1.2独立性检验的基本思想及其初步应用 (2).pptx

1.2独立性检验的基本思想及其初步应用，第一章高中数学统计案例，探究：为了调查吸烟是否对肺癌有影响，某肿瘤研究所随机抽查9965人，得到以下结果(单位：人)，列联表，分类变量，1。下面是一个22列的列联表，那么表中的值A和B分别是()A.94、96B.52、50C.52、54D.54、52和C，探索：为了调查吸烟是否对肺癌有影响，一家肿瘤研究所随机对9965人进行了调查，并得出以下结果(单位：人)。不吸烟者患肺癌的比例是，吸烟者患肺癌的比例是，吸烟者和不吸烟者都有可能患肺癌。吸烟者患肺癌的可能性更大，分别为0.54%和2.28%，分类变量为42/7817，这两个分类变量是否相关可以通过图表直观地判断：等高线条形图，非吸烟者肺癌的比例为，吸烟者肺癌的比例为0.54%和2.28%，问：人们有多有信心认为“吸烟与肺癌有关”？以下是对独立性测试的介绍。上表中的数字用字母表示，得到下表。a表示不吸烟，B表示不患肺癌。那么“吸烟与肺癌无关”就相当于“吸烟与肺癌无关”。也就是说，假设H0等于P(AB)=P(A)P(B)。我们通过分析数据和图表得到的上述视觉印象是，吸烟与肺癌有关。真的是这样吗？这需要从统计的角度进行审查。现在我想知道我有多有信心认为“吸烟与肺癌有关”。为此，让我们首先假设H0:吸烟与肺癌无关。用字母替换表格中的数字，得到以下字母列表。a表示不吸烟，B表示不患肺癌。那么“吸烟与肺癌无关”就相当于“吸烟与肺癌无关”。也就是说，让我们假设H0等于P(AB)=P(A)P(B)。因此，ad-bc越小，吸烟和肺癌之间的关系就越弱。|ad-bc|越大，吸烟和肺癌之间的关系就越强。在表中，A恰好是事件AB发生的频率；A b和a c碰巧分别是事件a和b的频率。由于频率接近概率，在H0和H0的条件下应该有一个独立性检验：假设吸烟与肺癌无关，一个随机变量(卡方统计)被构建为一个标准来检验“两个变量相关”的程度。如果H0(吸烟与肺癌无关)成立，K2应该很小。独立测试，H0:假设吸烟与肺癌无关，随机变量-卡方统计，阈值表，0.1%保证A与B无关，1%保证A与B无关，99.9%保证A与B有关，99%保证A与B有关，90%保证A与B有关，10%保证A与B无关。没有足够的依据表明A与B有关。 但是不可能证明A与B无关。阈值表，独立性检验，H0:假设吸烟与肺癌无关，99%的人认为吸烟与肺癌有关，前提是判断错误的概率不超过0.01。 步骤1:假设H0:变量A和B之间没有关系，步骤2:列出22个列联表，独立性测试步骤，步骤3:计算，步骤4:检查阈值表并做出判断。对于分类变量x和y的随机变量K2的观察值k，正确的说法是，k越大，“x和y相关”的可信度越小，“x和y相关”的可信度越小，“x和y相关”的可信度越小，c.k越接近0,“x和y不相关”的程度越小， “x和y不相关”的程度越大，“x和y不相关”的程度就越大，“还原论原则”和“假设检验原则”、“还原论原则”:在一个已知的假设下，如果引入了矛盾，这个假设就被证明是站不住脚的。 假设检验原则：在一个已知的假设下，如果一个与假设相矛盾的小概率事件发生，则推断该假设无效。在某医院，因心脏病住院的665名男性患者中有214名患有秃顶，而非因心脏病住院的772名男性患者中有175名患有秃顶。是否相关分别用图和独立性检验方法来判断。你的结论在多大程度上有效？秃顶中心脏病的比例为55.01%，非秃顶中为43.03%。例1。在某医院，因心脏病住院的665名男性患者中有214名患有秃顶，而因非心脏病住院的772名男性患者中有175名患有秃顶。是否相关分别用图和独立性检验方法来判断。你的结论在多