概率统计Python计算:F分布分位点计算

在这里插入图片描述
X X X Y Y Y相互独立,且分别服从 χ 2 ( m ) \chi^2(m) χ2(m) χ 2 ( n ) \chi^2(n) χ2(n),则 X Y \frac{X}{Y} YX~ F ( m − 1 , n − 1 ) F(m-1, n-1) F(m1,n1),即 X Y \frac{X}{Y} YX服从自由度为 m m m n n n F F F分布。服从 F ( m − 1 , n − 1 ) F(m-1, n-1) F(m1,n1)分布的随机变量 X X X的概率密度函数为
ψ ( x ) = { Γ ( m + n 2 ) ( m n ) m 2 x m 2 − 1 Γ ( m 2 ) Γ ( n 2 ) ( 1 + m n x ) m + n 2 x ≥ 0 0 x < 0 {\psi(x)=}\begin{cases} {}\frac{\Gamma\left(\frac{m+n}{2}\right)\left(\frac{m}{n}\right)^{\frac{m}{2}}x^{\frac{m}{2}-1}}{\Gamma\left(\frac{m}{2}\right)\Gamma\left(\frac{n}{2}\right)(1+\frac{m}{n}x)^{\frac{m+n}{2}}}&x\geq0\\ 0&x<0 \end{cases} ψ(x)= Γ(2m)Γ(2n)(1+nmx)2m+nΓ(2m+n)(nm)2mx2m10x0x<0
下图展示了 F F F分布的自由度 ( m , n ) (m,n) (m,n)的几个不同组合的密度函数图像。
在这里插入图片描述
对应给定的显著水平 α \alpha α,单侧右分位点 F α ( m , n ) F_{\alpha}(m,n) Fα(m,n)满足 P ( X ≥ F α ( m , n ) ) = α P(X\geq F_{\alpha}(m,n))=\alpha P(XFα(m,n))=α,如下图所示。
在这里插入图片描述
单侧左分位点记为 F 1 − α ( m , n ) F_{1-\alpha}(m,n) F1α(m,n),满足 P ( X ≥ F 1 − α ( m , n ) ) = 1 − α P(X\geq F_{1-\alpha}(m,n))=1-\alpha P(XF1α(m,n))=1α,如下图所示。
在这里插入图片描述
而双侧左右分位点 F 1 − α / 2 ( m , n ) F_{1-\alpha/2}(m,n) F1α/2(m,n) F α / 2 ( m , n ) F_{\alpha/2}(m,n) Fα/2(m,n)满足 P ( F 1 − α / 2 ( m , n ) ( < X < F α / 2 ( m , n ) ) ≥ 1 − α P(F_{1-\alpha/2}(m,n)(<X<F_{\alpha/2}(m,n))\geq1-\alpha P(F1α/2(m,n)(<X<Fα/2(m,n))1α,如下图所示
在这里插入图片描述
Python的scipy.stats包中,连续型分布类 rv_continuous的f对象表示 F F F分布,常用函数的调用接口见下表。

函数名参数意义
ppfq:表示显著水平 α \alpha α,dfn,dfd:表示分布的自由度 m m m n n n单侧左分位点 F 1 − α ( m , n ) F_{1-\alpha}(m,n) F1α(m,n)
isfq,dfn, dfd:与上同单侧右分位点 F α ( m , n ) F_{\alpha}(m,n) Fα(m,n)
intervalalpha:表示置信水平 1 − α 1-\alpha 1α,dfn, dfd:与上同双侧分位点 F 1 − α / 2 ( m , n ) F_{1-\alpha/2}(m,n) F1α/2(m,n) F α / 2 ( m , n ) F_{\alpha/2}(m, n) Fα/2(m,n)

例1 设检验水平 α = 0.05 \alpha=0.05 α=0.05,计算自由度 m = 12 m=12 m=12 n = 9 n=9 n=9 F F F分布的单侧分位点和双侧分位点。
:下列代码完成本例计算。

from scipy.stats import f                           #导入f
m=12                                                #设置自由度m
n=9                                                 #设置自由度n
alpha=0.05                                          #设置alpha
a=f.ppf(q=alpha, dfn=m, dfd=n)                      #单侧左分位点
b=f.isf(q=alpha, dfn=m, dfd=n)                      #单侧右分位点
print('单侧左、右分位点:a=%.4f, b=%.4f'%(a, b))
a, b=f.interval(1-alpha, dfn=m, dfd=n)              #双侧分位点
print('双侧左、右分位点:a=%.4f, b=%.4f'%(a, b))

运行程序,输出

单侧左、右分位点:a=0.3576, b=3.0729
双侧左、右分位点:a=0.2910, b=3.8682

写博不易,敬请支持:
如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!
代码诚可贵,原理价更高。若为AI学,读正版书好
返回《导引》

  • 9
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
一. 课程介绍本课程结合Python进行统计与数据析的原理讲解与实战,涵盖了大部统计&数据析模型,特别是当前比较主流的算法:参数估计、假设检验、线性回归、广义线性回归、Lasso、岭回归、广义可加模型、回归样条等;机器学习经常用到的主成析、因子析、典型相关析、聚类析等;各种非参数统计模型,包括非参数统计推断、尺度推断、位置推断、非参数核密度估计、非参数回归等。本课程主要针对有一定Python编程基础、即将毕业参加工作的的大三大四学生,或者已经参加工作需要提升自己数据析能力以及转行从事IT行业尤其是数据&大数据析工作的初入职场者,或者正在攻读硕博士学位需要学习和掌握量化研究方法的研究生。本课程对于即将从事机器学习、深度学习&人工智能相关工作的程序员也有很大帮助,有利于打好坚实的理论基础。二. 课程目录第0章 课程导学第1章 数据描述性析1.1 描述统计量1.2 数据的分布1.3 概率分布函数的图形1.4 直方图、经验分布函数与QQ图1.5 多元数据的数据特征与相关性析1.6 多元数据的基本图形表示第2章 参数估计2.1 点估计2.2 区间估计第3章 假设检验3.1 基本原理3.2 参数检验第4章 回归析4.1 回归析的概念与一元线性回归4.2 多元线性回归及统计量解析4.3 逐步回归与模型选择4.4 回归诊断4.5 广义线性回归4.6 非线性回归第5章 方差析5.1 单因素方差析5.2 双因素方差析第6章 判别析与聚类析6.1 判别析6.2 聚类析第7章 主成析、因子析与典型相关析7.1 主成析7.2 因子析7.3 典型相关析第8章 非参数统计8.1 经验分布分布探索8.2 单样本非参数统计推断8.3 两独立样本的位置与尺度判断8.4 多组数据位置推断8.5 类数据的关联析8.6 秩相关与位数回归8.7 非参数密度估计8.8 一元非参数回归三. 讲师简介主讲人李进华博士,本、硕、博皆就读于武汉大学信息管理学院,2005年获博士学位进入211高校任教,2012年受聘为教授。从事信息管理与数据析方面的教学、科研与系统开发工作20余年,具备深厚理论修养和丰富实战经验。是中国最早从事Java开发的程序员和Oracle数据库的DBA之一。曾带领团队开发《葛洲坝集团三峡工程指挥中心三期工程施工管理系统》、《湖北省财政厅国有企事业单位资产管理系统》等大型MIS。
评论 3
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