|
单样本检验：检验单个变量的均值与目标值之间是否存在差异，如果总体均值已知，样本均值与总体均值之间差异的显著性检验属于单样本假设检验。
例如：火箭班学生2019年高考成绩698分，2020年的每个人成已知[*,*,*,*,...........]，求2020年的成绩和2019年的高考成绩是否有显著差别。 例如：客户要求工件加工长度小于170mm，现加工一批工件，测出其长度分别为[165.6,166.2,168.5,170.5,168.4,169.4,168.6,167.9,162.7,173.9]，求这批工件的均值是否符合客户要求。 代码语言：javascript复制#本节内容学习用python统计包scipy自动计算假设检验：
'''
单（lsamp）样本检验（ttest_1samp）
'''import numpy as np
import pandas as pd
from scipy import stats
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 雅黑字体
plt.rcParams['axes.unicode_minus']=False
'''
ttest_1samp:单样本检验:总体方差未知。
返回的第一个值t是假设检验计算出的t值
第二个值是p是双尾检验p值。因为scipcy计算出的是双尾检验的t值和p值，如果要求左尾检验，
根据对称性，双尾检验的的p值对应单尾的2倍。'''
#样本数据集。要求车床加工长度小于170
dataSer=pd.Series([165.6,166.2,168.5,170.5,168.4,169.4,168.6,167.9,162.7,173.9])
#总体平均值
pop_mean=170
#H0原假设：加工等于170；H1备选假设：不等于170；
t,p_twotail=stats.ttest_1samp(dataSer,pop_mean)
print('t值=',t,'双尾检验的p值=',p_twotail)
'''
双尾检验：p>判断标准alpha
'''
#单尾检验p值
p_onetail=p_twotail/2
print('单尾检验p值=',p_onetail)
#判断标准通常是使用显著水平alpha=5%
alpha=0.05
#做出结论
'''
左尾判断条件：t |