Python တွင် binomial test လုပ်နည်း

binomial test သည် နမူနာအချိုးကို တွေးခေါ်မှုအချိုးအစားနှင့် နှိုင်းယှဉ်သည်။

ဥပမာအားဖြင့်၊ ကျွန်တော်တို့မှာ 6-sided die ရှိတယ်ဆိုပါစို့။ အကယ်၍ ကျွန်ုပ်တို့ 12 ကြိမ် ပစ်ပါက နံပါတ် “ 3” ကို အချိန်၏ 1/6 ပေါ်လာရန် မျှော်မှန်းထားပြီး 12* (1/6) = 2 ကြိမ် ဖြစ်လိမ့်မည်။

နံပါတ် “ 3” သည် အမှန်တကယ် 4 ကြိမ်ပေါ်လာပါက၊ အသေသည် နံပါတ် “ 3” ထက် ဘက်လိုက်နေကြောင်း ဤအထောက်အထားရှိပါသလား။ ဤမေးခွန်းကိုဖြေဆိုရန် ကျွန်ုပ်တို့သည် binomial test တစ်ခုပြုလုပ်နိုင်သည်။

Python တွင်၊ သင်သည် အောက်ဖော်ပြပါ အထားအသိုကိုအသုံးပြုသည့် scipy.stats စာကြည့်တိုက်မှ binom_test() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ binomial စမ်းသပ်မှုကို လုပ်ဆောင်နိုင်သည်-

binom_test(x၊ n=None၊ p=0.5၊ အစားထိုး=’မျက်နှာနှစ်ခု’)

ရွှေ-

• x- “ အောင်မြင်မှု” အရေအတွက်
• n- စမ်းသပ်မှုစုစုပေါင်း
• p- စမ်းသပ်မှုတစ်ခုစီ၏ အောင်မြင်နိုင်ခြေ
• အခြားရွေးချယ်စရာ- အခြားယူဆချက်။ ပုံသေမှာ “ နှစ်ဘက်ခြမ်း” ဖြစ်သော်လည်း “ ပိုမိုမြင့်မား” သို့မဟုတ် “ နည်း” ဟုလည်း သတ်မှတ်နိုင်သည်။

ဤလုပ်ဆောင်ချက်သည် စမ်းသပ်မှု၏ p-တန်ဖိုးကို ပြန်ပေးသည်။ အောက်ပါ syntax ကို အသုံးပြု၍ ဤလုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့ တင်နိုင်သည်-

 from scipy.stats import binom_test

အောက်ပါနမူနာများသည် Python တွင် binomial စမ်းသပ်မှုများကို မည်သို့လုပ်ဆောင်ရမည်ကို ဖော်ပြသည်။

ဥပမာ 1- 6 ဘက်သတ်အသေကို 24 ကြိမ်ချလိုက်ပြီး နံပါတ် “ 3” ပေါ်တွင် 6 ကြိမ်တိတိ ကျရောက်သည်။ သေဆုံးမှုသည် နံပါတ် “ 3” သို့ ဘက်လိုက်ခြင်း ရှိ၊ မရှိ ဆုံးဖြတ်ရန် binomial test ပြုလုပ်ပါ။

ကျွန်ုပ်တို့၏စမ်းသပ်မှု၏ null နှင့် အခြားအခြားသော ယူဆချက်များမှာ အောက်ပါအတိုင်းဖြစ်သည်-

H ₀ : π ≤ 1/6 (သေဆုံးမှုသည် နံပါတ် “၃” နှင့် ဘက်မလိုက်ပါ။

H _A : π > 1/6

*π သည် လူဦးရေအချိုးအစားအတွက် သင်္ကေတဖြစ်သည်။

Python တွင် အောက်ပါပုံသေနည်းကို ကျွန်ုပ်တို့ ထည့်သွင်းပါမည်-

 binom_test(x= 6 , n= 24 , p= 1/6 , alternative=' greater ')

0.1995295129479586

ဤ p-value (0.1995) သည် 0.05 ထက်မနည်းသောကြောင့်၊ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပါသည်။ သေခြင်းတရားသည် နံပါတ် “ ၃” ကို ဘက်လိုက်သည်ဟု ဆိုရန် လုံလောက်သော သက်သေမရှိပါ။

ဥပမာ 2- ကျွန်ုပ်တို့သည် အကြွေစေ့ကို အကြိမ် 30 လှန်ပြီး 19 ကြိမ်တိတိ ခေါင်းပေါ်တက်ပါသည်။ ဒင်္ဂါးပြားသည် ဦးခေါင်းဆီသို့ ဘက်လိုက်ခြင်းရှိ၊ မရှိ ဆုံးဖြတ်ရန် binomial test ပြုလုပ်ပါ။

ကျွန်ုပ်တို့၏စမ်းသပ်မှု၏ null နှင့် အခြားအခြားသော ယူဆချက်များမှာ အောက်ပါအတိုင်းဖြစ်သည်-

H ₀ : π ≤ 1/2 (ဒင်္ဂါးပြားသည် ခေါင်းများကို ဘက်မလိုက်ပါ။

H _A : π > 1/2

Python တွင် အောက်ပါပုံသေနည်းကို ကျွန်ုပ်တို့ ထည့်သွင်းပါမည်-

 binom_test(x= 19 , n= 30 , p= 1/2 , alternative=' greater ')

0.10024421103298661

ဤ p-value (0.10024) သည် 0.05 ထက်မနည်းသောကြောင့်၊ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပါသည်။ ဒင်္ဂါးပြားသည် ဦးခေါင်းထက် ဘက်လိုက်သည်ဟု ဆိုရန် လုံလောက်သော အထောက်အထား မရှိပါ။

ဥပမာ 3- စတိုးဆိုင်တစ်ခုသည် 80% ထိရောက်မှုရှိသော ဝစ်ဂျက်များကို ထုတ်လုပ်သည်။ ထိရောက်မှုနှုန်းကို မြှင့်တင်ပေးမည်ဟု မျှော်လင့်ထားသည့် စနစ်သစ်ကို အကောင်အထည်ဖော်နေပါသည်။ ၎င်းတို့သည် မကြာသေးမီက ထုတ်လုပ်ခြင်းမှ ဝစ်ဂျက် ၅၀ ကို ကျပန်းရွေးချယ်ပြီး ၎င်းတို့ထဲမှ ၄၇ ခုသည် ထိရောက်ကြောင်း သတိပြုပါ။ စနစ်သစ်သည် ပိုမိုထိရောက်မှုရှိမရှိ ဆုံးဖြတ်ရန် binomial test ပြုလုပ်ပါ။

ကျွန်ုပ်တို့၏စမ်းသပ်မှု၏ null နှင့် အခြားအခြားသော ယူဆချက်များမှာ အောက်ပါအတိုင်းဖြစ်သည်-

H ₀ : π ≤ 0.80 (စနစ်သစ်သည် ထိရောက်မှု တိုးလာခြင်းမရှိပါ)

H _A : π > 0.80

Python တွင် အောက်ပါပုံသေနည်းကို ကျွန်ုပ်တို့ ထည့်သွင်းပါမည်-

 binom_test(x= 47 , n= 50 , p= 0.8 , alternative=' greater ')

0.005656361012155314

ဤ p-value (0.00565) သည် 0.05 ထက်နည်းသောကြောင့် null hypothesis ကို ကျွန်ုပ်တို့ ငြင်းပယ်ပါသည်။ စနစ်သစ်သည် စွမ်းဆောင်ရည်ကို တိုးမြင့်လာစေသည်ဟု ဆိုရန် လုံလောက်သော အထောက်အထားရှိသည်။