numpy.random.standard_t

numpy.random.standard_t(df, size=None)

Генерация выборок из стандартного распределения Стьюдента с df степенями свободы.

Частный случай гиперболического распределения. При df больших значениях результат напоминает стандартное нормальное распределение (standard_normal).

Примечание

В новом коде следует использовать метод standard_t экземпляра default_rng(); см. random-quick-start.

Параметры

dffloat or array_like of floats

Степени свободы, должны быть > 0.

sizeint or tuple of ints, optional

Форма выходных данных. Если заданная форма, например, (m, n, k), то m * n * k генерируется выборок. Если размер равен None (по умолчанию), возвращается одно значение, если df является скалярным. В противном случае np.array(df).size генерируется выборок.

Возвращает

outndarray or scalar

Сгенерированные выборки из параметризованного стандартного распределения Стьюдента.

См. также

Generator.standard_t

который следует использовать в новом коде.

Примечания

Функция плотности вероятности для распределения Стьюдента:

t-тест основан на предположении, что данные получены из нормального распределения. t-тест предоставляет способ проверить, является ли выборочное среднее (то есть среднее, вычисленное из данных) хорошим приближением истинного среднего.

Вывод распределения Стьюдента впервые был опубликован в 1908 году Уильямом Госсетом, работавшим в пивоваренной компании Guinness в Дублине. Из-за вопросов по интеллектуальной собственности он был вынужден публиковаться под псевдонимом, поэтому он использовал имя Студент.

Ссылки

1

Dalgaard, Peter, “Вводный курс статистики с R”, Springer, 2002.

2

Википедия, “Распределение Стьюдента” https://en.wikipedia.org/wiki/Student’s_t-distribution

Примеры

Из страницы 83 Далгарда [1], предположим, что суточная энергетическая потребность 11 женщин в килоджоулях (кДж) составляет:

>>> intake = np.array([5260., 5470, 5640, 6180, 6390, 6515, 6805, 7515, \
...                    7515, 8230, 8770])

Отличается ли их энергетическая потребность систематически от рекомендованной величины 7725 кДж?

У нас 10 степеней свободы, значит ли это, что выборочное среднее находится в пределах 95% от рекомендованной величины?

>>> s = np.random.standard_t(10, size=100000)
>>> np.mean(intake)
6753.636363636364
>>> intake.std(ddof=1)
1142.1232221373727

Вычислите t-статистику, установив параметр ddof в значение для несмещённой оценки, таким образом, чтобы делитель в стандартном отклонении был равен степеням свободы, N-1.

>>> t = (np.mean(intake)-7725)/(intake.std(ddof=1)/np.sqrt(len(intake)))
>>> import matplotlib.pyplot as plt
>>> h = plt.hist(s, bins=100, density=True)

Насколько далеко в распределении находится t-статистика в одностороннем t-тесте?

>>> np.sum(s<t) / float(len(s))
0.0090699999999999999  #random

Таким образом, p-значение составляет примерно 0,009, что говорит о том, что вероятность истинности нулевой гипотезы составляет примерно 99%.