Skillnad mellan Z-test och T-test

Z-test Vs T-test

Ibland är det inte praktiskt att mäta varje enskild punkt. Det är därför vi utvecklade och använde statistiska metoder för att lösa problem. Det mest praktiska sättet att göra det är att mäta bara ett urval av befolkningen. Vissa metoder testar hypoteser genom jämförelse. De två av de mer kända statistiska hypotesetestet är T-testet och Z-testet. Låt oss försöka bryta ned de två.

Ett T-test är ett statistiskt hypotesprov. I ett sådant test följer teststatistiken en Students T-distribution om nollhypotesen är sann. T-statistiken introducerades av W.S. Gossett under pennnamnet "Student". T-testet kallas också för "Student T-test". Det är mycket troligt att T-testet är mest använda statistiska dataanalysproceduren för hypotesprövning eftersom den är enkel och enkel att använda. Dessutom är det flexibelt och anpassningsbart till ett brett spektrum av omständigheter.

Det finns olika T-tester och två vanligaste testerna är testen med ett prov och parningsprovet T-test. Ett-prov T-test används för att jämföra ett provmedel med det kända populationmedlet. Två-prov-T-test, å andra sidan, används för att jämföra antingen oberoende prover eller beroende prov.

T-test tillämpas bäst, åtminstone teoretiskt, om du har en begränsad provstorlek (n 30). När T-test används i stora prover, blir t-testet väldigt lik Z-testet. Det finns fluktuationer som kan förekomma i T-test-provvariationer som inte existerar i Z-tester. På grund av detta finns skillnader i båda testresultaten.

Sammanfattning:

1. Z-test är ett statistiskt hypotesprov som följer en normal fördelning medan T-testet följer en Students T-distribution.
2. Ett T-test är lämpligt när du hanterar småprover (n 30).
3. T-testet är mer anpassningsbart än Z-test eftersom Z-test ofta kräver att vissa villkor är tillförlitliga. Dessutom har T-test många metoder som passar alla behov.
4. T-test används vanligare än Z-test.
5. Z-tester är föredragna än T-tester när standardavvikelser är kända.