如何找到R中二项式分布的置信区间？
要找到R中二项式分布的置信区间，我们可以使用binom.confintbinom包的函数。这将导致基于许多不同方法的置信区间。查看以下示例以了解如何完成。
示例1
加载Binom包并找到样本大小为20的二项式分布的95%置信区间，其中5个结果是有利的-
library(binom) binom.confint(5,20,conf.level=0.95)输出结果
method x n mean lower upper 1 agresti-coull 5 20 0.2500000 0.10808718 0.4724754 2 asymptotic 5 20 0.2500000 0.06022730 0.4397727 3 bayes 5 20 0.2619048 0.08992554 0.4465447 4 cloglog 5 20 0.2500000 0.09099388 0.4485345 5 exact 5 20 0.2500000 0.08657147 0.4910459 6 logit 5 20 0.2500000 0.10805797 0.4783907 7 probit 5 20 0.2500000 0.10174363 0.4691922 8 profile 5 20 0.2500000 0.09790183 0.4624698 9 lrt 5 20 0.2500000 0.09784246 0.4624509 10prop.test 5 20 0.2500000 0.09593259 0.4941155 11 wilson 5 20 0.2500000 0.11186170 0.4687009
例2
加载Binom包并找到具有三个大小为20的样本的二项式分布的95%置信区间，其中1、5和10个结果是有利的-
library(binom) binom.confint(c(1,5,10),rep(20,3),conf.level=0.95)输出结果
method x n mean lower upper 1 agresti-coull 1 20 0.05000000 -0.0091018717 0.2541145 2 agresti-coull 5 20 0.25000000 0.1080871818 0.4724754 3 agresti-coull 10 20 0.50000000 0.2992980082 0.7007020 4 asymptotic 1 20 0.05000000 -0.0455168294 0.1455168 5 asymptotic 5 20 0.25000000 0.0602273032 0.4397727 6 asymptotic 10 20 0.50000000 0.2808693649 0.7191306 7 bayes 1 20 0.07142857 0.0001187325 0.1796346 8 bayes 5 20 0.26190476 0.0899255405 0.4465447 9 bayes 10 20 0.50000000 0.2933764847 0.7066235 10 cloglog 1 20 0.05000000 0.0034540161 0.2052993 11 cloglog 5 20 0.25000000 0.0909938830 0.4485345 12 cloglog 10 20 0.50000000 0.2713277573 0.6918925 13 exact 1 20 0.05000000 0.0012650895 0.2487328 14 exact 5 20 0.25000000 0.0865714691 0.4910459 15 exact 10 20 0.50000000 0.2719578496 0.7280422 16 logit 1 20 0.05000000 0.0069965317 0.2822034 17 logit 5 20 0.25000000 0.1080579663 0.4783907 18 logit 10 20 0.50000000 0.2938989119 0.7061011 19 probit 1 20 0.05000000 0.0050705318 0.2361551 20 probit 5 20 0.25000000 0.1017436289 0.4691922 21 probit 10 20 0.50000000 0.2914069826 0.7085930 22 profile 1 20 0.05000000 0.0048919016 0.2022422 23 profile 5 20 0.25000000 0.0979018304 0.4624698 24 profile 10 20 0.50000000 0.2910140565 0.7089859 25 lrt 1 20 0.05000000 0.0029056199 0.2022295 26 lrt 5 20 0.25000000 0.0978424584 0.4624509 27 lrt 10 20 0.50000000 0.2909826477 0.7090174 28prop.test 1 20 0.05000000 0.0026155551 0.2694437 29prop.test 5 20 0.25000000 0.0959325919 0.4941155 30prop.test 10 20 0.50000000 0.2992980082 0.7007020 31 wilson 1 20 0.05000000 0.0088814488 0.2361312 32 wilson 5 20 0.25000000 0.1118617014 0.4687009 33 wilson 10 20 0.50000000 0.2992980082 0.7007020
例3
加载Binom包并找到具有三个大小为10的样本的二项式分布的95%置信区间，其中1、2和3个结果是有利的-
library(binom) binom.confint(1:3,rep(10,3),conf.level=0.95)输出结果
method x n mean lower upper 1 agresti-coull 1 10 0.1000000 -0.0039414975 0.4259677 2 agresti-coull 2 10 0.2000000 0.0458872705 0.5206324 3 agresti-coull 3 10 0.3000000 0.1033384179 0.6076747 4 asymptotic 1 10 0.1000000 -0.0859385097 0.2859385 5 asymptotic 2 10 0.2000000 -0.0479180129 0.4479180 6 asymptotic 3 10 0.3000000 0.0159742349 0.5840258 7 bayes 1 10 0.1363636 0.0003602864 0.3308030 8 bayes 2 10 0.2272727 0.0234655042 0.4618984 9 bayes 3 10 0.3181818 0.0745442290 0.5794516 10 cloglog 1 10 0.1000000 0.0057234564 0.3581275 11 cloglog 2 10 0.2000000 0.0309090243 0.4747147 12 cloglog 3 10 0.3000000 0.0711344923 0.5778673 13 exact 1 10 0.1000000 0.0025285785 0.4450161 14 exact 2 10 0.2000000 0.0252107263 0.5560955 15 exact 3 10 0.3000000 0.0667395112 0.6524529 16 logit 1 10 0.1000000 0.0138816573 0.4672367 17 logit 2 10 0.2000000 0.0504128149 0.5407080 18 logit 3 10 0.3000000 0.0997683156 0.6236819 19 probit 1 10 0.1000000 0.0096150450 0.4121325 20 probit 2 10 0.2000000 0.0420691842 0.5175162 21 probit 3 10 0.3000000 0.0899134733 0.6150429 22 profile 1 10 0.1000000 0.0096116957 0.3716898 23 profile 2 10 0.2000000 0.0371119907 0.4994288 24 profile 3 10 0.3000000 0.0847027179 0.6065091 25 lrt 1 10 0.1000000 0.0059948560 0.3716367 26 lrt 2 10 0.2000000 0.0363654430 0.4994445 27 lrt 3 10 0.3000000 0.0845854470 0.6065389 28prop.test 1 10 0.1000000 0.0052423016 0.4588460 29prop.test 2 10 0.2000000 0.0354269437 0.5578186 30prop.test 3 10 0.3000000 0.0809478242 0.6463293 31 wilson 1 10 0.1000000 0.0178762131 0.4041500 32 wilson 2 10 0.2000000 0.0566821515 0.5098375 33 wilson 3 10 0.3000000 0 .1077912674 0.6032219