[理学]流行病学中的统计方法简介.ppt

读书报告 《流行病学中的统计方法（简介）》 目录C:\Users\Administrator\Desktop\Contents.doc 简介 概率论和数理统计的基础背景知识：概率函数、随机变量、均值、方差等；流行病学研究中相关的几种分布；中心极限定理和正态逼近；极大似然和加权最小二乘的参数估计方法；两种随机抽样方法---简单随机抽样和分层随机抽样。 简介 概率 随机变量、概率函数、均值和方差、中心极限定理和正态逼近 参数估计 极大似然和加权最小二乘 随机抽样 简单随机抽样和分层随机抽样 概率论和数理统计 随机现象 在个别试验中其结果呈现出不确定性，在大量重复试验中其结果又是具有统计规律的现象 概率论与数理统计是研究和解释随机现象统计规律的一门科学 随机变量 定义 在一定范围内以一定的概率分布随机取值的变量 ，表示随机现象各种结果的变量。 性质 不确定性和随机性 分类 离散型和连续型 样本空间 随机变量所有取值的集合 概率函数（概率分布函数） 设X是一个随机变量，x是任意实数，函数 ，称为X的概率函数（分布函数） 对离散型变量称为概率分布函数（分布律）；对于连续型变量称为概率密度函数。 特征： 期望 : 方差 : 变换公式 ： (X为任意随机变量，期望和方差为μ, ) 联合概率 由多个随机变量共同决定的概率函数为联合概率函数，以两个随机变量为例，（X，Y），其联合概率函数为P（X=x,Y=y） 类比之前概率和的特征： X，Y的边际概率： 独立随机变量 当随机变量满足条件： 时，我们称X和Y是独立的随机变量。 为一组随机变量， 为一组常数，有： 如果 相互独立，则方差为： 对两独立随机变量有： 样本均数的期望和标准差 如果 相互独立且同分布则称 为来自该分布的一个随机样本，该样本的样本量为n，样本的期望和方差记为 和 ，则样本均数的期望和方差有： 正态分布 正态（高斯）分布： 概率密度函数为： 当 ，分别为0和1时称为标准正态分布。 正态分布具有可加性，即：若 是一组相互独立的正态随机变量，期望和方差分别为 和 那么随机变量 也是正态随机变量，且其期望和方差为： 卡方分布 表示: ，r为其自由度。 期望和方差：r和2r。 与正态分布的关系： 卡方分布可以看成若干标准正态随机变量平方和的分布，例如，Z是标准正态随机变量，则随机变量 分布为 ；若Z是正态随机变量，则随机变量 分布为 。 可加性： 二项分布 概率密度函数： 期望和方差： 条件：每个个体结局事件发生概率相同且结局之间互相不相关联。 可加性： 是一组独立二项随机变量，满足 那么随机变量 分布是参数为 和 的二项分布。 泊松分布 概率分布函数： 样本空间：{0,1,2,…}所有非负整数。 特征：期望和方差均等于自由度v。 注释：对一组样本随访特定的一段时间，计结局事件发生的例数为d，是个汇总的数据；在流行病学研究中，泊松分布与总体的含量不太相关，而与观察的时间有关，要求每个时点阳性事件发生率很低，即结局事件为罕见事件。 泊松分布也有可加性。 泊松分布与二项分布 二项分布和泊松分布很有关联的，泊松分布可以看成是二项分布的极限情况，若D为均值为v的泊松随机变量， 为一组无限的二项随机变量，假设该序列满足： ，对于任意的i， 极限值为0，这时二项随机变量序列就收敛于D，随着i的增大， 的分布更加接近D。这就说明了泊松分布可以用来近似小概率事件下的二项分布。 泊松分布与二项分布 模拟结果： 中心极限定理 中心极限定理： 为任意分布的一组样本,总体期望和方差分别为 ，则当n充分大时， 近似标准正态分布。 扩展： 是相互独立的随机变量，满足：