如下所示：
interval=stats.t.interval(a,b,mean,std)
a：置信水平
b:檢驗量的自由度
mean:樣本均值
std:樣本標準差
from scipy import stats
import numpy as np
x=[10.1,10,9.8,10.5,9.7,10.1,9.9,10.2,10.3,9.9]
x1=np.array(x)
mean=x1.mean()
std=x1.std()
interval=stats.t.interval(0.95,len(x)-1,mean,std)
interval
out[9]: (9.531674678392644, 10.56832www.cppcns.com5321607357)
補充：用python學www.cppcns.com分析 - t分布
1. t分布形狀類似於標準正態分佈
2. t分布是對稱分布，較正態分佈離散度強，密度曲線較標準正態分佈密度曲線更扁平
3. 對於大型樣本，t-值與z-值之間的差別很小
- t分布糾正了未知的真實標準差的不確定性
- t分布明確解釋了估計總體方差時樣本容量的影響，是適合任何樣本容量都可以使用的合適分布
- 根據小樣本來估計呈正態分佈且方差未知的總體的均值
- 對於任何一種樣本容量，真正的平均值抽樣分布是t分布，因此，當存在疑問時，應使用t分布
- 當樣本容量在 30-35之間時，t分布與標準正態分佈難以區分
- 當樣本容量達到120時，t分布與標準正態分佈實際上完全相同了
- 樣本方差使用乙個估計的引數（平均值），所以計算置信區間時使用的t分布的自由度為 n - 1程式設計客棧
- 由於引入額外的引數(自由度df)，t分布比標準正態分佈的方差更大（置信區間更寬）
- 與標準正態分佈曲線相比，自由度df越小，t分布曲線愈平坦，曲線中間愈低，曲線雙側尾部翹得愈高
- 自由度df愈大，t分布曲線愈接近正態分佈曲線，當自由度df= ∞ 時，t分布曲線為標準正態分佈曲線
**：# 不同自由度的學生t分布與標準正態分佈
import numpy as np
from scipy.stats import norm
from s import t
import matplotlib.pyplot as plt
print('比較t-www.cppcns.com分布與標準正態分佈')
x = np.linspace( -3, 3, 100)
plt.plot(x, t.pdf(x,1), label='df=1')
plt.plot(x, t.pdf(x,2), label='df=20')
plt.plot(x, t.pdf(x,100), label = 'df=100')
plt.plot( x[::5], norm.pdf(x[::5]),'kx', label='normal')
plt.legend()
plt.show()
執行結果：
本文標題: python 計算t分布的雙側置信區間
本文位址:
R與t分布（3） 分布的檢驗
我們依然用kolmogorov smirnov連續分布檢驗法來檢驗乙個連續分布是否是服從t分布。原假設為h0 資料集符合t分布 研究假設h1 樣本所來自的總體分布不符合t分布。令f0 x 表示預先假設的理論分布，fn x 表示隨機樣本的累計概率 頻率 函式.統計量d為 d max f0 x fn x...
Python的雙下劃方法
算數運算子 一元運算子 neg pos abs abs 眾多比較運算子 lt le eq ne gt ge 算術運算子 add sub mul truediv floordiv mod divmod divmod pow 或 pow round round 反向算術運算子 radd rsub rmu...
Python學習筆記一 Python中的time
返回時間戳，即 從1970年1月1日午夜 曆元 到今日經過了的秒數。import time 引入time模組 ticks time.time time 函式用來返回時間戳 print 當前時間戳為 ticks執行結果 當前時間戳為 1459994552.51 python用乙個含有九個數字的元組來表...