Python scipy.stats.ttest_1samp实例讲解

用法: scipy.stats.ttest_1samp(a, popmean, axis=0, nan_policy='propagate', alternative='two-sided')

计算一组分数的平均值的T-test。

这是对独立观测样本 a 的期望值(均值)等于给定总体均值 popmean 的零假设的检验。

参数：

a： array_like

样品观察。

popmean： float 或数组

零假设中的期望值。如果数组，那么它必须具有与不包括轴维度相同的形状。

axis： int 或 None，可选

计算测试的轴；默认为 0。如果没有，则计算整个数组 a。

nan_policy： {‘propagate’, ‘raise’, ‘omit’}，可选

定义当输入包含 nan 时如何处理。以下选项可用(默认为‘propagate’)：

‘propagate’:returns nan

‘raise’:throws an error

‘omit’:performs the calculations ignoring nan values

alternative： {‘two-sided’，‘less’, ‘greater’}，可选

定义备择假设。以下选项可用(默认为“two-sided”)：

‘two-sided’：样本基础分布的均值与给定的总体均值(popmean)不同
‘less’：样本底层分布的均值小于给定总体均值(popmean)
‘greater’：样本底层分布的均值大于给定总体均值(popmean)

statistic：浮点数或数组: t-statistic。
pvalue：浮点数或数组: Two-sided p-value。

注意：

统计量计算为 (np.mean(a) - popmean)/se ，其中 se 是标准误差。因此，当样本均值大于总体均值时统计量为正，当样本均值小于总体均值时统计量为负。

例子：

>>> from scipy import stats
>>> rng = np.random.default_rng()
>>> rvs = stats.norm.rvs(loc=5, scale=10, size=(50, 2), random_state=rng)

测试随机样本的均值是否等于真实均值，以及不同的均值。我们在第二种情况下拒绝零假设，在第一种情况下不拒绝它。

>>> stats.ttest_1samp(rvs, 5.0)
Ttest_1sampResult(statistic=array([-2.09794637, -1.75977004]), pvalue=array([0.04108952, 0.08468867]))
>>> stats.ttest_1samp(rvs, 0.0)
Ttest_1sampResult(statistic=array([1.64495065, 1.62095307]), pvalue=array([0.10638103, 0.11144602]))

使用轴和非标量维度作为总体平均值的示例。

>>> result = stats.ttest_1samp(rvs, [5.0, 0.0])
>>> result.statistic
array([-2.09794637,  1.62095307])
>>> result.pvalue
array([0.04108952, 0.11144602])

>>> result = stats.ttest_1samp(rvs.T, [5.0, 0.0], axis=1)
>>> result.statistic
array([-2.09794637,  1.62095307])
>>> result.pvalue
array([0.04108952, 0.11144602])

>>> result = stats.ttest_1samp(rvs, [[5.0], [0.0]])
>>> result.statistic
array([[-2.09794637, -1.75977004],
       [ 1.64495065,  1.62095307]])
>>> result.pvalue
array([[0.04108952, 0.08468867],
       [0.10638103, 0.11144602]])

Python scipy.stats.ttest_1samp实例讲解

用法:

参数：

返回：

注意：

例子：