【DA】Python 实现区间估计


一个总体均值的置信区间

在这里插入图片描述

def mean_interval(mean=None, std=None, sig=None, n=None, confidence=0.95):
    """
    mean:样本均值
    std:样本标准差
    sig: 总体方差
    n:   样本量
    confidence:置信水平
    功能:构建总体均值的置信区间
    """
    alpha = 1 - confidence
    z_score = scipy.stats.norm.isf(alpha / 2)  # z分布临界值
    t_score = scipy.stats.t.isf(alpha / 2, df = (n-1) )  # t分布临界值
   
    if n >= 30 and sig != None:
        me = z_score*sig / np.sqrt(n)  # 误差
        lower_limit = mean - me
        upper_limit = mean + me
        
    if n >= 30 and sig == None:
        me = z_score*std / np.sqrt(n)
        lower_limit = mean - me
        upper_limit = mean + me
        
    if n < 30 and sig == None:
        me = t_score*std / np.sqrt(n)
        lower_limit = mean - me
        upper_limit = mean + me
    
    return (round(lower_limit, 3), round(upper_limit, 3))
 
mean_interval(mean=8900, std=None, sig=500, n=35, confidence=0.95)
mean_interval(mean=8900, std=500, sig=None, n=35, confidence=0.90)
mean_interval(mean=8900, std=500, sig=None, n=35, confidence=0.99)

一个总体方差的置信区间

在这里插入图片描述

(1) 样本均值为21,  样本标准差为2,    样本量为50(2) 样本均值为1.3, 样本标准差为0.02, 样本量为15(3) 样本均值为167, 样本标准差为31,   样本量为22;                        
Question1: 根据以上样本结果,计算总体方差的90%的置信区间?  
Question2: 根据以上样本结果,计算总体标准差的90%的置信区间?        
 
def std_interval(mean=None, std=None, n=None, confidence=0.95, para="总体标准差"):
    """
    mean:样本均值
    std:样本标准差
    n:   样本量
    confidence:置信水平
    para:总体估计参数
    功能:构建总体方差&总体标准差的置信区间
    """
    variance = np.power(std,2)
    alpha = 1 - confidence
    
    chi_score0 = scipy.stats.chi2.isf(alpha / 2, df = (n-1))
    chi_score1 = scipy.stats.chi2.isf(1 - alpha / 2, df = (n-1))
   
    if para == "总体标准差":
        lower_limit = np.sqrt((n-1)*variance / chi_score0)
        upper_limit = np.sqrt((n-1)*variance / chi_score1)
    if para == "总体方差":
        lower_limit = (n-1)*variance / chi_score0
        upper_limit = (n-1)*variance / chi_score1
        
    return (round(lower_limit, 2), round(upper_limit, 2))
 
std_interval(mean=21, std=2, n=50, confidence=0.90)   
std_interval(mean=1.3, std=0.02, n=15, confidence=0.90)  
std_interval(mean=167, std=31, n=22, confidence=0.90)  

两个总体方差比的置信区间

在这里插入图片描述

data1 = [3.45, 3.22, 3.90, 3.20, 2.98, 3.70, 3.22, 3.75, 3.28, 3.50, 3.38, 3.35, 2.95, 3.45, 3.20, 3.16, 3.48, 3.12, 3.20, 3.18, 3.25]
data2 = [3.22, 3.28, 3.35, 3.38, 3.19, 3.30, 3.30, 3.20, 3.05, 3.30, 3.29, 3.33, 3.34, 3.35, 3.27, 3.28, 3.16, 3.28, 3.30, 3.34, 3.25]
 
def two_std_interval(d1, d2, confidence=0.95, para="两个总体方差比"):
    """
    d1: 数据1
    d2: 数据2
    confidence:置信水平
    para:总体估计参数
    功能:构建两个总体方差比&总体标准差比的置信区间
    """
    n1 = len(d1)
    n2 = len(d2)
    var1 = np.var(d1, ddof=1)  # ddof=1  样本方差
    var2 = np.var(d2, ddof=1)  # ddof=1  样本方差
    alpha = 1 - confidence
    
    f_score0 = scipy.stats.f.isf(alpha / 2, dfn=n1-1, dfd=n2-1)    # F分布临界值
    f_score1 = scipy.stats.f.isf(1-alpha / 2, dfn=n1-1, dfd=n2-1)  # F分布临界值
   
    if para == "两个总体标准差比":
        lower_limit = np.sqrt((var1 / var2) / f_score0)
        upper_limit = np.sqrt((var1 / var2) / f_score01)
    if para == "两个总体方差比":
        lower_limit = (var1 / var2) / f_score0
        upper_limit = (var1 / var2) / f_score1
        
    return (round(lower_limit, 2), round(upper_limit, 2))
 
two_std_interval(data1, data2, confidence=0.95, para="两个总体方差比")

全文转自:python 实现参数估计–置信区间

  • 2
    点赞
  • 18
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
DA(Dual Attention)注意力机制是一种用于计算机视觉任务的注意力机制,它能够同时关注输入特征的空间和通道维度,从而提取更加丰富的特征表示。下面是DA注意力机制在Python中的实现方式: ```python import torch import torch.nn as nn class DAAttention(nn.Module): def __init__(self, in_channels): super(DAAttention, self).__init__() self.conv1 = nn.Conv2d(in_channels, in_channels, kernel_size=1) self.conv2 = nn.Conv2d(in_channels, in_channels, kernel_size=1) self.softmax = nn.Softmax(dim=2) def forward(self, x): # 计算空间注意力 spatial_attention = self.conv1(x) spatial_attention = torch.sigmoid(spatial_attention) # 计算通道注意力 channel_attention = self.conv2(x) channel_attention = torch.sigmoid(channel_attention) # 将空间注意力和通道注意力相乘得到最终的注意力权重 attention = spatial_attention * channel_attention # 对注意力权重进行归一化 attention = attention / torch.sum(attention, dim=(2, 3), keepdim=True) # 将输入特征与注意力权重相乘得到加权特征表示 weighted_features = x * attention return weighted_features ``` 上述代码中,我们定义了一个名为`DAAttention`的类,它继承自`nn.Module`。在类的初始化方法中,我们定义了两个卷积层`conv1`和`conv2`,分别用于计算空间注意力和通道注意力。在前向传播方法中,我们首先计算空间注意力和通道注意力,然后将它们相乘得到最终的注意力权重。最后,我们将输入特征与注意力权重相乘得到加权特征表示,并返回结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值