확률 및 확률 분포
확률은 불확실성을 정량화하는 수학적 언어이며, 확률 분포는 확률 변수의 가능한 값들이 어떻게 퍼져 있는지를 설명합니다. 이 둘은 건강 과학 분야에서 통계적 추론이 구축되는 이론적 토대를 형성합니다. 모든 신뢰 구간, p-값, 위험 추정치는 궁극적으로 데이터가 어떻게 발생했을지에 대한 확률 모델에 기반을 둡니다.
Definition
확률은 사건의 가능성을 표현하기 위해 0과 1 사이의 숫자를 할당하며, 확률 분포는 확률 변수의 가능한 값들의 확률을 지정하는 함수입니다.
Scope
이 영역은 독자에게 확률의 핵심 개념과 생물통계학에서 가장 많이 사용되는 분포를 소개합니다. 확률의 기본 규칙, 조건부 확률 및 독립성, 정규 분포, 이산 및 포아송 분포(횟수 및 사건용), 그리고 중심 극한 정리를 통해 표본을 모집단과 연결하는 표본 분포를 다룹니다. 이는 방법론에 대한 참고-교육적 개요이며, 임상 지침은 아닙니다.
Sub-topics
Core questions
- 데이터를 공식적으로 추론할 수 있도록 불확실성은 어떻게 정량화됩니까?
- 주어진 유형의 측정값 또는 횟수를 어떤 분포가 설명합니까?
- 표본 통계량의 행동은 기본 모집단과 어떻게 관련됩니까?
- 정규 분포는 왜 집계된 양에서 그렇게 자주 나타납니까?
Key concepts
- 확률 변수
- 표본 공간 및 사건
- 확률 공리
- 조건부 확률 및 독립성
- 이산 및 연속 분포
- 기댓값 및 분산
- 표본 분포
- 중심 극한 정리
Mechanisms
확률 모델은 가능한 결과들의 표본 공간을 지정하고, 공리(비음성, 총 확률 1, 상호 배타적 사건에 대한 가산성)와 일치하는 확률을 할당합니다. 확률 변수는 결과를 숫자에 매핑하며, 그 분포는 평균(기댓값) 및 분산과 같은 양으로 특징지어지는 해당 숫자들의 확률을 요약합니다. 이항 분포 및 포아송 분포와 같은 이산 분포는 사건의 횟수를 모델링하며, 연속 정규 분포는 많은 측정된 양을 모델링하고, 중심 극한 정리를 통해 합계 및 평균의 분포를 근사합니다. 추론 통계는 관측된 통계량을 표본 분포에서 추출된 것으로 간주하여 작동합니다.
Clinical relevance
확률 분포는 건강 데이터를 요약하고 연구에서 추론을 도출하는 데 사용되는 통계 방법의 기초가 되므로, 이를 이해하는 것은 양적 문헌을 비판적으로 읽는 데 도움이 됩니다. 이 항목은 이러한 분석의 방법론적 토대를 설명하며, 개별 진단 또는 치료 결정의 근거가 아닙니다.
History
수학적 확률은 17세기 우연 게임 분석에서 발전했으며, 베르누이, 라플라스, 가우스, 포아송에 의해 분포의 일반 이론으로 개발되었습니다. 1930년대 콜모고로프의 공리적 정식화는 확률에 엄격한 기반을 마련했습니다. 20세기를 통해 이러한 도구들은 통계적 추론의 기초가 되었고, 생물통계학은 이를 채택하여 의학 및 공중 보건 연구에서 측정값과 횟수를 모델링했습니다.
Key figures
- Pierre-Simon Laplace
- Carl Friedrich Gauss
- Siméon Denis Poisson
- Jacob Bernoulli
- Andrey Kolmogorov
Related topics
Seminal works
- altman-bland-1995-normal
- rosner-2015
- ross-2014
Frequently asked questions
- 생물통계학 과정에서 확률 분포에 그렇게 많은 시간을 할애하는 이유는 무엇입니까?
- 통계적 추론은 관측된 데이터를 확률 모델이 예측하는 것과 비교하여 작동하기 때문입니다. 분포는 표본과 모집단에 대한 진술 사이의 다리 역할을 하므로, 신뢰 구간과 검정의 유효성은 적절한 분포를 선택하는 데 달려 있습니다.
- 확률과 확률 분포의 차이점은 무엇입니까?
- 확률은 하나의 사건이 얼마나 가능성이 있는지를 설명하는 단일 숫자이지만, 확률 분포는 확률 변수의 모든 가능한 값에 걸쳐 확률을 한 번에 지정합니다.