<\/p>\n
Een binomiale test<\/strong> vergelijkt een steekproefaandeel met een hypothetisch deel. De test is gebaseerd op de volgende nul- en alternatieve hypothesen:<\/span><\/p>\n H<\/strong> 0<\/strong><\/sub> : \u03c0 = p (de populatieaandeel \u03c0 is gelijk aan een waarde p)<\/span><\/p>\n H A<\/sub><\/strong> : \u03c0 \u2260 p (de populatieaandeel \u03c0 is niet gelijk aan een bepaalde waarde p)<\/span><\/p>\n De toets kan ook worden uitgevoerd met het eenzijdige alternatief dat het werkelijke aandeel van de bevolking groter of kleiner is dan een bepaalde p-waarde.<\/em><\/span><\/p>\n Om een binominale test in R uit te voeren, kunt u de volgende functie gebruiken:<\/span><\/p>\n binom.test(x, n, p)<\/span><\/strong><\/p>\n<\/blockquote>\n Goud:<\/span><\/p>\n De volgende voorbeelden illustreren hoe u deze functie in R kunt gebruiken om binomiale tests uit te voeren.<\/span><\/p>\n Voorbeeld 1: Tweezijdige binomiale test<\/strong><\/span><\/p>\n Je wilt voor 1\/6 van de worpen bepalen of een dobbelsteen wel of niet op het getal „3“ terechtkomt. Je gooit de dobbelsteen dus 24 keer en hij komt in totaal 9 keer op „3“ terecht. Voer een binomiale test uit om te bepalen of de dobbelsteen daadwerkelijk op \u201c3\u201d terechtkomt op een zesde van de worpen.<\/span><\/p>\n De p-waarde van de test is 0,01176<\/strong> . Aangezien dit minder dan 0,05 is, kunnen we de nulhypothese verwerpen en concluderen dat er bewijs is dat de dobbelsteen op 1\/6 van de worpen het getal „3“ niet bereikt<\/em> .<\/span><\/p>\n Voorbeeld 2: Linker binomiale test<\/strong><\/span><\/p>\n U wilt bepalen of het minder waarschijnlijk is dat een munt kop dan munt landt. Dus je draait de munt 30 keer om en ontdekt dat hij slechts 11 keer op kop terechtkomt. Voer een binominale test uit om te bepalen of het minder waarschijnlijk is dat de munt kop dan munt landt.<\/span><\/p>\n De p-waarde van de test is 0,1002<\/strong> . Omdat deze waarde niet minder dan 0,05 bedraagt, slagen we er niet in de nulhypothese te verwerpen. We hebben niet genoeg bewijs om te zeggen dat de munt minder snel kop dan munt zal opleveren.<\/span><\/p>\n Voorbeeld 3: Rechtszijdige binomiale test<\/strong><\/span><\/p>\n Een winkel maakt widgets met een effici\u00ebntie van 80%. Ze implementeren een nieuw systeem waarvan ze hopen dat het de effici\u00ebntie zal verbeteren. Ze selecteren willekeurig 50 widgets uit recente productie en merken op dat 46 daarvan effectief zijn. Voer een binomiale test uit om te bepalen of het nieuwe systeem tot grotere effici\u00ebntie leidt.<\/span><\/p>\n De p-waarde van de test is 0,0185<\/strong> . Omdat dit minder dan 0,05 is, verwerpen we de nulhypothese. We hebben genoeg bewijs om te zeggen dat het nieuwe systeem effectieve widgets produceert met een snelheid van meer dan 80%.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Een binomiale test vergelijkt een steekproefaandeel met een hypothetisch deel. De test is gebaseerd op de volgende nul- en alternatieve hypothesen: H 0 : \u03c0 = p (de populatieaandeel \u03c0 is gelijk aan een waarde p) H A : \u03c0 \u2260 p (de populatieaandeel \u03c0 is niet gelijk aan een bepaalde waarde p) De toets […]<\/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-781","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
\n
#perform two-tailed Binomial test<\/span>\nbinom.test(9, 24, 1\/6)\n\n#output<\/span>\n\tExact binomial test\n\ndate: 9 and 24\nnumber of successes = 9, number of trials = 24, p-value = 0.01176\nalternative hypothesis: true probability of success is not equal to 0.1666667\n95 percent confidence interval:\n 0.1879929 0.5940636\nsample estimates:\nprobability of success \n 0.375 \n<\/strong><\/pre>\n #perform left-tailed Binomial test<\/span>\nbinom.test(11, 30, 0.5, alternative=\"less\")\n\n#output<\/span>\n\tExact binomial test\n\ndate: 11 and 30\nnumber of successes = 11, number of trials = 30, p-value = 0.1002\nalternative hypothesis: true probability of success is less than 0.5\n95 percent confidence interval:\n 0.0000000 0.5330863\nsample estimates:\nprobability of success \n 0.3666667<\/strong><\/pre>\n #perform right-tailed Binomial test<\/span>\nbinom.test(46, 50, 0.8, alternative=\"greater\")\n\n#output<\/span>\n\tExact binomial test\n\ndate: 46 and 50\nnumber of successes = 46, number of trials = 50, p-value = 0.0185\nalternative hypothesis: true probability of success is greater than 0.8\n95 percent confidence interval:\n 0.8262088 1.0000000\nsample estimates:\nprobability of success \n 0.92 \n<\/strong><\/pre>\n