随机非随意

概率破玄机

无序引有序

统计解迷离

- 严加安

现在有一种说法:抽烟会降低患老年痴呆的风险。为检验这一说法是否可信,设想某医疗机构在某个城市从65-75岁的人群中进行随机抽样调查了1000个人,分别统计抽烟者和非抽烟者老年痴呆症患病人数。结果显示:

  • 250人是抽烟者,其中老年痴呆患者10人

  • 750非抽烟者,其中老年痴呆患者45人

两类人中患老年痴呆症的比率分别是4%和6%,表面上看,差异显著,但是否能够根据这一差异来据此断定吸烟有助于预防老年痴呆症呢?

我们可以用统计学中的假设检验来回答这一问题,统计学知道,如果“吸烟不降低老年痴呆症患病率”这一假设乘以,如下定义的统计量将近似服从∼(0,1)\mathcal{N}\sim(0, 1):

ξ=p2−p1(1n1+1n2)(p(1−p))‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾√

\xi=\frac{p_2-p_1}{\sqrt{(\frac1{n_1}+\frac1{n_2})(p(1-p))}}

其中n1,n2n_1,\,n_2分别是抽烟者和非抽烟者的人数,p1,,p2p_1,,\,p_2分别为抽烟者和非抽烟者患老年痴呆症比率,pp为两类人总体患老年痴呆症比率。

ξ=0.06−0.04(1750+1250)(0.055×0.945)‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾√

\xi=\frac{0.06-0.04}{\sqrt{(\frac1{750}+\frac1{250})(0.055\times0.945)}}

此时得ξ≈1.2\xi\approx1.2,查表可知,ξ≥1.2\xi\geq1.2的概率超过15%,这一结果还不足以否定“吸烟不降低老年痴呆症患病率”这一假设,如果将抽样人数扩大到4000人,假定两类人也相应地扩大4倍,而且患病率仍然分别是4%和6%,这时算得:

ξ=0.06−0.04(11000+13000)0.055×0.945‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾√

\xi=\frac{0.06-0.04}{\sqrt{(\frac1{1000}+\frac1{3000})0.055\times 0.945}}
唯一变化的只有 n1,n2n_1,\,n_2,此时 ξ≈2.4\xi\approx2.4,查表可知, ξ≥2.4\xi\geq2.4的概率小于1%,此时我们有99%的把握断定抽烟能够降低老年痴呆症患病率了。

抽样调查的结论不仅要看统计数据(决定p1,p2,pp_1,p_2,p),还要看样本量的大小n1,n2,nn_1,n_2,n

假设检验——抽样调查的结论依赖于样本量的大小相关推荐

  1. 详细讲解ABTest假设检验【实验设计结论分析】数据分析

    大家早上好,本人姓吴,如果觉得文章写得还行的话也可以叫我吴老师.欢迎大家跟我一起走进数据分析的世界,一起学习! 感兴趣的朋友可以关注我或者我的数据分析专栏,里面有许多优质的文章跟大家分享哦. 目录 一 ...

  2. 概率破玄机,统计解迷离

    概率破玄机,统计解迷离 概率论起源于中世纪的欧洲,那时盛行掷骰子赌博,提出了许多有趣的概率问题.当时法国的帕斯卡(Blaise Pascal).费尔马(Pierre de Fermat)和旅居巴黎的荷 ...

  3. AI 人工智能学习之假设检验

    假设检验 假设检验(hypothesis testing),又称统计假设检验,是用来判断样本与样本.样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法.显著性检验是假设检验中最常用的一种方 ...

  4. 烂大街的Spring循环依赖该如何回答?

    什么是循环依赖? 从字面上来理解就是A依赖B的同时B也依赖了A,就像上面这样,或者C依赖与自己本身.体现到代码层次就是这个样子 @Component public class A {// A中注入了B ...

  5. everythingtoolbar.dll”或它的一个依赖项。_ASP.NET Core依赖注入最佳实践、提示和技巧...

    译者前言 本文译自ABP框架的开发博客<ASP.NET Core Dependency Injection Best Practices, Tips & Tricks>一文(原作者 ...

  6. ASP.NET Core依赖注入最佳实践,提示技巧

    分享翻译一篇Abp框架作者(Halil İbrahim Kalkan)关于ASP.NET Core依赖注入的博文. 在本文中,我将分享我在ASP.NET Core应用程序中使用依赖注入的经验和建议. ...

  7. 关于 C++ 依赖管理

    有经验的程序员,不论所用何种语言,对代码依赖都不会陌生.代码无论是依赖于内部依赖关系,还是依赖于外部库或框架,通常都不会孤立运行.代码的重复使用,亦即使用现有代码的做法,是提升开发效率的重要工具.不过 ...

  8. 假设检验:一个总体参数的检验、总体方差检验、两个总体参数的检验和两个总体方差的检验

    假设检验 1.一个总体参数的检验 总体均值的检验(大样本情况下,样本均值的抽样分布近似服从正态分布) 大样本,总体方差已知,z检验 大样本,总体方差未知,用样本方差代替总体方差,z检验 小样本,总体为 ...

  9. 深入理解假设检验的两类错误和功效

    假设包含原假设Null Hypothesis和备择假设Alternative Hypothesis,原假设也称为零假设,记为 H 0 H_0 H0​,备择假设也称为对立假设,记为 H a H_a Ha ...

最新文章

  1. 08年最热门七大技术和最紧缺的IT人才
  2. android获取图片方向并旋转,Android 判断imageview角度并旋转
  3. 【Java】springboot学习笔记二
  4. 编写可靠Linux shell脚本的建议
  5. python画图代码大全-Python科学画图代码分享
  6. 作为测试人员,不要说有错误,要说有什么错误
  7. my97前端日期插件使用示例
  8. ps景观平面图转鸟瞰图_怎么用 PS 做景观平面图?
  9. 【JAVA SE基础篇】29.初识数组
  10. 从小白到大咖——十分钟学会JavaScript操作浏览器内置对象
  11. 考取FRM证书的三大好处,可能你还不知道
  12. Fifo中Underflow信号的含义
  13. Arduino基础入门套件教程PDF
  14. PrintWriter的 write() 与 print() 的区别
  15. 实现图片跟随鼠标移动
  16. 实战技术:提升网站用户体验—WebP 图片的高效使用
  17. 工程伦理--4.1 解决伦理困境的一般步骤
  18. js经验分享 JavaScript反调试技巧
  19. java商城系统源码谁有,b2b2c或b2c的,类似iskyshop,legendshop,shop
  20. win10中安装Anaconda

热门文章

  1. Impala与Hive的关系
  2. ajax请求队列,使AJAX队列稍后解析请求
  3. python3.7版本简介_python3.7.2各平台安装简介
  4. C#与C++在语言层面的区别(不断补充)
  5. SQL SERVER 和ACCESS/excel的数据导入导出
  6. ADO.NET 2.0 功能一览
  7. 【刷题】LOJ 6005 「网络流 24 题」最长递增子序列
  8. 201621123031 《Java程序设计》第8周学习总结
  9. 微信公众号H5支付遇到的那些坑
  10. hadoop下载地址