Forskelle mellem Z-test og T-test
Z Test er den statistiske hypotese, der bruges til at bestemme, om de to beregnede prøver betyder, at de er forskellige, hvis standardafvigelsen er tilgængelig, og prøven er stor, mens T-testen bruges til at bestemme, hvordan gennemsnit for forskellige datasæt adskiller sig fra hinanden, hvis standardafvigelsen ikke er kendt.
Z-tests og t-tests er de to statistiske metoder, der involverer dataanalyse, som har anvendelser inden for videnskab, forretning og mange andre discipliner. T-testen kan betegnes som en univariat hypotesetest baseret på t-statistik, hvor gennemsnittet, dvs. gennemsnittet er kendt, og populationsvariansen, dvs. standardafvigelsen, tilnærmes fra prøven. På den anden side Z-test, også en univariat test, der er baseret på en standard normalfordeling.
Anvendelser
# 1 - Z-test
Z-testformel, som tidligere nævnt, er de statistiske beregninger, der kan bruges til at sammenligne populationsgennemsnit med en stikprøve. Z-testen fortæller dig, hvor langt et datapunkt i standardafvigelser er fra gennemsnittet af et datasæt. En z-test sammenligner en prøve med en defineret population, der typisk bruges til at håndtere problemer i forbindelse med store prøver (dvs. n> 30). For det meste er de meget nyttige, når standardafvigelsen er kendt.
# 2 - T-test
T-tests er også beregninger, der kan bruges til at teste en hypotese, men de er meget nyttige, når vi skal afgøre, om der er en statistisk signifikant sammenligning mellem de 2 uafhængige prøvegrupper. Med andre ord spørger en t-test, om sammenligningen mellem gennemsnittet af 2 grupper sandsynligvis ikke er sket på grund af tilfældig chance. Normalt er t-test mere passende, når man beskæftiger sig med problemer med en begrænset stikprøvestørrelse (dvs. n <30).
Z-Test vs. T-Test Infografik
Her giver vi dig de 5 største forskelle mellem z-test vs. t-test, du skal kende.
Nøgleforskelle
- En af de væsentligste betingelser for at udføre en t-test er, at populationsstandardafvigelse eller varians er ukendt. Omvendt skal populationsvariansformlen, som anført ovenfor, antages at være kendt eller være kendt i tilfælde af en z-test.
- T-testen er, som tidligere nævnt, baseret på studerendes t-distribution. Tværtimod afhænger z-testen af antagelsen om, at fordelingen af prøveorganer vil være normal. Både normalfordelingen og elevens t-fordeling ser ud til at være den samme, da begge er klokkeformede og symmetriske. Imidlertid adskiller de sig i et af tilfældene, at der ved at-distribution er mindre plads i midten og mere i deres haler.
- Z-test bruges som angivet i ovenstående tabel, når prøvestørrelsen er stor, hvilket er n> 30, og t-testen er passende, når størrelsen på prøven ikke er stor, hvilket er lille, dvs. at n < 30.
Sammenligningstabel for Z-test vs. T-test
| Basis | Z-test | T-test | ||
| Grundlæggende definition | Z-test er en slags hypotesetest, der fastslår, om gennemsnittet af de 2 datasæt er forskellige fra hinanden, når der gives standardafvigelse eller varians. | T-testen kan omtales som en slags parametrisk test, der anvendes på en identitet, hvordan gennemsnittet af 2 datasæt adskiller sig fra hinanden, når standardafvigelsen eller variansen ikke er angivet. | ||
| Befolkningsvariation | Befolkningsvariansen eller standardafvigelsen er kendt her. | Befolkningsvariansen eller standardafvigelsen er ukendt her. | ||
| Prøvestørrelse | Prøvestørrelsen er stor. | Her er prøvestørrelsen lille. | ||
| Nøgleforudsætninger |
|
|
||
| Baseret på (en type distribution) | Baseret på normal fordeling. | Baseret på Student-t distribution. |
Konklusion
Ved og i større grad er begge disse tests næsten ens, men sammenligningen kommer kun til deres betingelser for deres anvendelse, hvilket betyder, at t-testen er mere passende og anvendelig, når størrelsen på prøven ikke er mere end tredive enheder. Men hvis den er større end tredive enheder, skal man bruge en z-test. Tilsvarende er der også andre forhold, der gør det klart, hvilken test der skal udføres i en situation.
Nå, der er også forskellige tests som f-testen, to-halet vs. enkelthalet osv. Statistikere skal være forsigtige, når de anvender dem efter at have analyseret situationen og derefter beslutte, hvilken der skal bruges. Nedenfor er et eksempeldiagram for det, vi diskuterede ovenfor.
