Premièrement, le problème

Deux groupes des échantillons des deux groupes, respectivement. Déterminer si le prix de ces deux échantillons convient.
Deuxièmement, la solution

Appelez la fonction T.Test pour vérifier T:

Code

& GT; T. ratng (x, y)

Par défaut, T.Test suppose que les données ne sont pas jumelées. Si observé est connecté (c'est-à-dire que chaque xi correspond à Yi), jumelé = TRUE:

Code

& GT; T.test (x, y, joint = vrai)

Quel que soit le cas, T. Vérifiez le calcul de la valeur AP. En général, si la valeur p est inférieure à 0,05, il est considéré comme une différence significative; Si la valeur p est supérieure à 0,05, on peut considérer que la différence est négligeable:

Si le petit échantillon, il doit alors être une distribution normale. Les petits points sont généralement inférieurs à 20 points de données ici.

Si les deux variantes globales sont cohérentes, elle doit être définie sur un test ingrat (note:Cette déclaration n'a pas été remplie)

.

. ] . Utilisez souvent T test T pour voir rapidement s'il y a une différence de valeur moyenne de deux infirmières. Cela nécessite un grand échantillon et les observations ne doivent pas être inférieures à 20 ou totalement comme une distribution normale. "Distribution normale" n'est pas nécessaire ici. La distribution des données est probablement un type d'horloge. Un problème important ici est observé dans des données appariées, ce qui conduira à différentes conclusions. Supposons que nous voulions savoir si vous pouvez boire du café le matin pour augmenter les résultats du SAT. Nous avons deux méthodes de test: Sélectionnez un groupe de personnes.je. Laissez-les participer à l'examen SAT, boire du café une fois le matin et pas de café. Les gens auront deux points SAT. C'est un couple observé. Sélectionnez au hasard deux groupes de personnes. Un groupe de personnes buvant du café dans la matinée pour participer aux tests SAT. Un autre groupe a effectué directement le test. Les gens auront une classe, mais ces réalisations ne sont pas des paires. Des statistiques, ces deux expériences sont complètement différentes. Dans la première expérience, tout le monde a deux gros plan (café buvant et buvant du café), ces deux personnes ne sont pas indépendantes des statistiques. Dans Experiment 2, les données sont indépendantes. Si les résultats de l'observation (expériences 1) ont été analysés de manière incorrecte en raison d'observations non-couples (expériences 2), la valeur P était de 0,9867: ] & GT; T. TEST (X, Y) WELCH Deux modèles T-TEST Données: x et y T = -0.0166, DF = 198, P-Value = 0,9867 HypothèseRemplacement: la différence réelle des véhicules n'est pas égale à 0 Échantillon estimé: Moyenne de x Trungs la moyenne de y 501.200650 501.4565 P est relativement vaste et il n'y a pas de différence significative entre les deux groupes. Données similaires, mais maintenant, nous mettons la forme en paires: & gt; T.TEST (x, y, couplé = true) T = -2.3636, DF = 99, P-Valeur = 0, 02005 : la différence réelle de moyens: la différence réelle dans les véhicules n'est pas égale à 0 95% Intervalle de confiance: -0.4702824 -0.0410375 Valeur p est d'environ 0,02005, nous avons été exactement L'opposé. Conclure. 43] Si l'ensemble n'est pas une distribution normale (Bell) ou un échantillon trop petit, il ne convient pas d'utiliser T test T. Dans ce cas, vous pouvez envisager de vérifier Wilcoxon-mann-whitny et la fonction correspondante LWilcox.test.