<\/p>\n
Ein Konfidenzintervall f\u00fcr eine Binomialwahrscheinlichkeit<\/strong> wird mit der folgenden Formel berechnet:<\/span><\/p>\n Konfidenzintervall = p<\/strong> +\/- z*(\u221a p(1-p) \/ n<\/span> )<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Der einfachste Weg, diese Art von Konfidenzintervall in Python zu berechnen, ist die Verwendung der Funktion proportion_confint()<\/strong> aus dem Paket statsmodels<\/strong> :<\/span><\/p>\n Gold:<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n Angenommen, wir m\u00f6chten den Anteil der Einwohner eines Landkreises sch\u00e4tzen, die ein bestimmtes Gesetz bef\u00fcrworten.<\/span><\/p>\n Wir beschlie\u00dfen, eine Zufallsstichprobe von 100 Einwohnern auszuw\u00e4hlen und stellen fest, dass 56 von ihnen das Gesetz bef\u00fcrworten.<\/span><\/p>\n Wir k\u00f6nnen die Funktion proportion_confint()<\/strong> verwenden, um das 95 %-Konfidenzintervall f\u00fcr den tats\u00e4chlichen Anteil der Einwohner im gesamten Landkreis zu berechnen, die dieses Gesetz haben:<\/span><\/p>\n Das 95 %-Konfidenzintervall f\u00fcr den tats\u00e4chlichen Anteil der Kreisbewohner, die das Gesetz unterst\u00fctzen, betr\u00e4gt [.4627, .6573]<\/strong> .<\/span><\/p>\n Standardm\u00e4\u00dfig verwendet diese Funktion die asymptotische Normaln\u00e4herung, um das Konfidenzintervall zu berechnen. Wir k\u00f6nnen jedoch das Methodenargument<\/strong> verwenden, um eine andere Methode zu verwenden.<\/span><\/p>\n Beispielsweise ist die Standardfunktion, die in der Programmiersprache R zur Berechnung eines binomialen Konfidenzintervalls verwendet wird, das Wilson-Score-Intervall.<\/span><\/p>\n Wir k\u00f6nnen die folgende Syntax verwenden, um diese Methode bei der Berechnung des Konfidenzintervalls in Python anzugeben:<\/span><\/p>\n Dies zeigt uns, dass das 95 %-Konfidenzintervall f\u00fcr den tats\u00e4chlichen Anteil der Kreisbewohner, die das Gesetz unterst\u00fctzen , [.4623, .6533]<\/strong> betr\u00e4gt.<\/span><\/p>\n Dieses Konfidenzintervall unterscheidet sich geringf\u00fcgig von dem mit der Normaln\u00e4herung berechneten.<\/span><\/p>\n Beachten Sie, dass wir den Alpha-<\/strong> Wert auch anpassen k\u00f6nnen, um ein anderes Konfidenzintervall zu berechnen.<\/span><\/p>\n Beispielsweise k\u00f6nnen wir Alpha auf 0,10 setzen, um ein 90 %-Konfidenzintervall zu berechnen:<\/span><\/p>\n Dies zeigt uns, dass das 90 %-Konfidenzintervall f\u00fcr den tats\u00e4chlichen Anteil der Kreisbewohner, die das Gesetz unterst\u00fctzen , [.4778, .6390]<\/strong> betr\u00e4gt.<\/span><\/p>\n Hinweis<\/strong> : Die vollst\u00e4ndige Dokumentation zur Funktion proportion_confint()<\/strong> finden Sie hier<\/a> .<\/span><\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere g\u00e4ngige Vorg\u00e4nge in Python ausf\u00fchren:<\/span><\/p>\n So zeichnen Sie ein Konfidenzintervall in Python auf<\/a> Ein Konfidenzintervall f\u00fcr eine Binomialwahrscheinlichkeit wird mit der folgenden Formel berechnet: Konfidenzintervall = p +\/- z*(\u221a p(1-p) \/ n ) Gold: p: Anteil \u201eErfolge\u201c z: der gew\u00e4hlte z-Wert n: Stichprobengr\u00f6\u00dfe Der einfachste Weg, diese Art von Konfidenzintervall in Python zu berechnen, ist die Verwendung der Funktion proportion_confint() aus dem Paket statsmodels : proportion_confint ( count […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
proportion_confint<\/span><\/span> (<\/span> count<\/span><\/span> , nobs<\/span><\/span> , alpha<\/span><\/span> =<\/span><\/span> 0.05<\/span><\/span> , method<\/span><\/span> =<\/span><\/span> ' normal<\/span> '<\/span><\/span> )<\/span>\n<\/strong><\/pre>\n\n
Beispiel: Berechnen Sie das binomiale Konfidenzintervall in Python<\/span><\/strong><\/h3>\n
from<\/span> statsmodels. stats<\/span> . proportion<\/span> import<\/span> proportion_confint\n\n#calculate 95% confidence interval with 56 successes in 100 trials\n<\/span>proportion_confint(count= 56<\/span> , nobs= 100<\/span> )\n\n(0.4627099463758483, 0.6572900536241518)\n<\/strong><\/pre>\n from<\/span> statsmodels. stats<\/span> . proportion<\/span> import<\/span> proportion_confint\n\n#calculate 95% confidence interval with 56 successes in 100 trials\n<\/span>proportion_confint(count= 56<\/span> , nobs= 100<\/span> , method=' wilson<\/span> ')\n\n(0.4622810465167698, 0.6532797336983921)\n<\/strong><\/pre>\n from<\/span> statsmodels. stats<\/span> . proportion<\/span> import<\/span> proportion_confint\n\n#calculate 90% confidence interval with 56 successes in 100 trials\n<\/span>proportion_confint(count= 56<\/span> , nobs= 100<\/span> , alpha= 0.10<\/span> , method=' wilson<\/span> ')\n\n(0.47783814499647415, 0.6390007285095451)\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So verwenden Sie die Binomialverteilung in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"