置信区间 |
您所在的位置:网站首页 › 置信区间估计误差计算公式是什么 › 置信区间 |
置信区间
4 加减 2 的区间 置信区间是一个我们相当肯定是包含真实值的数值范围。 例子:平均身高我们测量了 40个随机选择的男人的身高,结果是: 平均 身高为 175cm, 标准差 为 20cm。95%置信区间 (下面会解释计算方法)是: 175cm ± 6.2cm 意思是所有男人(假设我们可以全部测量)的真平均身高很可能是在 168.8cm 和 181.2cm 之间。 但这可能是不对的! "95%" 说在 95% 的实验里区间会包含真平均身高,但 5% 的实验不会。 所以我们的置信区间有二十分之一(5%)的机会不包含真平均身高。 计算置信区间一、写下样本的数量 n,接着求这些样本的平均值 X 和 标准差 s: 样本的数量:n = 40 平均:X = 175 标准差:s = 20二、决定我们用哪个置信区间,通常是 90%、95% 和 99%。然后在这查这个 "Z"值: Z 80% 1.282 85% 1.440 90% 1.645 95% 1.960 99% 2.576 99.5% 2.807 99.9% 3.29195% 的 Z值是 1.960 三、把 Z值代入以下的公式来求置信区间 X ± Z s √(n)其中: X 是平均 Z 是在上面查到的 Z值 s 是标准差 n 是样本的数量结果是: 175 ± 1.960 × 20 √40这是: 175cm ± 6.20cm 就是:从 168.8cm 到 181.2cm ± 符号后面的值叫误差界限 在以上的例子里,误差界限是 6.20cm 计算器我们有个 置信区间计算器 来帮你计算置信区间。 再来一个例子例子:苹果园 苹果够不够大? 果园的树上有很多苹果,你只随意选了 30个来得到以下的结果: 平均:86 标准差:5计算: X ± Z s √(n)已知: X 是平均 = 86 Z 是 Z值 = 1.960 (上面的表里的 95% 值) s 是标准差 = 5 n 是样本的数量 = 30 86 ± 1.960 5 = 86 ± 1.79 √30所以所有苹果的真平均值很可能是在 84.21 和 87.79 之间 真平均值现在假设我们把所有的苹果都摘下来,然后用机器来测量它们(我们不只是纸上谈兵的!) 结果:真平均值 是 84.9 我们把全部的苹果从小到大放在地上: 每个绿点是个苹果, 蓝点是我们的样本 我们的结果不是绝对精确的……是个随机测试……但是,真平均值是在我们算出来的置信区间 86 ± 1.79 (从 84.21 到 87.79)里 实际上,真平均值也可能不在置信区间里,但在 95% 的情况下真平均值是在置信区间里的! 真平均值会在 95% 的 "95%置信区间" 里。 我们可能会选到一个平均为 83.5 和标准差为 3.5 的样本: 绿点是苹果, 紫点是样本 真平均值不在置信区间里。5% 的置信区间会是这样的。 那么,我们怎样才能知道样本是属于 "幸运"的 95%, 还是不幸运的 5%?除非我们真的测量所有的苹果,否则我们不会知道。 这是取样本来检验的风险,我们可能选了坏样本。 做研究的例子这是个在长者额外锻炼的研究里应用置信区间的例子: 例子:"男" 的行里的资料是说有: 1,226个男人(47.6% 的人) 有 平均为 0.92 的 "HR"(Hazard Reduction*,意思是风险度减少) 和 0.88 到 0.97 的 95%置信区间(0.92±0.05)换句话说,对所有男人来说,真正的益处有 95% 的机会是在 0.88 和 0.97 之间 * 注意:在研究里用 "HR",意思是 "Hazard Ratio"(风险比率)。这比率越低越好,所以 HR 值为 0.92 的意思是研究对象的状况变好了,1.03 代表有一点变坏了。 标准正态分布这是基于 标准正态分布 的概念,Z值是 "z分数" 例如,95% 的 Z 是 1.960,我们可以在这里看到 95% 的值都在 -1.96 到 +1.96 之间: 从 -1.96 到 +1.96个标准差是 95% 应用在我们的样本上就像这样: 这也是从 -1.96 到 +1.96个标准差,所以包括 95% 结论置信区间公式是 X ± Z s √(n)其中: X 是平均 Z 是下面的表里的 Z值 s 是标准差 n 是样本的数量 Z 80% 1.282 85% 1.440 90% 1.645 95% 1.960 99% 2.576 99.5% 2.807 99.9% 3.291置信区间计算器 标准正态分布 平均 标准差 数据索引 |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |