《第6章 总体率的区间估计和假设检验.doc》由会员分享，可在线阅读，更多相关《第6章 总体率的区间估计和假设检验.doc（12页珍藏版）》请在金锄头文库上搜索。
1、第6章 总体率的区间估计和假设检验w 掌握率的抽样误差的概念和意义w 掌握总体率区间估计的概念意义和计算方法w 掌握率的U检验的概念和条件，计算方法w 第一节 率的抽样误差与总体率的区间估计一、率的抽样误差：在同一总体中按一定的样本含量n抽样,样本率和总体率或样本率之间也存在着差异，这种差异称为率的抽样误差。率的抽样误差的大小是用率的标准误来表示的。例6.1 检查居民800人粪便中蛔虫阳性200人，阳性率为25%，试求阳性率的标准误。 本例：n=800，p=0.25，1-p=0.75，二、总体率的区间估计正态分布法 样本含量n足够大，np与n(1-p)均5时 ,例6.2 求例6.1当地居民粪便
2、蛔虫阳性率的95%可信区间和99%的可信区间。 95%的可信区间为：25%1.961.53% 即（22.00%，28.00%） 99%的可信区间为：25%2.581.53% 即（21.05%，28.95%） 查表法 当样本含量较小（如n50），np或n(1p) u0.05=1. 64（单侧）, P0.05。在=0.05水准上，拒绝H0，接受H1，差异有统计学意义。 二、两样本率比较的u检验适用条件为两样本的np和n(1-p)均大于5。计算公式为例6.6 某中药研究所试用某种草药预防流感，观察用药组和对照组（未用药组）的流感发病率，其结果见表6-1。问两组流感发病率有无差别？表6-1 用药组和对
3、照组流感发病率比较 组 别 观察人数 发病人数 发病率（%） 用药组 1001414对照组 1203025合 计 2204420第七章 二项分布与Poisson分布第一节 二项分布及其应用一、二项分布的概念及应用条件 二项分布（binominal distribution） 是一种重要的离散型分布，在医学上常遇到属于两分类的资料，每一观察单位只具有相互独立的一种结果，如检查结果的阳性或阴性，动物试验的生存或死亡，对病人治疗的有效或无效等。 二项分布 也称为贝努里分布（Bernoulli distribution）或贝努里模型，是由法国数学家J.Bernoulli于1713年首先阐述的概率分布。
4、 如果已知发生某一结果（如阳性）的概率为，其对立结果（阴性）的概率为（1-），且各观察单位的观察结果相互独立，互不影响，则从该总体中随机抽取n例，其中出现阳性数为X (X=0,1,2,3,，n)的概率服从二项分布。贝努里模型应具备下列三个基本条件 试验结果只出现对立事件A或，两者只能出现其中之一。这种事件也称为互斥事件。 试验结果是相互独立，互不影响的。例如，一个妇女生育男孩或女孩，并不影响另一个妇女生育男孩或女孩等。 每次试验中，出现事件A的概率为 ，而出现对立事件的概率为- 。则有总概率 +（1- ）=1。二、 二项分布的概率函数 根据贝努里模型进行试验的三个基本条件，可以求出在n 次独立
5、试验下，事件A出现的次数X的概率分布。X为离散型随机变量，其可以取值为0,1,2,n。则X的概率函数为： X=0,1,2,3.,n式中：01， 为组合数，上述公式称随机变量X服从参数为n，的二项分布，则记为XB(n,)。三、 二项分布的性质 1. 二项分布的每种组合的概率符合二项展开式，其总概率等于1 二项展开式有以下特点： （1）展开式的项数为n+1。（2）展开式每项和（1- ）指数之和为n。（3）展开式每项的指数从0到n；（1- ）的指数从n到0。2. 二项分布的累积概率 设m1Xm2 （m1m2）, 则X在m1至m2区间的累积概率有： 至多有x例阳性的概率为： X=0,1,2，x (7.
6、4) 至少有x例阳性的概率为： X=x，x+1，n分别为下侧累计概率，和上侧累计概率。 3.二项分布的概率分布图形以X为横坐标，P（X）为纵坐标，在坐标纸上可绘出二项分布的图形, 由于X为离散型随机变量，二项分布图形由横坐标上孤立点的垂直线条组成。二项分布的图形取决于与n的大小。当n充分大时，二项分布趋向对称，可以证明其趋向正态分布。一般地，如果n之积大于5时，分布接近正态分布；当n5时，图形呈偏态分布。当 =0.5时，图形分布对称，近似正态。如果0.5或距0.5较远时，分布呈偏态。4.二项分布的数字特征 (这里的数字特征主要指总体均数、方差、标准差等参数） （1）随机变量X的数学期望E（X）
7、，即指总体均数： n （2）随机变量X的方差D（X） 2 为：（3）随机变量X的标准差为:四、二项分布展开式各项的系数 二项分布展开式的各项之前均有一个系数，用组合公式来表示。计算公式为：该系数也可用杨辉三角来表示，国外参考书习惯称之为巴斯噶三角。 当试验次数n较小时，可直接利用杨辉三角将二项分布展开式各项的系数写出来，应用十分方便。 杨辉三角的意义：杨辉三角中每行有几个数字，表示展开式有几项。当试验次数为n 时，有n+1项。杨辉三角中每行中的数字表示展开式中每项的系数大小。杨辉三角中的各数字项及其数字的排列很有规律。可依照规律继续写下去。第一行的第一、第二项均为数字，以后每下一行的首项及末项
8、均为，中间各项为上一行相邻两项数字之和。 五、二项分布的应用 二项分布在医学领域中，主要应用在下列几个方面：总体率的可信区间估计，率的u检验，样本率与总体率比较的直接计算概率法。 （一）应用二项分布计算概率 例 如出生男孩的概率=0.5，出生女孩的概率为（1-）=0.5。在一个妇产医院里有3名产妇分娩3名新生儿，其中男孩为X=0,1,2,3的概率按公式计算的结果列于表7-1的第（3）栏中。分析：根据题意，已知生育男孩为事件A，其概率P(A)=0.5（即=0.5）；生育女孩为事件A -，其概率为P(A-)=1-P(A)=1-0.50.5（即1- =0.5）。 三个妇女生育均为女孩（即无男孩）的概
9、率为：三个妇女生育一个男孩，两个女孩的概率为： (二)样本率与总体率的比较的直接概率法 此法适用n和n(1-)均小于5的情形。应注意：当样本率大于总体率时，应计算大于等于阳性人数的累积概率。当样本率小于总体率时，应计算小于等于阳性人数的累积概率。例 A药治疗某病的有效率为80。对A药进行改进后，用改进型A药继续治疗病人，观察疗效。如果用改进型A药治疗20例病人，19例有效。如果用改进型A药治疗30例病人，29例有效。试分析上述二种情形下，改进型A药是否疗效更好。 分析: A药有效率为80，可以作为总体率，即00.8 。治疗20例病人的样本有效率为（1920）10095；治疗30例病人的样本有效
10、率为（2930）10096.67。两个样本率均大于总体率80，故应计算大于等于有效例数的单侧累积概率。情形一：治疗20例病人的疗效分析 （1）建立检验假设H0：改进型A药的疗效与原A药相同，00.80H1: 改进型A药的疗效高于原A药， 0 0.80单侧 0.05（2）计算概率值 根据二项分布有： = 0.0548+0.0115=0.0663（3）推断结论 本例P0.06630.05,在0.05检验水准上,不拒绝H0。尚不能认为改进型A药的疗效优于原A药。 情形二：治疗30例病人的疗效分析（1）检验假设同情形一。（2）计算单侧累积概率有： =0.008975+0.001238=0.0102 （
11、3）推断结论 本例P0.0102,在0.05水准上,拒绝H0,接受H1。可以认为改进型A药的疗效优于原A药。 注意：治疗20例病人的有效率为95，治疗30例病人的有效率为96.67，两个样本有效率很接近。但最终得出的结论却不相同。一般地，临床上观察疗效，样本含量不能太小。随着观察例数的增加，疗效的稳定性及可靠性也相应增加，受到偶然因素影响的机会也变得较小。 例 一般人群对B药的副作用反应率为1。调查使用B药者300人，其中只有1人出现副作用。问该调查人群对B药的副作用反应率是否低于一般人群。 分析:本例总体率1。调查人群样本反应率为（1300）1000.33。由于样本率小于总体率，故应计算小于
12、等于阳性人数的累积概率。 （1）建立检验假设H0：调查人群反应率与一般人群相同， 00.01H1: 调查人群反应率低于一般人群， 0 0.01单侧 0.05（2）计算单侧累积概率 :（3）推断结论 本例 P0.1976,在0.05水准上,不拒绝H0。尚不能认为调查人群的B药副作用反应率低于一般人群。 第二节 Poisson分布及其应用一、Poisson分布的概念及应用条件 (一)Poisson分布的概念Poisson分布由法国数学家S.D.Poisson在1837年提出。该分布也称为稀有事件模型，或空间散布点子模型。在生物学及医学领域中，某些现象或事件出现的机会或概率很小，这种事件称为稀有事件
13、或罕见事件。稀有事件出现的概率分布服从Poisson分布。 Poisson分布的直观描述：如果稀有事件A在每个单元（设想为n次试验）内平均出现次，那么在一个单元（n次）的试验中，稀有事件A出现次数X的概率分布服从Poisson分布。 Poisson分布属于离散型分布。在Poisson分布中，一个单元可以定义为是单位时间，单位面积，单位体积或单位容积等。如每天8小时的工作时间，一个足球场的面积，一个立方米的空气体积，1升或1毫升的液体体积,培养细菌的一个平皿，一瓶矿泉水等都可以认为是一个单元。一个单元的大小往往是根据实际情况或经验而确定的。若干个小单元亦可以合并为一个大单元。二)常见Poisson分布的资料在实际工作及科研中，判定一个变量是否服从Poisson分布仍然主要依靠经验以及以往累积的资料。以下是常见的Poisson分布的资料：1.产品抽样中极坏品出现的次数；2.枪打飞机击中的次数；3.患病率较低的非传染性疾病在人群中的分布；4.奶中或饮料中的病菌个数；5.自来水中的细菌个数；6.空气中的细菌个数及真菌饱子数；7.自然环境下放射的粒子个数；8.布朗颗粒数；9.三胞胎出生次数；10.正式印刷品中错误符号的个数；11.通讯中错误符号的个数；12.人
