Python统计分析-独立样本t检验

单个正态总体参数的显著性检验, 它是把样本统计量的观察值与原假设所提供的总体参数作比较, 这种检验要求我们事先能提出合理的参数假设值, 并对参数有某种意义的备择值, 但在实际工作中很难做到这一点, 因而限制了这种方法在实际中的应用.实际中常常选择两个样本, 一个作为处理,一个作为对照, 在两个样本之间作比较. 比如, 要比较某班男生的成绩是否比女生的高, 服用某种维生素的人是否比不服用的人不易感冒, 或判断它们之间是否存在明显显著的差异, 等等。

设总体X与Y独立，X_{N($\mu_1,\sigma_1^{2}$)，Y}N(${\mu }_2,{\sigma }_2^2$)。$X_1$, $X_2$,$X_3$,…,$X_{n1}$是来自总体X的样本,$\bar{X}$为其样本均值，$S_1^2$为其样本方差。$Y_1$, $Y_2$,$Y_3$,…,$Y_{n2}$是来自总体Y的样本,$\bar{Y}$为其样本均值，$S_2^2$为其样本方差。

设两正态总体的方差相等，即${\sigma }_1^2$=${\sigma }_2^2$=${\sigma }^2$

(1)$H_0:{\mu }_1={\mu }_2<--->H_1:{\mu }_1̸={\mu }_2$ (双边假设检验)

(2)$H_0:{\mu }_1\le {\mu }_2<--->H_1:{\mu }_1>{\mu }_2$ (单边假设检验)

(3)$H_0:{\mu }_1\ge {\mu }_2<--->H_1:{\mu }_1<{\mu }_2$ (单边假设检验)

这时在$H_0:{\mu }_1={\mu }_2$下可得：
$T=\frac{(\bar{x}-\bar{y})-({\mu }_1-{\mu }_2)}{\sqrt{(\frac{1}{n_1}+\frac{1}{n_2})}{s}^2}$ ~ $t(n_1+n_2-2)$

例：甲、乙两台机床分别加工某种轴承, 轴承的直径分别服从正态分布N(${\mu }_1,{\sigma }_1^2$)和N(${\mu }_2,{\sigma }_2^2$), 从各自加工的轴承中分别抽取若干个轴承测其直径。

设${\mu }_1={\mu }_2$问两台机床的加工精度有无显著差异?(取α=0.05)

总体	样本容量	直径
X(机床甲)	8	20.5, 19.8, 19.7, 20.4, 20.1, 20.0, 19.0, 19.9
Y(机床乙)	7	20.7, 19.8, 19.5, 20.8, 20.4, 19.6, 20.2

from  scipy.stats import ttest_ind, levene
import pandas as pd

x = [20.5, 19.8, 19.7, 20.4, 20.1, 20.0, 19.0, 19.9]
y = [20.7, 19.8, 19.5, 20.8, 20.4, 19.6, 20.2]
# 方差齐性检验
print(levene(x,y))

# 独立样本T检验,默认方差齐性
print(ttest_ind(x, y))
# 如果方差不齐性，则equal_var=False
print(ttest_ind(x,y,equal_var=False))

print(levene(x,y))
# LeveneResult(statistic=0.49616519174040724, pvalue=0.49361609677338825)
# 检验结果为p>0.05所以，可以认为方差是相等的。
print(ttest_ind(x, y))
# Ttest_indResult(statistic=-0.8548480353442837, pvalue=0.40811369790462515)
#  因为p值=0.4081>0.05, 故接受原假设, 认为两台机床的加工精度无显著差异。