問題タブ [binomial-cdf]

13 のグループ (植生の有無にかかわらず 20 からのポイント数として記録) と合計 223 のサンプルについて、中央値と、5、25、75、および 95 パーセンタイルのキャノピー カバーを推定したいと思います。以前、ベータ版配布を想定してこれを投稿しましたが、それは正しくありませんでした。これは提出期限が過ぎた原稿のためのもので、これが最後に欠落している部分です。誰かが私を完成させるのを手伝ってくれたら本当にありがたいです（コードが機能するまで）。私はそれに近いと思いますが、微調整が必​​要です-私は思います。

（私は編集して2つの反対票を修正しましたが、何が明確でないのかわかりません）。

大変感謝します！

以下は、私のモデル ステートメント、R コード、およびデータです。そのまま、私が得るエラーは

ただし、以下のスペースを削除したことに注意してください。エラーは可能性のステートメントを参照しています。

R コード:

データ：

所定の x(成功)、n(試行)、および p(確率) の二項分布によって与えられる確率を計算したいと思います。後者は、確率質量関数 Beta(a,b) によって与えられます。

私は知ってscipy.stats.binom.pmf(x,n,p)いますが、pを確率関数に置き換える方法がわかりません。locの引数を 使用してscipy.stats.binom.pmfこの動作をエミュレートできるかどうかも疑問に思っています。

私は R で glm() を使用して、単一の二項描画を管理するロジット確率パラメーターの信頼区間を計算しています。

成功または失敗の回数がゼロ (P=0またはD=0) の場合、返される信頼区間は無意味であることに気付きました。

次に、正規化された二項尤度を数値的に統合して、独自の信頼区間を計算しました。

P=0これにより、またはの意味のある信頼区間が得られましD=0た。ただし、 norがゼロでない場合でも、glm()+とは異なる信頼区間が得られます。confint()PD

glm()+と比較するとconfint()、私が計算した lci と uci はどちらもゼロに近い傾向があります。

間隔をどのようにconfint()計算していますか? より複雑な glms でのパフォーマンスに関しては、このようにする正当な理由があると確信していますが、この単純なケースでは奇妙な結果のように思えます。

これはおそらく初歩的なことだとわかっていますが、私にはメンタルブロックがあるようです。1 つのサイコロを振って 4、5、または 6 が出る確率を計算したいとしましょう。R では、次のように簡単です。

これにより、正解である 1/2 が得られます。ただし、これには二項分布を使用できるはずだと頭の片隅に（おそらく残っているはずです）持っています。pbinom と dbinom の引数のさまざまな組み合わせを試しましたが、正しい答えが得られません。

コイントスでは、うまく機能します。2 つ以上の結果が考えられる状況では、まったく不適切でしょうか? (私はプログラマーであり、統計学者ではないので、ここの統計担当者に殺されることを期待しています。)

質問: pbinom() または dbinom() を使用して、サイコロを 1 回振って 4、5、または 6 が出る確率を計算するにはどうすればよいですか? 私は prob と dice パッケージに精通していますが、組み込みのディストリビューションの 1 つを使用したいと思っています。

ありがとう。

p1 != p2 != ... != pn となる一連の n 個の独立したベルヌーイ試行の成功確率 (p1 から pn) があるとします。各トライアルに一意の名前を付けます。

ポアソン二項分布関数を使用して cdf、pmf などを見つけることができることは、スタック交換 (たとえば、こことここ) を検索することでわかっています。

私が興味を持っているのは、成功と失敗のあらゆる可能な組み合わせの正確な確率です。(例: 確率木を描いた場合、各枝の最後にある確率を知りたい。)

...成功/失敗のすべての 2^5 の可能な組み合わせ。

Rでこれを行う効率的な方法は何ですか?

私の実際のデータ セットの場合、試行回数は 19 です。したがって、確率ツリーの合計 2^19 パスについて話していることになります。

現在、Openbugs で、多くの (約 6000 サイト) の二項プロセスを含む階層ベイジアン モデルを開発しています。連続除去電気釣りイベント/パスについて説明し、一般的な構造は次のとおりです。

ここで、n_sites は見ているサイトの総数です。n_pass[i] はサイト i で実行された釣りパスの数です。N[i,j] は、フィッシュ パス j を行ったときのサイト i の魚の数です。N_tot[i] は、魚が通過する前のサイト i の魚の総数であり、サイト d[i] の密度とサイト S[i] の表面 (表面は既知) の積です。C[i,j] は、魚道 j の間にサイト i で捕獲された魚の数です。p[i,j] は、フィッシュ パス j のサイト i での捕獲確率です。

各サイトは、通常、計算/収束に多くの時間を要する一連の二項プロセスである、平均 3 つのフィッシング パスです。通常、漁獲量は少ないため、二項過程を近似することはできません。

だから私は少し立ち往生しており、この問題に対処するための提案/代替案を探しています.

前もって感謝します

編集履歴: 2016 年 11 月 15 日: 明確化のための @M_Fidino リクエストに続いて、d および p の以前の定義を追加しました。

binom.test の操作について混乱しています。

p=0.5 に対して 4/10 成功のサンプルをテストしたいとします。P 値は次のようになります。

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

本当に：

また：

しかし今、95/150 のサンプルを p=0.66 に対してテストしたいと思います。ここで、期待値は 99 なので、P 値は

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

これは

しかし

実際、2 つの P 値の差は正確にdbinom(103,150,.66)です。したがって、R は X=103 を含めることに失敗したようです。

これについて私が推測できる唯一の説明は、R が X=103 を見逃す原因となる .66 の不正確な表現による丸め誤差があるということです。これだけですか、それとも他に何かありますか?