专栏首页张俊红T检验的种类与区别

T检验的种类与区别

总第191篇/张俊红

我们前面讲过,T检验是用来比较两个均值之间是否有显著差异的一种检验方法。这一篇给大家介绍一下T检验的种类以及具体的Python实现代码。T检验是比较两个均值差异的,不同种类T检验的差别其实在于均值的计算差异。

1.单样本T检验

单样本T检验是用来检验一组样本的均值A与一个已知的均值B之间是否有差异。均值A是通过一组样本算出来的,均值B是已知的一个具体的值。如下图就是左边样本算出来的均值和值158的对比,此时的t统计量的公式为:

Python实现代码如下:

from scipy import stats
stats.ttest_1samp(data,u)

运行上面的代码会返回t统计量值和对应的p_value。

2.双样本T检验

双样本T检验是用来检验两组样本的均值之间是否有差异。两个均值都是根据样本算出来的。如下图就是左右两部分样本算出来的均值,此时的t统计量的公式为:

Python实现代码如下:

stats.ttest_ind(data1,data2)

3.配对样本T检验

配对样本T检验与双样本T检验有点类似,也是用来检验两组样本的均值差异,只不过普通双样本T检验中的样本是乱序的,而配对样本T检验中的样本是一一对应的。如下图所示,根据经验可得,周一至周五每天的销量不太一样,也不具有可比性,如果是双样本T检验的话就是将周一至周五的销量混在一起,然后对两组销量进行对比,但是这样显然是不太合理,正确的应该是周一和周一比,周二和周二比,总而言之,就是具有相同属性的数据之间进行相比,而不是混合总体进行相比。此时的t统计量公式为:

Python实现代码如下:

stats.ttest_rel(data1,data2)

本文分享自微信公众号 - 张俊红(zhangjunhong0428),作者:张俊红

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-02-08

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 讲讲似然比检验

    前面我们讲了T检验、F检验、Q检验等。这一篇来讲讲似然比检验。在讲似然比检验之前,我们先讲两个与似然比相关的概念:似然函数与极大似然估计。

    张俊红
  • Sklearn参数详解—聚类算法

    聚类是一种非监督学习,是将一份给定数据集划分成k类,这一份数据集可能是某公司的一批用户,也可能是某媒体网站的一系列文章,如果是某公司的一批用户,那么k-mean...

    张俊红
  • 正态性检验

    在前面的文章中讲过,很多模型的假设条件都是数据是服从正态分布的。这篇文章主要讲讲如何判断数据是否符合正态分布。主要分为两种方法:描述统计方法和统计检验方法。

    张俊红
  • 机器学习入门 7-1 什么是主成分分析法PCA?

    本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍什么是主成分分析法PCA。

    触摸壹缕阳光
  • 图形化开放式生信分析系统开发 - 2 样本信息处理

    一个样本信息就有二十几个个字段。如果一个一个录入,可能不是很好的体验。可以从以下几点缓解这个问题:

    SliverWorkspace
  • 从样本T检验到六西格玛的一点看法

    数据分析工作中经常会涉及到的样本T检验一般有三种:单样本T检验、配对样本T检验和独立两样本T检验。可以这样理解这三种T检验:

    许卉
  • 《机器学习》-- 第七章 朴素贝叶斯

    贝叶斯分类器是一种概率框架下的统计学习分类器,对分类任务而言,假设在相关概率都已知的情况下,贝叶斯分类器考虑如何基于这些概率为样本判定最优的类标。

    fireWang
  • 【NLP】经典分类模型朴素贝叶斯解读

    贝叶斯分类器在早期的自然语言处理任务中有着较多实际的应用,例如大部分的垃圾邮件处理都是用的贝叶斯分类器。贝叶斯分类器的理论对于理解后续的NLP模型有很大的进益,...

    yuquanle
  • 【NLP】经典分类模型朴素贝叶斯解读

    贝叶斯分类器在早期的自然语言处理任务中有着较多实际的应用,例如大部分的垃圾邮件处理都是用的贝叶斯分类器。贝叶斯分类器的理论对于理解后续的NLP模型有很大的进益,...

    用户1508658
  • 机器学习与深度学习习题集答案-1

    本文是机器学习和深度学习习题集的答案-1,免费提供给大家,也是《机器学习-原理、算法与应用》一书的配套产品。此习题集可用于高校的机器学习与深度学习教学,以及在职...

    SIGAI学习与实践平台

扫码关注云+社区

领取腾讯云代金券