医药数理统计课件(概率论部分)课件.ppt

医药数理统计课件(概率论部分)contents目录概率论基础随机变量与概率分布概率极限定理参数估计与假设检验应用实例概率论基础01概率的定义与性质概率的定义概率是描述随机事件发生可能性大小的数值，通常用P表示。概率的性质概率具有非负性、规范性、有限可加性和完全可加性。在某个事件B已经发生的条件下，另一事件A发生的概率，记为P(A|B)。条件概率的定义两个事件A和B称为独立的，如果P(A∩B)=P(A)P(B)。独立性的定义条件概率与独立性贝叶斯定理的表述对于任何随机事件A，在已知其发生的条件下，其他事件B的条件概率为贝叶斯定理的应用贝叶斯定理在统计学、决策理论、人工智能等领域有广泛的应用，是理解和分析数据的重要工具。贝叶斯定理随机变量与概率分布0203概率分布离散随机变量的概率分布可以用概率质量函数（PMF）表示，即每个可能取值的概率。01定义离散随机变量是在一定范围内可以一一列举出来的随机变量，其取值是离散的。02例子抛硬币的结果（正面或反面）、考试成绩（及格或不及格）等。离散随机变量定义连续随机变量是在一定范围内可以连续取值的随机变量，其取值是连续的。例子人的身高、体重等。概率分布连续随机变量的概率分布可以用概率密度函数（PDF）表示，即每个可能取值的概率密度。连续随机变量随机变量的期望与方差期望是随机变量取值的平均值，计算公式为$E(X)=sumx_ip_i$（离散）或$E(X)=intxf(x)dx$（连续）。期望方差是随机变量取值偏离期望的程度的度量，计算公式为$D(X)=sumx_i^2p_i-E(X)^2$（离散）或$D(X)=intx^2f(x)dx-E(X)^2$（连续）。方差协方差协方差是两个随机变量同时偏离各自期望的程度，计算公式为$Cov(X,Y)=E[(X-E(X))(Y-E(Y))]$。要点一要点二相关系数相关系数是用来衡量两个随机变量线性相关程度的指标，计算公式为$Corr(X,Y)=frac{Cov(X,Y)}{sqrt{D(X)D(Y)}}$。协方差与相关系数概率极限定理03定义大数定律描述了在独立同分布的随机试验中，随着试验次数的增加，样本均值的频率将趋近于其真实概率。应用在医药学中，大数定律常用于临床试验和流行病学研究，通过大量数据来估计某药物或治疗方法的疗效和安全性。实例在临床试验中，大数定律用于分析多中心、大规模的临床试验数据，以评估新药的有效性和安全性。大数定律定义01中心极限定理表明，无论总体分布是什么，只要样本量足够大，样本均值的分布将趋近于正态分布。应用02在医药学中，中心极限定理用于分析各种类型的数据，如生理指标、生化指标等，以评估其是否符合正态分布，从而确定后续统计分析的方法。实例03在临床研究中，中心极限定理用于分析患者的生理指标数据，如心率、血压等，以评估其是否符合正态分布，进而进行后续的统计分析。中心极限定理应用在医药学中，强大数定律常用于临床试验和流行病学研究，通过大量数据来估计某药物或治疗方法的疗效和安全性。实例在临床试验中，强大数定律用于分析多中心、大规模的临床试验数据，以评估新药的有效性和安全性。定义强大数定律表明，在独立同分布的随机试验中，随着试验次数的增加，相对误差的平均值将趋近于零。强大数定律参数估计与假设检验04123用单一的数值来估计参数，如样本均值、中位数等。点估计用一个区间来估计参数，如样本的95%置信区间。区间估计点估计简单直观，但可能不够精确；区间估计更为精确，但计算较为复杂。优缺点点估计与区间估计零假设与对立假设零假设是待检验的假设，对立假设是与零假设相对立的假设。显著性水平用于判断假设检验结果的可靠性。假设检验通过样本信息对未知参数进行推断和检验。假设检验的基本概念