如果每种语言的运行时样本大致呈正态分布*（很可能是这种情况），那么您可以使用t-test，特别是具有不等方差的独立双样本 t-test。

如果你安装了 R，你可以通过运行t.test(x = c_sharp_samples, y = java_samples).

但是，如果您想手动运行测试，请首先计算：

• $t = \frac{\bar{X_1} - \bar{X_2}}{s_{\bar{X_1} - \bar{X_2}}}$，其中和是 C# 样本的样本均值，是 C# 样本的样本标准差,是 C# 样本的数量，依此类推。$s_{\bar{X_1} - \bar{X_2}} = \sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}$$\bar{X_1}$$s_1$$n_1$
• $df = \frac{(s_1^2 / n_1 + s_2^2 / n_2)^2}{(s_1^2 / n_1)^2 / (n_1 - 1) + (s_2^2 / n_2)^2 / (n_2 - 1)}$。

然后（大约）遵循具有自由度的学生 t 分布，因此在适当的表中查找（或使用一些 t 分布计算器）。$t$$df$$t$

*即使每种语言的运行时样本不是正态分布的，15 个样本也可能足以让正常近似值（即 CLT）发挥作用，所以你应该没问题。但是，如果您想正式一点并且不想做出这种正常假设，则可以改用（非参数）Mann Whitney 检验。

置换测试是另一种可能性，尽管我认为对于您描述的问题，已经提到的替代方案会更好。

听起来您想要的是使用 t 检验（这里是维基百科页面）。

如果您不假设您的观察结果是正常分布的，那么试试这个Mann-Whitney U 检验（但它不能单独从平均值/标准差计算）。

确保您的观察是独立的，以便保持 t 检验的有效性。

祝你好运，在你做事之前阅读更多关于这个的信息！