Z 检验基本原理 | 学习笔记

简介: 快速学习 Z 检验基本原理

开发者学堂课程【人工智能必备基础:概率论与数理统计:Z 检验基本原理】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/545/detail/7445


Z 检验基本原理

内容介绍

一、总体均值检验

二、Z 检验原理

 

一、总体均值检验

image.png

Z 检验的使用:第一部,当数据中已知总体的标准差是多少。第二部,样本量小于30,就用 Z 检验。

T 检验的使用:当数据中总体的标准差不是已知的。因为可以用样本的标准差 S 来代替总体的标准差。

一般都用 t 检验。

统计量 Z 值的计算公式为:
如果检验一个样木平均数与一个己知的总体平均数的差异是否显著,其 Z 值计算公式为:
image.png
如果检验来自两个的两组样本平均数的差异性,从而判断它们各自代表的总体的差异是否显著,其 Z 值计算公式为:
image.png

二、Z 检验原理:

当总体标准差已知,样本量较大时用标准正态分布的理论来推断差异发生的概率,从而比较两个平均数的差异是否显著

标准正态变换后 Z 的界值
双侧:  Z0.05/2=1.96,Z0.01/2=2.58
单侧:  Z0.05=1.645,Z0.01=2.33

相关文章
|
机器学习/深度学习 数据采集 人工智能
机器学习基础知识——基本原理、常用算法与评估指标
机器学习基础知识——基本原理、常用算法与评估指标
915 0
|
机器学习/深度学习 算法 大数据
机器学习:Friedman检验与Nemenyi后续检验,Python实现
机器学习:Friedman检验与Nemenyi后续检验,Python实现
1383 0
机器学习:Friedman检验与Nemenyi后续检验,Python实现
|
机器学习/深度学习 人工智能 算法
机器学习笔试面试之图像数据不足时的处理方法、检验方法、不均衡样本集的重采样
机器学习笔试面试之图像数据不足时的处理方法、检验方法、不均衡样本集的重采样
219 0
|
6月前
|
机器学习/深度学习 数据采集 存储
一文读懂蒙特卡洛算法:从概率模拟到机器学习模型优化的全方位解析
蒙特卡洛方法起源于1945年科学家斯坦尼斯劳·乌拉姆对纸牌游戏中概率问题的思考,与约翰·冯·诺依曼共同奠定了该方法的理论基础。该方法通过模拟大量随机场景来近似复杂问题的解,因命名灵感源自蒙特卡洛赌场。如今,蒙特卡洛方法广泛应用于机器学习领域,尤其在超参数调优、贝叶斯滤波等方面表现出色。通过随机采样超参数空间,蒙特卡洛方法能够高效地找到优质组合,适用于处理高维度、非线性问题。本文通过实例展示了蒙特卡洛方法在估算圆周率π和优化机器学习模型中的应用,并对比了其与网格搜索方法的性能。
534 1
|
9月前
|
自然语言处理 算法 Serverless
详尽分享贝叶斯算法的基本原理和算法实现
详尽分享贝叶斯算法的基本原理和算法实现
110 0
|
10月前
R语言配对检验分析案例
R语言配对检验分析案例
|
10月前
R语言t检验和非正态性的鲁棒性
R语言t检验和非正态性的鲁棒性
|
10月前
|
数据可视化
R语言使用蒙特卡洛模拟进行正态性检验及可视化
R语言使用蒙特卡洛模拟进行正态性检验及可视化
|
10月前
|
C++
【SPSS】两配对样本T检验分析详细操作教程(附案例实战)
【SPSS】两配对样本T检验分析详细操作教程(附案例实战)
902 0
【SPSS】两配对样本T检验分析详细操作教程(附案例实战)
|
10月前
|
数据挖掘 C++
【SPSS】单样本K-S检验和两独立样本K-S检验详细操作教程(附案例实战)
【SPSS】单样本K-S检验和两独立样本K-S检验详细操作教程(附案例实战)
1069 0