各大平台的logo图案,网站seo策划,教育局网站群建设方案,wordpress 迁移 空白scipy.stats.t.interval用于计算t分布的置信区间#xff0c;即给定置信水平时#xff0c;计算对应的置信区间的下限和上限。
scipy.stats.t.ppf用于计算t分布的百分位点#xff0c;即给定百分位数#xff08;概率#xff09;时#xff0c;该函数返回给定百分位数对应的t…scipy.stats.t.interval用于计算t分布的置信区间即给定置信水平时计算对应的置信区间的下限和上限。
scipy.stats.t.ppf用于计算t分布的百分位点即给定百分位数概率时该函数返回给定百分位数对应的t分布的值。//它的作用是根据给定的累积概率值计算随机变量的值使得该值以下的累积概率等于给定的概率。 利用t.ppft.interval分别计算T分布置信区间[实例]
import scipy.stats as stats
import numpy as np# 指定概率值例如95% 置信水平对应的概率
alpha 0.05# 指定样本数据
data np.array([34,56,39,71,84,92,44,67,98,49,55,73,50,62,75,44,88,53,61,25,36,66,77,35])# 计算样本均值和标准误差
sample_mean np.mean(data)
sample_std np.std(data, ddof1) # 使用ddof1进行自由度校正
sample_size len(data)
standard_error sample_std / np.sqrt(sample_size)# 计算T分布的置信区间的上下限
t_critical stats.t.ppf(1 - alpha / 2, dfsample_size - 1) # 自由度为样本大小减一
confidence_interval_lower sample_mean - t_critical * standard_error
confidence_interval_upper sample_mean t_critical * standard_error# 输出T分布置信区间的上下限
print(T分布置信区间的下限, confidence_interval_lower)
print(T分布置信区间的上限, confidence_interval_upper)print(-------------------)
# 计算t分布的置信区间
t_confidence_interval stats.t.interval(1 - alpha, dfsample_size - 1, locsample_mean, scalesample_std / np.sqrt(sample_size))
# 输出计算结果
print(t分布的置信区间, t_confidence_interval)# T分布置信区间的下限 51.356996738889045
# T分布置信区间的上限 68.14300326111095
# -------------------
# t分布的置信区间 (51.356996738889045, 68.14300326111095)
# [Finished in 5.1s]
附录多种方式进行T分布检验
import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt# 创建一个样本数据假设它符合T分布
np.random.seed(0)
sample_data np.random.standard_t(df5, size100)# 绘制直方图
plt.hist(sample_data, bins20, densityTrue, alpha0.6, colorb, labelHistogram)# 绘制T分布的概率密度函数PDF曲线
x np.linspace(min(sample_data), max(sample_data), 100)
pdf stats.t.pdf(x, df5)
plt.plot(x, pdf, r-, lw2, labelT-Distribution PDF)# 添加图例和标签
plt.legend()
plt.title(Histogram and PDF of Sample Data)
plt.xlabel(Value)
plt.ylabel(Probability Density)# 显示图形
plt.show()# 绘制Q-Q图
stats.probplot(sample_data, distt, sparams(5,), plotplt)
plt.title(Q-Q Plot against T-Distribution)# 显示Q-Q图
plt.show()# 进行正态性检验Shapiro-Wilk检验
shapiro_test_statistic, shapiro_p_value stats.shapiro(sample_data)
print(Shapiro-Wilk检验统计量, shapiro_test_statistic)
print(Shapiro-Wilk检验p值, shapiro_p_value)
