Оценки биномиальных параметров
phat = binofit(x,n)
[phat,pci] = binofit(x,n)
[phat,pci] = binofit(x,n,alpha)
phat = binofit(x,n)
возвращает максимальную оценку вероятности успеха в данном биномиальном исследовании, основанную на количестве успехов, x
, наблюдаемый в n
независимые испытания. Если x = (x(1), x(2), ... x(k))
является вектором, binofit
возвращает вектор того же размера, что и x
чья i-я запись 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 подгонка, binofit
, возвращает вектор, чья i-я запись является оценкой параметра, основанной на количестве успехов x(i)
в n(i)
независимые испытания. Скалярное значение для x
или n
расширяется до того же размера, что и другой вход.
[phat,pci] = binofit(x,n)
возвращает оценку вероятности, phat
и 95% доверительных интервалов, pci
. binofit
использует метод Клоппера-Пирсона, чтобы вычислить доверительные интервалы.
[phat,pci] = binofit(x,n,alpha)
возвращает 100(1 - alpha)
% доверительных интервалов. Для примера, alpha
=
0.01
приводит к 99% доверительным интервалам.
Примечание
binofit
ведет себя по-другому, чем другие функции Statistics and Machine Learning Toolbox™, которые вычисляют оценки параметров, поскольку они возвращают независимые оценки для каждой записи x
. Для сравнения, expfit
возвращает одну оценку параметра, основанную на всех записях x
.
В отличие от большинства других функций подбора кривой распределения, binofit
функция обрабатывает свой вход x
вектор как набор измерений из отдельных выборок. Если хотите лечить x
в качестве одной выборки и вычислить одну оценку параметра для нее, 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 составляет 0,6, и затем оценивает эту вероятность из результатов 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] Johnson, N. L., S. Kotz, and A. W. Kemp. Одномерные дискретные распределения. Hoboken, NJ: Wiley-Interscience, 1993.