统计代写|Double Blind Desig抽样理论代考
统计代写
Thanks to our computing capabilities it is easy to have huge data sets at one’s fingertips. It may be tempting to exhaustively test multiple hypotheses based on the data. Such practice is called data dredging (or data fishing) and frequently leads to false conclusions. Typically one looks for a P value of $0.05$ or less. If enough tests are performed, then about $5 \%$ of the tests will lead to erroneously reject the null hypothesis.
To avoid drawing false conclusions, if we use a data set to formulate a hypothesis, then we should not use that same data set to test this hypothesis. We should instead collect fresh data to test that hypothesis.
Problems
- I want to estimate the number of high school math courses a typical UCCS freshman has taken. To do my estimate I use the following methods.
(a) I pick the first 100 students in alphabetical order in the incoming students list. I count their math courses. Is this acceptable?
(b) I check the transcript of every student in my Calculus 1 class. Is this acceptable? - In 1936 the presidential election was F.D.Roosevelt against A. Landon. The Literary Digest magazine sampled $2.4$ million individuals and predicted the victory of Landon by $57 \%$ to $43 \%$. However, Roosevelt won by $62 \%$ to $38 \%$ !
How can such a large sample be so wrong? - In a poll it was found out that $19 \%$ of biology teachers believe that humans and dinosaurs lived at the same time.
(a) What is the significance of this survey if it was sent to 20,000 teachers and there were 200 responses?
(b) What if it was sent to 400 teachers picked at random and there were 200 responses? - I perform 100 independent statistical tests at the $5 \%$ level. What is the probability that I will draw at least one wrong conclusion?
- The vast majority of $P$ values reported in the medical literature are very close to $5 \%$. Why is this suspicious? What type of problem does this reveal?
- In the early $1990 \mathrm{~s}$ it was recommended that all men 50 years old or older undergo regular prostate cancer screening in the USA. In the UK on the other hand there was no such screening program. The 5 year survival rate for prostate cancer was $40 \%$ in the UK and $90 \%$ in the USA. So prostate cancer screening saves lives. USA and in the UK! What was going on?
Problems
157 - The two tables below list graduate admissions data for majors $A$ through $F$ at the U.C. Berkeley. The first table is for men, the second is for women.
\begin{tabular}{lll}
& \multicolumn{2}{l}{ Number of applicants }
\end{tabular}
Number of applicants Percent admitted
$\begin{array}{lll}\text { A } & 108 & 82 \ \text { B } & 25 & 68 \ \text { C } & 593 & 34 \ \text { D } & 375 & 35 \ \text { E } & 393 & 24 \ \text { F } & 341 & 7\end{array}$
(a) Compare the overall admission rates for men and women. Does it seem like there is sex bias?
由于我们的计算能力，触手可及的庞大数据集很容易。根据数据详尽地测试多个假设可能很诱人。这种做法被称为数据挖掘（或数据钓鱼），并经常导致错误的结论。通常人们会寻找 0.05 美元或更低的 P 值。如果执行了足够多的测试，那么大约 $5 \%$ 的测试将导致错误地拒绝原假设。
为了避免得出错误的结论，如果我们使用数据集来制定假设，那么我们不应该使用相同的数据集来检验这个假设。相反，我们应该收集新数据来检验该假设。
问题
- 我想估计一个典型的 UCCS 新生上过的高中数学课程的数量。为了做我的估计，我使用以下方法。
(a) 我在新生名单中按字母顺序挑选前 100 名学生。我数了数他们的数学课程。这可以接受吗？
(b) 我检查了微积分 1 课上每个学生的成绩单。这可以接受吗？ - 1936 年的总统选举是 F.D.Roosevelt 对 A. Landon。 Literary Digest 杂志对 240 万美元的个人进行了抽样调查，并预测兰登的胜利将达到 57 美元到 43 美元。然而，罗斯福以 62 美元 \%$ 对 38 美元 \%$ 获胜！
这么大的样本怎么会出错？ - 在一项民意调查中发现，$19\%$ 的生物教师认为人类和恐龙同时生活。
(a) 如果这项调查发给 20,000 名教师并有 200 份回复，那么这项调查的意义何在？
(b) 如果它被发送给随机挑选的 400 位教师并且有 200 条回复怎么办？ - 我在 $5\%$ 的水平上进行了 100 次独立的统计测试。我至少得出一个错误结论的概率是多少？
5.医学文献中报道的绝大多数$P$值都非常接近$5\%$。为什么这很可疑？这揭示了什么类型的问题？ - 在 1990 年初的 $mathrm{~s}$ 中，建议所有 50 岁或以上的男性在美国接受定期前列腺癌筛查。另一方面，在英国没有这样的筛选计划。前列腺癌的 5 年生存率在英国为 40 美元，在美国为 90 美元。所以前列腺癌筛查可以挽救生命。美国和英国！发生了什么事？
问题
157 - 下面的两个表格列出了美国大学 $A$ 到 $F$ 专业的研究生招生数据。伯克利。第一张桌子是男性用的，第二张是女性用的。
\开始{表格}{lll}
& \multicolumn{2}{l}{ 申请人数 }
\end{表格}
申请人数 录取百分比
$\begin{array}{lll}\text { A } & 108 & 82 \ \text { B } & 25 & 68 \ \text { C } & 593 & 34 \ \text { D } & 375 & 35 \ \text { E } & 393 & 24 \ \text { F } & 341 & 7\end{数组}$
(a) 比较男性和女性的总体录取率。好像有性别偏见？
统计代考
其他相关科目课程代写：组合学Combinatorics集合论Set Theory概率论Probability组合生物学Combinatorial Biology组合化学Combinatorial Chemistry组合数据分析Combinatorial Data Analysis
my-assignmentexpert愿做同学们坚强的后盾，助同学们顺利完成学业，同学们如果在学业上遇到任何问题，请联系my-assignmentexpert™，我们随时为您服务！
抽样理论（sampling theory）是关于从总体中抽取具有代表性的和适当的样本以得出有效推论的原则和分析技术的一种统计学理论。包括两个主题：（1）样本如何抽取，即抽样方法的问题。如随机抽样、分层抽样、分层等比抽样、系统抽样、群类抽样、有限总体抽样等；（2）样本大小的问题。
计量经济学代考
计量经济学是以一定的经济理论和统计资料为基础，运用数学、统计学方法与电脑技术，以建立经济计量模型为主要手段，定量分析研究具有随机性特性的经济变量关系的一门经济学学科。 主要内容包括理论计量经济学和应用经济计量学。 理论经济计量学主要研究如何运用、改造和发展数理统计的方法，使之成为经济关系测定的特殊方法。
相对论代考
相对论（英語：Theory of relativity）是关于时空和引力的理论，主要由愛因斯坦创立，依其研究对象的不同可分为狭义相对论和广义相对论。 相对论和量子力学的提出给物理学带来了革命性的变化，它们共同奠定了现代物理学的基础。
编码理论代写
编码理论（英语：Coding theory）是研究编码的性质以及它们在具体应用中的性能的理论。编码用于数据压缩、加密、纠错，最近也用于网络编码中。不同学科（如信息论、电机工程学、数学、语言学以及计算机科学）都研究编码是为了设计出高效、可靠的数据传输方法。这通常需要去除冗余并校正（或检测）数据传输中的错误。
编码共分四类：[1]
数据压缩和前向错误更正可以一起考虑。
复分析代考
学习易分析也已经很冬年了，七七八人的也续了圧少的书籍和论文。略作总结工作，方便后来人学 Đ参考。
复分析是一门历史悠久的学科，主要是研究解析函数，亚纯函数在复球面的性质。下面一昭这 些基本内容。
(1) 提到复变函数 ，首先需要了解复数的基本性左和四则运算规则。怎么样计算复数的平方根， 极坐标与 $x y$ 坐标的转换，复数的模之类的。这些在高中的时候囸本上都会学过。
(2) 复变函数自然是在复平面上来研究问题，此时数学分析里面的求导数之尖的运算就会很自然的 引入到复平面里面，从而引出解析函数的定义。那/研究解析函数的性贡就是关楗所在。最关键的 地方就是所谓的Cauchy一Riemann公式，这个是判断一个函数是否是解析函数的关键所在。
(3) 明白解析函数的定义以及性质之后，就会把数学分析里面的曲线积分 $a$ 的概念引入复分析中， 定义几乎是一致的。在引入了闭曲线和曲线积分之后，就会有出现复分析中的重要的定理: Cauchy 积分公式。 这个是易分析的第一个重要定理。
