binned_binom_proportion

astropy.stats.binned_binom_proportion(x: ArrayLike, success: ArrayLike, bins: int | ArrayLike = 10, range: tuple[float, float] | None = None, confidence_level: float = 0.68269, interval: Literal['wilson', 'jeffreys', 'flat', 'wald'] = 'wilson') → tuple[NDArray, NDArray, NDArray, NDArray]

连续变量的二项比例与区间 x .

给定一组数据点对，其中 x 值是连续分布的 success 值为二项式（“成功/失败”或“真/假”），根据 x 计算每个仓位中的二项式比例（成功率分数）和置信区间。

参数:

x : sequencePython ：序列

价值观。

success : sequence 的 boolPython ：布尔值序列

成功 (True )或者失败 (False )对应于中的每个值 x . 长度必须与 x .

bins : int 或 sequence 的 scalar ，可选Python：int或python：标量序列，可选

如果bins是一个int，它定义给定范围（默认为10）中等宽存储库的数量。如果箱子是一个序列，它定义了箱子边缘，包括最右边的边缘，允许不均匀的箱子宽度（在这种情况下，“范围”被忽略）。

range : (float ， float )，可选(float, float), optional

垃圾箱的上限和下限。如果 None （默认），范围设置为 (x.min(), x.max()) . 超出范围的值将被忽略。

confidence_level : float ，可选Python：Float，可选

必须在范围内 [0, 1] 。置信区间中的期望概率内容 (p - perr[0], p + perr[1]) 在每个垃圾箱里。默认值为0.68269。

interval{'wilson'、'jeffreys'、'flat'、'wald'}，可选

用于计算每个仓位中二项比例的置信区间的公式。看到了吗 binom_conf_interval 对于间隔的定义。‘wilson’、‘jeffreys’和‘flat’区间通常给出相似的结果。”wilson应该更快一些，而jeffreys和flat稍微好一点，但在假设的先验值上有所不同。一般不建议使用“wald”间隔。它是为了比较目的而提供的。默认值是'wilson'。

返回:

bin_ctr : ndarray恩达雷

垃圾箱的中心值。没有任何条目的箱子将不被退回。

bin_halfwidth : ndarray恩达雷

每个料仓的一半宽度 bin_ctr - bin_halfwidth 和 bin_ctr + bins_halfwidth 分别给出每个箱子的左侧和右侧。

p : ndarray恩达雷

每个料仓的效率。

perr : ndarray恩达雷

二维形状（2，len（p））数组，表示每个容器中p的上下不确定度。

参见

binom_conf_interval

用于估计每个箱子中的置信区间的函数。

笔记

此函数需要 scipy 适用于所有时间间隔类型。

实例

假设我们希望估算一次探测天文源的效率，作为一个震级的函数（即，在给定的星等下探测到一个源的概率）。在实际情况下，我们可以准备大量随机选取的震源，注入模拟图像，然后记录在还原管道末端检测到的信号。作为一个玩具例子，我们生成100个随机选择的震级在20到30之间的数据点，并用已知的检测函数“观察”它们（这里是误差函数，在25级时有50%的检测概率）：

>>> from scipy.special import erf
>>> from scipy.stats.distributions import binom
>>> def true_efficiency(x):
...     return 0.5 - 0.5 * erf((x - 25.) / 2.)
>>> mag = 20. + 10. * np.random.rand(100)
>>> detected = binom.rvs(1, true_efficiency(mag))
>>> bins, binshw, p, perr = binned_binom_proportion(mag, detected, bins=20)
>>> plt.errorbar(bins, p, xerr=binshw, yerr=perr, ls='none', marker='o',
...              label='estimate')

(png, svg, pdf)

上面的例子使用Wilson置信区间来计算不确定性 perr 在每个箱子中（参见 binom_conf_interval ). 一个常用的替代方法是Wald区间。然而，当效率接近0或1时，Wald区间会给出无意义的不确定性，因此 not 推荐。作为说明，下面的示例显示了与上面相同的数据，但是使用Wald间隔而不是Wilson间隔来计算 perr ：

>>> bins, binshw, p, perr = binned_binom_proportion(mag, detected, bins=20,
...                                                 interval='wald')
>>> plt.errorbar(bins, p, xerr=binshw, yerr=perr, ls='none', marker='o',
...              label='estimate')

(png, svg, pdf)