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:
resultBinomTestResult 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''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。

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)