P-መረጃ
የz-ስኮር ወደ አንድ ወይም ሁለት ጫፎች p-መረጃ ይለውጡ
ውጤቶች እንደተጻፉ ይቀየራሉ
ስለዚህ መተግበሪያ
This p-value calculator converts a z-score (the standard-normal test statistic) into a p-value — the probability of observing a result at least as extreme as yours if the null hypothesis is true. A small p-value means your data would be surprising under the null hypothesis, which counts as evidence against it.
Choose a left-tailed, right-tailed or two-tailed test; all three p-values are shown so you can compare. The left-tailed value is P(Z ≤ z), the right-tailed value is P(Z ≥ z), and the two-tailed value is 2 × P(Z ≥ |z|) — double the smaller tail. All come from the standard-normal cumulative distribution, so this tool applies to z-tests and large-sample approximations, and the result is flagged against the conventional α = 0.05 threshold.
Worked example: a z-score of 1.96 gives a right-tailed p-value of about 0.025 and a two-tailed p-value of about 0.050 — exactly the classic 5% cutoff, which is why 1.96 is the critical value for a 95% two-sided test. Since 0.05 is not below 0.05, that result sits right on the border of significance.
የሚጠየቁ ጥያቄዎች
p-value ምንድን ነው?
The p-value is the probability, assuming the null hypothesis is true, of getting a test statistic at least as extreme as the one observed. A small p-value means your data would be unlikely under the null hypothesis, which is evidence against it.
የሁለት-አቅጣጫ p-መዳረሻ ከአንድ-አቅጣጫ እንዴት ይለያያል?
ሁለት-አቅጣጫዊ ምርመራ በሁለቱም አቅጣጫዎች ውስጥ በጣም ውጤታማ ውጤቶችን ይቆጥራል፣ ስለዚህ p-መዳረሻው ለተመሳሳይ |z| አንድ-አቅጣጫዊ ዋጋ ሁለት እጥፍ ነው። ሁለት-አቅጣጫዊን ልዩነት ስላለው ብቻ ስትጠብቅ፣ እና አንድ-አቅጣጫዊን የትኩረትን አቅጣጫ ቀድሞ ስትጠብቅ ይጠቀሙ።
p < 0.05 ሁልጊዜ ትልቅ ነው?
0.05 ብቻ የተለመደው ስምምነት ነው, አይደለም ህግ. ይህ 5% የጥፋት ጠቃሚ ዕድል ማለት ነው. በምድር ላይ በመመርኮዝ እና ስህተት ዋጋ, እንደ 0.01 ጠንካራ ጫፍ ብዙውን ጊዜ የበለጠ ተገቢ ናቸው.
እንዴት z-ስኮር ወደ p-መዳረሻ መለወጥ እችላለሁ?
Look up the tail area of the standard-normal distribution beyond your z-score. This tool does it for you: the left tail is P(Z ≤ z), the right tail is 1 − P(Z ≤ z), and the two-tailed p-value doubles the smaller of the two.
ትልቅ p-መዳረሻ ኑል ሐሳብ እውነት መሆኑን ያረጋግጣል?
አይደለም. ትልቅ p-መዳረሻ ማለት ብቻ መረጃዎቹ ከ 0 ሐሳብ ጋር የሚስማማ ነው, አይደለም 0 ተረጋግጧል. በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም; በቃላት ላይ ማስረጃ መኖሩ ማስረጃ አይደለም.
በየትኛው ጊዜ z-based p-value ን በ t-based ይልቅ መጠቀም አለብኝ?
የሕዝብ ስታንዳርድ ዴቪዬሽን በሚታወቅበት ወይም ምሳሌው ትልቅ (በግምት n ≥ 30) በሚሆንበት ጊዜ የz-based ዋጋን ይጠቀሙ። ለትንሽ ምሳሌዎች በግምት ስታንዳርድ ዴቪዬሽን ያለውን t-distribution የበለጠ ትክክለኛ p-value ይሰጣል
በp-value እና በቁልፍ ደረጃ መካከል ያለው ልዩነት ምንድነው?
የቁልፍ ደረጃ አ.አ. የእርስዎ ቀደም ሲል የተቀመጠው የመጨረሻው ደረጃ ነው, እንደ 0.05. የ p-መዳረሻ ከዳታዎቹ ይቆጠራል። የ p-መዳረሻ ከ α በታች ሲወርድ 0-አስተሳሰብን ትክክል አታደርግም
API — ይህ መቁጠሪያን ከኮድ ይጠቀሙ
ይህ መቁጠሪያን እንደ ነጻ JSON መጨረሻ ነጥብ ጥሪ - ቁልፍ ያስፈልጋል. የሜዳውን ዋጋዎች በታች እንደ ጥያቄ პარაሜትር ወይም JSON ላኩ ማንኛውም ነገር ያላስቀመጥክበት ተመሳሳይ መነሻን ይጠቀማል ይህ ገጽ በመጀመሪያ የተሞላ ነው; ያልታወቀ ፓራሜትር 400 ነው, ሁልጊዜም የደበቅ ነጥብ አይደለም. የሙሉን የAPI ሰነዶች አንብብ →
መጨረሻ
GET https://calculator.free/api/v1/p-value/curl
curl "https://calculator.free/api/v1/p-value/?z=1.96&tail=two"JavaScript fetch()
const r = await fetch(
"https://calculator.free/api/v1/p-value/?" + new URLSearchParams({
"z": "1.96",
"tail": "two"
}));
const data = await r.json();
console.log(data.results);ውጤቶች ለታዳሚው መመሪያ ብቻ ናቸው፣ የገንዘብ፣ የሕክምና ወይም የክፍያ ምክር አይደሉም፡፡