Python တွင် binomial ယုံကြည်မှုကြားကာလကို တွက်ချက်နည်း

binomial ဖြစ်နိုင်ခြေအတွက် ယုံကြည်မှုကြားကာလကို အောက်ပါဖော်မြူလာဖြင့် တွက်ချက်သည်-

ယုံကြည်မှုကြားကာလ = p +/- z*(√ p(1-p) / n )

ရွှေ-

• p- “ အောင်မြင်မှု” အချိုးအစား
• z- ရွေးချယ်ထားသော z တန်ဖိုး
• n: နမူနာအရွယ်အစား

Python တွင် ဤယုံကြည်မှုကြားကာလကို တွက်ချက်ရန် အလွယ်ကူဆုံးနည်းလမ်းမှာ statsmodels ပက်ကေ့ခ်ျမှ proportion_confint() လုပ်ဆောင်ချက်ကို အသုံးပြုရန်ဖြစ်သည်။

 proportion_confint ( count , nobs , alpha = 0.05 , method = ' normal ' )

ရွှေ-

• count : အောင်မြင်မှုအရေအတွက်
• nobs : စုစုပေါင်းကြိုးစားမှုအရေအတွက်
• alpha : အရေးပါမှုအဆင့် (မူရင်းမှာ 0.05)
• နည်းလမ်း : ယုံကြည်မှုကြားကာလအတွက် အသုံးပြုရန်နည်းလမ်း (မူရင်းမှာ “ ပုံမှန်” )

အောက်ဖော်ပြပါ ဥပမာသည် ဤလုပ်ဆောင်ချက်ကို လက်တွေ့အသုံးချနည်းကို ပြသထားသည်။

ဥပမာ- Python ရှိ Binomial Confidence Interval ကို တွက်ချက်ပါ။

ဥပဒေတစ်ရပ်ရပ်ကို ထောက်ခံသော ခရိုင်တစ်ခုရှိ နေထိုင်သူ အချိုးအစားကို ကျွန်ုပ်တို့ ခန့်မှန်းလိုသည်ဆိုပါစို့။

နေထိုင်သူ 100 ဦး၏ ကျပန်းနမူနာကို ရွေးချယ်ရန် ကျွန်ုပ်တို့ ဆုံးဖြတ်ပြီး ၎င်းတို့ထဲမှ 56 ဦးသည် ဥပဒေအား ထောက်ခံကြောင်း တွေ့ရှိရပါသည်။

ခရိုင်တစ်ခုလုံးရှိ ဤဥပဒေပါရှိသည့် နေထိုင်သူအချိုးအမှန်အတွက် 95% ယုံကြည်မှုကြားကာလကို တွက်ချက်ရန် proportion_confint() လုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့ အသုံးပြုနိုင်ပါသည်။

 from statsmodels. stats . proportion import proportion_confint

#calculate 95% confidence interval with 56 successes in 100 trials
proportion_confint(count= 56 , nobs= 100 )

(0.4627099463758483, 0.6572900536241518)

ဥပဒေကို ထောက်ခံသည့် ခရိုင်နေထိုင်သူများ၏ အချိုးအမှန်အတွက် ယုံကြည်မှု 95% ကြားကာလမှာ [.4627, .6573] ဖြစ်သည်။

ပုံမှန်အားဖြင့်၊ ဤလုပ်ဆောင်ချက်သည် ယုံကြည်စိတ်ချမှုကြားကာလကိုတွက်ချက်ရန် asymptotic normal approximation ကိုအသုံးပြုသည်။ သို့သော်၊ ကျွန်ုပ်တို့သည် မတူညီသောနည်းလမ်းကိုအသုံးပြုရန် method argument ကိုသုံးနိုင်သည်။

ဥပမာအားဖြင့်၊ binomial trust interval ကိုတွက်ချက်ရန် R programming language တွင်အသုံးပြုသည့် မူရင်းလုပ်ဆောင်ချက်မှာ Wilson score interval ဖြစ်သည်။

Python တွင် ယုံကြည်မှုကြားကာလကို တွက်ချက်သည့်အခါ ဤနည်းလမ်းကို သတ်မှတ်ရန် အောက်ပါ syntax ကို အသုံးပြုနိုင်ပါသည်။

 from statsmodels. stats . proportion import proportion_confint

#calculate 95% confidence interval with 56 successes in 100 trials
proportion_confint(count= 56 , nobs= 100 , method=' wilson ')

(0.4622810465167698, 0.6532797336983921)

၎င်းသည် ဥပဒေအား ထောက်ခံသော ခရိုင်နေထိုင်သူများ၏ 95% ယုံကြည်မှုကြားကာလသည် [.4623, .6533] ဖြစ်သည် ။

ဤယုံကြည်မှုကြားကာလသည် သာမန်အနီးစပ်ဆုံးကို အသုံးပြု၍ တွက်ချက်ထားသည့်အရာများနှင့် အနည်းငယ်ကွာခြားပါသည်။

မတူညီသောယုံကြည်မှုကြားကာလကိုတွက်ချက်ရန် အယ်လ်ဖာ တန်ဖိုးကိုလည်း ချိန်ညှိနိုင်သည်ကို သတိပြုပါ။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် 90% ယုံကြည်မှုကြားကာလကိုတွက်ချက်ရန် alpha ကို 0.10 သို့ သတ်မှတ်နိုင်သည်-

 from statsmodels. stats . proportion import proportion_confint

#calculate 90% confidence interval with 56 successes in 100 trials
proportion_confint(count= 56 , nobs= 100 , alpha= 0.10 , method=' wilson ')

(0.47783814499647415, 0.6390007285095451)

၎င်းသည် ဥပဒေအား ထောက်ခံသော ခရိုင်နေထိုင်သူများ၏ 90% ယုံကြည်မှုကြားကာလသည် [.4778, .6390] ဖြစ်သည် ။

မှတ်ချက် – proportion_confint() လုပ်ဆောင်ချက်အတွက် စာရွက်စာတမ်းအပြည့်အစုံကို ဤနေရာတွင် ရှာနိုင်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် Python တွင် အခြားသော ဘုံလုပ်ဆောင်ချက်များကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြသည်-

Python တွင် ယုံကြည်မှုကြားကာလကို မည်သို့ဆွဲမည်နည်း။
Python တွင် Binomial Distribution ကိုအသုံးပြုနည်း