scipy.stats.

binomtest

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

执行一个测试，以验证成功的概率为 p。

二项检验 [1] 是对零假设的检验，即伯努利试验中成功的概率为 p。

测试的详细信息可以在许多统计学文本中找到，例如 [2] 的第24.5节。

参数:

k整数

成功的次数。

n整数

试验的次数。

pfloat, 可选

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。

替代方案{‘双侧’, ‘大于’, ‘小于’}, 可选

指示备择假设。默认值是 ‘双侧’。

返回:

结果 : BinomTestResult 实例BinomTestResult 实例

返回值是一个具有以下属性的对象：

k整数

成功次数（从 binomtest 输入复制）。

n整数

试验次数（从 binomtest 输入复制）。

替代方案str

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

统计浮动

成功比例的估计值。

p值浮动

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

Added in version 1.7.0.

参考文献

[1]

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

[2]

Jerrold H. Zar, 生物统计分析 (第五版), Prentice Hall, 美国新泽西州上萨德尔里弗 (2010)

示例

Try it in your browser!

>>> from scipy.stats import binomtest

一家汽车制造商声称他们的汽车中不安全的不超过10%。对15辆汽车进行了安全检查，发现其中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%的显著性水平上不能拒绝原假设。

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)

Go BackOpen In Tab