Skillnaden mellan Z-test och T-test av hypotes testning

Skillnader mellan Z-Test och T-Test

Z Test är den statistiska hypotesen som används för att fastställa att huruvida de två beräknade medelvärdena 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 som ett univariat hypotes-test baserat på t-statistik, varvid medelvärdet, dvs medelvärdet är känt, och populationsvariansen, dvs standardavvikelsen, 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 kommer att berätta hur långt, i standardavvikelser, en datapunkt ligger från genomsnittet för en datamängd. Ett z-test kommer att jämföra ett prov med 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, ett t-test frågar om det är osannolikt att jämförelsen mellan genomsnittet för två grupper har inträffat på grund av slumpmässig chans. Vanligtvis är t-tester lämpligare när man hanterar problem med en begränsad provstorlek (dvs. n <30).

Z-Test vs. T-Test Infographics

Här ger vi dig de fem bästa skillnaderna mellan z-testet och t-testet 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, som anges ovan, antas vara känd eller vara känd i fallet med ett z-test.
• T-testet, som nämnts tidigare, baseras 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 enligt 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 jämfört med 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 som ett slags parametriskt test som tillämpas på en identitet, hur medelvärdet av två datauppsättningar skiljer sig från varandra när standardavvikelsen eller variansen 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		Alla datapunkter är oberoende. Normalfördelning för Z, med en genomsnittlig noll och varians = 1.		Alla datapunkter är inte beroende. Provvärden ska registreras och tas exakt.
Baserat på (en typ av distribution)		Baserat på normal distribution.		Baserat på Student-t-distribution.

Slutsats

Genom och i större utsträckning är båda dessa tester nästan lika, men jämförelsen kommer bara till deras villkor för deras tillämpning, vilket betyder 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-testet, två-tailed kontra en-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.