scipy.stats.

binomtest#

scipy.stats.binomtest(k, n, p=0.5, alternative='two-sided')[source]#

执行成功概率为 p 的检验。

二项检验 [1] 是对 Bernoulli 实验中成功概率为 p 的零假设的检验。

有关测试的详细信息可以在许多统计文本中找到，例如 [2] 的第 24.5 节。

参数:

kint: 成功的次数。
nint: 试验的次数。
pfloat, optional: 假设的成功概率，即成功的预期比例。该值必须在区间 0 <= p <= 1 内。默认值为 p = 0.5。
alternative{‘two-sided’, ‘greater’, ‘less’}, optional: 指示备择假设。默认值为 ‘two-sided’。

返回值:

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' 或 'less' 之一。
statisticfloat: 成功的比例的估计值。
pvaluefloat: 假设检验的 p 值。

该对象具有以下方法

说明

在版本 1.7.0 中添加。

参考文献

[1]

[2]

Jerrold H. Zar, Biostatistical Analysis (第五版), Prentice Hall, Upper Saddle River, New Jersey USA (2010)

示例

>>> from scipy.stats import binomtest

一家汽车制造商声称其汽车中不安全车辆不超过 10%。检查了 15 辆汽车的安全性，发现 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，因此无法在 5% 的显着性水平上拒绝原假设。

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)