📅 最后修改于: 2020-12-13 14:21:25 🧑 作者: Mango
p值与假设的强度有关。我们基于一些统计模型建立假设，并使用p值比较模型的有效性。获得p值的一种方法是使用T检验。
这是对原假设的独立检验，原假设是独立观察值’a’的样本的期望值(均值)等于给定的总体均值popmean 。让我们考虑以下示例。
from scipy import stats
rvs = stats.norm.rvs(loc = 5, scale = 10, size = (50,2))
print stats.ttest_1samp(rvs,5.0)
上面的程序将生成以下输出。
Ttest_1sampResult(statistic = array([-1.40184894, 2.70158009]),
pvalue = array([ 0.16726344, 0.00945234]))
在以下示例中，有两个样本，它们可以来自相同或不同的分布，我们想测试这些样本是否具有相同的统计属性。
ttest_ind-为两个独立的分数样本的平均值计算T检验。这是针对零假设的两个方面的检验，该假设为两个独立样本具有相同的平均(预期)值。此测试假设默认情况下总体具有相同的方差。
如果我们观察到来自相同或不同总体的两个独立样本，则可以使用此检验。让我们考虑以下示例。
from scipy import stats
rvs1 = stats.norm.rvs(loc = 5,scale = 10,size = 500)
rvs2 = stats.norm.rvs(loc = 5,scale = 10,size = 500)
print stats.ttest_ind(rvs1,rvs2)
上面的程序将生成以下输出。
Ttest_indResult(statistic = -0.67406312233650278, pvalue = 0.50042727502272966)
您可以使用相同长度但均值不同的新数组来测试相同对象。在loc中使用其他值并测试相同的值。