两独立样本T检验的适用范围是什么？

两独立样本t检验，又称成组t检验，两总体t检验，两样本均数比较的t检验，适用于完全随机设计两样本均数的比较。

一、检验目的：

根据样本数据对两个样本来自的两个独立总体的均值是否有显著差异进行判断。

二、需要满足的条件：

1、随机抽样，所有观测应该是随机的从目标总体中抽出。

2、正态分布，每个样本来自的总体必须满足正态分布。

3、方差齐性，均数比较时，要求两总体方差相等。

扩展资料：

一、两独立样本t检验应用条件：

1、两样本含量较小，如两样本含量均小于等于60,或至少其中一样本小于等于60；

2、两样本是相互独立的,样本来自的两个总体服从正态分布；

3、两总体方差相等，或两总体方差不等，经过数据转换后方差齐，可以应用两独立样本t检验。

二、当两总体方差不等，经数据转换后方差不齐，需要用t‘检验或秩转换的非参数检验。

三、当样本例数比较大，大于60时，且服从正态分布，可以采用u检验。

参考资料：

——t检验——两总体t检验（两独立样本t检验）

1样本平均数：

2总体平均数：

3四分位差：

4方差：

（1）总体方差：

（2）样本方差：

5标准差：

（1）总体标准差：

（2）样本标准差：

6变异系数

总体：

样本：

7标准分数（Z分数）

8样本协方差 9皮尔逊相关系数

10加权平均数

11分组数据样本平均数

12分组数据样本方差

13排列组合公式

14事件补的概率P（A）

15加法公式P（AUB）

16条件概率P（A|B）

17乘法公式P（AnB）

18独立事件P（AnB）

19全概率公式P（B）

20贝叶斯公式P（A|B）

21离散型随机变量的数学期望

22离散型随机变量的方差

23二项分布的概率函数p（x）

24二项分布的数学期望和方差

25泊松分布

27超几何分布

28正态概率密度函数

29标准正态分布变换

30的数学期望和标准差：

有限总体时

无限总体时

31比例p的数学期望和标准差

有限总体时

无限总体时

32估计u时的抽样误差：

33总体均值的区间估计

（1）大样本且方差已知：

（2）大样本且方差未知：

（3）总体正态，小样本，方差已知

（4）总体正态，小样本，方差未知

34估计u时所需的样本容量：n

35总体比率P的区间估计

36p的区间估计时所需的样本容量

37大样本总体均值的检验统计量：

方差已知：

方差未知：

38小样本总体均值的检验统计量：

39总体比率检验统计量：

40总体均值的单侧检验中所需样本容量：

41独立样本时，两个总体均值之差的点估计量：

Microsoft Excel 提供了一组数据分析工具，称为“分析工具库”，在建立复杂统计或工程分析时可节省步骤。只需为每一个分析工具提供必要的数据和参数，该工具就会使用适当的统计或工程宏函数，在输出表格中显示相应的结果。其中有些工具在生成输出表格时还能同时生成图表。

相关的工作表函数 Excel 还提供了许多其他统计、财务和工程工作表函数。某些统计函数是内置函数，而其他函数只有在安装了“分析工具库”之后才能使用。

访问数据分析工具 “分析工具库”包括下述工具。要使用这些工具，请单击“工具”菜单上的“数据分析”。如果没有显示“数据分析”命令，则需要加载“分析工具库”加载项 （加载项：为 Microsoft Office 提供自定义命令或自定义功能的补充程序。）程序。

方差分析

方差分析工具提供了几种方差分析工具。具体使用哪一种工具则根据因素的个数以及待检验样本总体中所含样本的个数而定。

方差分析：单因素 此工具可对两个或更多样本的数据执行简单的方差分析。此分析可提供一种假设测试，该假设的内容是：每个样本都取自相同基础概率分布，而不是对所有样本来说基础概率分布都不相同。如果只有两个样本，则工作表函数 TTEST 可被平等使用。如果有两个以上样本，则没有合适的 TTEST 归纳和“单因素方差分析”模型可被调用。

方差分析：包含重复的双因素 此分析工具可用于当数据按照二维进行分类时的情况。例如，在测量植物高度的实验中，植物可能使用不同品牌的化肥（例如 A、B 和 C），并且也可能放在不同温度的环境中（例如高和低）。对于这 6 对可能的组合 {化肥，温度}，我们有相同数量的植物高度观察值。使用此方差分析工具，我们可检验：

使用不同品牌化肥的植物的高度是否取自相同的基础总体；在此分析中，温度可以被忽略。

不同温度下的植物的高度是否取自相同的基础总体；在此分析中，化肥可以被忽略。

是否考虑到在第 1 步中发现的不同品牌化肥之间的差异以及第 2 步中不同温度之间差异的影响，代表所有 {化肥，温度} 值的 6 个样本取自相同的样本总体。另一种假设是仅基于化肥或温度来说，这些差异会对特定的 {化肥，温度} 值有影响。

方差分析：无重复的双因素 此分析工具可用于当数据按照二维进行分类且包含重复的双因素的情况。但是，对于此工具，假设每一对值只有一个观察值（例如，在上面的示例中的 {化肥，温度} 值）。使用此工具我们可以应用方差分析的第 1 和 2 步检验：包含重复的双因素情况，但没有足够的数据应用第 3 步的数据。

相关系数

CORREL 和 PEARSON 工作表函数可计算两组不同测量值变量之间的相关系数，条件是当每种变量的测量值都是对 N 个对象进行观测所得到的。（任何对象的任何丢失的观测值都会引起在分析中忽略该对象。）系数分析工具特别适合于当 N 个对象中的每个对象都有多于两个测量值变量的情况。它可提供输出表和相关矩阵，并显示应用于每种可能的测量值变量对的 CORREL（或 PEARSON）值。

与协方差一样，相关系数是描述两个测量值变量之间的离散程度的指标。与协方差的不同之处在于，相关系数是成比例的，因此它的值独立于这两种测量值变量的表示单位。（例如，如果两个测量值变量为重量和高度，如果重量单位从磅换算成千克，则相关系数的值不改变）。任何相关系数的值必须介于 -1 和 +1 之间。

可以使用相关分析工具来检验每对测量值变量，以便确定两个测量值变量的变化是否相关，即，一个变量的较大值是否与另一个变量的较大值相关联（正相关）；或者一个变量的较小值是否与另一个变量的较大值相关联（负相关）；还是两个变量中的值互不关联（相关系数近似于零）。

协方差

“相关”和“协方差”工具可在相同设置下使用，当您对一组个体进行观测而获得了 N 个不同的测量值变量。“相关”和“协方差”工具都可返回一个输出表和一个矩阵，分别表示每对测量值变量之间的相关系数和协方差。不同之处在于相关系数的取值在 -1 和 +1 之间，而协方差没有限定的取值范围。相关系数和协方差都是描述两个变量离散程度的指标。

“协方差”工具为每对测量值变量计算工作表函数 COVAR 的值。（当只有两个测量值变量，即 N=2 时，可直接使用函数 COVAR，而不是协方差工具）在协方差工具的输出表中的第 i 行、第 j 列的对角线上的输入值就是第 i 个测量值变量与其自身的协方差；这就是用工作表函数 VARP 计算得出的变量的总体方差。

可以使用协方差工具来检验每对测量值变量，以便确定两个测量值变量的变化是否相关，即，一个变量的较大值是否与另一个变量的较大值相关联（正相关）；或者一个变量的较小值是否与另一个变量的较大值相关联（负相关）；还是两个变量中的值互不关联（协方差近似于零）。

描述统计

“描述统计”分析工具用于生成数据源区域中数据的单变量统计分析报表，提供有关数据趋中性和易变性的信息。

指数平滑

“指数平滑”分析工具基于前期预测值导出相应的新预测值，并修正前期预测值的误差。此工具将使用平滑常数 a，其大小决定了本次预测对前期预测误差的修正程度。

注释 02 到 03 之间的数值可作为合理的平滑常数。这些数值表明本次预测应将前期预测值的误差调整 20% 到 30%。大一些的常数导致快一些的响应但会生成不可靠的预测。小一些的常数会导致预测值长期的延迟。

F-检验双样本方差

“F-检验双样本方差”分析工具通过双样本 F-检验，对两个样本总体的方差进行比较。

例如，您可在一次游泳比赛中对每两个队的时间样本使用 F-检验工具。该工具提供空值假设的检验结果，该假设的内容是：这两个样本来自具有相同方差的分布，而不是方差在基础分布中不相等。

该工具计算 F-统计（或 F-比值）的 F 值。F 值接近于 1 说明基础总体方差是相等的。在输出表中，如果 F < 1，则当总体方差相等且根据所选择的显著水平“F 单尾临界值”返回小于 1 的临界值时，“P(F <= f) 单尾”返回 F-统计的观察值小于 F 的概率 Alpha。如果 F > 1，则当总体方差相等且根据所选择的显著水平，“F 单尾临界值”返回大于 1 的临界值时，“P(F <= f) 单尾”返回 F-统计的观察值大于 F 的概率 Alpha。

傅立叶分析

“傅立叶分析”分析工具可以解决线性系统问题，并能通过快速傅立叶变换 (FFT) 进行数据变换来分析周期性的数据。此工具也支持逆变换，即通过对变换后的数据的逆变换返回初始数据。

直方图

“直方图”分析工具可计算数据单元格区域和数据接收区间的单个和累积频率。此工具可用于统计数据集中某个数值出现的次数。

例如，在一个有 20 名学生的班里，可按字母评分的分类来确定成绩的分布情况。直方图表可给出字母评分的边界，以及在最低边界和当前边界之间分数出现的次数。出现频率最多的分数即为数据集中的众数。

移动平均

“移动平均”分析工具可以基于特定的过去某段时期中变量的平均值，对未来值进行预测。移动平均值提供了由所有历史数据的简单的平均值所代表的趋势信息。使用此工具可以预测销售量、库存或其他趋势。预测值的计算公式如下：

式中：

N 为进行移动平均计算的过去期间的个数

Aj 为期间 j 的实际值

Fj 为期间 j 的预测值

随机数发生器

“随机数发生器”分析工具可用几个分布中的一个产生的独立随机数来填充某个区域。可以通过概率分布来表示总体中的主体特征。

例如，可以使用正态分布来表示人体身高的总体特征，或者使用双值输出的伯努利分布来表示掷币实验结果的总体特征。

排位与百分比排位

“排位与百分比排位”分析工具可以产生一个数据表，在其中包含数据集中各个数值的顺序排位和百分比排位。该工具用来分析数据集中各数值间的相对位置关系。该工具使用工作表函数 RANK 和 PERCENTRANK。RANK 不考虑重复值。如果希望考虑重复值，请在使用工作表函数 RANK 的同时，使用帮助文件中所建议的函数 RANK 的修正因素。

回归分析

回归分析工具通过对一组观察值使用“最小二乘法”直线拟合来执行线性回归分析。本工具可用来分析单个因变量是如何受一个或几个自变量影响的。

例如，观察某个运动员的运动成绩与一系列统计因素的关系，如年龄、身高和体重等。可以基于一组已知的成绩统计数据，确定这三个因素分别在运动成绩测试中所占的比重，使用该结果对尚未进行过测试的运动员的表现作出预测。

回归工具使用工作表函数 LINEST。

抽样分析

抽样分析工具以数据源区域为总体，从而为其创建一个样本。当总体太大而不能进行处理或绘制时，可以选用具有代表性的样本。如果确认数据源区域中的数据是周期性的，还可以对一个周期中特定时间段中的数值进行采样。

例如，如果数据源区域包含季度销售量数据，则以四为周期进行取样，将在输出区域中生成与数据源区域中相同季度的数值。

t-检验

“双样本 t-检验”分析工具基于每个样本检验样本总体平均值是否相等。这三个工具分别使用不同的假设：样本总体方差相等；样本总体方差不相等；两个样本代表处理前后同一对象上的观察值。

对于以下所有三个工具，t-统计值 t 被计算并在输出表中显示为“t Stat”。数据决定了 t 是负值还是非负值。假设基于相等的基础总体平均值，如果 t < 0，则“P(T <= t) 单尾”返回 t-统计的观察值比 t 更趋向负值的概率。如果 t >=0，则“P(T <= t) 单尾”返回 t-统计的观察值比 t 更趋向正值的概率。“t 单尾临界值”返回截止值，这样，t-统计的观察值将大于或等于“t 单尾临界值”的概率就为 Alpha。

“P(T <= t) 双尾”返回将被观察的 t-统计的绝对值大于 t 的概率。“P 双尾临界值”返回截止值，这样，被观察的 t-统计的绝对值大于“P 双尾临界值”的概率就为 Alpha。

t-检验：双样本等方差假设 本分析工具可进行双样本学生 t-检验。此 t-检验窗体先假设两个数据集取自具有相同方差的分布，故也称作同方差 t-检验。可以使用此 t-检验来确定两个样本是否来自具有相同总体平均值的分布。

t-检验：双样本异方差假设 本分析工具可进行双样本学生 t-检验。此 t-检验窗体先假设两个数据集取自具有不同方差的分布，故也称作异方差 t-检验。如同上面的“等方差”情况，可以使用此 t-检验来确定两个样本是否来自具有相同总体平均值的分布。当两个样本中有截然不同的对象时，可使用此检验。当对于每个对象具有唯一一组对象以及代表每个对象在处理前后的测量值的两个样本时，则应使用下面所描述的成对检验。

用于确定统计值 t 的公式如下：

下列公式可用于计算自由度 df。因为计算结果一般不是整数，所以 df 的值被舍入为最接近的整数以便从 t 表中获得临界值。因为有可能为 TTEST 计算出一个带有非整数 df 的值，所以 Excel 工作表函数 TTEST 使用计算出的、未进行舍入的 df 值。由于这些决定自由度（TTEST 函数的结果）的不同方式，此 t-检验工具将与“异方差”情况中不同。

t-检验：成对双样本平均值 当样本中存在自然配对的观察值时（例如，对一个样本组在实验前后进行了两次检验），可以使用此成对检验。此分析工具及其公式可以进行成对双样本学生 t-检验，以确定取自处理前后的观察值是否来自具有相同总体平均值的分布。此 t-检验窗体并未假设两个总体的方差是相等的。

注释 由此工具生成的结果中包含有合并方差，亦即数据相对于平均值的离散值的累积测量值，可以由下面的公式得到：

z-检验

“z-检验：双样本平均值”分析工具可对具有已知方差的平均值进行双样本 z-检验。此工具用于检验两个总体平均值之间存在差异的空值假设，而不是单方或双方的其它假设。如果方差已知，则应该使用工作表函数 ZTEST。

当使用“z-检验”工具时，应该仔细理解输出。当总体平均值之间没有差别时，“P(Z <= z) 单尾”是 P(Z >= ABS(z))，即与 z 观察值沿着相同的方向远离 0 的 z 值的概率。当总体平均值之间没有差异时，“P(Z <= z) 双尾”是 P(Z >= ABS(z) 或 Z <= -ABS(z))，即沿着任何方向（而非与观察到的 z 值的方向一致）远离 0 的 z 值的概率。双尾结果只是单尾结果乘以 2。z-检验工具还可用于当两个总体平均值之间的差异具有特定的非零值的空值假设的情况。

例如，可以使用此检验来确定两种汽车之间的性能差异情况。

说明：两总体方差相等

F检验：

F检验又叫方差齐性检验。在两样本t检验中要用到F检验。

从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断两总体方差是否相同，即方差齐性。若两总体方差相等，则直接用t检验，若不等，可采用t'检验或变量变换或秩和检验等方法。

其中要判断两总体方差是否相等，就可以用F检验。

简单的说就是 检验两个样本的 方差是否有显著性差异 这是选择何种T检验（等方差双样本检验，异方差双样本检验）的前提条件。

F检验法是英国统计学家Fisher提出的，主要通过比较两组数据的方差 S^2，以确定他们的精密度是否有显著性差异。至于两组数据之间是否存在系统误差，则在进行F检验并确定它们的精密度没有显著性差异之后，再进行t检验。