क्रिटिकल वैल्यू कैलकुलेटर

क्रिटिकल वैल्यू कैलकुलेटर

अग्रणी AI Skill PRO

गणना दर्ज करें

सूत्र (फॉर्मूला)

zα/2=Φ−1(1−α2)जहाँα=100−कॉन्फिडेंस लेवल (%)100\begin{gathered} z_{\alpha/2} = \Phi^{-1}\!\left(1 - \tfrac{\alpha}{2}\right) \\[1.5em] \text{जहाँ}\quad \alpha = \frac{100 - \text{कॉन्फिडेंस लेवल (\%)}}{100} \end{gathered}
उपयोग आँकड़े

विज्ञापन

परिणाम

क्रिटिकल वैल्यू
± 1.96
कॉन्फिडेंस लेवल 95%
वितरण प्रकार Normal (Z)
स्वतंत्रता की कोटि 30
अल्फा (α) 0.05

इस पेज पर त्रुटि की रिपोर्ट करें

यह क्रिटिकल वैल्यू कैलकुलेटर क्या करता है

यह कैलकुलेटर किसी सांख्यिकीय परिकल्पना परीक्षण (hypothesis test) या कॉन्फिडेंस इंटरवल के लिए ज़रूरी क्रिटिकल वैल्यू निकालता है। क्रिटिकल वैल्यू किसी प्रायिकता वितरण पर वह कट-ऑफ बिंदु होता है जो उस क्षेत्र को अलग करता है जहाँ आप नल हाइपोथेसिस (null hypothesis) को खारिज करते हैं, उस क्षेत्र से जहाँ आप उसे स्वीकार रखते हैं। पुरानी सांख्यिकीय तालिकाओं को खंगालने की बजाय, आप बस कुछ जानकारी दर्ज करते हैं और normal (Z), Student's t, chi-square (χ²) या F वितरण के लिए सटीक मान पा जाते हैं।

घंटी के आकार का बंटन वक्र, जिसकी छायांकित पुच्छें क्रांतिक मान और अस्वीकृति क्षेत्र दर्शाती हैं
क्रांतिक मान किसी बंटन की पुच्छों में अस्वीकृति क्षेत्रों की सीमाएँ तय करते हैं।

इनपुट को समझें

  • कॉन्फिडेंस लेवल (%) – जैसे 95। यह टूल इसे महत्व स्तर (significance level) अल्फा में बदल देता है: \(\alpha = \frac{100 - \text{कॉन्फिडेंस लेवल}}{100}\)। 95% लेवल से \(\alpha = 0.05\) मिलता है।
  • वितरण प्रकार – Normal (Z), Student's t, Chi-square (χ²) या F में से चुनें।
  • स्वतंत्रता की कोटि (Degrees of Freedom) – t, chi-square और F के लिए आवश्यक। F के लिए यह न्यूमरेटर (numerator) की स्वतंत्रता की कोटि है।
  • स्वतंत्रता की कोटि (डिनॉमिनेटर) – केवल F वितरण में इस्तेमाल होती है।

इसके पीछे का सूत्र

यह कैलकुलेटर चुने गए वितरण के व्युत्क्रम संचयी वितरण फलन (inverse cumulative distribution function, यानी क्वांटाइल फलन) का उपयोग करता है:

  • Normal और t (दो-पुच्छीय / two-tailed): क्रिटिकल वैल्यू \(= |\text{inverseCDF}(\alpha / 2)|\)। यहाँ \(\alpha\) दोनों पुच्छों (tails) में बँट जाता है।
  • Chi-square और F (दाएँ-पुच्छीय / right-tailed): क्रिटिकल वैल्यू \(= \text{inverseCDF}(1 - \alpha)\), यानी पूरा \(\alpha\) ऊपरी पुच्छ में रखा जाता है।
विज्ञापन
चार बंटन वक्रों के आकार की तुलना: सामान्य, t, काई-वर्ग और F
अलग-अलग परीक्षण बंटनों से क्रांतिक मान के अलग-अलग आकार बनते हैं।

हल किया हुआ उदाहरण

मान लीजिए आप 95% कॉन्फिडेंस लेवल पर 20 स्वतंत्रता की कोटि के साथ एक दो-पुच्छीय t-test चलाते हैं। \(\alpha = (100 - 95) / 100 = 0.05\), इसलिए \(\alpha / 2 = 0.025\)। कैलकुलेटर 20 df वाले t-वितरण के लिए 0.025 पर inverse CDF निकालता है और उसका निरपेक्ष मान (absolute value) देता है, जिससे क्रिटिकल वैल्यू लगभग 2.086 आती है। यदि आपका टेस्ट स्टैटिस्टिक का परिमाण 2.086 से अधिक है, तो आप नल हाइपोथेसिस को खारिज कर देते हैं।

10 df के साथ 95% पर chi-square परीक्षण के लिए, यह \(\text{inverseCDF}(0.95) \approx\) 18.31 निकालता है।

विज्ञापन
घंटी वक्रों पर एक-पुच्छीय बनाम द्वि-पुच्छीय परीक्षण के छायांकित क्षेत्र
एक-पुच्छीय और द्वि-पुच्छीय परीक्षण अल्फा क्षेत्र को अलग-अलग जगह रखते हैं।

आपके महत्वपूर्ण मान की व्याख्या

महत्वपूर्ण मान अस्वीकृति क्षेत्र की सीमा है — वितरण के क्षैतिज अक्ष पर वह बिंदु जिसके आगे एक परीक्षण सांख्यिकी को आपके चुने गए महत्व स्तर \(\alpha\) पर केवल संयोग को जिम्मेदार नहीं ठहराया जा सकता है।

निर्णय नियम

  1. द्विपक्षीय Z या t परीक्षण। शून्य परिकल्पना \(H_0\) को अस्वीकृत करें जब \(|\text{परीक्षण सांख्यिकी}| \ge\) महत्वपूर्ण मान; अन्यथा अस्वीकृत करने में विफल रहें। अस्वीकृति क्षेत्र दोनों पूंछें हैं, प्रत्येक में क्षेत्र \(\alpha/2\) है।
  2. एकपक्षीय Z या t परीक्षण। दाएं-पूंछ वाली वैकल्पिक परिकल्पना के लिए, अस्वीकृत करें जब सांख्यिकी \(\ge +\) महत्वपूर्ण मान; बाएं-पूंछ वाली वैकल्पिक परिकल्पना के लिए, अस्वीकृत करें जब सांख्यिकी \(\le -\) महत्वपूर्ण मान। एकल पूंछ पूर्ण क्षेत्र \(\alpha\) रखती है।
  3. ची-वर्ग और F परीक्षण। इन्हें ऊपरी-पूंछ परीक्षणों के रूप में उपयोग किया जाता है: \(H_0\) को अस्वीकृत करें जब सांख्यिकी ऊपरी महत्वपूर्ण मान से अधिक हो, अन्यथा अस्वीकृत करने में विफल रहें। दोनों सांख्यिकी गैर-ऋणात्मक हैं, और बड़े मान शून्य परिकल्पना से अधिक विचलन का अर्थ देते हैं।

समतुल्य p-मान नियम

एक सांख्यिकी की महत्वपूर्ण मान से तुलना करना और एक p-मान की \(\alpha\) से तुलना करना एक ही निर्णय के दो विवरण हैं, और वे हमेशा सहमत होते हैं:

$$\text{अस्वीकृत करें } H_0 \iff |T| \ge c_{\alpha} \iff p \le \alpha$$

यह इसलिए सत्य है क्योंकि महत्वपूर्ण मान \(c_{\alpha}\) को उस सांख्यिकी के रूप में परिभाषित किया जाता है जिसकी पूंछ की संभावना बिल्कुल \(\alpha\) है। \(T = c_{\alpha}\) पर p-मान बिल्कुल \(\alpha\) के बराबर है; पूंछ में आगे की सांख्यिकी का p-मान छोटा होता है, और केंद्र के करीब वाली सांख्यिकी का p-मान बड़ा होता है। उदाहरण के लिए, 95% आत्मविश्वास पर द्विपक्षीय z परीक्षण के साथ, \(z = 2.30\) 1.960 से अधिक है और इसका द्विपक्षीय p-मान लगभग 0.021 है, जो 0.05 से कम है — दोनों तरीकों से एक ही अस्वीकृति।

महत्वपूर्ण मान का आकार आपको क्या बताता है

  • एक बड़ा महत्वपूर्ण मान एक कठोर परीक्षण का अर्थ है। आत्मविश्वास स्तर को बढ़ाने से \(\alpha\) कम होता है और सीमा बाहर की ओर धकेली जाती है: 99% पर 2.576 बनाम 95% पर 1.960। 2.10 की सांख्यिकी 95% पर अस्वीकृत होती है लेकिन 99% पर नहीं, इसलिए डेटा को देखने से पहले महत्व स्तर को निर्धारित किया जाना चाहिए।
  • स्वतंत्रता डिग्री बढ़ने के साथ t महत्वपूर्ण मान Z की ओर सिकुड़ते हैं। कुछ स्वतंत्रता डिग्री के साथ मानक त्रुटि स्वयं खराब अनुमानित होती है, इसलिए t वितरण में भारी पूंछें होती हैं और अधिक साक्ष्य की मांग की जाती है: स्वतंत्रता डिग्री = 5 पर 2.571 बनाम स्वतंत्रता डिग्री = 30 पर 2.042 और सीमा में 1.960।
  • ची-वर्ग और F कटऑफ स्वतंत्रता डिग्री पर विपरीत दिशा में निर्भर करते हैं ची-वर्ग के लिए — वे स्वतंत्रता डिग्री के साथ बढ़ते हैं क्योंकि सांख्यिकी अधिक पदों का योग करती है, इसलिए स्वतंत्रता डिग्री = 5 पर 20 की एक ची-वर्ग चरम है (कटऑफ 11.070) लेकिन स्वतंत्रता डिग्री = 20 पर नहीं (कटऑफ 31.410)।

गैर-अस्वीकृति का क्या अर्थ है और क्या नहीं है

\(H_0\) को अस्वीकृत करने में विफल होना यह प्रमाण नहीं है कि \(H_0\) सत्य है। इसका मतलब है कि डेटा ने चुने गए \(\alpha\) पर इसके विरुद्ध पर्याप्त साक्ष्य प्रदान नहीं किया — एक परिणाम जो समान रूप से एक सत्य शून्य परिकल्पना, एक वास्तविक प्रभाव जो पहचानने के लिए बहुत छोटा है, या एक नमूना जो पर्याप्त शक्ति के लिए बहुत छोटा है, के साथ सुसंगत है। एक परीक्षण केवल अस्वीकृत या अस्वीकृत करने में विफल हो सकता है; यह कभी पुष्टि नहीं करता है।

आत्मविश्वास अंतरालों से लिंक

वही महत्वपूर्ण मान जो अस्वीकृति क्षेत्र को परिभाषित करता है वह मिलान करने वाले आत्मविश्वास अंतराल की चौड़ाई भी निर्धारित करता है:

$$\text{अनुमान} \pm c_{\alpha} \times \text{मानक त्रुटि}$$

स्तर \(\alpha\) पर द्विपक्षीय परीक्षण \(H_0: \mu = \mu_0\) को तब अस्वीकृत करता है जब \(100(1-\alpha)\%\) आत्मविश्वास अंतराल \(\mu_0\) को शामिल नहीं करता है। 52.0 के नमूना माध्य, 1.5 की मानक त्रुटि और \(z_{\alpha/2} = 1.960\) के साथ, 95% अंतराल है \(52.0 \pm 1.960 \times 1.5 = 52.0 \pm 2.94\), यानी 49.06 से 54.94 — इसलिए 50 का एक शून्य मान अस्वीकृत नहीं होगा, जबकि 48 का एक शून्य मान अस्वीकृत होगा।

अक्सर पूछे जाने वाले प्रश्न

Z/t का परिणाम दो-पुच्छीय क्यों होता है? Normal और t वितरण के लिए यह टूल \(\alpha\) को दो से भाग देता है, जो मानक दो-तरफा (two-sided) परीक्षण को दर्शाता है। एक-पुच्छीय परीक्षण के लिए, कॉन्फिडेंस लेवल को तदनुसार समायोजित करके दर्ज करें (जैसे एक-पुच्छीय 95% सीमा के लिए 90% का उपयोग करें)।

क्या normal वितरण के लिए मुझे स्वतंत्रता की कोटि चाहिए? नहीं। Z क्रिटिकल वैल्यू केवल कॉन्फिडेंस लेवल पर निर्भर करती है। स्वतंत्रता की कोटि केवल t, chi-square और F के लिए मायने रखती है।

डिनॉमिनेटर की स्वतंत्रता की कोटि कब भरूँ? केवल F वितरण के लिए, जिसे न्यूमरेटर और डिनॉमिनेटर दोनों की स्वतंत्रता की कोटि चाहिए (यह ANOVA और प्रसरण तुलना में आम है)।

अंतिम अपडेट:

गणित और सांख्यिकी में सबसे लोकप्रिय

गणित और सांख्यिकी के सभी कैलकुलेटर देखें