Z-Test与T-Test的深入剖析与区别

推论统计，提到假设检验，从脑海里一跃而出的便是 Z-Test 与 T-Test。可能在大学里学习时对这个两个检验方法囫囵吞枣，现在重新理解，更是疑问重重。 都知道， Z-Test 与 T-Test 用于正态分布的统计检验，大致也能知道T或Zvalue 大于查表后的某个数，便是统计显著差异，需要拒绝，百度搜索也能得知 Z-Test 与 T-Test 的区别： Z-Test 用于大样本(n>30)，或总体方差已知； T-Test 在小样本(n<30)，且总体方差未知时，适用性优于Z-Test，而在大样本时，T-Test 与 Z-Test 结论趋同。 不禁要问，为什么？为什么？为什么？ 这里，尝试从假设检验，Z与T的含义来重新理解。 假设检验 假设统计，分为描述统计与推论统计。顾名思义，描述统计如同画画似的，将一个事务的特征用数字描绘出来，每一幅数码相片背后是一组组的数字，将这组数字经过总结（我认为总结便是降低维度）, 变成容易记忆的数字，这些数字能在人的脑海里刻画出一个可识别的形象。那便是描述统计。 推论统计，显然是在描述差异，寻找规律。回归是在求同，寻找规律。聚类，是在求异，...