آزمون Z چیست؟

آزمون Z یک آزمون فرضیه است که برای مقایسه یک میانگین با یک مقدار فرضی یا بررسی برابری دو میانگین استفاده می‌شود. این آزمون فرض می‌کند که داده‌ها تقریباً از توزیع نرمال پیروی می‌کنند، در غیر این صورت آزمون کارایی لازم را نخواهد داشت. پارامترهایی مانند واریانس و انحراف معیار باید هنگام انجام آزمون Z محاسبه شوند.

نکات کلیدی

• آزمون Z یک آزمون فرضیه برای داده‌هایی است که از توزیع نرمال پیروی می‌کنند.
• آماره Z یا امتیاز Z (Z-score) نتیجه آزمون Z را نشان می‌دهد.
• آزمون‌های Z به آزمون‌های T مرتبط هستند، اما آزمون‌های T برای نمونه‌های کوچک (کمتر از 30) مناسب‌ترند.
• آزمون Z فرض می‌کند انحراف معیار جامعه شناخته شده است، در حالی که آزمون T فرض می‌کند که انحراف معیار ناشناخته است.

آزمون فرضیه

آزمون Z نوعی آزمون فرضیه است که در آن آماره Z از توزیع نرمال پیروی می‌کند. این آزمون برای نمونه‌هایی با حجم بیشتر از 30 مناسب است، زیرا بر اساس قضیه حد مرکزی (Central Limit Theorem) ، نمونه‌های بزرگ‌تر تقریباً به‌طور نرمال توزیع شده‌اند. برای اثربخشی آزمون Z، جامعه باید توزیع نرمال داشته باشد و نمونه‌ها باید واریانس یکسانی داشته باشند. همچنین، تمام نقاط داده باید مستقل از یکدیگر باشند.

هنگام انجام آزمون Z، باید فرضیه صفر (null hypothesis)، فرضیه جایگزین (alternative hypothesis) و سطح آلفا (سطح معنی‌داری) مشخص شوند. امتیاز Z محاسبه می‌شود و نتایج نشان می‌دهند که امتیاز حاصل از آزمون Z چند انحراف معیار بالاتر یا پایین‌تر از میانگین جامعه است.

آزمون‌هایی که می‌توانند به‌صورت آزمون Z انجام شوند شامل آزمون مکان یک نمونه، آزمون مکان دو نمونه، آزمون تفاوت جفت‌شده و تخمین حداکثر درست‌نمایی می‌شوند. آزمون‌های Z به آزمون‌های T مرتبط هستند، اما آزمون T برای نمونه‌های کوچک‌تر مناسب‌تر است. همچنین، آزمون T فرض می‌کند که انحراف معیار جامعه ناشناخته است، در حالی که آزمون Z فرض می‌کند که انحراف معیار شناخته شده است. اگر انحراف معیار جامعه ناشناخته باشد، فرض می‌شود که واریانس نمونه برابر با واریانس جامعه است.

فرمول امتیاز Z

امتیاز Z با استفاده از فرمول زیر محاسبه می‌شود:

z = ( x − μ ) σ z = \frac{(x - \mu)}{\sigma} z = σ ( x − μ ) ​

که در آن:

• z z z : امتیاز Z
• x x x : مقدار مورد ارزیابی
• μ \mu μ : میانگین
• σ \sigma σ : انحراف معیار

مثال آزمون Z یک نمونه‌ای

فرض کنید یک سرمایه‌گذار می‌خواهد بررسی کند که آیا میانگین بازده روزانه یک سهم بیشتر از 3% است. یک نمونه تصادفی از 50 بازده محاسبه شده و میانگین آن 2% است. فرض کنید انحراف معیار بازده‌ها 2.5% است. بنابراین، فرضیه صفر این است که میانگین برابر با 3% است.

در مقابل، فرضیه جایگزین این است که میانگین بازده بیشتر یا کمتر از 3% است. فرض کنید سطح آلفای 0.05% با یک آزمون دوطرفه انتخاب شده است. در این حالت، 0.025% از نمونه‌ها در هر دم (tail) قرار دارند و آلفا دارای مقادیر بحرانی 1.96 یا -1.96 است. اگر مقدار Z Z Z بیشتر از 1.96 یا کمتر از -1.96 باشد، فرضیه صفر رد می‌شود.

مقدار Z با کسر میانگین بازده انتخاب‌شده برای آزمون (در این مورد 3%) از میانگین مشاهده‌شده نمونه‌ها محاسبه می‌شود. سپس، مقدار حاصل بر انحراف معیار تقسیم بر جذر تعداد مقادیر مشاهده‌شده تقسیم می‌شود:

z = ( 0.02 − 0.03 ) ( 0.025 ÷ 50 ) = − 2.83 z = \frac{(0.02 - 0.03)}{(0.025 \div \sqrt{50})} = -2.83 z = ( 0.025 ÷ 5 ​ ) ( 0.02 − 0.03 ) ​ = − 2.83

سرمایه‌گذار فرضیه صفر را رد می‌کند، زیرا z z z کمتر از -1.96 است و نتیجه می‌گیرد که میانگین بازده روزانه کمتر از 3% است.

تفاوت بین آزمون T و آزمون Z چیست؟

• آزمون T برای داده‌هایی با حجم نمونه کوچک (کمتر از 30) مناسب‌تر است و فرض می‌کند که انحراف معیار جامعه ناشناخته است.
• آزمون Z برای نمونه‌های بزرگ‌تر (30 یا بیشتر) استفاده می‌شود و فرض می‌کند که انحراف معیار جامعه شناخته شده است.

چه زمانی باید از آزمون Z استفاده کرد؟

اگر انحراف معیار جامعه شناخته شده باشد و حجم نمونه 30 یا بیشتر باشد، می‌توان از آزمون Z استفاده کرد. اگر انحراف معیار جامعه ناشناخته باشد، صرف‌نظر از حجم نمونه، باید از آزمون T استفاده شود.

قضیه حد مرکزی (Central Limit Theorem - CLT) چیست؟

در نظریه احتمال، قضیه حد مرکزی بیان می‌کند که توزیع یک نمونه با افزایش حجم نمونه به توزیع نرمال (یا منحنی زنگوله‌ای) نزدیک می‌شود، مشروط بر اینکه همه نمونه‌ها اندازه یکسانی داشته باشند، صرف‌نظر از شکل توزیع جامعه. حجم نمونه‌های 30 یا بیشتر برای پیش‌بینی دقیق ویژگی‌های جامعه کافی تلقی می‌شوند. دقت آزمون Z به این قضیه وابسته است.

روندها و داده‌های اخیر

بر اساس اطلاعات موجود و پست‌های X تا ژوئیه 2025:

• کاربرد در تحلیل مالی : آزمون‌های Z به‌طور گسترده در تحلیل‌های مالی برای ارزیابی بازده‌های سرمایه‌گذاری و مقایسه عملکرد پرتفوی‌ها با معیارهای بازار در سال 2024 استفاده شده‌اند.
• پیشرفت‌های نرم‌افزاری : ابزارهای آماری مانند R ، Python و SPSS قابلیت‌های پیشرفته‌ای برای انجام آزمون‌های Z ارائه داده‌اند، که تجزیه‌وتحلیل داده‌ها را برای محققان و تحلیلگران آسان‌تر کرده است.
• آموزش و آگاهی : پست‌های X نشان‌دهنده افزایش آگاهی در میان دانشجویان و حرفه‌ای‌ها درباره استفاده از آزمون‌های Z در تحلیل داده‌ها است، به‌ویژه در دوره‌های آنلاین مرتبط با علم داده و آمار.
• چالش‌ها در داده‌های غیرنرمال : برخی بحث‌ها در X به محدودیت‌های آزمون Z در داده‌هایی که از توزیع نرمال پیروی نمی‌کنند اشاره دارند، که منجر به استفاده بیشتر از روش‌های غیرپارامتریک در موارد خاص شده است.

پرسش‌های متداول درباره آزمون Z

چه زمانی باید از آزمون Z به جای آزمون T استفاده کرد؟

اگر انحراف معیار جامعه شناخته شده باشد و حجم نمونه 30 یا بیشتر باشد، آزمون Z مناسب است. در غیر این صورت، آزمون T باید استفاده شود.

آزمون Z چه نوع فرضیه‌هایی را می‌تواند آزمایش کند؟

آزمون Z می‌تواند فرضیه‌هایی درباره میانگین‌های یک یا دو نمونه، تفاوت‌های جفت‌شده و تخمین‌های حداکثر درست‌نمایی را آزمایش کند.

چرا توزیع نرمال برای آزمون Z مهم است؟

آزمون Z فرض می‌کند که داده‌ها از توزیع نرمال پیروی می‌کنند، زیرا آماره Z بر اساس این توزیع محاسبه می‌شود. اگر داده‌ها نرمال نباشند، نتایج ممکن است نادرست باشند.

نتیجه‌گیری

آزمون Z یک ابزار آماری قدرتمند در آزمون فرضیه است که برای ارزیابی معنی‌داری آماری یک یافته یا ارتباط، به‌ویژه برای مقایسه میانگین‌ها، استفاده می‌شود. این آزمون برای نمونه‌های بزرگ (30 یا بیشتر) با انحراف معیار شناخته‌شده مناسب است و به توزیع نرمال داده‌ها وابسته است. در حالی که آزمون Z به آزمون T مرتبط است، تفاوت‌های کلیدی در فرضیات و کاربردهای آن‌ها وجود دارد. با پیشرفت‌های نرم‌افزاری و افزایش آگاهی درباره تحلیل داده‌ها، آزمون Z همچنان ابزار مهمی در تحلیل‌های مالی، علمی و تجاری باقی می‌ماند. با این حال، کاربران باید محدودیت‌های آن، مانند نیاز به داده‌های نرمال، را در نظر بگیرند تا نتایج معتبر به دست آورند.