深入细节的情况下我们可以用与为均值抽取样本时基本相同的方式来思考我们的检验统计量。因此，之前我们只查看一个均值，现在我们正在查看两种均值 和 的差异。事实证明，我们的三个惊人的抽样事实也适用于均值差异。 好的，我知道这可能看起来像 ，但既然我们已经涵盖了基础知识，我们终于可以处理 值了。 不仅控制而且自恋 下面是它的工作原理。我们为 和 促销活动收集数据。但是然后我们假装我们真的进行了 测试，而不是 测试。所以我们看结果就好像我们刚刚向。

每个人展示了 促销活动一样

因为我们在抽样所以我们知道这两个组应该以相同的均值为中心，并且具有相同的方差 请记住，我们假装两个样本实际上来自同一总体（ 总体）。由于我们对差异感兴趣，我们期望 的平均值为 ，因为平均而言它们应该具有相同的平均值。 因此 阿尔巴尼亚手机号码列表 使用我们的三个抽样事实，我们可以构建想象中的 测试将如何分布，并且我们期望我们的 测试平均显示每个样本之间没有差异。 然而，由于抽样误差，当我们看到接近零但不完全为零的值时我们并不感到惊讶。

同样我们对结果的惊讶程

度取决于我们的结果离零有多远。我们将使用我们的数据呈正态分布这一事实来准确地告诉我们看到结果不为零的可能性有多大。零右边的某个地方，比如点 或更大的地方，发生的可能性很低。 值，终于！ 最后一步是查看我们的测试统计量落在该分布上的哪个位置。如果它介于 和 之间，那么看看我们是否在运行 测试就不足为奇了。但是，如果我们在 和 的任一侧看到某些东西，那么我们就会开始得到相当少见的结果。 现在我们将测试统计数据分 DX 潜在客户 数或 分数等放在 测试分布上。