RDKMATH

RDKMATH Python scientific computing page

binomial(attempts, successes, proportion)
Calculate the binomial probability
coefficient_of_determination(r)
R Squared
confidence_interval(x, y, t_crit)
confidence interval for b0 and b1
returned in a 4 item list, with b0 first, and b1 second

Uses parameters, not the same b0/b1 as the simple linear
regression formula

correlation(x, y)
Correlation Coefficient - the r value, the same as the
correlation_coefficient, but with an easier name for other usages
correlation_coefficient(x, y)
Correlation Coefficient - the r value
exponential_moving_average(x, length, previous)
Calculate an exponential moving average where the previous ema
is given
exponential_moving_averages(input_list, length, initial)
Calculate an exponential moving average where the initial
previous day EMA is set to the same value as input's list
main()
Main area of the program
Here on the base library so it can be imported and used in other
scripts
mean_absolute_deviation(input_list, number_of_values)
Calculate the mean absolute deviation - length is the size of the
average - such as only the most recent 20 data points.  To use the
entire list, use the length of the input list.
mean_of_sample(input_list)
Calculate the mean of a sample
mean_squared_errors_mse(x, y)
MSE, mean squared errors
null_hypothesis_test_95(x_list, y_list)
Test the null hypothesis for two variables at the 95 CI
p_value_t_dist_scipy(t_stat, df)
parameter_estimate_b0(x_list, y_list)
calculate the parameter estimate for b1
parameter_estimate_b1(x_list, y_list)
calculate the parameter estimate for b1
population_standard_deviation(x)
Standard Deviation of the sample
population_variance(x)
Variance of the sample
predict_y(b0, b1, x)
predict a y value given the components of the slope equation
r_squared(x, y)
r squared value
reference_range(x_list)
Reference range - 95% confidence level for sample size >= 100
reference_range_900(x_list)
Reference range - 90% confidence level for sample size >= 100
reference_range_950(x_list)
Reference range - 95% confidence level for sample size >= 100
reference_range_990(x_list)
Reference range - 99.0% confidence level for sample size >= 100
reference_range_995(x_list)
Reference range - 99.5% confidence level for sample size >= 100
reference_range_999(x_list)
Reference range - 99.9%% confidence level for sample size >= 100
sample_standard_deviation(x)
Standard Deviation of the sample
sample_variance(x)
Variance of the sample
simple_linear_regression(x, y)
Return the equation for a line through the data in two lists
simple_moving_average(input_list, count)
Simple moving average for n data points
standard_deviation_of_b0_Sb0(x, y)
standard deviation of intercept
standard_deviation_of_b1_Sb1(x, y)
standard_deviation_of_errors_Se(x, y)
standard_error_of_mean(list_x)
standard_error_of_regression(x_list, y_list)
standard_error_of_the_estimate(x_list, y_list)
calculate the standard error of the estimate
standard_error_se(input_list)
sum_of_measures_Ex_or_Ey(x)
Sum of measures, add up all values in the list
sum_of_product_of_difference_x_y(x_list, y_list)
Sum of the product of the difference between x and x_bar and the
difference between y and y_bar
sum_of_squared_deviations(x)
Sum of Squared Deviations for variance and standard deviation
sum_of_squared_errors_sse(x, y)
sum of squared errors
sum_of_squared_residuals(x_input_list, y_input_list)
sum of squared residuals, used for confidence interval of slope
for null hypothesis testing - H0=Variables are not related - meaning,
the slope confidence interval contains zero.  If the slope does not
confidence interval does not contain zero, the we can say the items are
related, therefore rejecting the null hypothesis
sum_of_squares_explained_by_regression_ssr(x, y)
sum of squares explained by regression
sum_of_squares_of_difference_x(x_list)
sum of the squares of the difference between each x and x_bar
sum_of_squares_of_y_bar_sso(y_list)
SSO
sum_of_squares_ssx_or_ssy_Ex2_or_Ey2(x)
Square each value in a list, and sum them
sum_xy(x, y)
Sum of X and Y for use with correlation coefficients
t_score(x, input_list)
T-scores transform a raw datum into standard form
t_value_significance_test(x, y)
total_sum_of_squares_sst(y_list)
total sum of squares
z_area(z_value)
z_percent(z_value)
return the percentage probability associated with a p-value.
z_score(x, input_list)
calculate a z-score