初识统计Firstview.pptVIP

统计学导论 第一讲：初识统计 中心任务：有效利用数据 Data Collection：实验设计、抽样调查 Descriptive Statistics: summary statistics, graphical methods, smoothing Inferential Statistics: 参数估计、假设检验、回归分析、分类、预测 统计是科学方法(cf. Wiki)的一部分 Define the question Gather information and resources (observe) Form hypothesis Perform experiment and collect data Analyze data Interpret data and draw conclusions that serve as a starting point for new hypothesis Publish the results Retest (frequently done by other scientists) 霍乱的流行病学调查 (Snow, 1855) 关于霍乱(cholera) 致病与流行的根源： Imbalance in the humors (choler) of the body Miasma, or bad air Poison in the ground John Snow (1855)的生物致病学说：致病生物经水、食物到达人体内大量繁殖 ) 病人的排泄物携带致病生物，污染水源和食物 ) 传染给其他人 支持Snow学说的证据 Spread along the tracks of human commerce When a ship entered a port where cholera was prevalent, sailors contracted the disease only when they came into contact with residents of the port 对1848 年伦敦霍乱流行的研究 首位病例John Harnold：刚从流行地区汉堡回来的海员 第二个病例Blenkinsopp： Harnold死后住进了Harnold的房间 两栋邻近的公寓住房： 一个发生严重的传染：饮用水受到污染 一个未发生传染：饮用水比较干净 1854年的大爆发 通过绘制spot map，发现发病地区集中在the Broad Street pump供水区域 此地有些机构传染病例很少，甚至没有： 一个是酒厂，工人喜欢酒甚于水，并且有自己的供水泵 一个是贫民院，也有自己的供水泵 其它地区的受到传染者：多数是因为饮用了the Broad Street pump提供的水 Snow的统计研究 自来水厂的取水河段(Thames河)的污染程度vs 死亡率： 水质越差，死亡率越高 例外：Chelsea水厂，取水区域污染严重，但它有相当现代的净化设施 绝妙的“实验” Lambeth水厂1852年从污染河段移到上游干净河段取水 Southwark Vauxhall仍然留在严重污染河段取水 两个水厂竞争激烈：客户的特征没有明显差异；相邻住户常常使用不同厂家的水 样本量很大 1853-54年的流行病数据 若干统计学名词 Population: 全体London居民 Sample：两个水厂的供应对象 Random sample, sample size Variables：饮用水质(好、坏)，传染风险 Hypothesis：坏的水质是高死亡率的原因 Association vs causal relation Experiments vs observational studies 模型：数据的生成机制 随机变量：取值无法预先确知的量 随机变量的刻画：分布、分布函数、分布密度、均值、方差…… 统计模型： 数据：随机变量（多次重复）的观测值 刻画随机变量分布的数学表达式：属于先验知识或假设 本例中的模型 水质X: X=0代表干净水，X=1代表污染水 传染风险Y：Y=0代表不受传染，Y=1代表受到传染 模型：P(Y=1)=a+bX, 其中a,b为非负常数 参数估计问题：求a,b的值 假设检验：原假设b=0 vs 备择假设b0 如何求解：属于统计学的职责，可以采取不同的思路，概率论是必备工具 本例是两组重复Bernoulli实验 Bernoulli实验：投掷硬币(flip coin)，实验结果 2 {成功, 失败}，成功概率p2[0,1] N次投掷成功n次的概率CnNpn (1-p)N-n 二项分布：n随机变量，N已知数，p参数， 受污染水厂：N0=40046, p0=a+b 未