不同的假设检验对被抽样的随机变量在数据中的分布做出不同的假设。在选择测试和解释结果时,必须考虑这些假设。
例如,z以及(中兴通讯
)和t以及(tt
)都假设数据是从正态分布中独立抽样的。Statistics和Machine Learning Toolbox™函数可用于测试这一假设,例如chi2gof
,制造商jbt
,lillietest
,normplot
.
这两个z以及和t-检验对于偏离这个假设是相对稳健的,只要样本量n足够大。两种测试都计算样本均值 ,根据中心极限定理,其抽样分布近似正态分布,其均值等于总体均值μ,无论总体分布如何抽样。
两者之间的区别z以及和t-test是在标准差的假设下σ正态分布。一个z以及假设σ是已知的;一个t以及没有。结果,attest必须计算一个估计值年代的标准差。
的测试统计z以及和t以及分别是
在零假设下,总体是均值分布的μ,z-统计量有一个标准正态分布,N(0, 1)。在相同的零假设下t统计学生的t分布与n1个自由度。对于小样本,学生的t分布较平且较宽N(0,1),以补偿估计中降低的置信度年代.然而,随着样本量的增加,学生的t分布趋近于标准正态分布,两种检验本质上是等价的。
知道在原假设下检验统计量的分布可以精确地计算p值。解释p-值在测试假设的上下文中允许对测试结果进行关键分析。
在实现函数的参考页中给出了统计和机器学习工具箱假设检验的假设。