z檢驗：
計算臨界值：scipy.stats.norm.ppf(level_of_confidence)
計算p值：scipy.stats.norm.sf(abs(z_score)) 或 1-scipy.stats.norm.cdf(abs(z_score))---左尾或右尾，雙尾檢驗需在此基礎上乘以2
計算臨界值例子：
from scipy.stats import norm critical1=norm.ppf(0.95) #左尾或右尾 critical2=norm.ppf(0.975) #雙尾
t檢驗：
計算臨界值：scipy.stats.t.ppf(level_of_confidence, degree_of_freedom)
計算p值：scipy.stats.t.sf(abs(t_score),df) 或 1-scipy.stats.t.cdf(abs(t_score),df)---左尾或右尾，雙尾檢驗需在此基礎上乘以2
計算臨界值例子：
from scipy.stats import t critical1=t.ppf(0.95,10) #左尾或右尾 critical2=t.ppf(0.975,10) #雙尾
卡方檢驗：
計算臨界值：scipy.stats.chi2.ppf(level_of_confidence, degree_of_freedom)
計算p值：scipy.stats.chi2.sf(abs(chi2_score),df) 或 1-scipy.stats.chi2.cdf(abs(chi2_score),df)---左尾或右尾，雙尾檢驗需在此基礎上乘以2
計算臨界值例子：
from scipy.stats import chi2 critical1=chi2.ppf(0.95,10) #左尾或右尾 critical2=chi2.ppf(0.975,10) #雙尾
F檢驗：
計算臨界值：scipy.stats.f.ppf(level_of_confidence, dfn, dfd)
計算p值：scipy.stats.f.sf(abs(chi2_score),dfn,dfd) 或 1-scipy.stats.chi2.cdf(abs(chi2_score),dfn,dfd)---左尾或右尾，雙尾檢驗需在此基礎上乘以2
計算臨界值例子：
from scipy.stats import f critical1=f.ppf(0.95,30,28) #左尾或右尾 critical2=f.ppf(0.975,30,28) #雙尾
注：
cdf是概率的累積分布，即小於等於某個值出現的概率總和。
ppf是cdf的逆運算，也就是已知概率總和，求對應的統計量的值。
參考：https://machinelearningmastery.com/critical-values-for-statistical-hypothesis-testing/