考虑一下运行了一千次 测

试两个相同的页面相互测试次实验中有 次在某个时候达到了 的显着性 次实验中有 次在某个时候达到了 的显着性 引用实验者的话： 这意味着，如果您已经运行了 次实验并且没有以任何方式控制重复测试错误，那么高达 的成功阳性实验率可能是由误报率解释的。但是您会在大约一半的实验中看到暂时的显着效果！ 因此，如果您一看到显着性就停止测试，则有 的可能性完全是侥幸。抛硬币。首先完全扼杀了测试的想法。 一旦他改变实验以便预先确定所需的样本量。

次实验中只有次显着达到

因此通过检查样本量我们从 个获胜测试变成了 个获胜测试。 如何预先确定所需的样本量？ 有很多很棒的工具可以做到这一点，比如这个。或者，您可以使用 的工具执行此操作： 样本大小计算 在这种情况下，我们告诉工具我们有 的转化率，并希望 巴拉圭手机号码列表 检测至少 的提升。该工具告诉我们，每个变体需要 名访问者，然后才能查看统计显着性水平和统计功效幻数不存在 像每个变体的 转换量这样的规则呢？ 即使您可能会遇到诸如 每个变体需要 次转换才能结束测试。

之类的陈述但没有神奇

的流量或转换数字它比那稍微复杂一点。 优化主管 它从来都不是关于多少转换，而是关于有足够的数据来根据代表性样本和代表性行为进行验证。 次转换只有在最遥远的情况下才有可能，并且行为增量非常高，但前提是其他要求（如随时间变化的行为、一致性和正态分布）发生。即使这样，它也很有可能出现 类错误，误报。 任何时候您看到 次转换，这都是一个非常明显的迹象，表明说话的人根本不了解统计数据。 而且 如果 次转化是神奇的 SGB目录 数字那么大型网站可以在几。