#Pr.c.5 #H0:mu = 10 #H1:mu se nerovna 10 X <- c(10.24,10.12,9.91,10.19,9.78,10.14,9.86,10.17,10.05) #X... hladina etalonu M <- mean(X) S <- sd(X) mu <- 10 n <- length(X) alpha <- 0.05 #Kritickym oborem (t0 <- (M-mu)/(S/sqrt(n))) #realizace testovaci statistiky -qt(1-alpha/2,n-1) #hranice kritickeho oboru qt(1-alpha/2,n-1) #druha hranice kritickeho oboru #W=(-inf ; -2.3> v <2.3 ; inf) # t0 nenalezi do W, tedy H0 nezamitame na hladine vyznamnosti alpha=0.05. #IS (dh<-M-S/sqrt(n)*qt(1-alpha/2,n-1)) #dolni hranice IS (hh<-M-S/sqrt(n)*qt(alpha/2,n-1)) #horni hranice IS #IS=(9.926 ; 10.17615); 10 nalezi do IS, tedy H0 nezamitame na hladine vyznamnosti alpha=0.05. #p-hodnota 2*min(c(pt(t0,n-1),1-pt(t0,n-1))) #p-hodnota pro oboustrannou alternativu #p-val = 0.3735 > 0.05 (alpha), tedy H0 nezamitame na hladine vyznamnosti alpha=0.05. #INTERPRETACE: Odchylky od hodnoty 10 lze vysvetlit pusobenim nahodnych vlivu. #--------------------------------------------------------------------------------------------------------- #Pr.c.8 #H0:mu1-mu2 = 0 #H1:mu1-mu2 se nerovna 0 X <- c(62,54,55,60,53,58) #prirustky selat krmenych dietou c.1 Y <- c(52,56,49,50,51,50) # prirustky selat krmenych dietou c.2 Z <- X-Y #rozdily mezi prirusty prvni a druhe skupiny #H0:mu_Z = #H1:mu_Z se nerovna 0 M <- mean(Z) S <- sd(Z) mu <- 0 n <- length(Z) alpha <- 0.05 #Kriticky obor (t0<-(M-mu)/(S/sqrt(n))) #realizace testovaci statistiky -qt(1-alpha/2,n-1) #hranice kritickeho oboru qt(1-alpha/2,n-1) #druha hranice kritickeho oboru #W=(-inf ; -2.57> v <2.57 ; inf) #t0 nalezi do W, tedy H0 zamitame na hladine vyznamnosti alpha=0.05. #IS (dh<-M-S/sqrt(n)*qt(1-alpha/2,n-1)) #dolni hranice IS (hh<-M-S/sqrt(n)*qt(alpha/2,n-1)) #horni hranice IS #IS=(0.626 ; 10.70687); 0 nenalezi do IS, tedy H0 zamitame na hladine vyznamnosti alpha=0.05. #p-hodnota 2*min(pt(t0,n-1),1-pt(t0,n-1)) #p-val = 0.03418 < 0.05 (alpha), tedy H0 zamitame na hladine vyznamnosti alpha=0.05. #INTERPRETACE: Mezi vykrmnymi dietami c.1 a c.2 existuje vyznamny rozdil.