假设检验
假设检验
原假设备择假设的建立
-
将研究中的假设作为备择假设(希望为真的)
例如:某汽车在城市的燃油效率为值24,某研究小组对该燃油系统进行了改进。需要统计结论来支持改进的燃油系统确实比之前的有效。
H 0 : μ ≤ 24 H_{0}:\mu \leq 24 H0:μ≤24H 1 : μ > 24 H_{1}:\mu \gt 24 H1:μ>24
-
将受到挑战的假设作为原假设
例如:某饮料总体均值至少为250ml,我们认为这是符合事实的,这里把不符合事实的假设设为备择假设
H 0 : μ ≥ 250 H 1 : μ < 250 H_{0}:\mu \geq 250~~~~~~~H_{1}:\mu \lt 250 H0:μ≥250 H1:μ<250
单样本均值检验
案例:政府要求汽车引擎的排放均值要低于20ppm,公司制造的引擎给出排放数据,看是否符合要求
H
0
:
μ
≥
20
H
1
:
μ
<
20
H_{0}:\mu \geq 20~~~~~~~H_{1}:\mu \lt 20
H0:μ≥20 H1:μ<20
#产生数据
dataSer = pd.Series([15.6,16.2,22.5,20.5,16.4,19.4,16.6,17.9,12.7,13.9])
#样本均值
sample_mean = dataSer.mean()
#样本方差
sample_std = dataSer.std()
'''
总体方差未知使用t检验,样本容量较小的时候,检查下样本数据的分布是否近似正态
'''
#样本大小
n = 10
#标准误差
se = sample_std / (np.sqrt(n))
#总体均值
mean = 20
#显著水平
alpha = 0.05
'''
ttest_1samp:单独样本t检验
返回样本第一个值是假设检验计算出的t值
第二个值p是双尾检验的p值
'''
t,p_twoTail = stats.ttest_1samp(dataSer,mean)
#单尾检验的p值
p_oneTail = p_twoTail/2
p_oneTail
p < alpha 拒绝原假设