如下所示：

interval=stats.t.interval(a,b,mean,std)t分布的置信區 間

a：置信水平

b:檢驗量的自由度

mean:樣本均值

std:樣本標準差

from scipy import statsimport numpy as npx=[10.1,10,9.8,10.5,9.7,10.1,9.9,10.2,10.3,9.9]x1=np.array(x)mean=x1.mean()std=x1.std()interval=stats.t.interval(0.95,len(x)-1,mean,std)

intervalOut[9]: (9.531674678392644, 10.568325321607357)

補充：用Python學分析 - t分布

1. t分布形狀類似于標準正態分布

2. t分布是對稱分布，較正態分布離散度強，密度曲線較標準正態分布密度曲線更扁平

3. 對于大型樣本，t-值與z-值之間的差別很小

- t分布糾正了未知的真實標準差的不確定性

- t分布明確解釋了估計總體方差時樣本容量的影響，是適合任何樣本容量都可以使用的合適分布

- 根據小樣本來估計呈正態分布且方差未知的總體的均值

- 對于任何一種樣本容量，真正的平均值抽樣分布是t分布，因此，當存在疑問時，應使用t分布

- 當樣本容量在 30-35之間時，t分布與標準正態分布難以區分

- 當樣本容量達到120時，t分布與標準正態分布實際上完全相同了

- 樣本方差使用一個估計的參數（平均值），所以計算置信區間時使用的t分布的自由度為 n - 1

- 由于引入額外的參數(自由度df)，t分布比標準正態分布的方差更大（置信區間更寬）

- 與標準正態分布曲線相比，自由度df越小，t分布曲線愈平坦，曲線中間愈低，曲線雙側尾部翹得愈高

- 自由度df愈大，t分布曲線愈接近正態分布曲線，當自由度df= ∞ 時，t分布曲線為標準正態分布曲線

代碼：

# 不同自由度的學生t分布與標準正態分布import numpy as npfrom scipy.stats import normfrom scipy.stats import timport matplotlib.pyplot as pltprint(’比較t-分布與標準正態分布’)x = np.linspace( -3, 3, 100)plt.plot(x, t.pdf(x,1), label=’df=1’)plt.plot(x, t.pdf(x,2), label=’df=20’)plt.plot(x, t.pdf(x,100), label = ’df=100’)plt.plot( x[::5], norm.pdf(x[::5]),’kx’, label=’normal’)plt.legend()plt.show()

運行結果：

以上為個人經驗，希望能給大家一個參考，也希望大家多多支持好吧啦網。如有錯誤或未考慮完全的地方，望不吝賜教。