Hypoteesitestien Z-testin ja T-testin välinen ero

Erot Z-testin ja T-testin välillä

Z-testi on tilastollinen hypoteesi, jota käytetään sen määrittämiseksi, ovatko molemmat lasketut näytekeskiarvot erilaiset, jos keskihajonta on käytettävissä ja näyte on suuri, kun taas T-testiä käytetään erilaisten tietojoukkojen keskiarvojen määrittämiseen eroaa toisistaan, jos keskihajonta tai varianssi ei ole tiedossa.

Z-testit ja t-testit ovat kaksi tilastollista menetelmää, joihin sisältyy data-analyysi, jota on sovellettu tieteen, liiketoiminnan ja monien muiden alojen kanssa. T-testiä voidaan kutsua t-tilastoon perustuvaksi yksimuuttujaiseksi hypoteesitestiksi, jossa keskiarvo eli keskiarvo on tiedossa ja populaation varianssi, ts. Keskihajonta, arvioidaan otoksesta. Toisaalta Z-testi, myös yksimuuttujainen testi, joka perustuu normaaliin normaalijakaumaan.

Käyttää

# 1 - Z-testi

Kuten aiemmin mainittiin, Z-testikaava on tilastollinen laskelma, jota voidaan käyttää populaatiokeskiarvojen vertaamiseen otokseen. Z-testi kertoo kuinka kaukana standardipoikkeamien suhteen datapiste on tietojoukon keskiarvosta. Z-testi vertaa otosta määriteltyyn populaatioon, jota käytetään tyypillisesti suuriin näytteisiin (ts. N> 30) liittyvien ongelmien käsittelemiseen. Enimmäkseen ne ovat erittäin hyödyllisiä, kun keskihajonta tiedetään.

# 2 - T-testi

T-testit ovat myös laskelmia, joita voidaan käyttää hypoteesin testaamiseen, mutta ne ovat erittäin hyödyllisiä, kun meidän on määritettävä, onko kahden itsenäisen otosryhmän välillä tilastollisesti merkitsevä vertailu. Toisin sanoen t-testi kysyy, onko todennäköistä, että kahden ryhmän keskiarvojen vertailua on satunnaisten sattumien vuoksi tapahtunut. Yleensä t-testit ovat tarkoituksenmukaisempia käsiteltäessä ongelmia, joiden otos on rajoitettu (ts. N <30).

Z-Test vs. T-Test Infographics

Tässä tarjoamme sinulle viisi tärkeintä eroa z-testin ja t-testin välillä, jotka sinun on tiedettävä.

Tärkeimmät erot

• Yksi olennainen edellytys t-testin suorittamiselle on, että populaation keskihajonta tai varianssi on tuntematon. Päinvastoin, edellä esitetyn väestövarianssikaavan tulisi olettaa olevan tiedossa tai tunnettu z-testin tapauksessa.
• Kuten aiemmin mainittiin, t-testi perustuu opiskelijan t-jakaumaan. Päinvastoin, z-testi riippuu oletuksesta, että näytekeskiarvojen jakauma on normaali. Sekä normaalijakauma että opiskelijan t-jakauma näyttävät samoilta, koska molemmat ovat kellomaisia ​​ja symmetrisiä. Ne eroavat kuitenkin yhdessä tapauksissa, joissa jakautumisessa keskellä on vähemmän tilaa ja hännissä enemmän.
• Z-testiä käytetään yllä olevan taulukon mukaisesti, kun otoksen koko on suuri, joka on n> 30, ja t-testi on sopiva, kun näytteen koko ei ole suuri, mikä on pieni, ts. Että n < 30.

Z-Test vs. T-Test vertailutaulukko

Perusta		Z Testi		T-testi
Perusmäärittely		Z-testi on eräänlainen hypoteesitesti, jolla varmistetaan, poikkeavatko kahden tietojoukon keskiarvot keskihajonnasta tai varianssista.		T-testiä voidaan kutsua eräänlaiseksi parametriseksi testiksi, jota sovelletaan identiteettiin, kuinka kahden tietojoukon keskiarvot eroavat toisistaan, kun keskihajontaa tai varianssia ei anneta.
Väestön vaihtelu		Populaation varianssi tai keskihajonta tunnetaan tässä.		Populaation varianssia tai keskihajontaa ei tunneta tässä.
Otoskoko		Näytteen koko on suuri.		Tässä näytekoko on pieni.
Keskeiset oletukset		Kaikki datapisteet ovat riippumattomia. Normaali jakauma Z: lle, keskimääräinen nolla ja varianssi = 1.		Kaikki datapisteet eivät ole riippuvaisia ​​toisistaan. Näytearvot on kirjattava ja otettava tarkasti.
Perustuu (jakelutyyppiin)		Perustuu normaalijakaumaan.		Perustuu Student-t-jakaumaan.

Johtopäätös

Molemmat testit ovat suurimmaksi osaksi melkein samanlaisia, mutta vertailu koskee vain niiden soveltamisolosuhteita, mikä tarkoittaa, että t-testi on sopivampi ja sovellettavampi, kun otoksen koko on enintään 30 yksikköä. Jos se on kuitenkin suurempi kuin kolmekymmentä yksikköä, tulisi käyttää z-testiä. Vastaavasti on myös muita ehtoja, jotka tekevät selväksi, mikä testi suoritetaan tilanteessa.

No, on olemassa myös erilaisia ​​testejä, kuten f-testi, kaksisuuntainen vs. yksihäntäinen jne., Tilastotieteilijöiden on oltava varovaisia ​​sovellettaessa niitä tilanteen analysoinnin jälkeen ja sitten päättäessään, mitä käyttää. Alla on esimerkkikaavio siitä, mitä keskustelimme edellä.