【统计检验】T检验

统计学中T检验 阅读详情

统计检验必学:T检验|三种类型+公式推导+Python代码+机器学习实战

T检验是统计学、数据分析、机器学习中最常用、最基础的均值检验方法,专门用来判断两组数据的均值是否存在显著差异。


一、T检验到底是什么?(一句话看懂)

T检验 = 小样本、总体标准差未知时,比较“均值是否有显著差异”的统计检验

它要回答的核心问题:

两组数据的均值不一样,是真的有差别,还是只是随机误差?

适用场景

  • 样本量 n < 30(小样本)
  • 总体标准差 未知
  • 数据近似服从 正态分布
  • 只比较 均值,不比较方差

二、T检验的三种核心类型(必考+必用)

T检验一共只有3种,对应3种不同业务场景,一定要分清:

1. 单样本 T 检验

用途:一组样本 和 已知总体均值 比较

  • 例子:某班平均分是否显著 不等于 全校平均分
  • 公式:
    t=X‾−μ0s/n t = \frac{\overline{X} - \mu_0}{s/\sqrt{n}} t=s/n​X−μ0​​

2. 独立样本 T 检验

用途:两组完全独立的样本比较

  • 例子:男生成绩 vs 女生成绩;新方法 vs 旧方法
  • 公式:
    t=X‾1−X‾2Sp1n1+1n2 t = \frac{\overline{X}_1 - \overline{X}_2}{S_p \sqrt{\frac{1}{n_1}+\frac{1}{n_2}}} t=Sp​n1​1​+n2​1​​X1​−X2​​
    合并方差:
    Sp=(n1−1)s12+(n2−1)s22n1+n2−2 S_p=\sqrt{\frac{(n_1-1)s_1^2+(n_2-1)s_2^2}{n_1+n_2-2}} Sp​=n1​+n2​−2(n1​−1)s12​+(n2​−1)s22​​​

3. 配对样本 T 检验

用途:同一组对象前后两次测量比较

  • 例子:减肥前体重 vs 减肥后体重;训练前成绩 vs 训练后成绩
  • 思路:先算差值,再对差值做单样本T检验

三、T分布是什么?和正态分布有什么区别?

T分布是小样本下的正态分布,形状由自由度 df 决定:

T分布特点

  1. 对称、钟形,和正态分布很像
  2. 自由度越小,尾部越厚(更能容忍小样本波动)
  3. 自由度越大,越接近标准正态分布
  4. 自由度公式:
    • 单样本:df=n−1df = n-1df=n−1
    • 独立样本:df=n1+n2−2df = n_1+n_2-2df=n1​+n2​−2

四、Python 代码1:T分布与正态分布对比可视化

import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt

# 生成x轴数据
x = np.linspace(-5, 5, 100)

# 计算不同分布的密度
t2 = stats.t.pdf(x, df=2)
t10 = stats.t.pdf(x, df=10)
norm = stats.norm.pdf(x)

# 绘图
plt.figure(figsize=(8, 5))
plt.plot(x, t2, label='t-distribution df=2', c='red')
plt.plot(x, t10, label='t-distribution df=10', c='blue')
plt.plot(x, norm, label='Normal', c='green', linestyle='--')
plt.title('T分布 vs 正态分布')
plt.xlabel('x')
plt.ylabel('Density')
plt.legend()
plt.grid(alpha=0.3)
plt.show()

五、Python 代码2:独立样本T检验(最常用)

模拟两组成绩,判断是否有显著差异

import numpy as np
import scipy.stats as stats
import seaborn as sns
import matplotlib.pyplot as plt

# 生成数据
np.random.seed(0)
group1 = np.random.normal(60, 10, 30)  # 方法A
group2 = np.random.normal(65, 12, 30)  # 方法B

# 独立样本T检验
t_stat, p_value = stats.ttest_ind(group1, group2)

print(f"T 统计量: {t_stat:.4f}")
print(f"P 值: {p_value:.4f}")

# 分布对比图
plt.figure(figsize=(8, 5))
sns.histplot(group1, color='blue', kde=True, label='Group1', stat='density', bins=10)
sns.histplot(group2, color='red', kde=True, label='Group2', stat='density', bins=10)
plt.title('两组数据分布对比')
plt.legend()
plt.show()

结果怎么看?

  • p < 0.05:差异显著,拒绝原假设
  • p ≥ 0.05:差异不显著,不能拒绝原假设

六、Python 代码3:机器学习中的应用——特征选择

T检验(及其等价的F检验)是分类任务特征筛选神器:
判断特征在不同类别间是否有显著差异。

from sklearn.datasets import load_iris
from sklearn.feature_selection import f_classif
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 数据集
data = load_iris()
X, y = data.data, data.target

# 方差分析F检验(等价于多分类T检验)
f_vals, p_vals = f_classif(X, y)

print("特征F值:", f_vals.round(2))
print("特征P值:", p_vals.round(4))

# 筛选显著特征(p<0.05)
X_selected = X[:, p_vals < 0.05]

# 建模
X_train, X_test, y_train, y_test = train_test_split(
    X_selected, y, test_size=0.3, random_state=42
)
model = LogisticRegression()
model.fit(X_train, y_train)
acc = accuracy_score(y_test, model.predict(X_test))

print(f"筛选后特征数:{X_selected.shape[1]}")
print(f"模型准确率:{acc:.4f}")

七、T检验使用步骤(万能流程)

  1. 明确问题:单样本/独立样本/配对样本
  2. 检验正态性(T检验要求数据近似正态)
  3. 计算 t 统计量
  4. 查看 p 值
  5. 下结论:
    • p < 0.05 → 差异显著
    • p ≥ 0.05 → 差异不显著

八、超清晰总结(背诵版)

  1. T检验 = 小样本、方差未知时的均值检验
  2. 三种类型:单样本、独立样本、配对样本
  3. T分布:自由度越小越扁尾,越大越接近正态
  4. 看 p 值判断显著性:p < 0.05 显著
  5. 机器学习用途:特征选择(筛选显著差异特征)
统计学常用的分析方法:T检验 T检验根据使用场景可以分为三类:(1) 单样本t检验(One-sample t-test)用途:比较单个样本的均值与已知总体均值的差异。假设:样本来自正态分布的总体。例子:学生的每次数学成绩是否是符合均值为xx的正态分布(2) 配对样本t检验(Paired Samplest-test)用途:用于比较同一组样本在两个不同条件下的均值是否显著不同假设:假设两个条件下的数据是成对的,即每个观察值在两个条件下都有对应。另外,假设成对差值符合正态分布。 阅读详情

相关推荐

统计学中的t检验 、f检验、卡方检验

统计学中的t检验 、f检验、卡方检验

book_dw5189的博客 8017

数据分析之T检验

1、定义: t检验,亦称student t检验(Student’s t test),主要用于样本含量较小(例如n < 30),总体标准差σ未知的正态分布。 t检验是用t分布理论来推论差异发生的概率,从而比较两个平均数的差异是否显著。它与f检验、卡方检验并列。来源:百度百科 用于统计量服从正态分布,但方差未知的情况。 T检验分析时,当样本量较大时,很少考虑T检验的使用条件。由中心极限定理可知,只要样本量足够大,其样本均数的抽样分布仍然是正态的。即:只要数据分布不是强烈的偏态,一般而言T检验

当我把这件事情做出来的时候,我想要的东西就已经拿到了 2万+

统计学(二):t检验

# 1.单样本t检验(正态总体) # 1.1 有原始数据的检验 a = c(20.99,20.41,20.10,20.00,20.91,22.60,20.99,20.42,20.90,22.99,23.12,20.89) qqnorm(scale(a)) # 正态性检验 t.test(a,mu = 20.7,alternative = "two.sided",conf.level = 0.95)...

bioprogrammer 3127

T检验:一种通俗易懂的统计分析方法

T检验是一种假设检验方法,用于判断两组数据的均值是否存在显著差异。它基于样本数据计算T统计量,并与T分布进行比较,从而得出P值,进而推断总体均数之间的差异是否显著。

weixin_41544125的博客 1万+

t检验.医学统计实例详解-医学统计助手★卡方检验,t检验,F检验,秩和检验,方差分析

经计算,t=5.9646,p=0.0002,p

statsas的博客 1828

多元线性回归f检验和t检验_统计中重要的检验:T检验、F检验及其统计学意义...

本文从T检验、F检验及其统计学意义来讲,主要内容涉及T检验和F检验的由来,T检验和F检验的关系等内容。1 T检验和F检验的由来一般而言,为了确定从样本(sample)统计结果推论至总体时所犯错的概率,我们会利用统计学家所开发的一些统计方法,进行统计检定。通过把所得到的统计检定值,与统计学家建立了一些随机变量的概率分布(probability distribution)进行比较,我们可以...

weixin_29737443的博客 4485

统计学—假设检验之Z检验,T检验

假设检验假设检验的定义假设检验的步骤假设方法Z检验Z检验的适用条件Z检验的类型T检验T检验的适用条件三种类型的T检验 假设检验的定义 判断样本与样本、样本与总体的差异是由抽样误差引起还是本质差别造成。 常用的假设检验方法有Z检验、T检验、卡方检验、F检验等。 假设检验的步骤 提出假设 确定显著性水平(通常α=0.05) 计算检验统计量的值 做出决策 原假设与备择假设: H0H_0H0​ :原假设,称为零假设,希望拒绝的假设。 H1H_1H1​ :备择假设,希望接受的假设。 假设方法 Z检验 Z检验的适用

weixin_44189446的博客 1万+

统计基础:3.3_假设检验之t检验(Student‘s t test)

t检验三种形式一、参数检验:T检验介绍1.1、单样本T检验(one sample t test)1.2、两独立样本T检验(two independent sample t-test)1.2、配对样本T检验(paired t test) 一、参数检验:T检验介绍   t检验,亦称student t检验(Student’s t test),主要用于样本含量较小(例如n < 30),总体标准差σ未知的正态分布。 [1] t检验是用t分布理论来推论差异发生的概率,从而比较两个平均数的差异是否显著。 1.1

qq_34120015的博客 9187

统计学T检验与F检验

(这并不是说如果变量间存在关联,我们可得到 5% 或 95% 次数的相同结果,当总体中的变量存在关联,重复研究和发现关联的可能性与设计的统计学效力有关。实践中,最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较,依赖于总体数据集里结论一致的支持性证据的数量,依赖于以往该研究领域的惯例。每一种统计方法的检定的内容都不相同,同样是t-检定,可能是上述的检定总体中是否存在差异,也同能是检定总体中的单一值是否等於0或者等於某一个数值。相反,若比较后发现,出现的机率很高,并不罕见;

Mr__Charles的博客 1376

【统计学】参数检验:单样本t检验、独立样本t检验、配对样本t检验

解释一下,假设我有10(n)个样本,样本总和为s,如果我现在可以随便定义样本中的值,并且保持总和s不变,那么我只能自己定义9(n-1)个样本值,因为你总有一个样本值会被总和s束缚。比如,我要衡量我的饭量,抽的几次吃饭的份量就是样本,把它们做平均,那计算平均的函数就是样本函数,最终得到的平均值是统计量观测值。抽取的样本里包含了总体分布的信息,但是这些信息分散在样本每个分量上,我们不能直接用样本去推断总体分布,因此需要把我关心的信息从每个分量上汇成一个值作为代表,那我就可以用一个函数,把样本上所有分量。

weixin_44465613的博客 4682

统计学习笔记:假设检验基本概念及U检验、T检验、F检验

U检验,T检验,F检验

BernardDong的博客 8029

在 R 中进行统计检验:t 检验与 F 检验的实用指南

本文系统介绍了如何在 R 中执行常见的统计检验,包括两样本 t 检验、单样本 t 检验以及 F 检验。文章从原假设与备择假设的基本概念切入,解释如何利用 p 值判断均值或方差差异是否具有统计学显著性,并通过多个可运行的 R 代码示例展示检验的实际效果。读者可以学习如何在模型评估与数据分析场景中严谨地比较不同数据集或模型输出,建立更稳健的统计推断方法。

等风来 1143

常用统计分析方法 SPSS应用(t检验、相关分析、回归分析、时间序列)

常用统计分析方法 SPSS应用。t检验、相关分析、回归分析、时间序列。

统计学常用概念:T检验、F检验、卡方检验、P值、自由度

1,T检验和F检验的由来 一般而言,为了确定从样本(sample)统计结果推论至总体时所犯错的概率,我们会利用统计学家所开发的一些统计方法,进行统计检定。 通过把所得到的统计检定值,与统计学家建立了一些随机变量的概率分布(probability distribution)进行比较,我们可以知道在多少%的机会下会得到目前的结果。倘若经比较后发现,出现这结果的机率很少,亦即是说,是

Alvin-He的专栏 3万+

SAP MTO实战:从销售订单到生产订单的精准触发与配置详解

本文深入解析SAP系统中按订单生产(MTO)模式的核心流程与配置。详细阐述了如何通过精准配置物料主数据策略组、需求类型及计划策略(如策略50),实现从销售订单自动触发生产订单的完整链路。文章结合实战案例,指导用户打通销售与生产环节,并提供了关键事务代码与常见问题排查指南,助力企业实现以销定产,优化库存与成本控制。

weixin_29300931的博客 217

Springboot信息泄露以及heapdump的利用

努力是为了不平庸~安全有些时候是枯燥的,这一次,让我们先人一步,趣学渗透!

LiBai'S BLOG 3万+

从0开始学统计-t检验

在进行t 检验时,我们首先计算t 统计量,然后根据 t分布表或软件工具确定对应的P 值,最后根据显著性水平(通常为0.05)对 P 值进行解释,以决定是否拒绝原假设。假如你在一家灯泡厂工作,研发部门设计了一款新灯泡,老板给了你10个新灯泡的随机抽样使用寿命的数据,并且告诉你,旧灯泡的平均使用寿命是650小时,他想知道新灯泡与旧灯泡在使用寿命上有没有差异?而 P 值非常接近于零。(1)单样本 t 检验:用于检验一个样本的平均值是否与一个已知的总体平均值(或者一个假设的总体平均值)有显著差异。

2202_76035290的博客 1194

「大模型学习」(11)kv cache与vllm详解,一文读懂!

Key(键):表示上下文的特征。Value(值):表示上下文的内容。Query(查询):表示当前 token 的查询向量。AttentionQKVsoftmaxQKTdkVAttentionQKVsoftmaxdk​​QKT​V),每次生成一个新 token(比如下一个词),模型会再次查看之前的所有K和V,以计算当前 token 的注意力。问题:每次都重新计算之前的 K/V 很浪费!项目维度(简化)含义Q当前 token 的查询向量。

qq_43044037的博客 5407

t检验.医学统计实例详解

t检验.医学统计实例详解

book_dw5189的博客 2051

存储关键技术·RAID技术·RAID2.0·华为RAID2.0+·华为服务器·云计算

一.RAID基本概念 常见的RAID级别组合RAID级别 二.RAID的数据组织形式 三.RAID的数据保护功能 方法一:镜像方法二:奇偶校验算法(XOR) 四.RAID热备和重构 1.热备(Hot Spare)的定义2.热备的分类3.热备的工作原理 五.RAID 2.0技术 1.RAID 2.02.RAID 2.0+3.华为RAID 2.0+ 六.RAID 2.0+块虚拟化技术 1.什么会出现RAID 2.0+技术?2.什么是RAID 2.0?3.RAID 2.0+的原理是什么?

qq_47480932的博客 3320

RK3588开发笔记-Buildroot编译host-nodejs报错解决ModuleNotFoundError: No module named ‘_bz2‘

在RK3588的开发过程中,使用Buildroot进行系统的构建和编译是一个常见的选择。然而,在编译host-nodejs的过程中,有时会遇到报错信息提示。这个错误通常是由于Python环境中缺少相应的模块导致的。以下将记录我解决这个问题的过程。。在RK3588的开发过程中,使用Buildroot编译host-nodejs时遇到的错误,通常是由于缺少相应的Python模块导致的。通过配置buildroot pythong bzip2开发库并重新编译,可以解决这个问题。

flypig has a dream! 901

医学统计学 第八章( t 检验)

第一节 单样本 t 检验(样本均数与总体均数的比较) 总体标准差 σ 未知且样本含量较小,要求样本来自正态分布总体。 常用于样本均数 μ 和已知总体均数 μ0 的比较。 例题 然后还需要根据自由度 v 和 计算所得 t 值查 t 界值表 P 范围来得出结果 第二节 配对样本 t 检验(配对设计均数的比较) 单样本的特殊情况,配对设计是指同质受试对象配成对子,分别接...

wt141643的博客 3732

[Dify实战] 招投标标书智能生成:模板套用 + 风险校验

摘要:本文提出基于Dify构建AI标书生成工作流,解决传统标书撰写中内容重复(80%复用率)、人工修改效率低、风险检查易出错等痛点。方案包含三大核心模块:1)智能生成(基于模板自动填充项目信息);2)风险校验(AI自动检查废标风险点);3)多角色协作。通过拆分标书结构、设置详细Prompt、建立风险检查清单,实现从"人工撰写"到"参数化自动生成+AI审核"的转型,最终输出标准格式文档并支持企业系统集成。典型应用场景下,系统能自动生成技术方案并识别关键风险(如支付安全合

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 829

matlab的f检验和t检验,统计学在数学建模中的T检验和F检验

昨天做论文,用了数学建模,公式是生产道格拉斯生产函数,统计软件Matlab7.0 怎么都安装不了。最后求助一同学,竟然出去了。只有自己想办法了,用EXECL中的线性函数,将公式中的东西变成LN,用LINSET公式来搞定了,不过有几个数据,这个时候要检验一下其偏离度。下面简单的介绍下相关情况。1,T检验和F检验的由来一般而言,为了确定从样本(sample)统计结果推论至总体时所犯错的概率,我们会利用...

weixin_39613385的博客 3104

vLLM 显存泄漏与 OOM 深度排查:从日志到火焰图

系统性地排查 vLLM 运行中的显存泄漏和 OOM 问题,包括 CUDA 内存快照、PyTorch 内存分析器、火焰图工具。

kaixin110a的博客 188

[Python图像处理] 十九.图像分割之基于K-Means聚类的区域分割

前面的文章讲解了图像锐化和边缘提取技术,该篇文章将开始围绕图像分割进行讲解。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。 本篇文章主要讲解基于理论的图像分割方法,通过K-Means聚类算法实现图像分割或颜色分层处理。基础性文章,希望对你有所帮助。 1.K-Means原理 2.K-Means聚类分割灰度图像 3.K-Means聚类对比分割彩色图像

杨秀璋的专栏 4万+
上一篇: 【统计检验】F检验与F分布
下一篇: 【统计检验】贝叶斯检验
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值