Одновыборочные и парные критерии для среднего (Z-тест и t-тест)
Содержание курса
Расчет t-тестов в SciPy
Рассчитаем статистики на проверенном числовом примере. Пусть для пар зафиксированы разности со значениями [-1, 2, 3, 3, 6].
Сначала посчитаем компоненты вручную по формуле:
- Выборочное среднее:
- Сумма квадратов отклонений: $(-1
- 2.6)^2 + (2
- 2.6)^2 + (3
- 2.6)^2 + (3
- 2.6)^2 + (6
- 2.6)^2 = 12.96 + 0.36 + 0.16 + 0.16 + 11.56 = 25.2$
- Несмещенная дисперсия: , откуда
- Статистика Стьюдента:
При расчетах в библиотеке SciPy критически важно явно приводить входные массивы к типу np.float64 до вычислений. Это предотвращает скрытое переполнение целочисленных типов NumPy при вычитании больших значений.
Обратите внимание на порядок аргументов: функция scipy.stats.ttest_rel(a, b) внутри всегда рассчитывает разности как a - b. Если переставить аргументы местами и вызвать ttest_rel(b, a), -статистика просто сменит знак на противоположный. В двустороннем тесте значение -value при этом не изменится, однако для односторонних альтернатив (alternative='greater' или 'less') перестановка аргументов принципиально меняет проверяемый хвост распределения.
Поэтому всегда согласуйте порядок передачи массивов с формулировкой гипотезы (например, в практическом задании урока требуется исследовать разности вида before - after, то есть передавать before первым аргументом).
import numpy as np
from scipy import stats
# Исходные измерения пар (до и после)
before = np.array([10, 20, 15, 30, 25], dtype=np.float64)
after = np.array([9, 22, 18, 33, 31], dtype=np.float64)
# Разности: after - before -> [-1., 2., 3., 3., 6.]
diff = after - before
# 1. Парный тест через ttest_rel: порядок (after, before) соответствует after - before
res_rel = stats.ttest_rel(after, before)
# 2. Одновыборочный тест разностей через ttest_1samp
res_1samp = stats.ttest_1samp(diff, popmean=0.0)
print(f"ttest_rel: t = {res_rel.statistic:.6f}, p = {res_rel.pvalue:.6f}")
print(f"ttest_1samp: t = {res_1samp.statistic:.6f}, p = {res_1samp.pvalue:.6f}")
Вывод программы:
ttest_rel: t = 2.316264, p = 0.081470
ttest_1samp: t = 2.316264, p = 0.081470
Результаты совпадают с машинной точностью. Парный критерий ttest_rel математически идентичен одновыборочному критерию ttest_1samp для вектора разностей.
Если бы истинная дисперсия разностей была известна заранее (допустим, ), мы бы использовали формулу Z-теста и функцию выживания нормального распределения sf:
sigma = 2.5
n = len(diff)
z_stat = np.sqrt(n) * (np.mean(diff) - 0.0) / sigma
p_val_z = 2 * stats.norm.sf(np.abs(z_stat))
print(f"Z-test: z = {z_stat:.6f}, p = {p_val_z:.6f}")
