SciPy scipy.stats.sem Funktion

1. Syntax von scipy.stats.sem():
2. Beispielcodes: scipy.stats.sem() Methode zum Finden des Mittelwerts mit kein Achsensatz
3. Beispielcodes: Setzen Sie axis=None in der Funktion scipy.stats.sem()
4. Beispielcodes: Setzen axis=1 in der Funktion scipy.stats.sem()
5. Beispielcodes: Setzen ddof=0 in der Funktion scipy.stats.sem()

Die Python-Scipy-Funktion scipy.stats.sem() berechnet den Standardfehler des Mittelwerts der bereitgestellten Daten. Der Standardfehler des Mittelwerts zeigt uns, wie weit der Stichprobenmittelwert vom tatsächlichen Mittelwert der Grundgesamtheit entfernt ist.

Syntax von scipy.stats.sem():

scipy.stats.sem(a, axis=0, ddof=1)

Parameter

Zurückkehren

Es gibt den Standardfehler des Mittelwerts zurück. Der Wert kann ein Array von Elementen oder eine einzelne Gleitkommazahl sein, basierend auf den verwendeten Parametern und Freiheitsgraden.

Beispielcodes: scipy.stats.sem() Methode zum Finden des Mittelwerts mit kein Achsensatz

import numpy as np
import scipy
from scipy import stats

arr = np.array([[2, 5, 6, 8], [3, 7, 3, 0], [1, 1, 4, 4], [9, 5, 0, 5], [6, 4, 2, 2]])


result = scipy.stats.sem(arr)
print("The standard error of given data is:\n", result)

Ausgabe:

The standard error of given data is:
 [1.46287388 0.9797959  1.         1.356466  ]

Hier wird ein Array arr mit mehrdimensionalen Daten erstellt. Das Array wird als Argument an die Funktion stats.sem übergeben, die die Ausgabe erzeugt, und in der Variablen result gespeichert.

Da in dieser Bedingung kein Achsenparameter definiert ist, erfolgt die Mittelung standardmäßig in der horizontalen Achse.
Jedes der fünf Elemente der Spalte wird gleichzeitig behandelt. Zuerst wird ihre Standardabweichung berechnet und dann die Standardfehlerformel verwendet. Beispielsweise ist das erste Element im Ausgabe-Array-Wert 1.46287388 das Ergebnis des ersten Spaltenelements 2, 3, 1, 9, 6.

Beispielcodes: Setzen Sie axis=None in der Funktion scipy.stats.sem()

import numpy as np
import scipy
from scipy import stats

arr = np.array([[2, 5, 6, 8], [3, 7, 3, 0], [1, 1, 4, 4], [9, 5, 0, 5], [6, 4, 2, 2]])

result = scipy.stats.sem(arr, axis=None)
print("The standard error of given data is:\n", result)

Ausgabe:

The standard error of given data is:
 0.5725060330640515

Hier zeigt die Ausgabe einen einzelnen Float-Wert, denn immer wenn die Achse auf None gesetzt ist, findet die Operation im gesamten Array-Element und nicht in einem bestimmten Zeilen- oder Spaltenfeld statt.

Beispielcodes: Setzen axis=1 in der Funktion scipy.stats.sem()

import numpy as np
import scipy
from scipy import stats

arr = np.array([[2, 5, 6, 8], [3, 7, 3, 0], [1, 1, 4, 4], [9, 5, 0, 5], [6, 4, 2, 2]])


result = scipy.stats.sem(arr, axis=1)
print("The standard error of given data is:\n", result)

Ausgabe:

The standard error of given data is:
 [1.25       1.43614066 0.8660254  1.8427787  0.95742711]

Hier wird die Achse auf 1 gesetzt, was bedeutet, dass die Operation die vertikale Achse übernimmt und somit fünf Elemente im ausgegebenen Array-Feld erzeugt.

Beispielcodes: Setzen ddof=0 in der Funktion scipy.stats.sem()

import numpy as np
import scipy
from scipy import stats

arr = np.array([[2, 5, 6, 8], [3, 7, 3, 0], [1, 1, 4, 4], [9, 5, 0, 5], [6, 4, 2, 2]])

result = scipy.stats.sem(arr, axis=1, ddof=0)
print("The standard error of given data is:\n", result)

Ausgabe:

The standard error of given data is:
 [1.08253175 1.2437343  0.75       1.59589317 0.8291562 ]

Hier ist die Achsenoperation ähnlich wie im vorherigen Beispiel, aber ddof=0 bringt einige Änderungen mit sich. Wir wissen, dass wir vor der Berechnung des Standardfehlers den Wert der Standardabweichungen benötigen. Zur Berechnung der Standardabweichung wird der Mittelwert der quadrierten Differenzen mit Anzahl des Stichprobenumfangs minus ddof ausgewertet. Daher ist der Wert von ddof standardmäßig 1, aber wenn er auf 0 gehalten wird, nimmt der Wert von Standardfehlern ab.

Wenn die Stichprobendaten größer werden, nimmt der Standardfehler des Mittelwerts in Bezug auf die Standardabweichung ab. Das bedeutet, dass bei größeren Stichprobendaten der Stichprobenmittelwert den tatsächlichen Mittelwert der Grundgesamtheit genauer und präziser berechnet.