二项式检验样本量计算器

二项式检验是一种基本的统计工具，它允许研究人员、分析师和决策者评估在二元结果实验中观察到的比例与预期比例是否存在显著差异。本指南深入探讨了二项式检验、其应用以及实践示例，以帮助您掌握它的使用。

理解二项式检验：解锁数据驱动决策的统计见解

基本背景

二项式检验评估数据集中的“成功”比例是否与假设值存在显著差异。它广泛应用于以下领域：

• 医学研究：测试药物疗效或副作用
• 质量控制：评估产品缺陷率
• 市场营销：评估营销活动效果
• 社会科学：分析调查回复

该检验假设两种可能的结果（成功或失败），并使用二项分布来模拟在固定次数的试验中观察到给定数量成功的概率。

二项式检验公式：用于精确分析的强大工具

计算二项式检验中缺失变量的公式为：

\[ n = \frac{k}{p} \]

其中：

• \( n \) 是样本大小
• \( k \) 是成功的次数
• \( p \) 是成功的概率

该公式可以重新排列以求解三个变量中的任何一个，具体取决于已知哪两个：

• 查找 \( k \)：\( k = n \times p \)
• 查找 \( p \)：\( p = \frac{k}{n} \)

实际示例：在现实场景中应用二项式检验

示例 1：药物疗效研究

场景： 一家制药公司对 500 名患者（\( n = 500 \)）测试一种新药，并观察到 300 例康复（\( k = 300 \)）。假设的康复率为 60%（\( p = 0.6 \)）。

1. 计算预期的康复人数：\( k = n \times p = 500 \times 0.6 = 300 \)
2. 比较观察到的（\( k = 300 \)）和预期的（\( k = 300 \)）：没有显著差异

结论： 该药物的康复率与假设值一致。

示例 2：质量控制检验

场景： 一家工厂生产 1,000 件商品（\( n = 1,000 \)），发现 50 件有缺陷（\( k = 50 \)）。可接受的缺陷率为 5%（\( p = 0.05 \)）。

1. 计算缺陷率：\( p = \frac{k}{n} = \frac{50}{1,000} = 0.05 \)
2. 比较观察到的（\( p = 0.05 \)）和预期的（\( p = 0.05 \)）：没有显著差异

结论： 生产过程符合质量标准。

常见问题解答：关于二项式检验的常见问题

Q1：二项式检验的假设是什么？

• 固定试验次数（\( n \)）
• 两种可能的结果（成功或失败）
• 恒定的成功概率（\( p \)）
• 独立试验

Q2：何时应该使用二项式检验而不是其他统计检验？

在以下情况下使用二项式检验：

• 您有一个小的样本量
• 数据遵循二项分布
• 您需要精确的概率而不是近似值

Q3：如何解释二项式检验的结果？

该检验提供一个 p 值，指示在零假设下观察到数据的概率。如果 p 值低于显著性水平（例如，0.05），则拒绝零假设。

关键术语词汇表

• 二元结果：只有两种可能结果的事件（例如，成功/失败，正面/反面）。
• 二项分布：一种概率分布，描述了固定数量的独立试验中成功的次数。
• 零假设：假设观察到的比例和预期的比例之间没有显著差异。
• P 值：在零假设下获得观察结果的概率。

关于二项分布的有趣事实

1. 历史根源：二项分布最早由雅各布·伯努利在 17 世纪末期研究。
2. 统计之外的应用：二项分布出现在遗传学、金融，甚至体育分析中。
3. 局限性：对于大的样本量，正态分布对二项分布的近似变得更加准确和计算效率更高。