💘오늘 배운것들

T-test

💭P-value: 귀무가설이 사실인데 사실이 아니라고 판정하했을 때, 판정이 잘못되었을 확률(오류일 확률)
ex1) p-value가 매우작다(0.05미만)?
-> 잘못된 대립가설을 채택할 확률이 매우 작다 (귀무가설 기각)
ex2)
p-value > 0.05 라면?
같지 않다고 보기 어렵다 (귀무가설 채택)
p-value < 0.05 라면?
같지 않다. (귀무가설 기각)

💭유의수준: 귀무가설이 사실일 때, 귀무가설에 대한 판단 오류 수준(1종 오류의 최대 확률)

p-value: 가설검증할 때
t statistic: 정교한 연구 할때 활용
t 값은 음수 또는 양수가 될 수 있는데 이는 좌우대칭이기 떄문이다.

1) one sample T-test

• 귀무가설: tree1의 평균은 400일 것이다.
• 대립가설: tree1의 평균은 400이 아닐 것이다.

stats.ttest_1samp(tree1, 400)

[output]

Ttest_1sampResult(statistic=3.3809205562101288, pvalue=0.002470712850935819)

p-value가 0.05보다 작기 때문에 귀무가설 기각, tree1의 평균은 400이 아니다.

2) two sample T-test

• 귀무가설: tree2와 tree3의 평균은 같다.
• 대립가설: tree2와 tree3의 평균은 같지 않다.

stats.ttest_ind(tree2,tree3)

[output]

Ttest_indResult(statistic=0.4629256014492562, pvalue=0.6455096880085703)

p-value가 0.05보다 크기 때문에 귀무가설 채택, tree2와 tree3의 평균은 같다.

two-tailed(같다/다르다) vs One-tailed(크다/작다)

two-tailed :
H0 : A = B
H1 : A != B
one-tailed :
H0 : A = B
H1 : A < B or A > B

two-side가 strict해서 H0을 reject하기가 더 힘들다.
왜냐하면 p-value가 유의수준 범위까지 넘어가야(p<유의수준) reject 되는 것인데, one-side의 범위가 two-side보다 넓기 때문이다.
더 나아가, two-side를 test한다는 것은 one-side는 reject이 되었다는 것.
one-tailed z-value:1.645
two_tailed z-value

scipy.stats.ttest_ind 사용법

ex1) two-tailed
H0 : A = B
H1 : A != B 라고 설정

stats.ttest_ind(A,B)

p<0.05 라면, H0 기각 -> A와 B는 같지 않다.
(p값 = stats.ttest_ind(A,B).pvalue)

ex2) One-tailed
H0 : A = B
H1 : A > B 라고 설정

stats.ttest_ind(A, B, alternative = 'greater')

p<0.05와 비교, H0 기각 -> A는 B보다 크다.

⭐⭐헷갈리는 양측검정, 단측검정⭐⭐중요중요 내가 이해 못했던 단측검정 부분!!

scipy 공식문서

sampling

Probability Sampling with Python: 다양한 sapling 방법들

기타

1~100까지 array를 만들고 싶을 때,
np.arange(1,100)를 하면 1~99까지 숫자가 나온다.
np.arange(1,101)를 해야한다.

그런데,
np.linspace(1,100,100)를 쓰면 1부터 100까지 100개의 원소를 불러낼 수 있다.

🤦‍♀️모르는 것들

Non-parametric statistics (비모수적 통계)

• Chisquare
  Spearman correlation
  Run test
  Kolmogorov Smirnov
  Mann-Whitney U
  Wilcoxon
  Kruskal-Wallis 등