<\/p>\n
Een betrouwbaarheidsinterval voor een binomiale waarschijnlijkheid<\/strong> wordt berekend met behulp van de volgende formule:<\/span><\/p>\n Betrouwbaarheidsinterval = p<\/strong> +\/- z*(\u221a p(1-p) \/ n<\/span> )<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n De eenvoudigste manier om dit type betrouwbaarheidsinterval in Python te berekenen, is door de functie proportion_confint()<\/strong> uit het statsmodels-<\/strong> pakket te gebruiken:<\/span><\/p>\n Goud:<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we een schatting willen maken van het aandeel inwoners in een provincie dat voorstander is van een bepaalde wet.<\/span><\/p>\n We besluiten een willekeurige steekproef van 100 inwoners te selecteren en constateren dat 56 van hen v\u00f3\u00f3r de wet zijn.<\/span><\/p>\n We kunnen de functie proportion_confint()<\/strong> gebruiken om het betrouwbaarheidsinterval van 95% te berekenen voor het werkelijke aantal inwoners dat deze wet in de hele provincie heeft:<\/span><\/p>\n Het 95% betrouwbaarheidsinterval voor het werkelijke percentage inwoners van de provincie dat de wet steunt, is [.4627, .6573]<\/strong> .<\/span><\/p>\n Standaard gebruikt deze functie de asymptotische normale benadering om het betrouwbaarheidsinterval te berekenen. We kunnen het methodeargument<\/strong> echter gebruiken om een andere methode te gebruiken.<\/span><\/p>\n De standaardfunctie die in de programmeertaal R wordt gebruikt om een binomiaal betrouwbaarheidsinterval te berekenen, is bijvoorbeeld het Wilson-score-interval.<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om deze methode te specificeren bij het berekenen van het betrouwbaarheidsinterval in Python:<\/span><\/p>\n Dit vertelt ons dat het betrouwbaarheidsinterval van 95% voor het werkelijke percentage inwoners van de provincie dat de wet steunt [.4623, .6533]<\/strong> is.<\/span><\/p>\n Dit betrouwbaarheidsinterval wijkt enigszins af van het interval dat met de normale benadering wordt berekend.<\/span><\/p>\n Merk op dat we de alfawaarde<\/strong> ook kunnen aanpassen om een ander betrouwbaarheidsinterval te berekenen.<\/span><\/p>\n We kunnen alpha bijvoorbeeld instellen op 0,10 om een betrouwbaarheidsinterval van 90% te berekenen:<\/span><\/p>\n Dit vertelt ons dat het betrouwbaarheidsinterval van 90% voor het werkelijke percentage inwoners van de provincie dat de wet steunt [.4778, .6390]<\/strong> is.<\/span><\/p>\n Opmerking<\/strong> : u kunt de volledige documentatie voor de functie proportion_confint()<\/strong> hier<\/a> vinden.<\/span><\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende bewerkingen in Python uitvoert:<\/span><\/p>\n Hoe een betrouwbaarheidsinterval in Python te plotten<\/a> Een betrouwbaarheidsinterval voor een binomiale waarschijnlijkheid wordt berekend met behulp van de volgende formule: Betrouwbaarheidsinterval = p +\/- z*(\u221a p(1-p) \/ n ) Goud: p: aandeel \u201csuccessen\u201d z: de gekozen z-waarde n: steekproefomvang De eenvoudigste manier om dit type betrouwbaarheidsinterval in Python te berekenen, is door de functie proportion_confint() uit het statsmodels- pakket te gebruiken: […]<\/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":[],"class_list":["post-2930","post","type-post","status-publish","format-standard","hentry","category-gids"],"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
Voorbeeld: Bereken het binomiale betrouwbaarheidsinterval 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 Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe binomiale distributie in Python te gebruiken<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"