问题标签 [binomial-cdf]

我想估计 13 个组的树冠覆盖的中位数以及 5、25、75 和 95 个百分位数（记录为 20 个中有或没有植被的点数）和总共 223 个样本。我之前发布了这个假设是 beta 分布，但这是不正确的。这是一份过期的手稿，这是遗失的最后一篇。如果有人可以帮助我完成（直到代码工作），我将不胜感激。我想我已经接近了，它只需要一些调整——我想。

（我进行了编辑以修复两个反对票，但我不确定有什么不清楚的地方）。

非常感谢！

下面是我的模型声明，R 代码和数据。照原样，我得到的错误是

但请注意，我删除了下面的空格，错误是指可能性陈述。

R代码：

数据：

我想计算预先确定的 x（成功）、n（试验）和 p（概率）的二项式分布给出的概率——后者由概率质量函数 Beta（a，b）给出。

我知道scipy.stats.binom.pmf(x,n,p)- 但我不确定如何用概率函数替换 p 。我也想知道我是否可以使用的loc论点 scipy.stats.binom.pmf来模仿这种行为。

我一直在寻找一种将数据拟合到 beta 二项分布并估计 alpha 和 beta 的方法，类似于 VGAM 库中的 vglm 包的方式。我一直无法找到如何在 python 中执行此操作。有一个 scipy.stats.beta.fit() ，但没有一个 beta 二项分布。有没有办法做到这一点？

我有一个带有 for 循环的简单程序，我在其中计算一些打印到屏幕上的值，但只打印第一个值，其余的只是 NaN 值。有没有什么办法解决这一问题？我想这些数字可能有很多小数，因此是 NaN 问题。

程序输出：

等等

这是代码，也许它有帮助：

我一直在 R 中使用 glm() 来计算控制单个二项式绘制的 logit 概率参数的置信区间。

我注意到，如果成功或失败的次数为零（P=0或D=0），则返回的置信区间毫无意义。

然后我通过对归一化二项似然进行数值积分来计算我自己的置信区间：

这给出了有意义的置信区间，其中P=0或D=0。但是，即使两者都不为零，它也会给出与glm()+不同的置信区间。confint()PD

与glm()+相比confint()，我计算的 lci 和 uci 往往更接近于零。

如何confint()计算间隔？我敢肯定，就更复杂的 glms 的性能而言，这样做是有充分理由的，但在这种简单的情况下，这似乎是一个奇怪的结果。

我知道这可能是初级的，但我似乎有一个心理障碍。假设您要计算掷出 4、5 或 6 的概率。在 R 中，这很容易：

这给出了正确答案的 1/2。但是，我在我的脑海里（它可能应该保留的地方）我应该能够为此使用二项分布。我已经尝试了 pbinom 和 dbinom 的各种参数组合，但我无法得到正确的答案。

抛硬币，效果很好。对于有两种以上可能结果的情况，这是否完全不合适？（我是程序员，不是统计学家，所以我希望被这里的统计人员杀死。）

问题：如何使用 pbinom() 或 dbinom() 来计算掷骰子掷出 4、5 或 6 的概率？我熟悉 prob 和 dice 包，但我真的很想使用其中一种内置发行版。

谢谢。

假设我有一系列 n 个独立伯努利试验成功的概率，p1 到 pn 使得 p1 != p2 != ... != pn。给每个试验一个唯一的名称。

我通过搜索堆栈交换（例如，here和here）知道，我可以使用泊松二项分布函数找到 cdf、pmf 等。

我感兴趣的是成功和失败的每种可能组合的确切概率。（例如，如果我画了一个概率树，我想知道每个分支末端的概率。）

...对于成功/失败的所有 2^5 种可能组合。

在 R 中解决这个问题的有效方法是什么？

在我的实际数据集的情况下，试验次数为 19，所以我们谈论的是概率树上的 2^19 条总路径。

我目前正在 Openbugs 中开发一个分层贝叶斯模型，该模型涉及很多（大约 6000 个站点）的二项式过程。它描述了连续移除电动钓鱼事件/通行证，一般结构如下：

其中 n_sites 是我正在查看的网站总数。n_pass[i] 是在站点 i 进行的钓鱼通道数。N[i,j] 是当鱼通过 j 时站点 i 中鱼的数量。N_tot[i] 是在任何鱼通过之前站点 i 中的鱼的总数，它是站点 d[i] 的密度乘以站点 S[i] 的表面（表面已知）的乘积。C[i,j] 是在鱼通过 j 期间在站点 i 捕获的鱼的数量。p[i,j] 是鱼道 j 在站点 i 捕获的概率。

每个站点平均有 3 个钓鱼通道，这是很多连续的二项式过程，通常需要大量时间来计算/收敛。我无法近似二项式过程，因为捕获量通常很小。

所以我有点卡住了，我正在寻找解决这个问题的建议/替代方案。

提前致谢

编辑历史：15-11-2016：在@M_Fidino 澄清请求之后添加了 d 和 p 的先前定义

我对 binom.test 的操作感到困惑。

假设我想针对 p=0.5 测试 4/10 成功的样本。P 值应为：

P(X <= 4) + P(X >=6) 或 P(X <= 4) + 1-P(X <= 5)

确实：

或者：

但是现在我想针对 p=0.66 测试一个 95/150 的样本，这里的期望值是 99，所以 P 值应该是

P(X <= 95) + P(X >= 103) 或 P(X <= 95) + 1-P(X <= 102)

这是

但

事实上，这两个 P 值的差值正好是dbinom(103,150,.66)。所以看起来 R 没有包含 X=103。

我能猜到的唯一解释是，由于 0.66 的不精确表示导致 R 错过 X=103，因此存在舍入误差。这就是全部，还是有其他事情发生？

我有这个数据集：

我想确定每个项目的累积二项式分布 p 值，以了解观察到相同或更高数量的项目出现的概率。

我使用了这段代码：

输出如下所示：

问题：当我选择一条线并对照这样的在线工具检查获得的累积二项式 p 值时：http: //stattrek.com/online-calculator/binomial.aspx，结果不一样。

例如，

对于第 20 项（# 成功 = 15，# 试验 = 133，概率 = 0.047）：

但是，我可以从 StatTrek 看到，我查找的是累积概率：P(X>15)，但是由于我想要“等于或大于”，所以我真正想要计算的是P(X> =15) (即 0.0015)。

我正在努力正确编辑上面的代码，将 P 值从"find number of occurrences greater than"更改为"find the number of occurrences greater than or equal to"。如果有人可以证明我会很感激。如果你看这个问题，我试图关注 Volodymyr 的评论。