Использование PPF и ISF для определения критического значения для Anova или других тестов сбивает с толку
Я недавно использую Python для этой проблемы машинного обучения.
crit = stats.f.ppf(q = 1-0.05, dfn = 2, dfd = 60)
crit = stats.f.isf(q = 1-0.05, dfn = 2, dfd = 60)
Бизнес-кейс : TCS набирает тысячи инженеров каждый год. Директор отдела кадров хотел бы знать, соответствуют ли результаты тестов заявителям нормальному распределению. Пример 50 баллов приведены ниже. Пожалуйста, проверьте, распределены ли результаты тестов нормально.
mu = np.mean(score)
sd = np.std(score,ddof=1)
k = ([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 0.9999])
zval = mu + stats.norm.ppf(k) * sd
print(zval)
print('mean score: ', mu)
print('st dev score: ', sd )
Они связаны с правым / левым / двумя хвостами или с доверительным интервалом данных?