Omdat het uitvoeren van een hypothesetoets afhangt van een steekproef, bestaat er
een kans op een foute conclusie. De kans op de foute conclusie
"
`text(H)_0`
is juist, maar
`text(H)_1`
wordt geaccepteerd"
wordt het significantieniveau genoemd. Deze significantie mag niet te groot zijn.
In de praktijk wordt voor deze kans vaak
`10`
% of
`5`
% gebruikt. Bij belangrijk of nauwkeurig onderzoek wordt meestal
`1`
% gebruikt.
Als het significantieniveau (de foutkans) is gekozen, kun je daarmee het kritieke gebied berekenen. Bekijk de volgende toets:
`M`
is het aantal meisjes in een steekproef met steekproefomvang
`n`
en
`p`
is het deel van de steekproef dat meisje is.
`text(H)_0: p=0,5`
en
`text(H)_1: p gt 0,5`
.
Neem aan dat
`M`
binomiaal verdeeld is.
De steekproefomvang
`n=650`
.
Het significantieniveau (de kans dat
`text(H)_0`
juist is, maar
`text(H)_1`
wordt geaccepteerd) mag maximaal
`5`
% zijn.
Als
`text(H)_0`
juist is, geldt:
`p=0,5`
. Voor de grens
`g`
van het kritieke gebied moet dus gelden:
`text(P)(M gt g | p=0,5 text( en ) n=650) le 0,05`
Ofwel: `text(P)(M le g | p=0,5 text( en ) n=650) le 0,95` .
De grafische rekenmachine geeft `g = 346` .
Als er dus meer dan `346` meisjes in de steekproef worden geteld, mag je met een significantie van `5` % besluiten dat het deel meisjes in de steekproef groter dan `0,5` is.
Gebruik de gegevens uit de
Het significantieniveau van de toets is `5` %. Leg uit wat dit significantieniveau precies betekent.
Waarom werk je hier met de waarde van `p` (het deel meisjes) die bij `text(H)_0` hoort?
Reken het kritieke gebied van deze toets na.
Gebruik de gegevens uit de
Voer deze toets nog eens uit, maar nu met een significantie van `1` %. Geef in dit geval het kritieke gebied.
Welke invloed heeft het verkleinen van de significantie op het kritieke gebied?
Hoe verandert het kritieke gebied als de significantie lager wordt gemaakt? Wat is er aan de hand als de nulhypothese dan toch wordt verworpen?