Dvouvýběrový pravostranný t-test
Nyní si ukážeme postup při pravostranném testu. Upravme si nejprve předchozí zadání: Máme data o průměrném počtu výrobků, které neprošly kontrolou kvality (tj. zmetků), vyrobených ve dvou různých závodech, přičemž druhý závod postupuje podle upravených výrobních procesů. Předpokládáme, že počty mají v obou případech shodný rozptyl. Ověřte hypotézu, že změna výrobních postupů vedla ke snížení zmetkovosti.
Hypotézy našeho testu jsou následující:
(Střední hodnota obou souborů je stejná.)
(Střední hodnota prvního souboru je vyšší.)
Statistika testu zůstává stejná, kritický obor se přesunuje doprava, tj.:
Soubor se všemi výpočty naleznete zde.
Výpočet s využitím doplňku Analýza dat
Výpočet spustíme pomocí stejného postupu, jako jsme si uvedli výše, tj. označíme oblasti s daty a výstupní oblast. Níže máme výsledek výpočtu. Hodnota statistiky je 
a tentokrát máme správně určenou i hranici kritického oboru, kritický obor je tedy
Špatně je ale p-hodnota. Hodnota statistiky je záporná a protože kritický obor určujeme zprava, musí být p-hodnota vyšší než 
. Dochází zde tedy k problému, který jsme si popisovali výše. Tato p-hodnota by byla správná v případě levostranného testu. V případě pravostranného testu je ale 
.
Porovnání p-hodnot je na grafu níže. Červeně je označena p-hodnota levostranného testu, zeleně p-hodnota pravostranného.
Využití funkce T.TEST
Podobně jako Analýza dat, i funkce T.TEST v jednodušší variantě vrací chybný výsledek. Pří použití následujícího vzorce
T.TEST(A2:A41;B2:B35;1;2)
Python alternativa:
from scipy.stats import ttest_ind
t_stat, p_value = ttest_ind(x, y, equal_var=True, alternative="greater")
získáme hodnotu 
, který by byla správná, pokud bychom dělali levostranný test.
Použijme tedy opět funkci podmínky. Tento vzorec je stejný jako výše s výjimkou znaménka u podmínky, které je obráceně.
=KDYŽ(E3>F3;T.TEST(A2:A41;B2:B35;1;2);1-T.TEST(A2:A41;B2:B35;1;2))
Python alternativa:
from scipy.stats import ttest_ind
t_stat, p_value = ttest_ind(x, y, equal_var=True, alternative="greater")
Manuální výpočet
Vzorec pro výpočet statistiky zůstává stejný, proto rovnou přejdeme k dalším krokům.
Kritický obor tentokrát určujeme zprava. Do kritického oboru budou patřit nejvyšší hodnoty z definičního oboru tak, že pravděpodobnost, že testová statistika nabude těchto hodnot, bude přesně 
, v našem případě 
. Zbylé hodnoty, u nichž je tato pravděpodobnost 
, jsou mimo kritický obor. Jak první parametr inverzní distribuční funkce Studentova rozdělení T.INV tedy zadáme 
, ostatní se nemění:
=T.INV(1-E7;E2+F2-2)
Python alternativa:
from scipy.stats import t
critical_value = t.ppf(1 - alpha, df=len(x) + len(y) - 2)
Kritický obor je tedy:
.
p-hodnotu určíme pomocí funkce T.DIST a to opět směrem doprava, tj:
=1-T.DIST(E12;E2+F2-2;PRAVDA)
Python alternativa:
from scipy.stats import t
p_value = t.sf(t_stat, df=len(x) + len(y) - 2)
Můžeme rovněž použít pravostrannou distribuční funkci T.DIST.RT, která nám zápis trochu zjednoduší:
=T.DIST.RT(E12;E2+F2-2)
Python alternativa:
from scipy.stats import t
p_value = t.sf(t_stat, df=len(x) + len(y) - 2)