Python z得分概率，反之亦然

如何计算

p值的
z得分
，反之亦然

例如，如果我有一个p值
0.95
，我应该得到
1.96

我在scipy中看到了一些函数，但它们只在阵列上运行z测试

我可以接触到numpy、statsmodel、pandas和scipy（我想）


正如其他用户所指出的，Python默认情况下计算左/下尾概率。如果要确定包含95%分布的密度点，必须采用另一种方法：

>>>st.norm.ppf(.975)
1.959963984540054
>>>st.norm.ppf(.025)
-1.960063984540054

从Python 3.8开始，标准库将对象作为模块的一部分提供

它可用于获取法向曲线下x%面积所在的
zscore
（忽略两条尾部）

我们可以使用标准正态分布上的（逆累积分布函数）和（累积分布函数）从另一个中获得一个，反之亦然：

from statistics import NormalDist

NormalDist().inv_cdf((1 + 0.95) / 2.)
# 1.9599639845400536
NormalDist().cdf(1.9599639845400536) * 2 - 1
# 0.95

“1+0.95）/2.”公式的解释可在本节中找到。
如果您对T-test感兴趣，可以执行类似操作：


z-统计（z-得分）当数据服从正态分布，已知总体标准偏差σ且样本量大于30时使用。Z-Score告诉您与结果平均值的标准偏差是多少。使用以下公式计算z分数：


z_得分=（xbar-mu）/西格玛


t-统计量（t-得分），也称为学生t-分布，当数据服从正态分布时使用，总体标准偏差（sigma）不已知，但样本标准偏差（s）已知或可以计算，样本量在30以下。T-Score告诉您与结果平均值的标准偏差是多少。使用以下公式计算t分数：


t_得分=（xbar-mu）/（s/sqrt（n））



总结：如果样本大小大于30，则z分布和t分布几乎相同，可以使用其中任何一种。如果总体标准偏差可用且样本量大于30，则t分布可与总体标准偏差而不是样本标准偏差一起使用

测试
统计数据
查找
表格
查找
值
临界值
正态分布
总体
标准
偏差（西格玛）
样本
大小
z-统计量
z-表
z分数
z-临界是特定置信水平下的z-分数
对
已知的
> 30
t统计量
t形台
t分数
t-临界值是特定置信水平下的t-分数
对
不详
< 30
对于像我这样的其他人来说，对于一个返回1.96但接受答案为1.64的函数的请求感到困惑——区别在于1.96是zscore，其中包含95%的数据（忽略两个尾部），而st.norm.ppf（）给出的zscore下面包含95%的数据（只忽略上部尾部）。（续）如果你想从0.95中得到1.96，你必须利用正态分布是对称的这一事实，将你忽略的量分成两半，得到忽略的上尾：
st.norm.ppf（1-（1-0.95）/2）==1.959963984540054
-基本统计信息，是的，但我只是想让它明确。有人能告诉我上面的图表是用什么python代码绘制的吗？@bobthebuilder-Womp-Womp！这个图表实际上是用R（特别是）的包生成的。
from statistics import NormalDist

NormalDist().inv_cdf((1 + 0.95) / 2.)
# 1.9599639845400536
NormalDist().cdf(1.9599639845400536) * 2 - 1
# 0.95