Calcul Avancé d'Intervalle de Confiance avec Python
Si vous travaillez avec une petite distribution (taille ≤ 30) qui s'approche de la distribution normale, utilisez les statistiques t.
Comment calculer l'intervalle de confiance ?
st.t.interval(0.95, len(data) - 1, loc=data.mean(), scale=st.sem(data))
- La fonction
t.interval()descipy.statsest utilisée pour la distribution de Student. 0.95représente le niveau de confiance (également appelé paramètrealpha).len(data) - 1correspond aux degrés de liberté (df), soit la taille de l'échantillon moins un.locreprésente la moyenne des données de l'échantillon.semreprésente l'erreur standard de la moyenne.
Degrés de liberté
Les degrés de liberté correspondent au nombre d'éléments d'information indépendants utilisés pour estimer un paramètre.
La formule des degrés de liberté est N - 1, où N est la taille de l'échantillon.
Vous pouvez modifier le paramètre alpha pour observer son impact sur l'intervalle de confiance.
1234567891011import scipy.stats as st import numpy as np data = [104, 106, 106, 107, 107, 107, 108, 108, 108, 108, 108, 109, 109, 109, 110, 110, 111, 111, 112] # Calculate the confidence interval confidence = st.t.interval(0.95, len(data)-1, loc = np.mean(data), scale = st.sem(data)) print(confidence)
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
What does the output of the confidence interval mean?
How can I change the confidence level in the calculation?
Can you explain why we use the t-distribution instead of the normal distribution here?
Awesome!
Completion rate improved to 2.63Calcul Avancé d'Intervalle de Confiance avec Python
Glissez pour afficher le menu
Si vous travaillez avec une petite distribution (taille ≤ 30) qui s'approche de la distribution normale, utilisez les statistiques t.
Comment calculer l'intervalle de confiance ?
st.t.interval(0.95, len(data) - 1, loc=data.mean(), scale=st.sem(data))
- La fonction
t.interval()descipy.statsest utilisée pour la distribution de Student. 0.95représente le niveau de confiance (également appelé paramètrealpha).len(data) - 1correspond aux degrés de liberté (df), soit la taille de l'échantillon moins un.locreprésente la moyenne des données de l'échantillon.semreprésente l'erreur standard de la moyenne.
Degrés de liberté
Les degrés de liberté correspondent au nombre d'éléments d'information indépendants utilisés pour estimer un paramètre.
La formule des degrés de liberté est N - 1, où N est la taille de l'échantillon.
Vous pouvez modifier le paramètre alpha pour observer son impact sur l'intervalle de confiance.
1234567891011import scipy.stats as st import numpy as np data = [104, 106, 106, 107, 107, 107, 108, 108, 108, 108, 108, 109, 109, 109, 110, 110, 111, 111, 112] # Calculate the confidence interval confidence = st.t.interval(0.95, len(data)-1, loc = np.mean(data), scale = st.sem(data)) print(confidence)
Merci pour vos commentaires !
