python实现假设检验-t检验

一. 什么是t检验

设总体 X ∼ N ( μ , δ 2 ) X\sim N(\mu,\delta^2) XN(μ,δ2),其中 μ , δ 2 \mu, \delta^2 μ,δ2未知,统计量 t = X ‾ − μ S / n t = \frac{\overline{X} - \mu}{S/\sqrt{n}} t=S/n Xμ服从标准正太分布,可以利用该统计量对总体均值 μ \mu μ进行假设检验,这种检验方法称为 t t t检验法。

适用条件:总体服从正态分布且方差未知;样本容量较小,一般小于30。

二. 常见t检验的实现
1. 单样本t检验
原假设 H 0 H_0 H0 备则假设 H 1 H_1 H1 拒绝域
μ ≤ μ 0 \mu \leq \mu_0 μμ0 μ > μ 0 \mu > \mu_0 μ>μ0 t > t α ( n − 1 ) t > t_\alpha(n - 1) t>tα(n1)
μ ≥ μ 0 \mu \geq \mu_0 μμ0 μ < μ 0 \mu < \mu_0 μ<μ0 t < − t α ( n − 1 ) t < -t_\alpha(n - 1) t<tα(n1)
μ = μ 0 \mu = \mu_0 μ=μ0 μ ≠ μ 0 \mu \neq \mu_0 μ=μ0 ∣ t ∣ > t α / 2 ( n − 1 ) |t| > t_{\alpha/2}(n - 1) t>tα/2(n1)

某元件的寿命 X X X服从参数为 N ( μ , δ 2 ) N(\mu, \delta^2) N(μ,δ2)的正太分布, μ , δ \mu,\delta μ,δ未知,现抽取10个元件测得元件的寿命的平均值为240小时,标准差为50,问是否有理由认为元件总体的平均寿命大于225小时?

因为总体的方差 δ \delta δ未知,且样本量小于10,因此需要使用 t t t检验,设置信水平 α = 0.05 \alpha = 0.05 α=0.05
H 0 : u ≥ 225   H 1 : u < 225 H_0: u \geq 225\space H_1: u < 225 H0:u225 H1:u<225

代码实现:

from scipy.stats import t
import math

if __name__ == '__main__':
    n = 10
    sample_mean = 240
    sample_std = 50
    alpha = 0.05

    t_statistic = (sample_mean - 225) / (sample_std / math.sqrt(n))
    t_left = t(n - 1).ppf(alpha)
    print("t_left:", round(t_left, 3), "t_statistic:", round(t_statistic, 3))

    pval = t(n - 1).cdf(t_statistic)
    if t_statistic < t_left:
        print("reject null hypothesis, pval is", round(pval, 3))
    else:
        print("not reject null hypothesis, pval is", round(pval, 3))

运行结果:

t_left: -1.833 t_statistic: 0.949
not reject null hypothesis, pval is 0.816
2. 配对t检验

配对t检验一般用于比较同一研究对象处理前与处理后的效果比较,又称为重复测量设计下均值差异的检验。比如医学上药物效果的检验。

原假设 H 0 H_0 H0 备则假设 H 1 H_1 H1 拒绝域
μ D ≤ 0 \mu_D \leq 0 μD0 μ D > 0 \mu_D > 0 μD>0 t > t α ( n − 1 ) t > t_\alpha(n - 1) t>tα(n1)
μ D ≥ 0 \mu_D \geq 0 μD0 μ D < 0 \mu_D < 0 μD<0 t < − t α ( n − 1 ) t < -t_\alpha(n - 1) t<tα(n1)
μ D = 0 \mu_D = 0 μD=0 μ D ≠ 0 \mu_D \neq 0 μD=0 ∣ t ∣ > t α / 2 ( n − 1 ) |t| > t_{\alpha/2}(n - 1) t>tα/2(n1)

某研究者为了研究新型降压药的效果,现收集了8名高血压患者服药前和服药后的血压数据。

高血压患者 1 2 3 4 5 6 7 8
服药前 137 135 132 151 132 150 142 145
服药后 124 129 135 144 123 142 142 134
差值 13 6 -3 7 9 8 0 11

现在想知道该药物对高血压患者是否有明显效果?

要想验证药物是否有效,只需要验证服药前与服药后差异值的均值与0的关系,如果差值小于等于0则说明药物对高血压没有效果,反之则证明有效。设置信水平 α = 0.05 \alpha = 0.05 α=0.05
μ D : u ≤ 0   H 1 : μ D > 0 \mu_D: u \leq 0\space H_1: \mu_D > 0 μD:u0 H1:μD>0

代码实现:

from scipy.stats import t
import math
import numpy as np

if __name__ == '__main__':

    diff = [13, 6, -3, 7, 9, 8, 0, 11]
    diff_mean = np.mean(diff)
    diff_std = np.std(diff, ddof=1)
    diff_length = len(diff)
    alpha = 0.05

    t_statistic = diff_mean / (diff_std / math.sqrt(diff_length))
    t_right = t(diff_length - 1).ppf(1 - alpha)
    print("t_right:", round(t_right, 3))
    print("t_statistic:", round(t_statistic, 3))

    pval = t(diff_length - 1).sf(t_statistic)
    if t_statistic > t_right:
        print("reject null hypothesis, pval is", round(pval, 3))
    else:
        print("not reject null hypothesis, pval is", round(pval, 3))

运行结果:

t_right: 1.895
t_statistic: 3.341
reject null hypothesis, pval is 0.006

拒绝原假设,因此说明该药物对降压有明显效果。

3. 两样本t检验

X 1 ,

上一篇:每日OJ题_BFS解决拓扑排序③_力扣LCR 114. 火星词典


下一篇:计算机视觉——使用OpenCV GrabCut算法从图像中移除背景-GrabCut算法的工作原理