scipy.stats.
binomtest#
- scipy.stats.binomtest(k, n, p=0.5, alternative='two-sided')[源代码]#
执行一个检验，检验成功的概率是否为 p。
二项式检验[1] 是对伯努利实验中成功概率为p 的零假设进行检验。
该检验的详细信息可以在许多统计学教科书中找到，例如[2]的第 24.5 节。
- 参数:
- kint
成功的次数。
- nint
试验的次数。
- pfloat, 可选
假设的成功概率，即预期的成功比例。该值必须在区间
0 <= p <= 1内。默认值为p = 0.5。- alternative{‘two-sided’, ‘greater’, ‘less’}, 可选
指示备择假设。默认值为 ‘two-sided’。
- 返回:
- result
BinomTestResult实例 返回值是一个具有以下属性的对象
- kint
成功的次数（从
binomtest输入复制）。- nint
试验的次数（从
binomtest输入复制）。- alternativestr
指示在
binomtest的输入中指定的备择假设。它将是'two-sided'，'greater'或'less'之一。- statisticfloat
成功比例的估计值。
- pvaluefloat
假设检验的 p 值。
该对象具有以下方法
- proportion_ci(confidence_level=0.95, method=’exact’)
计算
statistic的置信区间。
- result
注释
在 1.7.0 版本中添加。
参考文献
[2]Jerrold H. Zar，《生物统计分析》（第五版），Prentice Hall，Upper Saddle River，新泽西州美国（2010 年）
示例
>>> from scipy.stats import binomtest
一家汽车制造商声称他们的汽车中只有不超过 10% 是不安全的。检查了 15 辆汽车的安全性，发现有 3 辆不安全。检验制造商的声明
>>> result = binomtest(3, n=15, p=0.1, alternative='greater') >>> result.pvalue 0.18406106910639114
由于返回的 p 值大于 5% 的临界值，因此在 5% 的显著性水平下无法拒绝原假设。
检验统计量等于估计的比例，即简单的
3/15>>> result.statistic 0.2
我们可以使用结果的proportion_ci()方法来计算估计的置信区间
>>> result.proportion_ci(confidence_level=0.95) ConfidenceInterval(low=0.05684686759024681, high=1.0)