• SAS学习 day2


    双变量分析

    中心极限定理:

    n个随机变量相互独立,并且服从同一个分布

    当N趋近无穷大时服从标准正态分布

    应用:对一个任意的总体,在重复多次(样本量相同)抽取,且每次抽取的样本量足够大时,其抽样的均值近似服从正态分布

    s为每个样本对应的标准差

    95%的置信区间:在100个类似的区间估计中,大约有95个区间能套住总体均值

     置信度95%    alpha = 0.05 样本量越大 置信区间越小

    如果固定置信区间长度,样本量越大,置信度就越大

     给定置信度,置信区间并不是唯一的 上面的概率仅是双尾概率相等时对应的置信区间

    proc means data = Double.b_rise n mean stderr clm;   #clm置信区间
    var weight;
    title"95% 置信区间";
    run;

    这个均值是总体均值的一个点估计 标准误差 :s/根号下n

    假设检验

    设总体X服从某一分布,但是分布完全未知或部分未知,对未知总体分布所做的假设称为统计假设

    参数假设 : 已知分布,但未知分布中的参数(均值、方差)

    非参数假设:未知分布或分布特征

    原假设(零假设)(H0):一般是一个保守假设,其动机是要在现实样本数据中寻找证据来推翻此假设,目的是要以比较大的可能性接受备选假设

    备选假设(H1):是原假设的对立假设

    假设检验的基本思想:

      1、反证法:首先假设H0成立,然后去寻找证据去推翻H0,并给出推翻H0所犯错误的概率

      2、小概率原理:如果我们有足够大的概率接受备选假设,我们也可以拒绝原假设

    状态 检验结果
    拒绝H0 不能拒绝H0
    H0为真 第一类错误 正确
    H1为真 正确 第二类错误

    几点注意

    1、零假设和备选假设在客观上只有一个正确,这是确定的,没有概率可言,之所以犯错误,是因为我们所面对的数据是样本而不是总体

    2、第一类错误:在零假设正确时拒绝,如果小概率事件发生,于是相信数据拒绝零假设

    3、P_value:拒绝零假设所犯的第一类错误 p值大 不能拒绝原假设  p值小 拒绝原假设

    假设总体均值等于15 对weight进行p检验  

     

     不能肯定wight的均值等于15  犯错误概率小于0.05

  • 相关阅读:
    zabbix_QQ邮件告警部署(待续。。。。。。)
    FTP服务的搭建
    项目: NFS服务的搭建
    用ngxin搭建简单的下载站点
    脚本设定开机自启动
    自建小项目:自动化脚本安装ngnix项目
    Zabbix Web操作深入(待续------)
    DHCP原理与配置
    PXE高效能网络批量装机
    DNS域名解析服务
  • 原文地址:https://www.cnblogs.com/suizhixxie/p/10398253.html
Copyright © 2020-2023  润新知