Forskjeller mellom Z-Test og T-Test
Z Test er den statistiske hypotesen som brukes for å fastslå at om de to beregningene av beregnet middel er forskjellige i tilfelle standardavviket er tilgjengelig og prøven er stor, mens T-testen brukes for å bestemme hvor gjennomsnitt av forskjellige datasett skiller seg fra hverandre i tilfelle standardavvik eller avvik ikke er kjent.
Z-tester og t-tester er de to statistiske metodene som involverer dataanalyse, som har anvendelser innen vitenskap, næringsliv og mange andre fagområder. T-testen kan refereres til som en univariat hypotesetest basert på t-statistikk, hvor gjennomsnittet, dvs. gjennomsnittet er kjent, og populasjonsvarians, dvs. standardavviket, er tilnærmet fra prøven. På den annen side, Z-test, også en univariat test som er basert på en standard normalfordeling.
Bruker
# 1 - Z-Test
Z-testformel, som nevnt tidligere, er de statistiske beregningene som kan brukes til å sammenligne populasjonsgjennomsnitt med et utvalg. Z-testen vil fortelle deg hvor langt et datapunkt i standardavvik er fra gjennomsnittet av et datasett. En z-test vil sammenligne et utvalg med en definert populasjon som vanligvis brukes til å håndtere problemer knyttet til store prøver (dvs. n> 30). For det meste er de veldig nyttige når standardavviket er kjent.
# 2 - T-test
T-tester er også beregninger som kan brukes til å teste en hypotese, men de er veldig nyttige når vi trenger å avgjøre om det er en statistisk signifikant sammenligning mellom de to uavhengige prøvegruppene. Med andre ord spør en t-test om det er lite sannsynlig at sammenligningen mellom gjennomsnittet av to grupper har skjedd på grunn av tilfeldig sjanse. Vanligvis er t-tester mer hensiktsmessige når man arbeider med problemer med en begrenset utvalgstørrelse (dvs. n <30).
Z-Test vs. T-Test Infografikk
Her gir vi deg de 5 største forskjellene mellom z-testen og t-testen du må vite.
Viktige forskjeller
- En av de viktigste forutsetningene for å gjennomføre en t-test er at populasjonsstandardavvik eller avvik er ukjent. Motsatt bør populasjonsvariansformelen, som nevnt ovenfor, antas å være kjent eller være kjent i tilfelle av en z-test.
- T-testen er, som nevnt tidligere, basert på studentens t-fordeling. Tvert imot avhenger z-testen av antagelsen om at fordelingen av prøvemidlene vil være normal. Både normalfordelingen og studentens t-fordeling fremstår som den samme, da begge er klokkeformede og symmetriske. Imidlertid er de forskjellige i et av tilfellene at det ved mindre distribusjon er mindre plass i sentrum og mer i halene.
- Z-test brukes som angitt i tabellen ovenfor når prøvestørrelsen er stor, som er n> 30, og t-testen er passende når størrelsen på prøven ikke er stor, som er liten, dvs. at n < 30.
Z-Test vs T-Test Sammenligningstabell
| Basis | Z Test | T-test | ||
| Grunnleggende definisjon | Z-test er en slags hypotesetest som fastslår om gjennomsnittet av de to datasettene er forskjellige fra hverandre når standardavvik eller varians er gitt. | T-testen kan refereres til som en slags parametrisk test som brukes på en identitet, hvordan gjennomsnittene av 2 datasett skiller seg fra hverandre når standardavviket eller avviket ikke er gitt. | ||
| Befolkningsvarians | Befolkningsvariansen eller standardavviket er kjent her. | Befolkningsvariansen eller standardavviket er ukjent her. | ||
| Prøvestørrelse | Prøvestørrelsen er stor. | Her er prøvestørrelsen liten. | ||
| Viktige forutsetninger |
|
|
||
| Basert på (en type distribusjon) | Basert på normalfordeling. | Basert på Student-t distribusjon. |
Konklusjon
I og i større grad er begge disse testene nesten like, men sammenligningen kommer bare til deres betingelser for deres anvendelse, noe som betyr at t-testen er mer passende og anvendelig når størrelsen på prøven ikke er mer enn tretti enheter. Imidlertid, hvis den er større enn tretti enheter, bør man bruke en z-test. Tilsvarende er det også andre forhold som vil gjøre det klart at hvilken test som skal utføres i en situasjon.
Vel, det er også forskjellige tester som f-testen, to-tailed vs. single-tailed, etc., statistikere må være forsiktige når de bruker dem etter å ha analysert situasjonen og deretter bestemme hvilken som skal brukes. Nedenfor er et eksemplordiagram for det vi diskuterte ovenfor.
