关键信息
- 分类
- 数学、日期与金融
- 输入类型
- select, number
- 输出类型
- json
- 样本覆盖
- 4
- 支持 API
- Yes
概览
Z 检验计算器是一款专业的统计分析工具，专为执行总体标准差已知的单样本均值 Z 检验或单总体比例 Z 检验而设计。通过输入样本数据、假设参数和显著性水平，该工具能快速计算出 Z 统计量和 P 值，并直接给出是否拒绝原假设的结论，帮助研究人员、数据分析师和质量控制人员高效完成假设检验与统计推断。
适用场景
- •当总体标准差已知，且需要检验样本均值是否与假设的总体均值存在显著差异时。
- •当需要检验某个事件发生的样本比例是否与预期的总体比例相符时。
- •在进行大样本（通常样本量 n ≥ 30）的统计推断和假设检验时。
工作原理
- •选择检验类型（均值检验或比例检验），并设定备择假设（双侧、大于或小于）及显著性水平（如 0.05）。
- •根据所选类型，输入样本均值、假设均值、总体标准差和样本量，或输入成功次数、试验总数和假设比例。
- •工具自动应用 Z 检验公式计算 Z 统计量和对应的 P 值。
- •最终输出包含 Z 值、P 值以及是否拒绝原假设（rejectNull）的明确结论。
使用场景
质量控制：检验生产线上某批次产品的平均重量是否符合标准规格（已知历史总体标准差）。
市场调研：评估新广告投放后，用户点击率（比例）是否显著高于行业平均水平。
学术研究：在医学或心理学实验中，验证大样本测试组的平均得分是否偏离理论预期值。
用户案例
1. 生产线产品重量检验
质量控制工程师- 背景原因
- 工厂生产一种标准重量为 100g 的零件，历史数据显示总体标准差为 15g。最近抽检了 64 个零件，测得平均重量为 105g。
- 解决问题
- 需要确认这批抽检零件的平均重量是否显著偏离标准重量 100g。
- 如何使用
- 选择“均值”检验类型，输入样本均值 105，假设均值 100，总体标准差 15，样本量 64，选择“双侧”检验，显著性水平设为 0.05。
- 示例配置
-
{"testType": "mean", "sampleMean": 105, "hypothesizedMean": 100, "populationStandardDeviation": 15, "sampleSize": 64, "alternative": "two-sided", "alpha": 0.05} - 效果
- 计算得出 Z 统计量为 2.6667，P 值为 0.0077。由于 P 值小于 0.05，结果显示拒绝原假设（rejectNull: true），说明该批次零件重量存在显著偏差。
2. 营销活动转化率评估
数据分析师- 背景原因
- 某电商平台历史平均转化率为 50%。近期推出了一项新营销活动，在 100 次用户访问中，有 60 次成功转化。
- 解决问题
- 评估新活动的转化率是否显著高于历史平均水平（50%）。
- 如何使用
- 选择“比例”检验类型，输入成功次数 60，试验总数 100，假设比例 0.5，备择假设选择“大于”，显著性水平设为 0.05。
- 示例配置
-
{"testType": "proportion", "successCount": 60, "trialCount": 100, "hypothesizedProportion": 0.5, "alternative": "greater", "alpha": 0.05} - 效果
- 工具计算出 Z 统计量为 2.0000，单侧 P 值为 0.0228。P 值小于 0.05，拒绝原假设，证明新营销活动确实显著提升了转化率。
用 Samples 测试
barcode空白字符标准化示例
用于测试规范化工具的各种空白字符问题的示例文本文件
task process
Nginx 日志解析示例
用于测试 log-parser 工具的综合 Nginx 日志样本，包括访问日志和错误日志的各种格式和场景
task process
ELK Stack 日志分析示例
全面的 ELK Stack（Elasticsearch、Logstash、Kibana）示例，用于分布式系统中的日志聚合、处理和可视化
task process
正则表达式命名捕获组
使用命名捕获组从文本中提取结构化数据的正则表达式模式集合。命名组通过为捕获的部分分配有意义的名称，使模式更易读和更易维护。
task process
相关专题
常见问题
Z 检验和 T 检验有什么区别？
Z 检验适用于总体标准差已知或样本量足够大（通常 n≥30）的情况；而 T 检验适用于总体标准差未知且样本量较小的情况。
什么是显著性水平（Alpha）？
显著性水平是拒绝原假设的概率阈值，通常设定为 0.05。如果计算出的 P 值小于该值，则认为结果具有统计学显著性。
如何选择双侧检验还是单侧检验？
如果只关心样本值是否大于或小于假设值，选择单侧（大于/小于）；如果关心是否不等于假设值（无论偏大还是偏小），则选择双侧检验。
比例 Z 检验需要输入哪些数据？
需要输入试验总数、成功次数（或发生特定事件的次数）以及假设的总体比例。
工具输出的 rejectNull 为 true 代表什么？
代表计算出的 P 值小于设定的显著性水平，因此拒绝原假设，说明样本数据与假设值之间存在显著差异。