Skillnader mellan Z-Test och T-Test
Z Test är den statistiska hypotesen som används för att fastställa att huruvida de två beräknade provmedlen är olika om standardavvikelsen är tillgänglig och provet är stort medan T-testet används för att bestämma hur medelvärden för olika datamängder skiljer sig från varandra om standardavvikelse eller om variansen inte är känd.
Z-tester och t-tester är de två statistiska metoderna som involverar dataanalys som har tillämpningar inom vetenskap, näringsliv och många andra discipliner. T-testet kan hänvisas till ett univariat hypotes-test som baseras på t-statistik, där medelvärdet dvs medelvärdet är känt och populationsvarians dvs standardavvikelse approximeras från urvalet. Å andra sidan, Z-test, också ett univariat test som bygger på en normal normalfördelning.
Användningar
# 1 - Z-Test
Z-testformel, som tidigare nämnts, är de statistiska beräkningarna som kan användas för att jämföra populationsgenomsnitt med ett urval. Z-testet berättar hur långt, i standardavvikelser, en datapunkt är från genomsnittet av en datamängd. Ett z-test gör en jämförelse av ett urval till en definierad population som vanligtvis används för att hantera problem relaterade till stora prover (dvs. n> 30). För det mesta är de mycket användbara när standardavvikelsen är känd.
# 2 - T-test
T-test är också beräkningar som kan användas för att testa en hypotes, men de är mycket användbara när vi behöver avgöra om det finns en statistiskt signifikant jämförelse mellan de två oberoende provgrupperna. Med andra ord frågar ett t-test om det är osannolikt att jämförelsen mellan medelvärdet för två grupper har inträffat på grund av slumpmässig chans. Vanligtvis är t-tester mer lämpliga när du har problem med en begränsad provstorlek (dvs. n <30).
Z-Test vs T-Test Infographics
Här ger vi dig de fem bästa skillnaderna mellan z-test och t-test du måste veta.
Viktiga skillnader
- En av de viktigaste förutsättningarna för att genomföra ett t-test är att populationsstandardavvikelse eller varians är okänd. Omvänt bör populationsvariansformeln enligt ovan antas vara känd eller vara känd vid ett z-test.
- T-testet som nämnts tidigare är baserat på Studentens t-distribution. Tvärtom beror z-testet på antagandet att fördelningen av provmedel är normal. Både normalfördelningen och studentens t-fördelning verkar densamma, eftersom båda är klockformade och symmetriska. De skiljer sig emellertid i ett av fallen att vid distribution finns det mindre utrymme i mitten och mer i deras svansar.
- Z-test används som anges i ovanstående tabell när provstorleken är stor, vilket är n> 30, och t-testet är lämpligt när storleken på provet inte är stort vilket är litet, dvs att n <30.
Z-Test vs T-Test Jämförelsetabell
| Grund | Z-test | T-test | ||
| Grundläggande definition | Z-test är ett slags hypotesprov som fastställer om medelvärdet för de två datamängderna skiljer sig från varandra när standardavvikelse eller varians anges. | T-testet kan hänvisas till ett slags parametriskt test som tillämpas på en identitet, hur medelvärdet av två datauppsättningar skiljer sig från varandra när standardavvikelsen eller avvikelsen inte ges. | ||
| Befolkningsvariation | Befolkningsvariansen eller standardavvikelsen är känd här. | Befolkningsvariansen eller standardavvikelsen är okänd här. | ||
| Provstorlek | Provstorleken är stor | Här är provstorleken liten. | ||
| Viktiga antaganden |
|
| ||
| Baserat på (en typ av distribution) | Baserat på normal distribution. | Baserat på Student-t-distribution. |
Slutsats
Genom och i större utsträckning är båda dessa test nästan lika, men jämförelsen kommer bara till deras villkor för deras tillämpning, vilket innebär att t-testet är mer lämpligt och tillämpligt när provets storlek inte är mer än trettio enheter. Men om den är större än trettio enheter, bör man använda ett z-test. På samma sätt finns det också andra förhållanden som gör det klart att vilket test som ska utföras i en situation.
Tja, det finns också olika tester som f-test, två-tailed vs single-tailed, etc., statistiker måste vara försiktiga när de använder dem efter att ha analyserat situationen och sedan bestämma vilken som ska användas. Nedan följer ett exempeldiagram för vad vi diskuterade ovan.
