二项分布及其应用教案.pptVIP

例题 从某学校随机抽取26名学生，发现有4名感染沙眼，试求该校沙眼感染率95％的可信区间。 本例n=26，X=4，查附表7的可信度为95％的可信区间为(0.04，0.35)，即(4％，35％)。 见p438 Poisson分布的概率函数 X=1,2,3… 式中:μ=nπ为Poisson分布的总体均数，总体中没单位中的平均阳性数，X为单位时间或单位空间内某事件的发生数（阳性数），e为自然对数的底，约等于2.71828。 意义：单位时间（单位人群、单位空间内，单位容积） 内，某罕见事件发生次数的概率分布。 Poisson分布的性质 1．Poisson分布是一种单参数的离散型分布，其参数为μ，它表示单位时间或空间内某事件平均发生的次数，又称强度参数。 2．Poisson分布的方差σ2与均数μ相等，即σ2=μ 3．Poisson分布是非对称性的，在μ不大时呈偏态分布，随着μ的增大，迅速接近正态分布。一般来说，当μ=20时，可以认为近似正态分布，Poisson分布资料可按正态分布处理。 4．Poisson分布的累计概率 常用的有左侧累计和右侧累计两种。单位时间或空间内事件发生的次数 最多为k次的概率 （X= 0,1,2,…） 最少为k次的概率 （X= 0,1,2,…） Poisson分布的图形 Poisson分布的形状取决于μ的大小。μ值越小，分布越偏，随着μ的增大，分布越趋于对称， 当μ=20时，分布接近正态分布， 当μ=50时，可以认为Poisson分布呈正态分布N（μ, μ），按正态分布处理。 当总体均数值λ小于5时为偏峰， λ愈小分布愈偏，随着λ增大，分布趋向对称。λ取不同值时 Poisson分布是二项分布的极限形式 　　二项分布中，当π很小而n很大，nπ→μ时，二项分布趋于Poisson分布。 Poisson分布的观察结果有可加性 　　若从总体均数为μ1 的Poisson分布总体中随机抽出一份样本，其中稀有事件的发生次数为X1，再独立地从总体均数为μ2　的Poisson分布总体中随机抽出另一份样本，其中稀有事件的发生次数为X2，则它们的合计发生数T（＝ X1 + X2 ）也服从Poisson分布，总体均数为μ1 +μ2 。 Poisson分布的应用条件 Poisson分布的应用条件与二项分布相同:即要求事件的发生是相互独立的，发生的概率相等，结果是二分类的。 Poisson分布主要用于研究单位时间或单位空间内某事件的发生数，理论上单位时间或单位空间内的发生数可为无穷大。而用于研究单位人群中某疾病发生数的分布时，单位人群的人数要求大一些，比如以1000人或更多作为单位人群，某些发病率极低的疾病要求更多。 Poisson分布的应用 一、总体参数的估计 由样本均数（样本计数）X 估计总体均数μ也有点（值）估计和区间估计，区间估计的方法，需视样本计数（样本均数）X 的大小而定，X 小时用查表法，X 大时用正态近似法。 （一）查表法 当样本计数X≤50时，用X值查附表Poisson分布μ的可信区间，可得总体均数μ的95%或99%可信区间。 （二）正态近似法 　　　当样本计数X＞50时，可按正态近似原理用下式求总体均数μ的 95% 或 99% 可信区间。 二、样本均数与总体均数的比较 　　　样本均数与总体均数作比较的目的是推断样本所代表的未知总体均数是否与某已知总体均数相等。 三、两组独立样本资料的Z 检验 当X1 20， X2 20时，依据Poisson分布近似正态分布的原理，可以应用Z检验对其总体均数进行推断。 检验假设 当 （1）当两样本观测单位数相等时，检验统计量为 例题 　　 甲、乙两检验师分别观察15名正常人末梢血嗜碱性白细胞数量。每张血片均观察200个视野。结果甲计数到嗜碱性白细胞26个，乙计数到29个。试问两位检验师检查结果是否一致？ 1.建立检验假设 2.计算统计量 3.确定P 值和作推断 所以P 0.5，按α=0.05水准不能拒绝H0。尚不能认为两检验师检查结果有差异。 （2）当两样本观测单位数不等时，检验统计量为 　　　分别为两样本均数，n1与n2是观测单位数不等 例题 　　　某车间改革生产工艺前，测得三次粉尘浓度，每升空气中分别有38、29、36颗粉尘；改进工艺后，测取两次，分别为25、18颗粉尘。问工艺改革前后粉尘数有无差别？ 　因工艺改革前后观测单位数不等，故分别计算