Làm cách nào để tính toán z score
của p-value
và ngược lại?
Ví dụ: nếu tôi có giá trị p là 0.95
, tôi sẽ nhận lại 1.96
.
Tôi đã thấy một số chức năng trong SCIPY nhưng chúng chỉ chạy thử nghiệm Z trên một mảng.
Tôi có quyền truy cập vào Numpy, Statsmodel, Gandas và Scipy [tôi nghĩ].
Xavier Guihot
47.6K21 Huy hiệu vàng266 Huy hiệu bạc169 Huy hiệu đồng21 gold badges266 silver badges169 bronze badges
Đã hỏi ngày 1 tháng 1 năm 2014 lúc 1:35Jan 1, 2014 at 1:35
>>> import scipy.stats as st
>>> st.norm.ppf[.95]
1.6448536269514722
>>> st.norm.cdf[1.64]
0.94949741652589625
Như những người dùng khác đã lưu ý, Python tính toán xác suất trái/đuôi dưới theo mặc định. Nếu bạn muốn xác định các điểm mật độ trong đó bao gồm 95% phân phối, bạn phải thực hiện một cách tiếp cận khác:
>>>st.norm.ppf[.975]
1.959963984540054
>>>st.norm.ppf[.025]
-1.960063984540054
Đã trả lời ngày 1 tháng 1 năm 2014 lúc 1:47Jan 1, 2014 at 1:47
Myles Bakermyles BakerMyles Baker
3,4802 Huy hiệu vàng18 Huy hiệu bạc25 Huy hiệu đồng2 gold badges18 silver badges25 bronze badges
4
Bắt đầu từ Python 3.8
, thư viện tiêu chuẩn cung cấp đối tượng
>>>st.norm.ppf[.975]
1.959963984540054
>>>st.norm.ppf[.025]
-1.960063984540054
0 như một phần của mô -đun >>>st.norm.ppf[.975]
1.959963984540054
>>>st.norm.ppf[.025]
-1.960063984540054
1.Nó có thể được sử dụng để có được
>>>st.norm.ppf[.975]
1.959963984540054
>>>st.norm.ppf[.025]
-1.960063984540054
2 mà x% diện tích dưới đường cong bình thường nằm [bỏ qua cả hai đuôi].Chúng ta có thể lấy cái này từ cái kia và ngược lại bằng cách sử dụng
>>>st.norm.ppf[.975]
1.959963984540054
>>>st.norm.ppf[.025]
-1.960063984540054
3 [hàm phân phối tích lũy nghịch đảo] và >>>st.norm.ppf[.975]
1.959963984540054
>>>st.norm.ppf[.025]
-1.960063984540054
4 [hàm phân phối tích lũy] trên phân phối bình thường tiêu chuẩn:from statistics import NormalDist
NormalDist[].inv_cdf[[1 + 0.95] / 2.]
# 1.9599639845400536
NormalDist[].cdf[1.9599639845400536] * 2 - 1
# 0.95
Một lời giải thích cho '[1 + 0,95] / 2.' Công thức có thể được tìm thấy trong phần Wikipedia này.
Đã trả lời ngày 25 tháng 4 năm 2020 lúc 21:17Apr 25, 2020 at 21:17
Xavier Guihotxavier GuihotXavier Guihot
47.6K21 Huy hiệu vàng266 Huy hiệu bạc169 Huy hiệu đồng21 gold badges266 silver badges169 bronze badges
Đã hỏi ngày 1 tháng 1 năm 2014 lúc 1:35
- Như những người dùng khác đã lưu ý, Python tính toán xác suất trái/đuôi dưới theo mặc định. Nếu bạn muốn xác định các điểm mật độ trong đó bao gồm 95% phân phối, bạn phải thực hiện một cách tiếp cận khác: is used when the data follows a normal distribution, population standard deviation sigma is known and the sample size is above 30. Z-Score tells you how many standard deviations from the mean your result is. The z-score is calculated using the formula:
z_score = [xbar - mu] / sigma -
, also known as Student's T-Distribution, is used when the data follows a normal distribution, population standard deviation [sigma] is NOT known, but the sample standard deviation [s] is known or can be calculated, and the sample size is below 30. T-Score tells you how many standard deviations from the mean your result is. The t-score is calculated using the formula:>>>st.norm.ppf[.975] 1.959963984540054 >>>st.norm.ppf[.025] -1.960063984540054
t_score = [xbar - mu] / [s/sqrt[n]]
Đã trả lời ngày 1 tháng 1 năm 2014 lúc 1:47 If the sample sizes are larger than 30, the z-distribution and the t-distributions are pretty much the same and either one can be used. If the population standard deviation is available and the sample size is greater than 30, t-distribution can be used with the population standard deviation instead of the sample standard deviation.
Xavier Guihotxavier Guihot | Nếu bạn quan tâm đến bài kiểm tra t, bạn có thể làm tương tự: | Định cư Z [điểm Z] được sử dụng khi dữ liệu theo phân phối bình thường, độ lệch chuẩn dân số Sigma được biết đến và kích thước mẫu trên 30. Điểm Z cho bạn biết có bao nhiêu độ lệch chuẩn so với kết quả của bạn. Điểm Z được tính toán bằng công thức: z_score = [xbar - mu] / sigma | T-thống kê [điểm T], còn được gọi là phân phối T của học sinh, được sử dụng khi dữ liệu theo phân phối bình thường, độ lệch chuẩn dân số [SIGMA] không được biết đến, nhưng độ lệch chuẩn mẫu được biết đến hoặc có thể được biết đến được tính toán, và kích thước mẫu dưới 30. T-Score cho bạn biết có bao nhiêu độ lệch chuẩn so với kết quả trung bình của bạn. Điểm T được tính toán bằng công thức: t_score = [xbar - mu] / [s / sqrt [n]] | Tóm tắt: Nếu các cỡ mẫu lớn hơn 30, phân phối Z và phân phối T khá giống nhau và có thể sử dụng một loại có thể được sử dụng. Nếu độ lệch chuẩn dân số có sẵn và kích thước mẫu lớn hơn 30, phân phối T có thể được sử dụng với độ lệch chuẩn dân số thay vì độ lệch chuẩn mẫu. | Teststatistic | có thể trông có thể nhìn thấy |
Tra cứu | giá trị quan trọng | phân phối bình thường | Dân số StandardDeviation [Sigma] | Tóm tắt: Nếu các cỡ mẫu lớn hơn 30, phân phối Z và phân phối T khá giống nhau và có thể sử dụng một loại có thể được sử dụng. Nếu độ lệch chuẩn dân số có sẵn và kích thước mẫu lớn hơn 30, phân phối T có thể được sử dụng với độ lệch chuẩn dân số thay vì độ lệch chuẩn mẫu. | Teststatistic | có thể trông có thể nhìn thấy |
Tra cứuPercent Point Function is used to calculate the critical values at a specific confidence level:
- giá trị quan trọng
5>>>st.norm.ppf[.975] 1.959963984540054 >>>st.norm.ppf[.025] -1.960063984540054
- phân phối bình thường
6>>>st.norm.ppf[.975] 1.959963984540054 >>>st.norm.ppf[.025] -1.960063984540054
Dân số StandardDeviation [Sigma]
import numpy as np
from scipy import stats
# alpha to critical
alpha = 0.05
n_sided = 2 # 2-sided test
z_crit = stats.norm.ppf[1-alpha/n_sided]
print[z_crit] # 1.959963984540054
# critical to alpha
alpha = stats.norm.sf[z_crit] * n_sided
print[alpha] # 0.05
cỡ mẫuMay 12, 2021 at 15:09
Định cư Z.
Z-Table
import numpy as np
from scipy.stats import norm
norm[0, 1].cdf[-np.absolute[zscore]] * 2
điểm z
z-phê bình là điểm z ở mức độ tin cậy cụ thểNov 20, 2021 at 1:29