劉應興的部落格

信賴區間 (Confidence interval) ， 或對應在貝氏分析中應的「可信區間 (credible interval)」，是關於一個實數值參數值落在什麼範圍的一個描述。例如說：
在 1-α 信賴水準下，民眾在 XXX 意見上表示支持的比例在 xx% 至 yy% 之間。

排容原理 (inclusion-exclusion principle) 是關於 n 個集合之聯集 ∪_{i=1～n} A(i) 的「量度」計算公式：
| ∪_{i=1～n} A(i) | = Σ |A(i)| - Σ |A(i)∩A(j)| + Σ |A(i)∩A(j)∩A(k)| - …

實數值隨機變數是定義在樣本空間上的幾乎確定有限實數值函數。具體地說：X 是一個隨機變數，意指
1. X 是定義在樣本空間 Ω 的延伸實數值函數。
2. X 是可測的。
3. X 是幾乎確定有限值的。

在 Neymann-Pearson 檢定，也就是傳統假說檢定中，「不拒絕虛無假說」常被強調不能解釋為「接受虛無假說」, 通常的理由是 N-P 檢定只藉由「顯著水準」來控制型Ⅰ誤機率，卻未能有效控制型Ⅱ誤發生機率，一個水準 α 檢定的型Ⅱ誤機率可以高達 1-α。一個水準 α 檢定是說如果參數 θ 是符合或說落在虛無假說之內，犯型Ⅰ誤的機率不超過 α。因此，如果檢定結果是拒絕虛無假說 H 而接受對立假說 K，這表示我們可能犯了型Ⅰ誤，也可能 θ 確實不在 H 而是在 K 內。但如果是前者，由於 α 值通常取很小，表示如果實際上 θ 在 H 之內，我們會判定 θ 不在 H 之內的機率很小，因此我們寧願冒著犯型Ⅰ誤的風險而認定 K 成立。但另一方面，如果檢定結果是「不拒絕 H」, 實際上 θ 是可能確實在 H 內，但如果 θ 在 K 內我們仍有很大機會，例如接近 1-α 的機率，因此沒有理由判定說 θ 在 H 之內。
本文考慮成對比較假說：H': a ≦ b 對 K': a > b，H": b ≦ c 對 K": b > c 與 H: a ≦ c 對 K: a > c。此處 a, b, c 是實數值參數。由於是實數參數，"≦" 和 ">" 都應滿足遞移性（遞移律），a ≦ b 且 b ≦ c 蘊涵 a ≦ c，即：若 H' 和 H" 都成立則 H 成立；類似地，K' 和 K" 都成立則 K 成立，即 a > b 且 b > c 則 a > c。

有個抽卡系統，共58張卡，其中，有5張卡抽中的機率為1/108，有2張卡抽中的機率是1/216，剩下的卡抽中的機率為1/54。
在其中的任意10張做記號變成「記號牌」，一張一張抽牌且抽後放回，抽12次，請問：
  1. 至少出現1次記號牌的機率？
  2. 至少出現3次記號牌的機率？
  3. 恰出現1次記號牌的機率？
  4. 恰出現3次記號牌的機率？ 

聯集交集檢定 (Union-intersection test, UIT) 是對於一組 Hi 對 Ki 的假說檢定，成立一個綜合的假說檢定：
H: all of the Hi's are true,   K: some of the Ki's are true

兩年多前，做為統計假說檢定的一種程序，我們曾談過 p-值,。本文想再仔細談談 p-值這個令人又愛又恨的概念。
P-值 (p-value) 的一個定義是：

在多重檢定，例如變異數分析 (ANOVA) 中的多重比較，一直被關注的是族錯誤率 (FWER, family-wise error rate)，但在控制族錯誤率的同時，不免造成檢定力 (power of a test) 的低下。為此，Benjamini and Hochberg (1995) 提出了「偽發現率 (FDR, False Discovery Rate)」的概念及相應的多重檢定程序。

在多重比較法之中，Duncan 法和 Newman-Keuls 法可以說是 Tukey 檢定的修正；對 Bonferroni 多重檢定，其目的都是在控制族錯誤率 (FWER, family-wise error rate) 的同時，掀高個別檢定的檢定力 (power of a test)。
多重檢定問題是說：我們面臨多個假說檢定問題 Hi 對 Ki，如果逐一做普通固定顯著水準的假說檢定，基於顯著水準的設置就是容許我們犯型Ⅰ誤的機會，在做這麼多檢定的過程，我們至少犯了一次型Ⅰ誤的機率是很大的。例如假設每個 Hi 對 Ki 的檢定都容許 α = 0.05 的型Ⅰ誤機率，如果做了 10 個檢定，假設這 10 個虛無假說其實都不應該被拒絕，但實際上至少一個虛無假說 Hi 會被拒絕的機率可能高達 0.5，因為

月中，ptt 數學板有一個討論串：
對於x_i均非負數，i=1~n , 試證：
        (x_1+x_2+...+x_n)/n ≧ √[(x_1 x_2+x_2 x_3+...+x_n x_1)/n]