指数分布及其在寿命表中的应用

指数分布常用作动物寿命的近似分布。本文对指数分布的几个重要函数作简要介绍,并对寿命表的几个常见公式的由来进行推导说明, 一、生存时间的分布函数F(t)、密度函数f(t)、及死亡力h(t) 一个人的生存时间是一个随机变量,其分布函数F(t)的意义就是人群从出生到t岁的累积死亡率,它     

流行性腮腺炎疫情时间序列模型建立与应用

时间序列是指观察或记录到的一组按时间顺序排列的数据。由于时间序列展示了研究对象在一定时期内的发展变化过程,因此可以从中分析寻找出其变化特征、趋势和发展规律的需要信息。时间序列预测实质上就是根据现在与过去的随机序列的样本取值,对未来某一个时刻的随机变量进行估计〔1〕。时间序列分析是专门用于分析这种时间序列资料的统计模型,它主要分析的是变量间的因果关系,重点观察变量随时间变化的发展规律〔2〕。     

国际标准统计学符号与词汇 ISO 3534～1977(E/F)

X,Y, 戈,y,F(x),G(大),f(x),g(x), 充 N 摊 w,R X 大 石(X) 02 O S1PrP(万),P:(E)x全『.2U,“,之U欠,随机变量(元),变量,总体中特征的观察值观察值(x值的)分布函数连续随机变量(x值)的概率密度函数组数总体容量或批量样本容最样本极差总体均数样本均数随机变量X的期望,在某些情况下,用二与拼表示期望随机变量或总体的方差随机变量或总体的标准差样本方差注一一符号护通常用以表示离均差平方和被n一1除得之商(其平方根用符号s表示)作为所取样本的总体方差的估计值样本标准差(见前面注)(总体中两随机变量间的)相关系数(样本中的)相关系…     

医学时间序列谱分析中的日历因素及修正方法

医学现象的科学研究,有时需对客观事物进行 动态观察。按时间顺序排列的随机变量的一组实测值是随机过程的一个实现,称作时间序列。时间序列统计特征研究包括两个范畴:一是基于协方差函数/自相关函数的时域分析,另一是基于功率谱密度函数的频域分析。谱分析算法应注意数据序列的采集方式与最终谱图意义解释之间的一致性问题,     

应用编程计算器求解GM(1,1)模型中的主要参数

a、u和y(t-1)值分别是GM(1,1)模型中的主要参数。在求解时,一般需设计一个累加、均值生成数据计算表,以获取y(t-1)、sum from t=2 to N x(t)、sum from t=2 to N z(t)、sum from t=2 to N z~2(t)、sum from t=2 to N z(t)X(t)诸数据,然后代入估计a、u值的相应公式计算。整个计算过程费工、费时且易出现差错。笔者利用目前卫生部门广泛使用的CASIO     

本刊对来稿中统计学处理的要求

1.统计学的符号:应以GB3358-82《统计学名词及符号》为准。符号的大小写及正斜体写清楚,不能区分应用铅笔标示。例如:样本大小“n”,样本的算术平均数“x”,不用X;样本的标准差“s”,不用“SD”;样本的相关系数的“r”,t检验“t…”用小写斜体;概率“P”,F检验“F”,随机变量“     

G.M（1,1）模型及其在疾病预测中的应用

传统的疾病预测方法大都是建立在数理统计基础上的数理统计模型。这些模型常需大量的样本和典型的概率分布，而这些条件在实际中往往是难以满足的，故而使其可行性受到影响[1]。近几年来，GM（1，1）模型越来越多地被应用于流行病学研究中，特别是在疾病预测方面，预测精度很高，已成为疾病监测的有用工具。1建模方法1．1累加生成设原始数据列为X（0）（t），累加生在数据列为X（1）（t）。则t＝1式中：t为时间（t=1，2……N）x（t）为数值（率）。1．2均值生成对x（1）（t）进行均值生成得Z（t）。1．3建立模型x(1)（t）的一阶浅性微分…     

灰色数列预测模型计算的改进方案在急性职业中毒预测中的应用

灰色数列预测模型GM（1，1）在医学上，特别在卫生管理上应用日益广泛，通常GM（1，1）模型在计算过程中，各X（t）实际上和原始数据的首项X（1）是无关的，也就是没有利用X（1）数据提供信息，本文采用了改进型，克服了通常计算方案中的这一不足，而且易于掌握。1模型1．1累加生成目的是对原始数据进行处理，使其随机性弱化和规律性强化。其定义为1.2均值生成对累加生成数据Y0（t）按（2）式作均值生成：1．3参数a0,u0计算根据最小二乘法估计参数向量，并由矩阵运算得其表达式为：2模型的应用2．1资料来源2．1．1金华市1990～1997年职…     

黄毛鼠种群动态的时序组合预测模型研究

目的提出珠江三角洲黄毛鼠种群数量的预测方法。方法采用季节交乘模型、季节叠加模型和差分自回归移动平均模型(ARI MA)分别拟合1998-2003年黄毛鼠种群数量的时序变化动态,建立相应的预测模型并进行中长期预测,比较不同预测模型的适用性。结果季节交乘模型、季节叠加模型和ARI MA模型均能较好地拟合黄毛鼠种群的历史消长趋势,预测黄毛鼠发生数量的平均误差分别为(6.43±1.87)%、(10.34±2.56)%和(11.48±2.78)%,而预测黄毛鼠发生等级的准确率分别为91.67%、83.33%和66.67%。以季节交乘模型和季节叠加模型的预测结果较为准确,预测模型分别为X(t)=(5.15839329-0.01577224t)γT+t和X(t)=5.18130846-0.00861724t+dT+t。结论季节交乘模型和季节叠加模型适用于预测黄毛鼠种群的发生量及发生程度。     

谈谈如何正确使用四格表卡方检验

卡方检验（又可写成x2检验）是两个或两个以上样本率或构成比之间差异的显著性检验方法之一,属于非参数方法。这种方法与基本随机变量的分布和基本随机变量的函数分布无关（参数分析方法如t检验、u检验,F检验等,都是以某种分布作为数学模型来进行估计或假设检验的）。它可应