概率分布模型.xls

sheet1 Time Series 秩和檢驗 次序統計量 均勻分佈 指數分佈 泊松分佈 二項分佈 正態分佈 λ= 横轴-取值 X 1倍S拐点 极值点 横轴 纵轴 渐近线y=0 σ= μ= 渐近线 y=0；y=1 二分线 x=μ a = b = 线性变换横坐标 = μx= σx= μy= σy= μz= σz= X2 线性变换纵坐标 X1 X3 = X1 + X2 1. 正态分布的数学期望 2. 正态分布的方差 μ — 总体均值 σ — 标准差 卡平方概率密度函数 两组数据配对t检验的表现形式 E — 理论次数 连续值卡平方 O — 实测次数 Г 是伽马函数,定义为 x！＝Γ(x+1),， 另 1！=1 ， 0！=1 。 i — 为分组数 v — 自由度，依分组数及其相互独立程度决定。 X2 — 依据卡方公式算出值 变异数分析 F分布定义 学生 t分布定义 离散计数值卡平方 概率密度函数 F概率密度函数 累积函数 B — 是Beta 函数（beta function） I — 是不完全 Beta 函数 n= π= X 的总体标准差 σ= 纵轴-概率 横轴-阳性出现次数 μ= 抽样阳性率 在 n 次独立重复实验中，出现“阳性”次数 X 的总体均数 在 n 次独立重复实验中，出现“阳性”次数 X 的总体标准差 若以“率”表示，则样本阳性率为 p( p = 0/n，1/n，2/n，…，n/n) “阳性率” p 的总体均数 “阳性率” p 的总体标准差 二项分布的性质： 1、二项分布的均数与标准差 在n次独立重复实验中，出现“阳性”次数X的总体均数为μ = nπ；X的总体方差为σ2=nπ(1-π)；X的总体标准差σ=（nπ(1-π)）1/2； 一般情况下，总体率π往往并不知道，此时若用样本资料计算样本率P=X/n作为π的估计值，则σp 的估计为SP =（[P(1-P)]/n）1/2 。 2、二项分布的图形特点 当π=0.5时，二项分布图形是对称的；当π≠0.5时，图形是偏态的，随着n的增大，图形趋于对称。当n→∞时，如π不太靠近0或1，则二项分布近似正态分布。 若以“率”表示，则样本阳性率P（p = 0/n ，1/n ，2/n ，… ，n/n ）也服从二项分布，其总体均数为μP=π；P总体方差为σp2 = [π(1-π)]/n；P的总体标准差σp =（[π(1-π)]/n）1/2；样本率的标准差也称为率的标准误，可用来描述样本率的抽样误差，率的标准误越小，则率的抽样误差越小。 二项分布的适用条件 1、每次试验只会发生两种对立的可能结果之一，即分别发生两种结果的概率之和恒等于1； 2、每次试验产生某种结果（如“阳性”）的概率π固定不变； 3、重复试验是相互独立的，即任何一次实验结果的出现不会影响其他实验结果出现的频率。 是指在只会产生两张可能结果如“阳性”或“阴性”之一的n次独立重复试验中，当每次试验的“阳性”概率π保持不变时，出现“阳性”次数X=0,1,2，… ,n 的一种概率分布；二项分布为离散型分布。 二项分布（binomial distribution）定义 X 数学期望 极值 应用举例： 例1、对13名患者做某项检测，有6人为阳性，问：据此资料估计该阳性率的95%置信区间。 解： n=13，X=6 如果n足够大，那么分布的偏度就比较小。在这种情况下，如果使用适当的连续性校正，那么B(n,?p)的一个很好的近似是正态分布 二项分布的正态近似： 一个规则是x=np和n(1???p)都必须大于“5”；也有认为x=np和n(1???p)都必须大于“10” 百分率的可信区间 上行：95%可信区间 下行：99%可信区间 n 0-98 0-100 0-84 0-93 0-71 0-83 0-60 0-73 0-52 0-65 0-46 0-59 0-41 0-53 0-37 0-48 0-34 0-45 0-31 0-28 0-38 0-26 0-36 0-25 0-23 0-32 0-22 0-30 0-21 1-99 1-91 0-96 1-81 0-89 1-72 0-81 0-64 0-75 0-58 0-68 0-63 0-54 0-51 0-42 0-40 9-99 4-100 7-93 3-97 5-85 2-92 4-78 2-86 4-71 2-80 3-65 1-74 3-60 1-69 3-56 1-65 2-52 1-61 2-48 1-57 2-45 1-54 2-43 1-51 2-41 1-49 2-38 1-46 15-95 8-98 12-88 10-82 6-88 9-76 5-83 7-70 7-65 4-74 6-61 3-69 5-57 3-66 5-54 3-62