P-Value Calculator (from Z)
ଗୋଟିଏ z-ସ୍କୋରକୁ ଗୋଟିଏ ଏକକ କିମ୍ବା ଦୁଇଟି ପୃଷ୍ଠା p-ମୂଲ୍ୟକୁ ପରିବର୍ତ୍ତନ କରନ୍ତୁ।
ଆପଣ ଟାଇପ କରିବା ସମୟରେ ଫଳାଫଳ ଅଦ୍ୟତନ କରନ୍ତୁ ।
ଏହି ଗଣନାକାରୀ ବିଷୟରେ
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.
ସାଧାରଣ ପ୍ରଶ୍ନ
p-ମୂଲ୍ୟ କଣ?
p-ମୂଲ୍ୟ ହେଉଛି ସମ୍ଭାବନା, ଶୂନ୍ୟ ଧାରଣାଟି ସତ୍ୟ ବୋଲି ଗ୍ରହଣ କରି, ଗୋଟିଏ ପରିକ୍ଷଣ ପରିସଂଖ୍ୟାନକୁ ଅତିକମରେ ଅତ୍ୟଧିକ ପରିମାଣରେ ପାଇବାର ସମ୍ଭାବନା, ଯାହାକି ଗୋଟିଏ ପରିକ୍ଷଣ କରାଯାଇଥାଏ। ଗୋଟିଏ ଛୋଟ p-ମୂଲ୍ୟ ଅର୍ଥ ହେଉଛି ଆପଣଙ୍କର ତଥ୍ୟ ଶୂନ୍ୟ ଧାରଣା ଅନ୍ତର୍ଗତ ଅପରିବର୍ତ୍ତନୀୟ ହେବ, ଯାହାକି ଏହା ବିରୋଧରେ ପ୍ରମାଣ।
ଗୋଟିଏ ଦୁଇ-ପାର୍ଶ୍ୱ ବିଶିଷ୍ଟ p-ମୂଲ୍ୟ ଏକ-ପାର୍ଶ୍ୱ ବିଶିଷ୍ଟରୁ କିପରି ଭିନ୍ନ ହୋଇଥାଏ?
ଗୋଟିଏ ଦୁଇ-ପାଖିଆ ପରୀକ୍ଷା ଦୁଇଟି ଦିଗରୁ ଅତ୍ୟଧିକ ଫଳାଫଳଗୁଡ଼ିକୁ ଗଣନା କରେ, ତେଣୁ ଏହାର p-ମୂଲ୍ୟ ଗୋଟିଏ-ପାଖିଆ ମୂଲ୍ୟକୁ ଦୁଇଗୁଣ କରିଥାଏ |z| ପାଇଁ। ଦୁଇ-ପାଖିଆକୁ ବ୍ୟବହାର କରନ୍ତୁ ଯେତେବେଳେ ଆପଣ କେବଳ ଗୋଟିଏ ଭିନ୍ନତା ଅଛି ବୋଲି ଚିନ୍ତା କରନ୍ତି, ଏବଂ ଗୋଟିଏ-ପାଖିଆକୁ ଯେତେବେଳେ ଆପଣ ଦିଗକୁ ପୂର୍ବରୁ ଭବିଷ୍ୟବାଣୀ କରିଛନ୍ତି।
p < 0.05 ସବୁବେଳେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କି?
0.05 କେବଳ ଗୋଟିଏ ସାଧାରଣ ସମ୍ମିଳନୀ, ଗୋଟିଏ ଆଇନ ନୁହେଁ । ଏହା 5% ଭୁଲ ସ୍ପଷ୍ଟିକରଣର ସମ୍ଭାବନାକୁ ଦର୍ଶାଇଥାଏ । କ୍ଷେତ୍ର ଏବଂ ଭୁଲ ହେବାର ମୂଲ୍ୟ ଉପରେ ନିର୍ଭର କରି, 0.01 ଭଳି କଠୋର ସୀମାଗୁଡିକ ଅଧିକାଂଶ ସମୟରେ ଅଧିକ ଉପଯୁକ୍ତ ହୋଇଥାଏ ।
ମୁଁ କିପରି z-ସ୍କୋରକୁ p-ମୂଲ୍ୟକୁ ପରିବର୍ତ୍ତନ କରିବି?
ଆପଣଙ୍କର z-ସ୍କୋରକୁ ଅତିକ୍ରମ କରି ମାନକ-ସାଧାରଣ ବଣ୍ଟନର ଶେଷ ଅଂଶକୁ ଖୋଜନ୍ତୁ। ଏହି ସାଧନଟି ଆପଣଙ୍କ ପାଇଁ ଏହାକୁ କରେ: ବାମ ଶେଷ ଅଂଶ P(Z ≤ z), ଡାହାଣ ଶେଷ ଅଂଶ 1 − P(Z ≤ z), ଏବଂ ଦୁଇ-ଶେଷ ଅଂଶ p-ମୂଲ୍ୟ ଦୁଇଟିର ଛୋଟତମକୁ ଦୁଇଗୁଣ କରିଥାଏ।
ଗୋଟିଏ ବଡ଼ p-ମୂଲ୍ୟ ଶୂନ୍ୟ ପରିକଳ୍ପନାକୁ ସତ ବୋଲି ପ୍ରମାଣିତ କରେ କି?
ନାହଁ। ଏକ ବଡ଼ p-ମୂଲ୍ୟ କେବଳ ଆପଣଙ୍କର ତଥ୍ୟ ଶୂନ୍ୟ ପରିକଳ୍ପନା ସହିତ ସମାନ, ଯେ ଶୂନ୍ୟ ପ୍ରମାଣିତ ହୋଇନାହିଁ। ଏହା ବିରୋଧରେ ପ୍ରମାଣର ଅଭାବ ଏହା ପାଇଁ ପ୍ରମାଣ ନୁହେଁ; ଆପଣ ସରଳ ଭାବରେ ଏକ ପ୍ରଭାବକୁ ଅନୁମାନ କରିବା ପାଇଁ ନମୁନା ଆକାର ଅଭାବ କରିପାରିବେ।
ମୁଁ କେବେ t-ଆଧାରିତ ଗୋଟିଏ ବଦଳରେ z-ଆଧାରିତ p-ମୂଲ୍ୟ ବ୍ୟବହାର କରିବା ଉଚିତ?
z- ଆଧାରିତ ମୂଲ୍ୟକୁ ବ୍ୟବହାର କରନ୍ତୁ ଯେତେବେଳେ ଜନସଂଖ୍ୟା ମାନକ ବିଚରଣ ଜଣାଥାଏ କିମ୍ବା ନମୁନା ବଡ଼ ହୋଇଥାଏ (n ≥ 30). ଗୋଟିଏ ଆକଳନ କରାଯାଇଥିବା ମାନକ ବିଚରଣ ସହିତ ଛୋଟ ନମୁନା ପାଇଁ, ଗୋଟିଏ t- ବଣ୍ଟନ ଅଧିକ ସଠିକ p- ମୂଲ୍ୟ ଦେଇଥାଏ।
p-ମୂଲ୍ୟ ଏବଂ ଗୁରୁତ୍ୱ ସ୍ତର ମଧ୍ୟରେ କଣ ଭିନ୍ନତା ଅଛି?
ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସ୍ତର α ହେଉଛି ଗୋଟିଏ ସୀମା ଯାହାକି ଆପଣ ପୂର୍ବରୁ ସେଟ କରିଥାନ୍ତି, ଯେପରିକି 0.05. p- ମୂଲ୍ୟ ଆପଣଙ୍କର ତଥ୍ୟରୁ ଗଣନା କରାଯାଏ। ଆପଣ ନୂତନ ଧାରଣାକୁ ପ୍ରତ୍ୟାଖ୍ୟାନ କରନ୍ତି ଯେତେବେଳେ p- ମୂଲ୍ୟ α ତଳେ ପଡ଼ିଯାଏ।
API — ଏହି ଗଣନାକାରୀକୁ ସଂକେତରୁ ବ୍ୟବହାର କରନ୍ତୁ
ଏହି ଗଣନାକାରୀକୁ ଗୋଟିଏ ମୁକ୍ତ JSON ଶେଷ ବିନ୍ଦୁ ଭାବରେ ଡକାନ୍ତୁ - କୌଣସି କି ଆବଶ୍ୟକ ନାହିଁ। ତଳର କ୍ଷେତ୍ର ମୂଲ୍ୟଗୁଡ଼ିକୁ ପ୍ରଶ୍ନ ପରିମାପକ କିମ୍ବା JSON ଭାବରେ ପଠାନ୍ତୁ। ଆପଣ ଯାହାକୁ ବି ଛାଡିଦେଲେ ତାହା ସେହି ପୂର୍ବନିର୍ଦ୍ଧାରିତକୁ ବ୍ୟବହାର କରିଥାଏ ଯାହାକି ଏହି ପୃଷ୍ଠା ସହିତ ପୂର୍ବନିର୍ଦ୍ଧାରିତ; ଗୋଟିଏ ଅଜଣା ପରିମାପକ ହେଉଛି ୪୦୦, କେବେବି ଶୂନ୍ୟ ଶୂନ୍ୟ ନୁହେଁ। ସମ୍ପୂର୍ଣ୍ଣ API ଦଲିଲ ପଢନ୍ତୁ →
ସମାପ୍ତ ବିନ୍ଦୁ
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);ଏହି ରିପୋର୍ଟରେ ପ୍ରଦାନ କରାଯାଇଥିବା ଫଳାଫଳ କେବଳ ସାଧାରଣ ସୂଚନା ପାଇଁ, ଅର୍ଥନୈତିକ, ଚିକିତ୍ସା କିମ୍ବା ଟିକସ ପରାମର୍ଶ ପାଇଁ ନୁହେଁ ।