文档介绍：单样本检验-资料
二项分布基本概念
二项分布
对于Bernoulli试验序列的n次试验，结局A出现的次数X的概率分布服从二项分布
二项分布指的是概率的分布
注意：二项分布是一个离散型分布
二项分布的两个参数
显然对于不同的单样本检验-资料
二项分布基本概念
二项分布
对于Bernoulli试验序列的n次试验，结局A出现的次数X的概率分布服从二项分布
二项分布指的是概率的分布
注意：二项分布是一个离散型分布
二项分布的两个参数
显然对于不同的n、不同的有不同的二项分布。它们是二项分布的两个参数。
若X服从二项分布，则记X～B(n, )。
二项分布的基本特征
二项分布的名称由来是因为计算公式中含有二项式的展开项
二项分布的均数和方差
μ=n
方差=n(1- )
二项分布的基本特征
当 =，图形对称；当 ≠，图形呈偏态，但随n的增大，图形逐渐对称。
因此，当n较大， 不太极端时，可以采用正态近似方法计算概率分布规律（例如计算参考值范围）
样本率的抽样分布
对于大量重复随机抽样而言，样本率p围绕着总体率附近随机波动，样本量n的值越大，这种波动的幅度就越小。
当n充分大时，p的分布就近似于均数为，标准差为sqrt( (1- )/n)的正态分布。
一般的标准是n和n(1- )均大于5，且n>40
当样本情况接近此标准时，往往会进行校正
注意：上文所说的样本率p的标准差，为了区分阳性数x的标准差，亦称样本率的标准差为标准误。
总体率的区间估计
对一个总体参数都有点估计和区间估计，点估计直接使用样本统计量即可
区间估计：直接计算概率
在样本例数较小，且样本率接近1或0，即阳性事件发生率很高或很低时，可按照率的抽样分布规律确定总体率的可信区间，为方便应用，统计学家根据二项分布原理，编制了总体率95%和99%可信区间的百分率可信区间表
总体率的区间估计
区间估计：正态近似
当n较大， 和1- 均不太小时，样本率的抽样分布近似正态分布，因此可按正态近似法求总体率的1- 可信区间。
Stata计算
没有这么麻烦，使用cii命令即自动完成
某疗法治疗某病28人，6人有效，求该疗法有效率的95%可信区间。
某疗法治疗某病10人，7人有效，求该疗法有效率的95％可信区间。
样本率与已知总体率的比较
如前所述，当n较大， 和1- 均不太小时，样本率的抽样分布近似正态分布，可利用正态分布的原理作假设检验。
反之，则可使用二项分布自身的概率分布进行假设检验，这种方法被称为确切概率法
确切概率法的基本思想
拒绝范围构成的(双侧检验)基本原则(以下是H0为真的假设下的概率)：
属于拒绝范围内的任一可能样本点的概率小于非拒绝范围的任一可能样本点的概率；
拒绝范围内所有可能样本点的累积概率< ，并且对于非拒绝范围内的任一可能样本点加入拒绝范围，都将使其累积概率> 。
定义：记P=小于等于实际样本点概率的所有可能样本点概率之和。
确切概率法的基本思想
如果实际样本点在拒绝范围内，根据P值定义和拒绝范围构成的原则可知，P< ，可以拒绝H0。
如果实际样本点在拒绝范围外，则P实际样本点的概率＋拒绝范围内所有可能的样本点的累积概率。根据拒绝范围构成的第二条原则可知：P> ，因此不能拒绝H0。
综合上述可知：这样定义P是可以用于假设检验的。
样本率与已知总体率的比较
建立假设
H0：B药的幽门螺旋杆菌感染治愈率=60%
H1：B药的幽门螺旋杆菌感染治愈率 60%
双侧检验=
计算概率值
P=小于等于实际样本点概率的所有可能样本点概率之和
先计算样本点的概率
样本率与已知总体率的比较
也可以用Stata命令bitesti 10 9 。
假设H0为真的情况下，计算治愈人数的概率分布
样本率与已知总体率的比较
如果研究前已知道B药疗效不低于A药的信息，则此例研究问题可改为单侧检验
H0：= vs H1：> =
可首先计算成立时总体中出现现有样本点X=9的概率
计算H1：方向更极端的情况。
P=P9+P10=+=<
拒绝H0。
Thank You !
Thank you