学生通常直接进行假设检验，而不是先用摘要统计和图表调查数据。鼓励他们先总结数据。除了总结他们的结果，图表还可以显示异常值和模式。

对于连续正态分布数据，使用平均值和标准差进行总结。如果数据有偏差或存在有影响的异常值，中位数（中间值）和四分位区间（上四分位-下四分位）更合适。

T检验有不同的类型：-

1. 配对T检验-依赖和独立。
2. 正常T检验

配对t检验用于确定配对差异。它用于样品少于50个，且试验所用样品保持不变的情况。

单样本t检验用于将样本均值与特定值进行比较。

t=（平均值-比较值）/标准误差

“F检验”使用F分布。它使用F统计量来比较两个方差。

i、 s1和s2，除以它们。结果总是一个大于零的数字（因为方差总是正的）。用f检验比较两个方差的公式是：

F=s21/s22

了解t检验和f检验之间的区别也很重要，因为许多人可以互换使用它们。

测试(ttest) vs. ftest公司(ftest)

t检验与f检验的区别在于t检验用于检验假设的给定均值与样本均值是否存在显著差异。另一方面，使用F-检验来比较两个样本的两个标准差并检查变**。

t检验与f检验对照表（表格形式）

什么是t检验(t-test)？

当样本量n小于30且标准差sigma未知时，使用T分布或T检验。

连续数据的分布通常可以近似地用正态分布来表示。

T分布通常用于计算数值数据，它是由正态分布导出的，也是正态分布的一种。

单样本t检验

单样本t检验涉及对总体均值的推断。

当我们只得到一个样本并且我们需要对该样本本身进行假设时，就使用了一个样本t检验。

两样本t检验

这在场景中比单样本t检验更常见。通常，我们要比较两组的平均值。

当我们只得到一个样本并且需要对该样本本身进行假设时，也可以使用两样本t检验。

我们可以在这个类别下运行两种类型的测试。

1. 配对检验：在这种情况下，相同的样本群体用于测试两种不同的治疗方法。比较相同（或密切匹配）参与者参与的两种情况的平均值。
2. 无关样本：在这篇文章中，我们比较了两组参与者的平均值。

假设检验与t检验

1. 我们可以画出t值的抽样分布（学生t分布）-这显示了如果零假设为真，每个t值的可能性
2. 分布将受到样本大小的影响（或者更准确地说，受自由度的影响）
3. 我们评估在给定t分布的情况下获得t值的可能性。

假设

单样本t检验需要以下统计假设：

1. 随机独立抽样。
2. 数据来自正态分布人群。

[注：一旦N>30，单样本t检验通常被认为对违反这一假设具有稳健性。]

什么是f试验(f-test)？

“F检验”使用F分布。它使用F统计量来比较两个方差。

检测两个正态分布随机变量方差同一性的F检验：-

我们对正态分布的两个独立随机变量在期望和方差未知的情况下方差的一致性的假设用所谓的F检验进行了检验。

H0:σ12=σ22

H1：σ12&gt；σ22

测试总是作为单侧测试进行的。

测试统计：Fsz=s12/s22，其中s12&gt；s22型

如果H0满足，那么Fsz是自由度n1-1，n2-1的F分布。

决策原则：针对Fsz≤ Fα0假设被接受，否则不被接受。

t检验与f检验的主要区别

1. The 参考(reference)和推荐(recommendation)的区别也就是说，t检验用于检验假设的给定均值是否与样本均值显著不同。另一方面，使用f-检验来比较两个样本的两个标准差并检查变**。
2. t检验可以进行双侧检验或单侧检验，但f检验是唯一的单侧检验，因为方差不能为负。
3. t检验有不同的类型：-配对t检验-依赖和独立，正常t检验。而f检验只有一种类型。
4. 当样本总体小于30且标准差未知时，采用t检验；当样本总体较大时，采用f检验。
5. t检验用于检验样本均值的假设，而f检验用于检验样本方差的假设。

结论

在统计学的世界里，对样本数据进行一些检验，以检验所要求的假设。其中两个检验是t检验和f检验。T检验用于检验给定均值与样本均值是否存在显著差异。

另一方面，使用F-检验来比较两个样本的两个标准差并检查变**。

参考文献

1. https://asa.scitation.org/doi/abs/10.1121/1.417933
2. https://projecteuclid.org/euclid.aoms/1177728261
3. https://www.mitpressjournals.org/doi/abs/10.1162/089976699300016007