<\/p>\n
Test hipotezy<\/a> to formalny test statystyczny, kt\u00f3rego u\u017cywamy do odrzucenia lub nieodrzucenia hipotezy statystycznej.<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak wykona\u0107 nast\u0119puj\u0105ce testy hipotez w Pythonie:<\/span><\/p>\n Chod\u017amy!<\/span><\/p>\n Test t dla jednej pr\u00f3by<\/a> s\u0142u\u017cy do sprawdzenia, czy \u015brednia populacji jest r\u00f3wna okre\u015blonej warto\u015bci.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce chcemy wiedzie\u0107, czy \u015brednia waga okre\u015blonego gatunku \u017c\u00f3\u0142wia wynosi 310 funt\u00f3w.<\/span><\/p>\n Aby to przetestowa\u0107, zbieramy prost\u0105 losow\u0105 pr\u00f3bk\u0119 \u017c\u00f3\u0142wi o nast\u0119puj\u0105cych masach:<\/span><\/p>\n Waga<\/strong> : 300, 315, 320, 311, 314, 309, 300, 308, 305, 303, 305, 301, 303<\/span><\/p>\n Poni\u017cszy kod ilustruje spos\u00f3b u\u017cycia funkcji ttest_1samp()<\/a> w bibliotece scipy.stats<\/strong> w celu wykonania testu t dla jednej pr\u00f3by:<\/span><\/p>\n Statystyka testu t wynosi -1,5848<\/strong> , a odpowiadaj\u0105ca dwustronna warto\u015b\u0107 p wynosi 0,1389<\/strong> .<\/span><\/p>\n Dwie hipotezy dotycz\u0105ce tego testu t na konkretnej pr\u00f3bie s\u0105 nast\u0119puj\u0105ce:<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 p naszego testu (0,1389)<\/strong> jest wi\u0119ksza ni\u017c alfa = 0,05, nie uda\u0142o nam si\u0119 odrzuci\u0107 hipotezy zerowej testu.<\/span><\/p>\n Nie mamy wystarczaj\u0105cych dowod\u00f3w, aby stwierdzi\u0107, \u017ce \u015brednia waga tego konkretnego gatunku \u017c\u00f3\u0142wia przekracza 310 funt\u00f3w.<\/span><\/p>\n Test t dla dw\u00f3ch pr\u00f3b<\/a> s\u0142u\u017cy do sprawdzenia, czy \u015brednie z dw\u00f3ch populacji s\u0105 r\u00f3wne, czy nie.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce chcemy wiedzie\u0107, czy \u015brednia waga dw\u00f3ch r\u00f3\u017cnych gatunk\u00f3w \u017c\u00f3\u0142wi jest r\u00f3wna, czy nie.<\/span><\/p>\n Aby to przetestowa\u0107, zbieramy prost\u0105 losow\u0105 pr\u00f3bk\u0119 \u017c\u00f3\u0142wi z ka\u017cdego gatunku o nast\u0119puj\u0105cych masach:<\/span><\/p>\n Pr\u00f3bka 1<\/strong> : 300, 315, 320, 311, 314, 309, 300, 308, 305, 303, 305, 301, 303<\/span><\/p>\n Pr\u00f3bka 2<\/strong> : 335, 329, 322, 321, 324, 319, 304, 308, 305, 311, 307, 300, 305<\/span><\/p>\n Poni\u017cszy kod ilustruje spos\u00f3b u\u017cycia funkcji ttest_ind()<\/a> w bibliotece scipy.stats<\/strong> w celu wykonania dw\u00f3ch przyk\u0142ad\u00f3w testu t:<\/span><\/p>\n Statystyka testu t wynosi \u20132,1009<\/strong> , a odpowiadaj\u0105ca jej dwustronna warto\u015b\u0107 p wynosi 0,0463<\/strong> .<\/span><\/p>\n Dwa za\u0142o\u017cenia tego konkretnego testu t dla dw\u00f3ch pr\u00f3bek s\u0105 nast\u0119puj\u0105ce:<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 p testu (0,0463) jest mniejsza ni\u017c 0,05, odrzucamy hipotez\u0119 zerow\u0105.<\/span><\/p>\n Oznacza to, \u017ce mamy wystarczaj\u0105ce dowody, aby stwierdzi\u0107, \u017ce \u015brednia waga obu gatunk\u00f3w nie jest r\u00f3wna.<\/span><\/p>\n Test t dla par pr\u00f3b<\/a> s\u0142u\u017cy do por\u00f3wnania \u015brednich z dw\u00f3ch pr\u00f3bek, gdy ka\u017cd\u0105 obserwacj\u0119 w jednej pr\u00f3bie mo\u017cna powi\u0105za\u0107 z obserwacj\u0105 w drugiej pr\u00f3bie.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce chcemy wiedzie\u0107, czy okre\u015blony program treningowy jest w stanie zwi\u0119kszy\u0107 maksymalny skok pionowy (w calach) koszykarzy.<\/span><\/p>\n Aby to przetestowa\u0107, mo\u017cemy zrekrutowa\u0107 prost\u0105 losow\u0105 pr\u00f3b\u0119 12 koszykarzy z college’u i zmierzy\u0107 ka\u017cdy z ich maksymalnych skok\u00f3w w pionie. Nast\u0119pnie mo\u017cemy pozwoli\u0107 ka\u017cdemu zawodnikowi korzysta\u0107 z programu treningowego przez miesi\u0105c, a nast\u0119pnie pod koniec miesi\u0105ca ponownie zmierzy\u0107 jego maksymalny skok wzwy\u017c.<\/span><\/p>\n Poni\u017csze dane pokazuj\u0105 maksymaln\u0105 wysoko\u015b\u0107 skoku (w calach) przed i po zastosowaniu programu treningowego dla ka\u017cdego zawodnika:<\/span><\/p>\n Prz\u00f3d<\/strong> : 22, 24, 20, 19, 19, 20, 22, 25, 24, 23, 22, 21<\/span><\/p>\n Po<\/strong> : 23, 25, 20, 24, 18, 22, 23, 28, 24, 25, 24, 20<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak u\u017cywa\u0107 funkcji ttest_rel()<\/a> w bibliotece scipy.stats<\/strong> w celu wykonania testu t dla pr\u00f3bek sparowanych:<\/span><\/p>\n Statystyka testu t wynosi \u20132,5289<\/strong> , a odpowiadaj\u0105ca jej dwustronna warto\u015b\u0107 p wynosi 0,0280<\/strong> .<\/span><\/p>\n Dwa za\u0142o\u017cenia dla tego konkretnego testu t dla par pr\u00f3bek s\u0105 nast\u0119puj\u0105ce:<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 p testu (0,0280) jest mniejsza ni\u017c 0,05, odrzucamy hipotez\u0119 zerow\u0105.<\/span><\/p>\n Oznacza to, \u017ce mamy wystarczaj\u0105ce dowody, aby stwierdzi\u0107, \u017ce \u015brednia wysoko\u015b\u0107 skoku przed i po zastosowaniu programu treningowego nie jest r\u00f3wna.<\/span><\/p>\n Do automatycznego wykonywania r\u00f3\u017cnych test\u00f3w t mo\u017cna u\u017cywa\u0107 nast\u0119puj\u0105cych kalkulator\u00f3w online:<\/span><\/p>\n Przyk\u0142ad kalkulatora testu t<\/a> Test hipotezy to formalny test statystyczny, kt\u00f3rego u\u017cywamy do odrzucenia lub nieodrzucenia hipotezy statystycznej. W tym samouczku wyja\u015bniono, jak wykona\u0107 nast\u0119puj\u0105ce testy hipotez w Pythonie: Pr\u00f3bny test t Test T dla dw\u00f3ch pr\u00f3bek Test t dla sparowanych pr\u00f3bek Chod\u017amy! Przyk\u0142ad 1: Przyk\u0142ad testu t w Pythonie Test t dla jednej pr\u00f3by s\u0142u\u017cy do sprawdzenia, czy […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-3242","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Przyk\u0142ad 1: Przyk\u0142ad testu t w Pythonie<\/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
Przyk\u0142ad 2: Test t dla dw\u00f3ch pr\u00f3bek w Pythonie<\/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
Przyk\u0142ad 3: Test t dla par pr\u00f3bek w Pythonie<\/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
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Kalkulator testu t dla dw\u00f3ch pr\u00f3bek<\/a>
Kalkulator testu t dla sparowanych pr\u00f3bek<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"