Z检验，T检验，卡方检验家庭作业帮助

诸如t，F和Z等重要的各种测试都是基于假设样本是从偶发分布的人口抽取出来的。这些测试是已知的参数测试，因为它们因此涉及到群体参数。可能有些情况对于抽取样本的人口的分布情况是不可能的。这是非参数化测试的创建。这些测试是无分配的，不对人口参数做任何假设。卡方检验独立性和适合度是非参数检验的一个很好的例子。在这里，我们阻止了我们对卡方检验的讨论。

定义：

卡方检验是统计工作中最简单和最常用的非参数检验之一。希腊字母x2用于表示此测试。数量x2描述了差异理论和观察盘。

自由程度：

确定比较x2和表值的计算值之间的自由度因此，了解自由度是什么意思是非常重要的。这意味着可以任意或随意分配值的类的数量将自由违规

卡方分布：

卡方统计量的采样函数X2可以被称为卡方分布的连续曲线逼近。这个分布只有一个参数v，自由度的数量。卡方的概率函数取决于自由度v。随着v变化，卡方的概率函数也是。对于非常少的自由度，卡方分布在右边是偏斜的。随着自由度的增加，曲线的增加变得更加对称，直到数字达到很大的值，在这一点上，这种分布可以通过正态分布近似。

卡方检验有效条件：

卡方检验统计只能满足以下条件：

N总频数，应配置大，说大于50。

样本观察应该是独立的。这意味着样品中不应包含两个或更多个别物品。

对小区频率的约束。如果有的话，应该是线性的。

无理论细胞频率应小。如果预期频率小于x2的值将被高估。这将导致拒绝许多零假设。小是一个相对的术语。如果任何理论频率小于5，小于5的情况，那么我们不能应用x2测试。在这种情况下，我们使用抛光技术，其中包括将频率小于5的频率与先前或后续频率相加，从而得到的和大于5并相应地调节自由度。

给定的分布不应该被替换为相对频率或比例，而应以原始单位给出数据。

卡方检验的应用：

卡方分配有许多应用。最重要的应用如下所列：

卡方检验的适合度。

卡方检测属性广告的独立性

卡方检验作为均匀性检验。

Z检验和T检验

Z检验和t检验是涉及数据分析的统计方法，在商业，科学和许多其他领域都有应用。我们来探讨一些他们的差异和相似之处，以及其中一种方法应该在另外一种方式使用的情况。

Z检验是统计学计算，可用于比较样本的种群数量。 z-score告诉你，在标准偏差中，数据点与数据集的平均值或平均值有多远。 z检验将样本与定义的群体进行比较，通常用于处理与大样本相关的问题（n> 30）。当我们想测试一个假设时，Z检验也是有帮助的。通常，当标准偏差已知时，它们是最有用的。

像z检验一样，t检验是用于测试假设的计算，但是当我们需要确定两个独立样本组之间是否存在统计学显着性差异时，它们是最有用的。换句话说，t检验询问两组手段之间的差异是否因为随机机会而不太可能发生。通常，在处理有限样本量（n <30）的问题时，t检验是最合适的。

z检验和t检验均需要具有正态分布的数据，这意味着样本（或群体）数据在平均值周围均匀分布，如图所示：

让我们来说明两种测试之间的一些差异，并探讨这两种类型的统计方法中的每一种都是适当的情况。

Z测试示例

老师想要知道学生在她的数学课上表现相对于学区其他数学课程的学生。她执行了一个标准化测试，其他班级的学生采取了平均（平均）60和标准差10.她的班有40名学生。她应该使用哪种统计方法？

那么，基于这个问题，让我们来看看一些有助于我们确定最合适的选择方法的信息：

老师想把数学课（样本）中的学生与全区其他数学课程（人口）的学生进行比较。

老师将按照给定的均值和标准差进行标准化考试。

样品大于30。