Python SciPy stats.binomtest用法及代码示例

本文简要介绍 python 语言中 scipy.stats.binomtest 的用法。

用法:

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

执行成功概率为 p 的测试。

二项式检验[1]是对原假设的检验，即伯努利实验的成功概率为p.

测试的详细信息可以在许多关于统计的文本中找到，例如 [2] 的第 24.5 节。

参数 ：：

k： int

成功次数。

n： int

试验次数。

p： 浮点数，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 中。默认值为 p = 0.5 。

alternative： {‘双面’，‘greater’, ‘less’}，可选

表示备择假设。默认值为“双面”。

返回 ：：

result： BinomTestResult 实例

返回值是一个具有以下属性的对象：

k int

成功次数(从 binomtest 输入复制)。

n int

试验次数(从 binomtest 输入复制)。

选择 str

指示 binomtest 的输入中指定的备择假设。它将是 'two-sided' 、 'greater' 或 'less' 之一。

统计 浮点数

成功率的估计。

p值 浮点数

假设检验的 p 值。

该对象具有以下方法：

proportion_ci(confidence_level=0.95，方法='精确')：

计算 statistic 的置信区间。

注意：

参考：

[1]

二项式检验，https://en.wikipedia.org/wiki/Binomial_test

[2]

Jerrold H. Zar，生物统计分析(第五版)，Prentice Hall，上马鞍河，新泽西州，美国(2010 年)

例子：

>>> from scipy.stats import binomtest

一家汽车制造商声称不超过 10% 的汽车不安全。 15辆汽车接受安全检查，3辆被发现不安全。测试制造商的声明：

>>> result = binomtest(3, n=15, p=0.1, alternative='greater')
>>> result.pvalue
0.18406106910639114

无法在 5% 显著性水平上拒绝原假设，因为返回的 p 值大于 5% 的临界值。

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()方法来计算估计的置信区间：

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