概率与统计导论课件.pptVIP

*************************************单个总体参数的假设检验（2）总体比例的检验对总体比例p的假设H?:p=p?进行检验，当样本量足够大（np?≥5且n(1-p?)≥5）时，可使用正态近似。检验统计量Z=(p?-p?)/√[p?(1-p?)/n]近似服从标准正态分布，其中p?是样本比例。该检验常用于市场调查、医学研究和质量控制等领域，评估某一特性在总体中的普遍程度。拟合优度检验拟合优度χ2检验用于验证数据是否符合特定的理论分布或与理论频率相符。检验统计量χ2=Σ[(O_i-E_i)2/E_i]，其中O_i是观察频率，E_i是理论频率。该统计量近似服从自由度为k-1-m的χ2分布，k是类别数，m是估计参数个数。用于检验数据的分布类型、独立性或同质性。总体比例检验在许多实际应用中非常重要，如评估新药有效率、产品不良率、选民支持率等。而拟合优度检验则帮助我们验证数据分布的假设，这对于选择适当的统计分析方法至关重要。两者都是统计推断工具箱中的重要工具。两个总体参数的假设检验1两个总体均值差异的检验（配对样本）配对t检验用于比较相关的两组测量值的均值差异，如前-后测量或匹配对象。通过计算每对观测值的差值d_i，将问题转化为检验差值的均值是否为零。检验统计量t=d?/(s_d/√n)服从自由度为n-1的t分布。适用于自身对照试验、匹配对照研究等场景。2两个总体均值差异的检验（独立样本，方差已知）当两个总体的方差σ?2和σ?2已知时，检验统计量Z=(X??-X??-(μ?-μ?)?)/√(σ?2/n?+σ?2/n?)服从标准正态分布。原假设通常为H?:μ?=μ?或H?:μ?-μ?=d?。在实际中，方差已知的情况较为罕见。3两个总体均值差异的检验（独立样本，方差未知但相等）当两个总体的方差未知但可假设相等时，使用合并方差的t检验。检验统计量t=(X??-X??-(μ?-μ?)?)/√(s_p2(1/n?+1/n?))服从自由度为n?+n?-2的t分布，其中s_p2是合并样本方差。适用于两组规模相近且方差相似的比较。4两个总体均值差异的检验（独立样本，方差未知且不等）当两个总体的方差未知且不能假设相等时，使用Welchst检验（不等方差t检验）。检验统计量t=(X??-X??-(μ?-μ?)?)/√(s?2/n?+s?2/n?)服从近似自由度为修正值的t分布。该检验对方差不等的情况更为稳健，适用范围更广。5两个总体方差比的检验检验两个总体方差是否相等的F检验，原假设为H?:σ?2=σ?2。检验统计量F=s?2/s?2服从自由度为(n?-1,n?-1)的F分布。该检验对正态性假设较为敏感。常用于验证其他检验的方差同质性假设，或比较两种测量方法或产品的精度。方差分析组间2500250组内2740515总计29905-方差分析（ANOVA）是比较多个总体均值是否有显著差异的统计方法。其基本思想是将总变异分解为组间变异（处理效应导致）和组内变异（随机误差导致）。F检验统计量是组间均方与组内均方的比值，在原假设（所有总体均值相等）下服从自由度为(k-1,n-k)的F分布，其中k是组数，n是总样本量。单因素方差分析考察一个因素对因变量的影响，而双因素方差分析则同时考察两个因素及其交互作用的影响。上表展示了一个单因素ANOVA的结果，F=250/15=16.67，p值远小于0.05，表明至少有一组的均值与其他组存在显著差异。方差分析广泛应用于实验设计、质量控制和各类比较研究中。相关分析相关分析研究变量之间的线性关联程度，最常用的度量是Pearson相关系数r，计算公式为r=∑(x_i-x?)(y_i-?)/√[∑(x_i-x?)2∑(y_i-?)2]。r的取值范围为[-1,1]，|r|越接近1表示线性关系越强，正值表示正相关，负值表示负相关，0表示无线性相关。相关系数的显著性可通过t检验评估：t=r√(n-2)/√(1-r2)，自由度为n-2。Spearman相关系数是一种非参数方法，基于数据的秩而非原始值计算，适用于非正态分布数据或存在异常值的情况。它衡量的是变量间的单调关系，而非严格的线性关系。需要注意的是，相关不等同于因果关系，高相关可能是由共同的第三个变量引起，或仅仅是巧合。解释相关时需考虑实际背景和理论依据。一元线性回归xy一元线性回归建立自变量X与因变量Y之间的线性关系模型：Y=β?+β?X+ε，其中β?是截距，