Fonction SciPy scipy.stats.sem

1. Syntaxe de scipy.stats.sem() :
2. Exemples de codes : scipy.stats.sem() Méthode pour trouver la moyenne avec aucun axe défini
3. Exemples de codes : définissez axis=None dans la fonction scipy.stats.sem()
4. Exemples de codes : définissez axis=1 dans la fonction scipy.stats.sem()
5. Exemples de codes : définir ddof=0 dans la fonction scipy.stats.sem()

La fonction Python Scipy scipy.stats.sem() calcule l’erreur standard de la moyenne des données fournies. L’erreur standard de la moyenne nous montre à quel point la moyenne échantillonnée est éloignée de la moyenne réelle de la population.

Syntaxe de scipy.stats.sem() :

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

Paramètres

Retourner

Il renvoie l’erreur standard de la moyenne. La valeur peut être un tableau d’éléments ou un nombre flottant unique basé sur les paramètres et le degré de liberté utilisés.

Exemples de codes : scipy.stats.sem() Méthode pour trouver la moyenne avec aucun axe défini

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)

Production :

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

Ici, un tableau arr est créé avec des données multidimensionnelles. Le tableau est passé en argument à la fonction stats.sem, qui produit la sortie, et est stocké dans la variable result.

Puisqu’aucun paramètre d’axe n’est défini dans cette condition, l’opération de moyenne a lieu par défaut sur l’axe horizontal.
Chacun des cinq éléments de la colonne est traité à la fois. Dans un premier temps, leur écart type est calculé, puis la formule d’erreur standard est utilisée. Par exemple, le premier élément de la valeur de tableau de sortie 1.46287388 est le résultat de l’élément de la première colonne 2, 3, 1, 9, 6.

Exemples de codes : définissez axis=None dans la fonction 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)

Production :

The standard error of given data is:
 0.5725060330640515

Ici, la sortie affiche une seule valeur flottante car chaque fois que l’axe est défini sur None, l’opération a lieu dans l’élément de tableau entier plutôt que dans un champ de ligne ou de colonne particulier.

Exemples de codes : définissez axis=1 dans la fonction 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)

Production :

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

Ici, l’axe est défini sur 1, ce qui signifie que l’opération prendra l’axe vertical, produisant ainsi cinq éléments dans le champ de tableau de sortie.

Exemples de codes : définir ddof=0 dans la fonction 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)

Production :

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

Ici, le fonctionnement de l’axe est similaire à l’exemple précédent, mais ddof=0 apporte quelques changements. Nous savons qu’avant de calculer l’erreur type, nous devons avoir la valeur des écarts types. Pour calculer l’écart-type, la moyenne des différences au carré est évaluée à l’aide du nombre de taille d'échantillon moins ddof. Ainsi par défaut, la valeur de ddof est 1, mais à chaque fois qu’elle est maintenue à 0, la valeur des erreurs standard diminue.

Chaque fois que les données de l’échantillon augmentent, l’erreur type de la moyenne diminue par rapport à l’écart type. Cela signifie qu’avec des données d’échantillon plus importantes, la moyenne de l’échantillon calcule la moyenne réelle de la population avec plus de précision et de précision.