M4-005Medium假设检验 · Hypothesis testing🔥 大厂高频出现 9 次

什么时候用 t 检验,什么时候用 z 检验?样本很大时还有区别吗?

When do you use a t-test versus a z-test? Does it matter at large n?
💡 考场高分一句话答案:

总体方差已知用 z 检验,总体方差未知且用样本方差估计时用 t 检验;工业界两组方差极少齐同,必须默认使用 Welch's t-test 而非假定同方差的 Student's t。

Use t when the variance is estimated from the sample, z when it is known or n is very large. In A/B testing you almost always use t, specifically Welch.

📌 核心考察要点 (Key Points)

  • t 检验:方差从样本估,用 t 分布,尾部更厚;小样本时差异明显
  • z 检验:方差已知或 n 很大(t→z);比例检验常用 z 近似
  • Welch vs Student:方差不齐时用 Welch,A/B 场景应默认 Welch(更稳健)
  • 大样本:两者数值几乎相同,但比率指标仍需 delta method 而非直接用二项方差
  • t: variance estimated, heavier tails, materially different in small samples
  • z: known variance or very large n; proportions are often approximated with z
  • Welch vs Student: Welch is the default for A/B because it does not assume equal variances
  • Large n: the two converge, but ratio metrics still need the delta method rather than binomial variance

📐 第一性原理与数理推导机理

总体方差未知时,样本方差 $S^2 = \frac{1}{n-1}\sum (X_i - \bar{X})^2$ 引入了额外随机性。构造统计量 $T = \frac{\bar{X} - \mu}{S / \sqrt{n}} \sim t_{n-1}$。当样本量 $n > 1000$ 时,$t$ 分布与标准正态分布差异小于 0.001,数值上趋同。然而对于双样本均值比较,若两组方差不齐($\sigma_1^2 \ne \sigma_2^2$),必须采用 Welch's t 检验,自由度由 Welch-Satterthwaite 公式近似确定:$$\mathrm{df} = \frac{\left(\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}\right)^2}{\frac{(s_1^2/n_1)^2}{n_1 - 1} + \frac{(s_2^2/n_2)^2}{n_2 - 1}}$$

⚠️ 常见高频面试陷阱与避坑指南

  • 盲目假定两组方差齐同使用标准 Student's t 检验,在两组样本量不均衡(如 90:10)时严重膨胀假阳性率。
  • 在比率指标(如 CTR = 点击/曝光)中直接套用两比例 z 检验,忽视用户级曝光聚集导致的方差严重低估。

🔍 大厂面试官连环追问 (Follow-ups)

  • 在样本量千万级别的大数据实验中,为什么 Welch's t 依然优于纯 z 检验?
  • 如何检验两组方差是否齐同?如果方差不齐检验本身在大样本下过敏该怎么办?

🎯 关联大厂考题实战训练 (6 题)

嫌字多看太累?进入苏格拉底式对话推演实验室

零打字负担,以大厂考官真实困境切入,通过点选直觉选项暴露思维盲区,手把手推导 Why。

💬 开启对话式破冰 ➔
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔