scipy.stats.

binomtest#

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

执行一个验证成功概率为 p 的测试。

二项式检验 [1] 是一种对以下原假设的检验：伯努利实验的成功概率为p。

可以在许多有关统计学的文章中找到有关该检验的详细信息，例如在 [2] 的 24.5 部分中。

参数:
kint

成功次数。

nint

试验次数。

pfloat，可选

假设的成功概率，即期望的成功比率。该值必须在间隔 0 <= p <= 1 中。默认值为 p = 0.5。

alternative{‘two-sided’, ‘greater’, ‘less’}, 可选

指定备择假设。默认值为‘two-sided’。

返回:
resultBinomTestResult 实例

返回值是具有以下属性的对象

kint

成功次数（从 binomtest 输入中复制）。

nint

试验次数（从 binomtest 输入中复制）。

alternativestr

指示在 binomtest 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。

对象具有以下方法

proportion_ci(confidence_level=0.95, method=’exact’)

计算 statistic 的置信区间。

注意

在 1.7.0 版中添加。

参考文献

[2]

Jerrold H. Zar，生物统计学分析（第五版），美国新泽西州上萨德尔河，Prentice Hall（2010 年）

示例

>>> from scipy.stats import binomtest

一家汽车制造商声称，其汽车的不合格率不超过 10%。对 15 辆汽车进行了安全检查，发现有 3 辆不合格。检验制造商的说法

>>> 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比例，即 3/15

>>> result.statistic
0.2

我们可以使用结果的 proportion_ci() 方法计算估计的置信区间

>>> result.proportion_ci(confidence_level=0.95)
ConfidenceInterval(low=0.05684686759024681, high=1.0)
本页