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.