Python 实现Z检验&置信区间的求解：自定义函数快捷调用

最新推荐文章于 2024-04-08 16:23:08 发布

萝卜

最新推荐文章于 2024-04-08 16:23:08 发布

阅读量2.6k

点赞数

分类专栏： # 原理趣析文章标签： python 数据分析数据可视化统计学 Z检验与置信区间

本文链接：https://blog.csdn.net/weixin_43329700/article/details/104858742

版权

原理趣析专栏收录该内容

8 篇文章 0 订阅

订阅专栏

在这里插入图片描述
正式开始前，请确保你已经完全清晰地理解了假设检验、Z分数、Z检验和置信区间的基本概念，若还有疑虑，这篇文章也许能帮到你，当然直接开始其实也没问题。

统计学(三)：置信区间; Z 检验(样本平均数的假设检验), 均值分布, 附Python实现（大牌护肤品碧欧泉背后的秘密）

文章目录

Python 逐步实现Z检验

这里直接贴上读者 Jupyter Notebook 中的运行步骤流程，内涵精彩的可视化。
在这里插入图片描述
具体是怎么一步到位实现快捷且含有不少细节的可视化的，可见文末的延伸阅读

自定义 Z 检验函数

在这里插入图片描述

自定义置信区间函数

在这里插入图片描述

源代码呈现

可以直接放进自己写的库 mystatistic：我的专属统计学库，函数中的一些变量设置可能会过于冗长，这里只是方便阐述思路，可根据实际情况改装.

# 基础库
import numpy as np
import pandas as pd

# 提高输出效率库
from IPython.core.interactiveshell import InteractiveShell # 实现 notebook 的多行输出
InteractiveShell.ast_node_interactivity = 'all' #默认为'last'

def z_test(sample, totality, alpha=0.05, size='double'):
    """ 传入样本，总体，显著性水平，默认为双侧检验 """
    N = len(sample) # N
    sample_mean = np.mean(sample) # M
    totality_mean = np.mean(totality) # mu_M
    totality_std = np.std(totality) # sigma
    sigma_m = totality_std / N**0.5 # sigma_M
    
    z_score = (sample_mean - totality_mean) / sigma_m
    
    return {'样本数 N': N, '样本均值 M': sample_mean,
            '总体均值μ_m': totality_mean, 
            '总体标准差 σ': totality_std,
            '均值分布的标准差 σ_m': sigma_m,
            'Z 分数': z_score,
            '上临界值': +1.96, '下临界值': -1.96}
    
    if size == 'hemi':  # 单侧检验
        pass   # 以后再自定义，先用着双侧的先

def confidence_interval(sample, totality, alpha=0.05):
    """ 传入样本，总体，显著性水平，默认为双侧检验 """
    N = len(sample) # N
    sample_mean = np.mean(sample) # M
    totality_mean = np.mean(totality) # mu_M
    totality_std = np.std(totality) # sigma
    sigma_m = totality_std / N**0.5 # sigma_M
    
    # lb：lower bound；up：upper bound
    LB = sample_mean - 1.96*sigma_m
    UP = sample_mean + 1.96*sigma_m
    
    return {'样本数 N': N, '样本均值 M': sample_mean,
            '总体均值μ_m': totality_mean, 
            '总体标准差 σ': totality_std,
            '均值分布的标准差 σ_m': sigma_m,
            'alpha_level': 0.05,
            '置信上限': LB, '置信下限': UP}