Pravostranný t-test
Podobně jako u z-testu můžeme i u t-testu pracovat s pravostrannou variantou testu, kdy formulujeme alternativní hypotézu jako se znaménkem "menší než".
Zadání příkladu by bylo obdobou zadání u z-testu s tím rozdílem, že zde neznáme směrodatnou odchylku dat a musíme ji odhadovat. Při pravostranném testu se rozhodujeme mezi těmito hypotézami:
- Nulová hypotéza: Středné hodnota souboru je 190 mm. (
) - Alternativní hypotéza: Střední hodnota souboru je větší než 190 mm. (
)
Výpočet v Excelu
Soubor s daty i výpočty si můžete stáhnout zde.
Kritický obor nyní "odsekáváme" zprava, tj. kritický obor vyjádřený intervalem má tvar
Výpočet statistiky a výběrové směrodatné odchylky zůstává stejný, určíme tedy pouze pouze hranice kritického oboru a p-hodnotu.
K určení hranice kritického oboru použijeme opět funkci T.INV, tentokrát kritický obor začíná na 95%ním kvantinu t rozdělení, tj. jako první parametr zadávání 
:
=T.INV(1-D6;D2-1)
Python alternativa:
from scipy.stats import t
critical_value = t.ppf(1 - alpha, df=n - 1)
Hodnota statistiky je nyní 0,1301. Tato hodnota neleží v kritickém oboru, nulovou hypotézu tedy nezamítáme. K určení p-hodnoty využijeme funkci T.DIST.RT, se kterou jsme se seznámili již výše. Tato funkce vrací plochu pod funkcí hustoty od zadaného bodu směrem doprava.
=T.DIST.RT(D9;D2-1)
Python alternativa:
from scipy.stats import t
p_value = t.sf(t_stat, df=n - 1)
Alternativně můžeme využít funkci T.DIST. Tato funkce vrací obsah plochy směrem doleva. Protože celková plocha má obsah 1, potřebou hodnotu získáme odečtením výsledku funkce T.DIST od jedničky
=1-T.DIST(D9;D2-1;PRAVDA)
Python alternativa:
from scipy.stats import t
p_value = t.sf(t_stat, df=n - 1)
P-hodnota testu je 0,4489.