首页 > 文献资料
-
二房室模型药物体内表观吸收速率估算的概率论法
目的 介绍一种关于二房室模型药物体内表现吸收速率估计的新方法即概率论法.方法 将房室模型理论与概率论原理相结合.药物分子从给药部位经表观吸收后进入体循环和从体循环处置(二房室模型分布与一级消除)的过程为独立随机过程.将一次血管外给药后的总驻留时间(Th)视为在给药部位的驻留时间(Tf)与在体循环的驻留时间(Tg)之和,Tf与Tg为定义于同-概率空间上的随机变量,(Tf,Tg)为2维随机向量,Tf与Tg相互独立,且Tf及Tg均为非负且连续型随机变量.在导出Tg概率密度函数与分布函数的基础上,根据卷积公式,得到估算二房室模型药物体内表观吸收速度的概率论方法.结果 数值模拟计算初步表明,概率论法与Loo-Riegelman (L-R)法相比,两者均为数值递推近似估算,所需条件相同,但概率论法计算过程较为简便.在理论上求得血药浓度-时间数据准确值条件下,概率论法所求体内表观吸收速率值的准确度低于L-R法.若血药浓度测定值与准确值随机相对误差为+10％或-10％(较符合生物药物测定的实际),则概率论法准确度与L-R法准确度相当,但概率论法的稳健性略高于L-R法稳健性.结论 概率论法作为一种实用且简便方法,可与L-R法配合应用,相互印证；又从概率论角度深化对二房室模型及体内表观吸收的认识.
-
随机数学理论对Logistic模型的解释
目的：建立Logistic随机数学模型。方法：运用概率论原理。结果：设时刻t菌落的细菌数为ξt，M=E(￡t)，[摘要]目的：建立Logistic随机数学模型。方法：运用概率论原理。结果：设时刻t菌落的细菌数为ξt，M=E(￡t)，V=D(ξt)，则有：dM＝K1M-K2(M2+v)。结论：logistic随机数学模型更接近客观实际。
关键词： Logistic模型 随机变量 期望 方差 -
全科医生小词典--典型相关分析
典型相关分析（canonical correlation analysis）：是先将较多变量转化为少数几个典型变量，再通过其间的典型相关系数来综合描述两组多元随机变量之间关系的统计方法。有助于综合地描述两组变量之间典型的相关关系。其条件是两组变量均是连续变量，其资料均必须服从多元正态分布。
-
应用SPSS软件包做二项分布及其正态近似的电脑实验
在医学统计学教学过程中,如何让学生理解离散型随机变量x服从二项分布,以及当nπ≥5且n(1-π)≥5时,服从二项分布的变量x将近似服从正态分布等是教学中的重点和难点.在以往的教学中,常通过做著名的统计实验--摸球实验来让学生体会二项分布的规律.手工做摸球实验需要较长时间才能完成大量的重复实验,获得较有规律的结果.为弥补该缺点,我们已尝试用SAS语言编写程序,学生通过电脑模拟摸球实验[1].电脑可以在短时间内完成样本含量n由小到大变化时,x分布的各种变化,绘制直方图,从而直观地了解二项分布及其正态近似的规律,取得了良好的教学效果.SPSS软件包具有界面友好,使用更直观、灵活,操作更简便的特点,更适合医学生应用.以下介绍如何使用SPSS进行二项分布的摸球实验.实验设计和SPSS程序
-
利用SPSS的宏产生随机数
SPSS的菜单中Transform→Cmpute Variable过程可以产生随机数,但是一次只能产生一个满足某种分布的随机变量,而不能产生多个满足某种分布的随机变量.
-
X-11季节调整方法在医院时间序列分析中的应用
时间序列是指按时间顺序排列的随机变量,季节分析是对时间序列中由于季节性因素造成的影响进行分析的过程.
-
随机区组设计资料的Quade检验
原理与方法该检验由Quade在1972年提出,用于处理完全随机区组设计的资料.数据由b个相互独立的k维随机变量构成.数据排列的模式如表1所示.
-
多层线性模型原理及其在医学研究中的应用
"多层线性模型"(Multilevel Linear Model,HLM)在美国被称为"层次线性模型"(Hierarch Linear Mode1),在英国被称为"多层分析"(Multilevel Analysis)[1], 由于它把第一层回归方程中的截距和斜率作为第二层回归方程中的随机变量,所以这种做法也被称作"回归的回归"[2].
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中，X与Y都是随机变量；在回归分析中，Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中，X与Y都是随机变量；在回归分析中，Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中，X与Y都是随机变量；在回归分析中，Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中，X与Y都是随机变量；在回归分析中，Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中，X与Y都是随机变量；在回归分析中，Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
