问题标签 [binomial-cdf]

我想从二项分布 B(n,p) 中采样，但有一个额外的约束，即采样值属于 [a,b] 范围（而不是正常的 0 到 n 范围）。换句话说，我必须从二项分布中采样一个值，因为它位于 [a,b] 范围内。在数学上，我可以将这个分布 ( f(x)) 的 pmf 用二项分布的 pmfbin(x) = [(nCx)*(p)^x*(1-p)^(n-x)]写成

从该分布中采样的一种方法是对均匀分布的数字进行采样并应用 CDF 的倒数（使用 pmf 获得）。但是，我认为这不是一个好主意，因为 pmf 计算很容易变得非常耗时。

在我的情况下，的值n,x,a,b 非常大，这种计算 pmf 然后使用统一随机变量生成样本的方式似乎效率极低，因为nCx.

实现这一目标的好方法/有效方法是什么？

我目前正在为我的学期制作一个关于二项式定理/分布的项目。我需要在我的项目中添加一些非常有趣的现实生活应用程序（我需要添加对该应用程序的深入解释）。我遇到了这些应用程序：

1. Internet 协议地址（或 IP 地址）
   的分配 这种方法在 IP 分配条件下，如果给定的固定主机的 IP 地址和主机数量大于总四舍五入，那么您可以使用该定理分配比特，以便所有主机可能包含在 IP 寻址中。这种方法称为可变子网。

2. 天气预报
   此外，二项式定理用于预报服务。灾害预测还取决于使用二项式定理

但我在任何地方都找不到第 1 点的解释。我知道这有点蹩脚，但如果你们中的任何人都可以详细解释它，或者如果你们可以简单地向我解释二项式定理/分布的其他一些现实生活应用，我将非常感激！

Pearson 的卡方检验数据：table(emp1) 和 table(est1) X-squared = 8.9722, df = 12, p-value = 0.7053

Pearson 的卡方检验数据：table(emp2) 和 table(est2) X-squared = 8.9722, df = 12, p-value = 0.7053

是否有一些解释为什么我在泊松和二项式负分布之间的卡方检验（重复多次）中具有完全相同的 p 值？我预计负二项式分布超过 0.05，泊松分布 <0.05，但这不会发生。

我正在尝试独立选择满足条件的数组元素，然后以给定的频率将这些元素转换为不同的值。在 R 中我会使用 rbinom，但在 Julia 中找不到正确的函数。MWE：

但我不知道该怎么做是用二项式概率（可能是伯努利？）的转换，例如，0.66 所以转换a后可能最终为

我想我想要的是这样的：

这样从 3 转换为 9 的概率是 0.66。所以 66% 的时间它会将 3 转换为 9，而剩下的 33% 则将其保留为 3。有意义吗？

我想对 3 的每个实例独立进行评估，而不是提取所有 3 的索引向量，然后计算有多少以概率转换（如果这有任何意义？！）Thx J

我已经挖了谷歌，但没有找到一个例子。我确信 Julia 具有强大的功能（在基数中？）以给定的概率生成随机二项式（伯努利？）“成功”。我找不到它或弄清楚如何在 Julia 中做相当于：

谢谢。Ĵ

我一直在关注Ben Bolker 的小插曲，使用 GLMM 预测获得置信区间predict.merMod，使用模型矩阵手动推导 SE。到目前为止，这对泊松、负二项式和类似模型都有效。但是，我现在正在使用一个二项式模型，其中响应指定为cbind(successes,failures). 我对响应量表上的预测感兴趣，但获取置信区间的方法失败了，因为预测输出是成功概率的形式，而不是成功和失败变量的组合。

复制 Ben 在他的小插图中“预测的预测和/或置信度（或预测）区间”的“lme4”部分给出的示例：

对于没有提供相关的二项式示例数据集，我深表歉意，但我的问题只是弄清楚如何将此代码调整为二项式模型，因此非常感谢对此的建议（可能使用虚拟对象名称）！论坛上有很多专门针对逻辑回归的帖子，但这无济于事，因为逻辑模型中的响应变量是单个变量。标记为“二项式”的少数帖子处理二项式数据，而不是二项式混合模型的预测。

这是我在执行模型矩阵步骤（虚拟名称）时遇到的错误：

cbind 中的错误（成功，失败）：找不到对象“成功”

还有另一种方法可以做到这一点吗？

我正在尝试根据一个序数和一个连续变量绘制二项分布（是/否）的比例图。不知何故，当包括连续的点作为点的颜色时，情节的外观发生了根本性的变化。有人可以帮助我如何包含第三个变量而不使情节变成下表的结果吗？

代码如下：

如果我做p + geom_point()

我得到以下图片：

但是当我尝试通过着色来区分第三个变量时p + geom_point(aes(colour = arsenic))

我得到了这个看起来很奇怪的东西：

准二项分布，虽然类似于二项分布，但有一个额外的参数 φ（限于 |φ|≤min{p/n,(1−p)/n}），它试图描述不能只能用二项分布来解释。基于这些属性，我想qqp在car包或另一个包中为准二项式分布（QBD）制作glm()分位数比较图（观点）。在我的例子中：

请问，这个问题有什么帮助吗？

qbinom我希望使用and计算比例的 CI 的结果相同binom.test，但它们实际上略有不同：

我在这里想念什么？

我在 ab 测试中有两个二项式，我试图使用上限、下限和实际来调用哪个是更好的选择。

((0.288, 0.34), 0.31)

((0.36, 0.37), 0.37)

显然，这里的 b 将 99% 是显而易见的选择，但是如果上下交织在一起呢？有没有办法计算哪个更好以及有什么信心？