Test F-Snedecora

Panel wprowadzania danych – Test F-Snedecora

Tryb jasny

Metoda analityczna / Nazwa oznaczania: 0 / 150

Komentarz:

Wczytaj plik z testu F-Snedecora:

Sposób wprowadzania danych:

Surowe obserwacje (domyślne) Wpisujesz pojedyncze, niezależne pomiary obu prób – program sam policzy średnią, SD, wariancję i F. Właściwe, gdy chcesz ocenić rzeczywistą powtarzalność/precyzję na podstawie serii niezależnych oznaczeń. Statystyki podsumowujące (n + SD lub n + wariancja) Masz już policzone odchylenie standardowe (lub wariancję) i liczność każdej próby – typowy przypadek przy ocenie powtarzalności metody z dokumentacji walidacyjnej.

Data raportu:

Nazwa próby nr 1:

Nazwa próby nr 2:

Liczba pomiarów w próbie nr 1:

Liczba pomiarów w próbie nr 2:

Próby mogą mieć różną liczbę pomiarów – nie muszą się zgadzać. Każdy wiersz to jeden niezależny pomiar (bez uśredniania powtórzeń).

Hipoteza: Chcesz sprawdzić kierunek przeciwny (σ₁² < σ₂²)? Zamień, którą próbę wpisujesz jako „1", a którą jako „2" – to dokładnie ten sam test, tylko z odwróconymi etykietami. ⚠️ Kierunek testu jednostronnego wybieraj tylko, jeśli był ustalony przed zebraniem/zobaczeniem danych – nigdy na podstawie już posiadanych wyników.

Poziom istotności (α)

Jak działa test F-Snedecora?

Po co w ogóle to sprawdzać?

Test F-Snedecora sprawdza, czy dwie niezależne próby mają statystycznie istotnie różną zmienność (wariancję), a nie tylko różną średnią. Typowe zastosowania laboratoryjne: porównanie precyzji dwóch metod analitycznych, sprawdzenie, czy nowy analityk ma podobną powtarzalność co ten doświadczony, porównanie dwóch urządzeń pomiarowych, oraz walidacja metody. Test F bywa też krokiem pomocniczym przed wyborem wariantu testu t dla dwóch prób niezależnych (klasyczny test t wymaga, w przeciwieństwie do testu Welcha, zbliżonych wariancji obu grup).

Wzór

F = s 12 s 22, df 1 = n 1 - 1, df 2 = n 2 - 1

gdzie s₁² i s₂² to wariancje próbkowe obu prób (kwadraty odchyleń standardowych SD), a n₁, n₂ to ich liczności. W teście dwustronnym arkusz automatycznie umieszcza większą z dwóch wariancji w liczniku (dzięki temu F zawsze ≥ 1, zgodnie z powszechną konwencją i tablicami rozkładu F) – to, która próba (1 czy 2) faktycznie trafiła do licznika, jest zawsze jawnie podane w wyniku. W teście jednostronnym kolejność jest stała (próba 1 zawsze w liczniku) – przestawianie unieważniłoby kierunkowość takiego testu.

Test dwustronny czy jednostronny?

Test dwustronny (H₀: σ₁² = σ₂², H₁: σ₁² ≠ σ₂²) sprawdza, czy wariancje różnią się w dowolnym kierunku, i jest właściwym wyborem domyślnym, gdy nie ma z góry założonego kierunku różnicy – typowe pytanie: „czy te dwie metody/próbki mają podobną precyzję?”.

Test jednostronny (H₀: σ₁² ≤ σ₂², H₁: σ₁² > σ₂²) sprawdza różnicę tylko w jednym, wcześniej założonym kierunku – np. „czy metoda nr 1 ma gorszą precyzję (większą wariancję) niż referencyjna metoda nr 2?”. Test jednostronny ma większą moc wykrywania różnicy w tym kierunku, ale tylko wtedy, gdy kierunek został ustalony przed zebraniem danych.
Chcesz sprawdzić kierunek przeciwny (σ₁² < σ₂²)? Po prostu zamień, którą próbę wpisujesz jako „1”, a którą jako „2” – to dokładnie ten sam test, tylko z odwróconymi etykietami, więc arkusz świadomie nie duplikuje tej opcji pod inną nazwą.

Dwa sposoby wprowadzania danych

Surowe obserwacje – każda wartość to jeden niezależny pomiar (bez uśredniania powtórzeń analitycznych). Uśrednienie powtórzeń przed testem F zniekształciłoby wynik – test F ocenia właśnie zmienność (precyzję), a uśrednienie tę zmienność częściowo usuwa. Z tego samego powodu powtórzenia techniczne pojedynczej próbki (kilka odczytów tego samego przygotowanego roztworu) nie powinny wchodzić do testu F jako osobne, niezależne obserwacje – naruszałoby to założenie niezależności. Właściwym źródłem danych jest seria niezależnych oznaczeń (różne dni / różne przygotowania próbki / różni analitycy – w zależności od tego, jaką zmienność akurat badasz).

Statystyki podsumowujące – podajesz wprost n oraz SD (lub wariancję) każdej próby. Typowy przypadek, gdy ocena powtarzalności metody jest już gotowa w dokumentacji walidacyjnej (seria niezależnych oznaczeń CRM podsumowana do n i SD). Przełącznik SD/wariancja to wyłącznie kwestia interpretacji wpisywanej liczby – to dokładnie ten sam test.

Decyzja

Obliczoną wartość F porównuje się z wartością krytyczną F_crit(α, df₁, df₂) rozkładu F-Snedecora. Jeżeli F > F_crit (równoważnie: p < α) – różnicę wariancji uznaje się za statystycznie istotną. W przeciwnym razie nie ma podstaw, by odrzucić hipotezę zerową o równości (lub nieprzewyższaniu) wariancji.

Wykres rozkładu F w raporcie

Raport PDF automatycznie zawiera wykres gęstości rozkładu F (df₁, df₂), na którym zaznaczone są dwa obszary: krytyczny, odpowiadający założonemu z góry poziomowi istotności (próg decyzji ustalony przed policzeniem testu), oraz obszar odpowiadający wartości p wynikającej z analizowanych danych. Pod wykresem program dodaje krótki opis (1–3 zdania), tłumaczący wprost, co dokładnie widać na wykresie i jaki płynie z tego wniosek –.

Założenia testu

Obie próby pochodzą z (w przybliżeniu) rozkładu normalnego.
Pomiary w obrębie każdej próby, oraz między próbami, są niezależne od siebie.
Wariancje są dodatnie i skończone (test nie ma sensu dla próby o zerowym rozrzucie).
Zalecana liczebność próby to co najmniej n = 5 w każdej grupie – przy mniejszej liczbie pomiarów oszacowanie zmienności jest mało stabilne, a trudniej też ocenić, czy założenie normalności rozkładu w ogóle ma sens. Poniżej tego progu arkusz automatycznie pokazuje w raporcie dodatkowe ostrzeżenie.

Uwaga: test F jest wyraźnie bardziej wrażliwy na odstępstwa od normalności niż test t-Studenta – przy danych wyraźnie odbiegających od rozkładu normalnego (zwłaszcza przy małych próbach) wynik testu F może być mylący. W takiej sytuacji warto rozważyć test Levene'a w wariancie Browna-Forsythe'a (dostępny na platformie jako osobny moduł), mniej wrażliwy na brak normalności.

Wykluczanie wyników

W trybie surowych obserwacji wynik można wykluczyć znacznikiem „Wyklucz” – wymagany jest wtedy powód (np. „pęcherzyk powietrza w kuwecie”). Wykluczony wynik nie bierze udziału w obliczeniu SD, wariancji ani wartości F.

Źródła

Fisher, R.A. (1924). On a Distribution Yielding the Error Functions of Several Well Known Statistics. Proceedings of the International Congress of Mathematics, Toronto, 2, 805–813.
Snedecor, G.W., Cochran, W.G. (1989). Statistical Methods (8th ed.). Iowa State University Press.
PN-EN ISO 5725-2:2019 – Dokładność (poprawność i precyzja) metod pomiarowych i wyników pomiarów – Część 2: Podstawowa metoda określania powtarzalności i odtwarzalności znormalizowanej metody pomiarowej.