兩樣本成對數據的t檢驗。所謂成對數據, 是指兩個樣本的樣本容量相等, 且兩個樣本之間除均值之外沒有另的差異。例如比較某一班同一單元內容的第二次考試是否比第一次的高? 同一個人在服用某種維生素
後是否比未服用之前不易感冒? 這就是成對數據的比較檢驗。
設, ,,…,是來自總體X的樣本,, ,,…,是來自總體Y的樣本,定義,記,,則, ,,…,爲總體Z~N()的樣本。此時, 與的檢驗問題等價於的檢驗問題。 因此,由單正態總體均值的假設檢驗知, 假設檢驗問題:
(1) (雙邊假設檢驗)
(2) (單邊假設檢驗)
(3) (單邊假設檢驗)
例:在針織品漂白工藝過程中, 要考慮溫度對針織品斷裂強力(主要質量指標)的影響。 爲了比較70℃與80℃的影響有無差別,在這兩個溫度下,分別重複做了8次試驗,根據經驗, 溫度對針織品斷裂強度的波動沒有影響。 問在70℃時的平均斷裂強力與80℃時的平均斷裂強力間是否有顯著差別? 假定斷裂強力服從正態分佈(α=0.05)
溫度對針織品斷裂強力的影響數據
70℃時的強力 | 20.5, 18.8, 19.8, 20.9, 21.5, 19.5, 21.0, 21.2 |
---|---|
80℃時的強力 | 17.7, 20.3, 20.0, 18.8, 19.0, 20.1, 20.0, 19.1 |
from scipy.stats import ttest_rel
import pandas as pd
x = [20.5, 18.8, 19.8, 20.9, 21.5, 19.5, 21.0, 21.2]
y = [17.7, 20.3, 20.0, 18.8, 19.0, 20.1, 20.0, 19.1]
# 配對樣本t檢驗
print(ttest_rel(x, y))
print(ttest_rel(x, y))
# Ttest_relResult(statistic=1.8001958337730648, pvalue=0.1148515300576627)
# 結論: 因爲p值=0.1149>0.05, 故接受原假設, 認爲在70℃時的平均斷裂強力與80℃時的平均斷裂強力間無顯著差別