آموزش مقدار P در پایتون (p-Value)

0 دیدگاه

مقدار p در پایتون (p-Value) نشان‌دهنده میزان قدرت یک فرضیه آماری است. ما فرضیه‌ها را بر اساس یک مدل آماری مشخص می‌سازیم و سپس با استفاده از مقدار p، اعتبار آن مدل را بررسی می‌کنیم. یکی از روش‌های محاسبه p-value، استفاده از آزمون T است.

در مثال زیر، یک آزمون دوطرفه (Two-sided test) برای فرضیه صفر (Null Hypothesis) انجام می‌دهیم که بیان می‌کند میانگین یک نمونه از مشاهدات مستقل، با میانگین مشخص جمعیت (popmean) برابر است.

from scipy import stats
rvs = stats.norm.rvs(loc = 5, scale = 10, size = (50,2))
print stats.ttest_1samp(rvs,5.0)

from scipy import stats

rvs = stats.norm.rvs(loc = 5, scale = 10, size = (50,2))

print stats.ttest_1samp(rvs,5.0)

کد بالا خروجی زیر را تولید خواهد کرد:

Ttest_1sampResult(statistic = array([-1.40184894, 2.70158009]),
pvalue = array([ 0.16726344, 0.00945234]))

1 2	Ttest_1sampResult(statistic = array([-1.40184894, 2.70158009]), pvalue = array([ 0.16726344, 0.00945234]))

مقایسه دو نمونه

در مثال‌های زیر، دو نمونه داریم که می‌توانند از یک توزیع مشابه یا از دو توزیع متفاوت باشند. هدف این است که بررسی کنیم آیا این دو نمونه از نظر آماری دارای ویژگی‌های یکسان هستند یا خیر.

تابع ttest_ind آزمون T را برای مقایسه میانگین دو نمونه مستقل انجام می‌دهد. این آزمون، یک آزمون دوطرفه برای فرضیه صفر است که می‌گوید دو نمونه مستقل، میانگین (یا مقدار مورد انتظار) یکسان دارند. به‌صورت پیش‌فرض، این آزمون فرض می‌کند که واریانس جمعیت‌ها برابر است.

در صورتی که دو نمونه مستقل از یک جامعه یا دو جامعه مختلف داشته باشیم، می‌توانیم از این آزمون استفاده کنیم. مثال:

from scipy import stats
rvs1 = stats.norm.rvs(loc = 5,scale = 10,size = 500)
rvs2 = stats.norm.rvs(loc = 5,scale = 10,size = 500)
print stats.ttest_ind(rvs1,rvs2)

from scipy import stats

rvs1 = stats.norm.rvs(loc = 5,scale = 10,size = 500)

rvs2 = stats.norm.rvs(loc = 5,scale = 10,size = 500)

print stats.ttest_ind(rvs1,rvs2)

کد بالا خروجی زیر را تولید خواهد کرد:

Ttest_indResult(statistic = -0.67406312233650278, pvalue = 0.50042727502272966)

1	Ttest_indResult(statistic = -0.67406312233650278, pvalue = 0.50042727502272966)

برای بررسی تأثیر تغییر میانگین، می‌توانید نمونه جدیدی با همان طول ایجاد کنید اما مقدار loc را تغییر دهید و دوباره آزمون را اجرا کنید.

5/5 - (1 امتیاز)

راستی! برای دریافت مطالب جدید در کانال تلگرام یا پیج اینستاگرام سورس باران عضو شوید.

نظرات

برچسب ها: آموزش برنامه نویسی, آموزش پایتون

دوره آموزش پروژه محور طراحی وب سایت پزشک یاب با بوت استرپ

انتشار: ۲۳ مرداد ۱۴۰۴

آموزش مقدار P در پایتون (p-Value)

مقایسه دو نمونه

دسته بندی موضوعات

آخرین محصولات فروشگاه

نظرات

بازخوردهای خود را برای ما ارسال کنید

لغو پاسخ

مطالب مرتبط