<\/p>\n
Uji Kolmogorov-Smirnov<\/strong> digunakan untuk menguji apakah suatu sampel berasal dari distribusi tertentu atau tidak.<\/span><\/p>\n Untuk melakukan pengujian Kolmogorov-Smirnov dengan Python, kita dapat menggunakan scipy.stats.kstest()<\/a> untuk pengujian satu sampel atau scipy.stats.ks_2samp()<\/a> untuk pengujian dua sampel.<\/span><\/p>\n Tutorial ini menunjukkan contoh cara menggunakan setiap fungsi dalam praktik.<\/span><\/p>\n Misalkan kita memiliki contoh data berikut:<\/span><\/p>\n Kode berikut menunjukkan cara melakukan uji Kolmogorov-Smirnov pada sampel 100 nilai data ini untuk menentukan apakah berasal dari distribusi normal:<\/span><\/p>\n Dari hasilnya, kita dapat melihat bahwa statistik uji adalah 0,9072<\/strong> dan nilai p yang sesuai adalah 1,0908e-103<\/strong> . Karena nilai p kurang dari 0,05, kami menolak hipotesis nol. Kami memiliki cukup bukti untuk mengatakan bahwa data sampel tidak berasal dari distribusi normal.<\/span><\/p>\n Hasil ini juga tidak mengherankan karena kami membuat data sampel menggunakan fungsi Poisson()<\/strong> , yang menghasilkan nilai acak yang mengikuti distribusi Poisson<\/a> .<\/span><\/p>\n Katakanlah kita memiliki dua contoh kumpulan data berikut:<\/span><\/p>\n Kode berikut menunjukkan cara melakukan uji Kolmogorov-Smirnov pada kedua sampel tersebut untuk menentukan apakah keduanya berasal dari distribusi yang sama:<\/span><\/p>\n Dari hasilnya, kita dapat melihat bahwa statistik pengujian adalah 0,99<\/strong> dan nilai p yang sesuai adalah 4,4175e-57<\/strong> . Karena nilai p kurang dari 0,05, kami menolak hipotesis nol. Kami memiliki cukup bukti untuk mengatakan bahwa kedua kumpulan data sampel tersebut tidak berasal dari distribusi yang sama.<\/span><\/p>\n Hasil ini juga tidak mengherankan karena kami menghasilkan nilai untuk sampel pertama menggunakan distribusi normal standar dan nilai untuk sampel kedua menggunakan distribusi lognormal.<\/span><\/p>\n Cara Melakukan Tes Shapiro-Wilk dengan Python<\/a> Uji Kolmogorov-Smirnov digunakan untuk menguji apakah suatu sampel berasal dari distribusi tertentu atau tidak. Untuk melakukan pengujian Kolmogorov-Smirnov dengan Python, kita dapat menggunakan scipy.stats.kstest() untuk pengujian satu sampel atau scipy.stats.ks_2samp() untuk pengujian dua sampel. Tutorial ini menunjukkan contoh cara menggunakan setiap fungsi dalam praktik. Contoh 1: Sampel uji Kolmogorov-Smirnov Misalkan kita memiliki contoh data berikut: […]<\/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 Contoh 1: Sampel uji Kolmogorov-Smirnov<\/strong><\/span><\/h3>\n
from<\/span> numpy.random import<\/span> seed\nfrom<\/span> numpy.random import<\/span> fish\n\n#set seed (eg make this example reproducible)<\/span>\nseed(0)\n\n#generate dataset of 100 values that follows a Poisson distribution with mean=5\n<\/span>data = fish(5, 100)<\/strong><\/pre>\n from<\/span> scipy.stats import<\/span> kstest\n\n#perform Kolmogorov-Smirnov test<\/span>\nkstest(data, ' norm<\/span> ')\n\nKstestResult(statistic=0.9072498680518208, pvalue=1.0908062873170218e-103)\n<\/strong><\/pre>\n Contoh 2: Uji Kolmogorov-Smirnov dua sampel<\/strong><\/span><\/h3>\n
from<\/span> numpy.random import<\/span> seed\nfrom<\/span> numpy.random import<\/span> randn\nfrom<\/span> numpy.random import<\/span> lognormal\n\n#set seed (eg make this example reproducible)<\/span>\nseed(0)\n\n#generate two datasets\n<\/span>data1 = randn(100)\ndata2 = lognormal(3, 1, 100)<\/strong><\/pre>\n from<\/span> scipy.stats import<\/span> ks_2samp\n\n#perform Kolmogorov-Smirnov test<\/span>\nks_2samp(data1, data2)\n\nKstestResult(statistic=0.99, pvalue=4.417521386399011e-57)\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara Melakukan Tes Anderson-Darling dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"