若原假设为真,而检验的结论却劝你放弃原假设。此时,我们把这种错误称之为第一类错误。通常把第一类错误出现的概率记为α
若原假设不真,而检验的结论却劝你采纳原假设。此时,我们把这种错误称之为第二类错误。通常把第二类错误出现的概率记为β
'''方差齐性检验 在显著性水平α =0.05的情况下,p>0.05接受原假设, 所以接受原假设,即样本集B和样本集H间不存在显著性差异'''from scipy import stats # 导入相应模块v3=[23,25,26,27,23,24,22,23,25,29,30,32]
v4=[24,25,23,26,27,25,25,28,30,31,29,28]stats.levene(v3,v4, center="mean")
fVal, pSD = stats.levene(v3,v4, center="mean")print("ANOVA-0",fVal, pSD)
输出结果:
0.5671069450362157
0.45939425229350794
'''T-test 在显著性水平α =0.05的情况下,p>0.05接受原假设, 所以接受原假设,即样本集B和样本集H间不存在显著性差异'''v3=[23,25,26,27,23,24,22,23,25,29,30,32]
v4=[24,25,23,26,27,25,25,28,30,31,29,28]import numpy as np
from scipy.stats import ttest_ind
from scipy import statsres = ttest_ind(v3, v4)
print(res)
输出结果
Ttest_indResult(statistic=-0.8599394154935148, pvalue=0.3990967787539713)
KS 检验用于检查给定值是否符合分布
该函数接收两个参数;测试的值和 CDF
可以用作单尾或双尾测试,默认情况下它是双尾测试。 我们可以将参数替代作为两侧、小于或大于其中之一的字符串传递。
查找给定值是否符合正态分布
import numpy as np
from scipy.stats import kstestv = np.random.normal(size=100)res = kstest(v, 'norm')print(res)
输出结果
KstestResult
(statistic=0.047798701221956841, pvalue=0.97630967161777515)