<\/p>\n
Ein Hypothesentest<\/a> ist ein formaler statistischer Test, den wir verwenden, um eine statistische Hypothese abzulehnen oder nicht abzulehnen.<\/span><\/p>\n In diesem Tutorial wird erl\u00e4utert, wie Sie die folgenden Hypothesentests in Python durchf\u00fchren:<\/span><\/p>\n Lass uns gehen!<\/span><\/p>\n Ein T-Test bei einer Stichprobe<\/a> wird verwendet, um zu testen, ob der Mittelwert einer Grundgesamtheit einem bestimmten Wert entspricht oder nicht.<\/span><\/p>\n Nehmen wir zum Beispiel an, wir m\u00f6chten wissen, ob das Durchschnittsgewicht einer bestimmten Schildkr\u00f6tenart 310 Pfund betr\u00e4gt oder nicht.<\/span><\/p>\n Um dies zu testen, sammeln wir eine einfache Zufallsstichprobe von Schildkr\u00f6ten mit den folgenden Gewichten:<\/span><\/p>\n Gewicht<\/strong> : 300, 315, 320, 311, 314, 309, 300, 308, 305, 303, 305, 301, 303<\/span><\/p>\n Der folgende Code zeigt, wie Sie die Funktion ttest_1samp()<\/a> in der Bibliothek scipy.stats<\/strong> verwenden, um einen t-Test mit einer Stichprobe durchzuf\u00fchren:<\/span><\/p>\n Die T-Test-Statistik betr\u00e4gt -1,5848<\/strong> und der entsprechende zweiseitige p-Wert betr\u00e4gt 0,1389<\/strong> .<\/span><\/p>\n Die beiden Hypothesen f\u00fcr diesen t-Test f\u00fcr eine bestimmte Stichprobe lauten wie folgt:<\/span><\/p>\n Da der p-Wert unseres Tests (0,1389)<\/strong> gr\u00f6\u00dfer als Alpha = 0,05 ist, k\u00f6nnen wir die Nullhypothese des Tests nicht ablehnen.<\/span><\/p>\n Wir haben keine ausreichenden Beweise daf\u00fcr, dass das Durchschnittsgewicht dieser besonderen Schildkr\u00f6tenart etwas anderes als 310 Pfund betr\u00e4gt.<\/span><\/p>\n Ein T-Test mit zwei Stichproben<\/a> wird verwendet, um zu testen, ob die Mittelwerte zweier Grundgesamtheiten gleich sind oder nicht.<\/span><\/p>\n Angenommen, wir m\u00f6chten wissen, ob das Durchschnittsgewicht zweier verschiedener Schildkr\u00f6tenarten gleich ist oder nicht.<\/span><\/p>\n Um dies zu testen, sammeln wir eine einfache Zufallsstichprobe von Schildkr\u00f6ten jeder Art mit den folgenden Gewichten:<\/span><\/p>\n Probe 1<\/strong> : 300, 315, 320, 311, 314, 309, 300, 308, 305, 303, 305, 301, 303<\/span><\/p>\n Probe 2<\/strong> : 335, 329, 322, 321, 324, 319, 304, 308, 305, 311, 307, 300, 305<\/span><\/p>\n Der folgende Code zeigt, wie Sie die Funktion ttest_ind()<\/a> in der Bibliothek scipy.stats<\/strong> verwenden, um diese beiden T-Test-Beispiele durchzuf\u00fchren:<\/span><\/p>\n Die T-Test-Statistik betr\u00e4gt \u20132,1009<\/strong> und der entsprechende zweiseitige p-Wert betr\u00e4gt 0,0463<\/strong> .<\/span><\/p>\n Die beiden Annahmen f\u00fcr diesen speziellen T-Test bei zwei Stichproben sind:<\/span><\/p>\n Da der p-Wert des Tests (0,0463) kleiner als 0,05 ist, lehnen wir die Nullhypothese ab.<\/span><\/p>\n Das bedeutet, dass wir gen\u00fcgend Beweise daf\u00fcr haben, dass das Durchschnittsgewicht der beiden Arten nicht gleich ist.<\/span><\/p>\n Ein t-Test f\u00fcr gepaarte Stichproben<\/a> wird verwendet, um die Mittelwerte zweier Stichproben zu vergleichen, wenn jede Beobachtung in einer Stichprobe mit einer Beobachtung in der anderen Stichprobe verkn\u00fcpft werden kann.<\/span><\/p>\n Nehmen wir zum Beispiel an, wir m\u00f6chten wissen, ob ein bestimmtes Trainingsprogramm in der Lage ist, den maximalen vertikalen Sprung (in Zoll) von Basketballspielern zu steigern.<\/span><\/p>\n Um dies zu testen, k\u00f6nnen wir eine einfache Zufallsstichprobe von 12 College-Basketballspielern rekrutieren und jeden ihrer maximalen vertikalen Spr\u00fcnge messen. Dann k\u00f6nnen wir jeden Spieler einen Monat lang das Trainingsprogramm anwenden lassen und dann am Ende des Monats erneut seinen maximalen vertikalen Sprung messen.<\/span><\/p>\n Die folgenden Daten zeigen die maximale Sprungh\u00f6he (in Zoll) vor und nach der Verwendung des Trainingsprogramms f\u00fcr jeden Spieler:<\/span><\/p>\n Vorderseite<\/strong> : 22, 24, 20, 19, 19, 20, 22, 25, 24, 23, 22, 21<\/span><\/p>\n Nachher<\/strong> : 23, 25, 20, 24, 18, 22, 23, 28, 24, 25, 24, 20<\/span><\/p>\n Der folgende Code zeigt, wie Sie die Funktion ttest_rel()<\/a> in der Bibliothek scipy.stats<\/strong> verwenden, um diesen T-Test f\u00fcr gepaarte Stichproben durchzuf\u00fchren:<\/span><\/p>\n Die T-Test-Statistik betr\u00e4gt \u20132,5289<\/strong> und der entsprechende zweiseitige p-Wert betr\u00e4gt 0,0280<\/strong> .<\/span><\/p>\n Die beiden Annahmen f\u00fcr diesen speziellen T-Test f\u00fcr gepaarte Stichproben sind:<\/span><\/p>\n Da der p-Wert des Tests (0,0280) kleiner als 0,05 ist, lehnen wir die Nullhypothese ab.<\/span><\/p>\n Das bedeutet, dass wir gen\u00fcgend Beweise daf\u00fcr haben, dass die durchschnittliche Sprungh\u00f6he vor und nach der Anwendung des Trainingsprogramms nicht gleich ist.<\/span><\/p>\n Mit den folgenden Online-Rechnern k\u00f6nnen Sie verschiedene T-Tests automatisch durchf\u00fchren:<\/span><\/p>\n Ein Beispiel f\u00fcr einen T-Test-Rechner<\/a> Ein Hypothesentest ist ein formaler statistischer Test, den wir verwenden, um eine statistische Hypothese abzulehnen oder nicht abzulehnen. In diesem Tutorial wird erl\u00e4utert, wie Sie die folgenden Hypothesentests in Python durchf\u00fchren: Ein Beispiel-T-Test T-Test bei zwei Stichproben T-Test f\u00fcr gepaarte Stichproben Lass uns gehen! Beispiel 1: Ein Beispiel f\u00fcr einen t-Test in Python Ein T-Test […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Beispiel 1: Ein Beispiel f\u00fcr einen t-Test in Python<\/strong><\/span><\/h2>\n
import<\/span> scipy.stats as<\/span> stats\n\n#define data<\/span>\ndata = [300, 315, 320, 311, 314, 309, 300, 308, 305, 303, 305, 301, 303]<\/span>\n\n#perform one sample t-test<\/span>\nstats. ttest_1samp<\/span> (a=data, popmean= 310<\/span> )\n\nTtest_1sampResult(statistic=-1.5848116313861254, pvalue=0.1389944275158753)\n<\/strong><\/pre>\n\n
Beispiel 2: T-Test bei zwei Stichproben in Python<\/strong><\/span><\/h2>\n
import<\/span> scipy. stats<\/span> as<\/span> stats<\/span>\n\n#define array of turtle weights for each sample\nsample1 = [300, 315, 320, 311, 314, 309, 300, 308, 305, 303, 305, 301, 303]<\/span>\nsample2 = [335, 329, 322, 321, 324, 319, 304, 308, 305, 311, 307, 300, 305]<\/span>\n\n#perform two sample t-tests<\/span>\nstats. ttest_ind<\/span> (a=sample1, b=sample2) \n\nTtest_indResult(statistic=-2.1009029257555696, pvalue=0.04633501389516516)<\/strong><\/pre>\n\n
Beispiel 3: T-Test f\u00fcr gepaarte Stichproben in Python<\/strong><\/span><\/h2>\n
import<\/span> scipy. stats<\/span> as<\/span> stats<\/span>\n\n#define before and after max jump heights\nbefore = [22, 24, 20, 19, 19, 20, 22, 25, 24, 23, 22, 21]<\/span>\nafter = [23, 25, 20, 24, 18, 22, 23, 28, 24, 25, 24, 20]<\/span>\n\n#perform paired samples t-test<\/span>\nstats. ttest_rel<\/span> (a=before, b=after)\n\nTtest_relResult(statistic=-2.5289026942943655, pvalue=0.02802807458682508)\n<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
T-Test-Rechner f\u00fcr zwei Stichproben<\/a>
T-Test-Rechner f\u00fcr gepaarte Stichproben<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"