z统计量和t统计量 python z统计量和t统计量区别

T.test 适用于小样本总体标准差未知的正态分布

• 应用场景 单样本t检验(检验一个样本平均数与一已知的总体平均数的差异是否显著。) 两独立样本t检验 成对样本t检验t.test
• T.test检验原理/步骤 1、根据检验目的构造原假设、备择假设，设置显著性水平 2、构造检验统计量，基于抽取的样本计算检验统计量 3、与临界值相比较，得出最终结论。
• ABtest原理3分钟看懂ABtest

• z检验 适用情况：大样本/（小样本、总体方差已知、正态分布）
• Z检验和T 检验的区别
• 置信区间 置信水平 是个概率 这次网捞到鱼的概率 95%
• 中心极限定理 如果样本量足够大，则变量均值的采样分布将近似于正态分布 意义：中心极限定理在理论上保证了我们可以用只抽样一部分的方法，达到推测研究对象统计参数的目的。 举例：现在我们要统计全国的人的体重，看看我国平均体重是多少。当然，我们把全国所有人的体重都调查一遍是不现实的。 所以我们打算一共调查1000组，每组50个人。然后，我们求出第一组的体重平均值、第二组的体重平均值，一直到最后一组的体重平均值。中心极限定理说：这些平均值是呈现正态分布的。并且，随着组数的增加，效果会越好。最后，当我们再把1000组算出来的平均值加起来取个平均值，这个平均值会接近全国平均体重。中心极限定理应用
• 显著性水平 通常是0.05或其他，是人为给定的
• p值的含义 p值是一个概率，通常大家先设定一个显著性水平比如0.05，然后将p值和显著性水平来做比较从而进行决策。小于显著性水平会拒绝原假设，大于则没有足够理由拒绝原假设。
• 假设检验原理

• 基本思想 假设检验的基本思想是“小概率事件”原理，其统计推断方法是带有某种概率性质的反证法。小概率思想是指小概率事件在一次试验中基本上不会发生。反证法思想是先提出检验假设，再用适当的统计方法，利用小概率原理，确定假设是否成立。即为了检验一个假设H0是否正确，首先假定该假设H0正确，然后根据样本对假设H0做出接受或拒绝的决策。如果样本观察值导致了“小概率事件”发生，就应拒绝假设H0，否则应接受假设H0 [1] 。
• 基本步骤 1、提出原假设和备择假设 2、确定检验统计量，并计算 3、将检验统计量和临界值进行比较 4、得出结论

• 第一类错误和第二类错误 一类错误（弃真错误）是指H0为真，但却拒绝了H0，犯错风险是α。 二类错误（存伪错误）是指H1为真，但却拒绝了H1，犯错风险是β。 第一类错误和第二类错误是 “此消彼长”的关系 同时减少这两类错误的方法 只有 增加样本；
• 小概率事件 一个事件的发生概率非常小，在一次试验中是几乎不可能发生的，但在多次重复试验中是必然发生的。在一次试验中,小概率事件不应该发生,若发生了,则否定原假设H0,接受与其对立的备择假设H1。
• 相关系数
• 贝叶斯定理
• 条件概率



• 随机森林 森林：多个决策树 随机：每棵树都随机采取样本 功能：可以做分类，可以做回归 决策树的样子（判断条件顺序很重要）：

决策树的组成：

决策树的训练与测试：

• 最小二乘法和极大似然估计
• 回归模型