& nbsp; Trong bài viết này, chúng tôi sẽ xem xét các cách khác nhau để tính toán khoảng tin cậy bằng cách sử dụng các phân phối khác nhau trong ngôn ngữ lập trình Python. Khoảng tin cậy cho một giá trị trung bình là một loạt các giá trị có khả năng chứa một dân số có nghĩa là với một mức độ tin cậy nhất định. Show
Formula: Confidence Interval = x(+/-)t*(s/√n)
Phương pháp 1: Tính khoảng tin cậy bằng cách sử dụng phân phối TCách tiếp cận này được sử dụng để tính toán khoảng tin cậy cho bộ dữ liệu nhỏ trong đó n trong đó n trong đó
Ví dụ 1: Trong ví dụ này, chúng tôi sẽ sử dụng tập dữ liệu có kích thước (n = 20) và sẽ tính toán khoảng tin cậy 90% bằng cách sử dụng hàm T. Python. Python
Các (6.920661262464349, 7.3593387375356505)2 (2.3481954013214263, 5.4518045986785735)4 (2.962098014195961, 4.837901985804038)3 (6.920661262464349, 7.3593387375356505)5 (2.962098014195961, 4.837901985804038)3 (6.920661262464349, 7.3593387375356505)5 (2.962098014195961, 4.837901985804038)3 (6.920661262464349, 7.3593387375356505)9 (2.962098014195961, 4.837901985804038)3 (6.920661262464349, 7.3593387375356505)9 (2.962098014195961, 4.837901985804038)3 (6.920661262464349, 7.3593387375356505)9 (2.962098014195961, 4.837901985804038)3 (6.689075889330163, 7.450924110669837)5 (2.962098014195961, 4.837901985804038)3 (6.689075889330163, 7.450924110669837)7 (2.962098014195961, 4.837901985804038)3 (6.689075889330163, 7.450924110669837)9 (2.962098014195961, 4.837901985804038)3 import 1import 2Các
(2.962098014195961, 4.837901985804038)0 numpy as np 6
(2.962098014195961, 4.837901985804038)0 import 0Output: (2.962098014195961, 4.837901985804038) Ví dụ 2: Trong ví dụ này, chúng tôi sẽ sử dụng tập dữ liệu có kích thước (n = 20) và sẽ tính toán khoảng tin cậy 90% bằng cách sử dụng chức năng & nbsp; t.interval () và chuyển tham số alpha sang 0,99 trong Python. Python
Các (6.920661262464349, 7.3593387375356505)2 (2.3481954013214263, 5.4518045986785735)4 (2.962098014195961, 4.837901985804038)3 (2.3481954013214263, 5.4518045986785735)4 (2.962098014195961, 4.837901985804038)3 (6.920661262464349, 7.3593387375356505)5 (2.962098014195961, 4.837901985804038)3 (6.920661262464349, 7.3593387375356505)5 (2.962098014195961, 4.837901985804038)3 (6.920661262464349, 7.3593387375356505)9 (2.962098014195961, 4.837901985804038)3 (6.920661262464349, 7.3593387375356505)9 (2.962098014195961, 4.837901985804038)3 (6.920661262464349, 7.3593387375356505)9 (2.962098014195961, 4.837901985804038)3 (6.689075889330163, 7.450924110669837)5 numpy as np 2(6.920661262464349, 7.3593387375356505)2 (6.689075889330163, 7.450924110669837)7 (2.962098014195961, 4.837901985804038)3 (6.689075889330163, 7.450924110669837)9 (2.962098014195961, 4.837901985804038)3 import 1import 2
(2.962098014195961, 4.837901985804038)0 (2.962098014195961, 4.837901985804038)22 numpy as np 2
(2.962098014195961, 4.837901985804038)25 (2.962098014195961, 4.837901985804038)0 import 8import 9numpy as np 0(2.962098014195961, 4.837901985804038)2 numpy as np 2Các
(2.962098014195961, 4.837901985804038)0 import 0Output: (2.3481954013214263, 5.4518045986785735) Ví dụ 2: Trong ví dụ này, chúng tôi sẽ sử dụng tập dữ liệu có kích thước (n = 20) và sẽ tính toán khoảng tin cậy 90% bằng cách sử dụng chức năng & nbsp; t.interval () và chuyển tham số alpha sang 0,99 trong Python. gfg_data (2.962098014195961, 4.837901985804038)0 (2.962098014195961, 4.837901985804038)1(2.962098014195961, 4.837901985804038)2(2.962098014195961, 4.837901985804038)3__12
(2.962098014195961, 4.837901985804038)0 (2.962098014195961, 4.837901985804038)35
Ví dụ 1: Trong ví dụ này, chúng tôi sẽ sử dụng tập dữ liệu có kích thước (n = 20) và sẽ tính toán khoảng tin cậy 90% bằng cách sử dụng hàm T. Python. Python
Các (2.962098014195961, 4.837901985804038)53 (2.962098014195961, 4.837901985804038)0 import 5numpy as np 2(2.962098014195961, 4.837901985804038)57 numpy as np 4(2.962098014195961, 4.837901985804038)0 numpy as np 6(2.962098014195961, 4.837901985804038)57 numpy as np 8(2.962098014195961, 4.837901985804038)0 import 0Output: (6.920661262464349, 7.3593387375356505) Các Ví dụ 2: Python
(2.962098014195961, 4.837901985804038)0 (2.962098014195961, 4.837901985804038)46 (6.920661262464349, 7.3593387375356505)9 (2.962098014195961, 4.837901985804038)3 import 1(2.962098014195961, 4.837901985804038)3 (2.962098014195961, 4.837901985804038)51 (2.962098014195961, 4.837901985804038)52 (2.962098014195961, 4.837901985804038)53 (2.962098014195961, 4.837901985804038)0 (2.962098014195961, 4.837901985804038)22 (6.920661262464349, 7.3593387375356505)1 (2.962098014195961, 4.837901985804038)57 numpy as np 4(2.962098014195961, 4.837901985804038)0 numpy as np 6(2.962098014195961, 4.837901985804038)57 numpy as np 8______10Output: (6.689075889330163, 7.450924110669837) Giải thích từ Ví dụ 3 và Ví dụ 4: Trong trường hợp của ví dụ 3, khoảng thời gian trung bình tự tin được tính toán của dân số với 90% là (6,92-7,35) và trong ví dụ 4 khi tính toán khoảng trung bình tự tin của dân số với 99% là (6,68-7,45), nó có thể được giải thích rằng khoảng thời gian tự tin ví dụ 4 rộng hơn khoảng thời gian tự tin ví dụ 3 với 95% dân số, điều đó có nghĩa là có 99% cơ hội khoảng tin cậy của [6,68, 7,45] chứa phương tiện dân số thực sự. Làm thế nào để bạn tính toán khoảng tin cậy 95 trong Python?Tạo một mẫu mới dựa trên bộ dữ liệu của chúng tôi, với sự thay thế và với cùng một số điểm. Tính giá trị trung bình và lưu trữ nó trong một mảng hoặc danh sách. Lặp lại quá trình nhiều lần (ví dụ: 1000) trong danh sách các giá trị trung bình, tính toán phần trăm 2,5 và 97,5 phần trăm (nếu bạn muốn khoảng tin cậy 95%)
Làm thế nào để bạn xác định khoảng tin cậy 95%?Do 95% giá trị nằm trong hai độ lệch chuẩn của giá trị trung bình theo quy tắc 68-95-99.7, chỉ cần thêm và trừ hai độ lệch chuẩn so với giá trị trung bình để có được khoảng tin cậy 95%.add and subtract two standard deviations from the mean in order to obtain the 95% confidence interval.
Làm thế nào để bạn tìm thấy điểm Z cho khoảng tin cậy 95 trong Python?Lưu ý: Đối với khoảng tin cậy là 95%, giá trị Z là ~ 1.960 có thể được làm tròn lên đến 2 nếu cần phải giữ cho tính toán đơn giản.Điều này sẽ cho kết quả gần như cùng một kết quả vì giá trị Z ∗ tương ứng với ~ 95.4497% độ tin cậy.Trung bình thực sự (100) nằm trong cả hai khoảng tin cậy.the z∗ value is ~1.960 which can be rounded up to 2 if there is a need to keep the calculation simple. This will give approximately the same end result because a z∗ value of 2 corresponds to ~95.44997% confidence. The true mean (100) lies inside both of the confidence intervals.
Làm thế nào để bạn có được niềm tin vào Python?Cách tiếp cận này được sử dụng để tính toán khoảng tin cậy cho bộ dữ liệu lớn trong đó n> 30 và đối với điều này, người dùng cần gọi hàm định mức.InterVal () từ thư viện scipy.stats để có được khoảng tin cậy cho phương tiện dân số của dân sốCho bộ dữ liệu trong đó bộ dữ liệu thường được phân phối trong Python.call the norm. interval() function from the scipy. stats library to get the confidence interval for a population means of the given dataset where the dataset is normally distributed in python. |