Биномиальные оценки параметра
phat = binofit(x,n)
[phat,pci] = binofit(x,n)
[phat,pci] = binofit(x,n,alpha)
phat = binofit(x,n)
возвращает оценку наибольшего правдоподобия вероятности успеха в данном биномиальном испытании на основе количества успехов, x
, наблюдаемого в n
независимые испытания. Если x = (x(1), x(2), ... x(k))
является вектором, binofit
возвращает вектор, одного размера как x
, ith запись которого является оценкой параметра для x(i)
. Все оценки k
независимы друг от друга. Если n = (n(1), n(2), ..., n(k))
является вектором, одного размера как x
, биномиальная подгонка, binofit
, возвращает вектор, ith запись которого является оценкой параметра на основе количества успехов x(i)
в n(i)
независимые испытания. Скалярное значение для x
или n
расширено до того же размера как другой вход.
[phat,pci] = binofit(x,n)
возвращает оценку вероятности, phat
, и 95% доверительных интервалов, pci
. binofit
использует метод Клоппер-Пирсона, чтобы вычислить доверительные интервалы.
[phat,pci] = binofit(x,n,alpha)
возвращает доверительные интервалы % 100(1 - alpha)
. Например, alpha
=
0.01
приводит к 99% доверительных интервалов.
binofit
ведет себя по-другому, чем другие функции Statistics and Machine Learning Toolbox™, которые вычисляют оценки параметра, в которых он возвращает независимые оценки для каждой записи x
. Для сравнения expfit
возвращает одну оценку параметра на основе всех записей x
.
В отличие от большинства других функций подбора кривой распределения, функция binofit
обрабатывает свой вектор входа x
как набор измерений от отдельных выборок. Если вы хотите обработать x
как одну выборку и вычислить одну оценку параметра для него, можно использовать binofit(sum(x),sum(n))
, когда n
является вектором и binofit(sum(X),N*length(X))
, когда n
является скаляром.
Этот пример генерирует биномиальную выборку 100 элементов, где вероятность успеха в данном испытании 0.6, и затем оценивает эту вероятность от результатов в выборке.
r = binornd(100,0.6); [phat,pci] = binofit(r,100) phat = 0.5800 pci = 0.4771 0.6780
95%-й доверительный интервал, pci
, содержит истинное значение, 0.6.
[1] Джонсон, N. L. С. Коц и А. В. Кемп. Одномерные дискретные распределения. Хобокен, NJ: Wiley-межнаука, 1993.