Оценки биномиальных параметров
phat = binofit(x,n)
[phat,pci] = binofit(x,n)
[phat,pci] = binofit(x,n,alpha)
phat = binofit(x,n) возвращает оценку максимального правдоподобия вероятности успеха в данном биномиальном испытании на основе количества успехов, x, наблюдается в n независимые испытания. Если x = (x(1), x(2), ... x(k)) является вектором, binofit возвращает вектор того же размера, что и x i-я запись которой является оценкой параметра для x(i). Все k оценки независимы друг от друга. Если n = (n(1), n(2), ..., n(k)) - вектор того же размера, что и x, биномиальная посадка, binofit, возвращает вектор, i-я запись которого является оценкой параметра на основе количества успешных x(i) в n(i) независимые испытания. Скалярное значение для x или n расширяется до того же размера, что и другие входные данные.
[phat,pci] = binofit(x,n) возвращает оценку вероятности, phatи 95% доверительные интервалы, pci. binofit использует метод Клоппера-Пирсона для вычисления доверительных интервалов.
[phat,pci] = binofit(x,n,alpha) возвращает значение 100(1 - alpha)% доверительных интервалов. Например, alpha = 0.01 дает 99% доверительные интервалы.
Примечание
binofit ведет себя иначе, чем другие функции Toolbox™ статистики и машинного обучения, которые вычисляют оценки параметров, в том, что она возвращает независимые оценки для каждой записи x. Для сравнения: expfit возвращает оценку одного параметра на основе всех записей x.
В отличие от большинства других функций фитинга распределения, binofit функция обрабатывает свой вход x вектор как совокупность измерений из отдельных выборок. Если вы хотите лечить x в качестве одной выборки и вычисления для нее оценки одного параметра 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 из 100 элементов, где вероятность успеха в данном исследовании равна 0,6, а затем оценивает эту вероятность по результатам в выборке.
r = binornd(100,0.6); [phat,pci] = binofit(r,100) phat = 0.5800 pci = 0.4771 0.6780
95% доверительный интервал, pci, содержит истинное значение, 0,6.
[1] Джонсон, Н. Л., С. Коц и А. В. Кемп. Одномерные дискретные распределения. Хобокен, Нью-Джерси: Wiley-Interscience, 1993.