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, phatи 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.