几种常见的离散型变量的分布以及应用.pptVIP

Poisson分布（Poisson distribution）作为二项分布的一种极限情况，已发展成为描述小概率事件发生规律性的一种重要分布。 Poisson分布是描述单位面积、体积、时间、人群等内稀有事件（或罕见事件）发生数的分布。 医学上:诸如人群中遗传缺陷、癌症等发病率很低的非传染性疾病的发病或患病人数的分布， 单位时间内（或单位空间、容积内）某罕见事件发生次数的分布，如分析在单位面积或容积内细菌数的分布，在单位空间中某种昆虫或野生动物数的分布等。 所谓随机变量X服从Poisson分布，是指在足够多的n次独立Bernoulli试验中，取值X的概率为 　　一、Poisson分布的适用条件和性质 (二) Poisson分布的性质 1. 总体均数 与总体方差 相等是Poisson分布的重要特征。 2. 当n很大，而π很小，且nπ= 为常数时，二项分布近似Poisson分布。 3. 当 增大时，Poisson分布渐近正态分布。一般而言， ≥20时，Poisson分布资料可作为正态分布处理。 4. Poisson分布具备可加性。即对于服从Poisson分布的m个互相独立的随机变量X1，X2，……，Xm，它们之和也服从Poisson分布，且其均数为这m个随机变量的均数之和。 (三) Poisson分布的图形 不同的参数 对应不同的Poisson分布，即 的大小决定了Poisson分布的图形特征，见图6-3。 当 越小，分布就越偏态； 当 越大时，Poisson分布则越渐近正态分布。当 ≤1时，随X取值的变大，P(X)值反而变小；当 1 时，随X取值的变大，P(X)值先增大而后变小。 如若 是整数，则P(X)在X= 和X= -1位置取得最大值。 二、Poisson分布的应用 (一)总体均数的区间估计 利用服从Poisson分布的样本资料可估计其总体均数 的可信区间。 估计方法如下： 1.? 查表法 对于获得的样本计数X，当X≤50时，直接查附表7的Poisson分布可信区间表，即可得到其总体均数的95%或99%可信区间。 例6-10 某工厂在环境监测中，对一实施了技术改造的生产车间作空气中粉尘浓度的检测，1立升空气中测得粉尘粒子数为21。假定车间空气中的粉尘分布均匀，试估计该车间平均每立升空气中所含粉尘颗粒数的95%和99%可信区间。 本例，X=21，查查附表7，该车间平均每立升空气所含粉尘颗粒数的95%可信区间为13.0～32.0； 99%可信区间为11.0～35.9。 2. 正态近似法 当X50时，可采用正态近似法估计总体均数的 可信区间，计算公式为: 如： 的95%可信区间为 例6-11 某研究者对某社区12000名居民进行了健康检查，发现其中有68名胃癌患者。估计该社区胃癌患病数的95%和99%可信区间。 (二) 样本均数与总体均数的比较 对于Poisson分布资料而言，进行样本均数与总体均数的比较有两种方法。 1. 直接法 当总体均数 20时，可采用直接计算概率的方式对样本均数与已知总体均数间的差别进行有无统计学意义的比较，这实质上是对以样本计数X为代表的总体率π与已知的总体率π0是否有差别进行推断。 例6-12 一般人群先天性心脏病的发病率为8‰，某研究者为探讨母亲吸烟是否会增大其小孩的先天性心脏病的发病危险，对一群20～25岁有吸烟嗜好的孕妇进行了生育观察，在她们生育的120名小孩中，经筛查有4人患了先天性心脏病。试作统计推断。 2、正态近似法 根据Poission分布的性质，当λ≥20时，可用正态分布来近似。样本计数X与已知均数λ的比较，采用下式计算标准正态检验统计量。 例6-13 有研究表明，一般人群精神发育不全的发生率为3‰，今调查了有亲缘血统婚配关系的后代25000人，发现123人精神发育不全，问有亲缘血统婚配关系的后代其精神发育不全的发生率是否要高于一般人群？ 可以认为人群中精神发育不全的发生数服从Poisson分布。本例n=25000，X=123，π0=0.003， =nπ0=25000×0.003=75。 (三) 两个样本均数的比较 对服从Poisson分布的样本，其样本计数可看作是样本均数。两个样本均数的比较，目的在于推断两样本所代表的两总体均数是否有差别。 设两个样本计数分别为X1和X2，可利用正态近似法进行比较。 1. 两个样本的观察单位数相等，即n1=n2 。 2. 两个样本的观察单位数不相等，即n1 ≠ n2 。 例6-14 某卫生检疫机构对两种纯净水各抽验了1ml水样，分别培养出