python实验案例_假设检验案例实践（Python）

假设检验的步骤： 问题是什么

证据是什么

判断标准是什么

做出结论问题是什么：零假设、备选假设；

证据是什么：零假设成立时，得到样本平均值的概率(p值)；

判断标准是什么：显著水平

(0.1%、1%、5%)；

做出结论：

时，拒绝零假设。

一、单样本检验案例分析 —— 汽车引擎

一家汽车引擎生产公司需要生产排放平均值低于20ppm的引擎，公司制造出10台测试引擎，排放量为：15.6、16.2、22.5、20.5、16.4、19.4、16.6、17.9、12.7、13.9。现在需要分析公司生产的引擎是否符合规定。

1.1 描述统计分析

#导入包

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

#建立样本数据集

dataSer = pd.Series([15.6, 16.2, 22.5, 20.5, 16.4,

19.4, 16.6, 17.9, 12.7, 13.9])

#计算样本平均值和标准差

sample_mean = dataSer.mean()

sample_std = dataSer.std()

print('样本平均值 =', sample_mean, '单位：ppm')

print('样本标准差 =', sample_std, '单位：ppm')

样本平均值 = 17.169999999999998 单位：ppm

样本标准差 = 2.9814426038413018 单位：ppm

1.2 推论统计分析

1.2.1 假设检验

问题是什么？零假设和备选假设

问题：公司引擎排放是否满足标准？

零假设(

)：引擎排放不满足标准，排放平均值

20。

备选假设(

)：引擎排放满足标准，平均排放值

20。检验类型

检验单个样本平均值是否等于目标值。抽样分布类型

本案例中，样本大小是10，属于小样本，需要进一步检验是否符合t分布。

conda install seaborn

Collecting package metadata (current_repodata.json): done

Solving environment: done

# All requested packages already installed.

Note: you may need to restart the kernel to use updated packages.

#导入包

import seaborn as sns

#查看数据集分布

sns.distplot(dataSer) #画直方图和拟合曲线

plt.title('数据集分布')

plt.show()

从数据集分布图可以看出数据集近似正态分布，可以使用t分布来检验，自由度 df = n-1 =9。检验方向(单尾检验？双尾检验？)

根据备选假设选择单尾检验中的左尾检验。

证据是什么？

p值：在零假设成立的前提下，得到样本平均值的概率。

p值计算步骤：计算标准误差

计算t值

根据t值查找t表格得到p值。

#手动计算

#计算标准误差

n = dataSer.shape[0] #样本大小

se = sample_std/(np.sqrt(n)) #标准误差

#计算t值

pop_mean = 20 #标准是20

t = (sample_mean - pop_mean)/se

print('标准误差se =', se)

print('t =', t)

标准误差se = 0.9428149341201592

t = -3.001649525885985

根据t值查询t表格，自由度df = 9，找到双尾检验p值为0.0149，则单尾检验p值为0.0149/2 = 0.00745。

#利用scipy计算

#导入统计模块

from scipy import stats

pop_mean = 20

t,p_two = st