidigt z-test
Ett juiceföretag påstår att dess flaskor i genomsnitt innehåller 16 oz, med en känd populationsstandardavvikelse på σ = 0.5 oz. Ett stickprov på n = 25 flaskor har ett medelvärde på 15.8 oz. Testa vid α = 0.05 om det sanna medelvärdet skiljer sig från 16 oz. Lösning: z = (15.8 − 16) ÷ (0.5 ÷ √25) = −0.2 ÷ 0.1 = −2.0. De kritiska värdena vid α = 0.05 (tvåsidigt) är ±1.96. Eftersom |z| = 2.0 > 1.96 förkastas H0 — p ≈ 2 × (1 − 0.9772) = 0.0456, vilket är mindre än 0.05 och bekräftar samma slutsats.
2. Uppgift 2 (medelsvår): ensidigt t-test
En träningsapp påstår att användarna i genomsnitt förbränner mer än 300 kalorier per pass. Ett stickprov på n = 20 pass har x̄ = 310 kalorier och s = 25 kalorier. Testa vid α = 0.05, högersidigt. Lösning: t = (310 − 300) ÷ (25 ÷ √20) = 10 ÷ 5.590 ≈ 1.789. df = 19, och det kritiska t-värdet vid α = 0.05 (ensidigt) är ungefär 1.729. Eftersom t ≈ 1.789 > 1.729 förkastas H0 — stickprovet stöder påståendet att den genomsnittliga kaloriförbränningen överstiger 300, med p ≈ 0.045.
3. Uppgift 3 (avancerad): tvåsidigt t-test med strängare α
Ett kafé påstår att dess genomsnittliga väntetid är 4 minuter. Ett stickprov på n = 10 kunder har x̄ = 4.6 minuter och s = 0.9 minuter. Testa vid α = 0.01 om den sanna genomsnittliga väntetiden skiljer sig från 4 minuter. Lösning: t = (4.6 − 4) ÷ (0.9 ÷ √10) = 0.6 ÷ 0.2846 ≈ 2.108. df = 9, och det kritiska t-värdet vid α = 0.01 (tvåsidigt) är ungefär ±3.250. Eftersom |t| ≈ 2.108 är mindre än 3.250 (p ≈ 0.064, långt över 0.01) kan H0 inte förkastas — det här stickprovet ger inte tillräckligt starka bevis på 1-procentsnivån för att den sanna genomsnittliga väntetiden skiljer sig från 4 minuter.
Vad mer undrar elever om hypotesprövningskalkylatorer?
Det här är de frågor som oftast dyker upp i samband med läxor och tentaplugg i hypotesprövning.
1. Vad är skillnaden mellan ett z-test och ett t-test i en hypotesprövningskalkylator?
Ett z-test kräver en känd populationsstandardavvikelse och använder normalfördelningen; ett t-test använder i stället stickprovets standardavvikelse och bygger på t-fördelningen, som är bredare för små stickprov för att ta hänsyn till den extra osäkerheten i att skatta σ. När stickprovsstorleken blir stor (ungefär n ≥ 30) närmar sig t-fördelningen normalfördelningen, och de två testen ger nästan identiska resultat.
2. Kan en hypotesprövningskalkylator hantera andelar i stället för medelvärden?
Ja — ett z-test för en andel följer samma logik men använder z = (p̂ − p0) ÷ √[p0(1 − p0) ÷ n], där en stickprovsandel p̂ jämförs med en påstådd populationsandel p0 i stället för att jämföra stickprovets och populationens medelvärden.
3. Betyder 'kan inte förkasta H0' samma sak som 'acceptera H0'?
Nej. Att inte kunna förkasta H0 betyder att stickprovet inte gav tillräckligt med bevis för att förkasta påståendet — det bevisar aldrig att påståendet är sant. Statistiker undviker medvetet uttrycket 'acceptera H0' av just den anledningen och håller sig i stället till 'kan inte förkasta'.
4. Hur väljer jag signifikansnivå (α) för ett hypotestest?
α = 0.05 är standardvalet i de flesta kurser och balanserar risken för typ I- och typ II-fel. Områden där ett falskt positivt resultat är särskilt kostsamt, som kliniska läkemedelsprövningar, använder ofta ett strängare α = 0.01, medan viss explorativ forskning använder ett mer tillåtande α = 0.10.
Mer hjälp med läxor i hypotesprövning
När du väl känner dig bekväm med att ange H0 och Ha, välja mellan ett z-test och ett t-test och jämföra din testvariabel med ett kritiskt värde eller p-värde blir hypotesprövningsuppgifter en fråga om noggrann uppställning snarare än en mystisk formel. Öva med en blandning av ensidiga och tvåsidiga frågor, eftersom prov ofta förväntar sig att du känner igen vilket som gäller enbart utifrån hur påståendet är formulerat. Om du kör fast i uppställningen av en viss uppgift eller vill dubbelkolla en handräkning kan Solvifys steg-för-steg-lösare gå igenom samma formel som visas i den här guiden — testvariabeln, det kritiska värdet eller p-värdet och det slutgiltiga beslutet — så att du ser exakt var din egen uppställning avviker från den korrekta.
Innan du tar till en hypotesprövningskalkylator: skriv ner H0, Ha och om testet är ensidigt eller tvåsidigt — det enda beslutet avgör både ditt kritiska värde och din slutsats.
Relaterade artiklar
Chi-kvadrat-räknare: hur man beräknar chi-kvadrat-test för hand
Ett annat hypotestest, byggt för kategoriska antalsdata i stället för de numeriska medelvärden som används i z-test och t-test.
Konfidensintervall för en andel: formel, steg och exempel
Konfidensintervall och hypotestest delar samma formler för medelfel — se hur ett intervall för en andel hänger ihop med ett z-test för en andel.
ANOVA-kalkylator: steg-för-steg-guide till envägs-ANOVA-testet
Ett naturligt nästa steg efter ett hypotestest med två stickprov när du ska jämföra tre eller fler gruppmedelvärden samtidigt.
Relaterade matematiklösare
Steg-för-steg-lösningar
Få varje steg i ett hypotestest tydligt redovisat — testvariabeln, det kritiska värdet eller p-värdet och det slutgiltiga beslutet.
Smart Scan-lösare
Ta ett foto av en uppgift i hypotesprövning och få en direkt, fullständigt löst lösning.
AI-mattehandledare
Ställ följdfrågor om z-test, t-test, p-värden eller typ I- och typ II-fel tills polletten trillar ner.