Python SciPy stats.binomtest用法及代碼示例

本文簡要介紹 python 語言中 scipy.stats.binomtest 的用法。

用法:

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

執行成功概率為 p 的測試。

二項式檢驗[1]是對原假設的檢驗，即伯努利實驗的成功概率為p.

測試的詳細信息可以在許多關於統計的文本中找到，例如 [2] 的第 24.5 節。

參數 ：：

k： int

成功次數。

n： int

試驗次數。

p： 浮點數，可選

假設的成功概率，即預期的成功比例。該值必須在區間 0 <= p <= 1 中。默認值為 p = 0.5 。

alternative： {‘雙麵’，‘greater’, ‘less’}，可選

表示備擇假設。默認值為“雙麵”。

返回 ：：

result： BinomTestResult 實例

返回值是一個具有以下屬性的對象：

k int

成功次數(從 binomtest 輸入複製)。

n int

試驗次數(從 binomtest 輸入複製)。

選擇 str

指示 binomtest 的輸入中指定的備擇假設。它將是 'two-sided' 、 'greater' 或 'less' 之一。

統計 浮點數

成功率的估計。

p值 浮點數

假設檢驗的 p 值。

該對象具有以下方法：

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

計算 statistic 的置信區間。

注意：

參考：

[1]

二項式檢驗，https://en.wikipedia.org/wiki/Binomial_test

[2]

Jerrold H. Zar，生物統計分析(第五版)，Prentice Hall，上馬鞍河，新澤西州，美國(2010 年)

例子：

>>> from scipy.stats import binomtest

一家汽車製造商聲稱不超過 10% 的汽車不安全。 15輛汽車接受安全檢查，3輛被發現不安全。測試製造商的聲明：

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

無法在 5% 顯著性水平上拒絕原假設，因為返回的 p 值大於 5% 的臨界值。

檢驗統計量等於估計比例，即 3/15 ：

>>> result.statistic
0.2

我們可以使用結果的proportion_ci()方法來計算估計的置信區間：

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