1 . 概率
... . . .ssover dose)NIH-PC表选用的交叉剂量为116cGy照射因子F(D)=D+D2/116B.9概率(probability):是某随机事件发生的可能性当对随机事件进行重复观察的次数是够多时该事件发生的频率是其概率的近似值B.10病因概率(probabilityof causation):研发生的某种癌症起因于既往所.
2 . 可能性
...并在脱锚后对附近的船只构成威胁,一位船主防止此类事件发生的义务应由三个变量来决定,1,该船脱锚的可能性,probability,简称P,2,该船脱锚后将给其他船只造成的损害,loss或injury,简称L,3,对此采取足够预防.
3 . 机率
...言可以选择由有标的向无标的方向转化,也可以由无标的向有标的方向转化.但是Hawkins (1983)提出机率(probability)问题,他算出一个SVO语序的语言,变成SOV的机率是0.13,变成VSO的机率只有0.02.因为SV.
4 . 或然率
Scintillation)。由于「目标闪烁」的现象没有任何规则可寻，闪烁的幅度又非常大，所以雷达探测的理论都是用或然率(probability)来叙述。现在读者应该有点感觉了，设计隐形战机的外型不是那麽简单的事。振幅和相位的交互影响是如此繁琐，工程师要.

医学统计学名词解释
1.
总体与样本：
总体是根据研究目的确定的同质研究对象的全体。
样本是总体中具有代表性
的一部分个体。
2.
交叉设计：
一种特殊的自身对照设计。
克服了实验前后自身对照由于观察期间各种非实验
因素造成的偏倚。即将观察对象随机分为两组，并使一组对象先接受处理方式
A
，再接受处
理方式
B
；另一组先接受
B
，再接受
A
，两种处理方式在研究过程中交叉进行。
3.
方差：
离均差平方和与观测例数之比，反映一组数据的平均变异。
4.
检验效能：
1-
β
，也称把握度，其意义是两总体确有差别，按
α
水准能发现它们有差别的
能力。
5.
相对比：
表示两个有关事物指标之比，
常以百分数和倍数表示，
用以说明一个指标是另一
个指标的几倍或百分之几。
6.
参数与统计量：
总体的指标称为参数，
用希腊字母表示；
样本的指标称为统计量，
用英文
字母表示。
7.
抽样研究与抽样误差：
抽样研究是从总体中随机抽取样本，
对样本信息进行研究，
从而推
断总体的研究方法。
抽样误差是由随机抽样造成的样本指标和总体指标之间、
样本指标和样
本指标之间的差异；
其根源在于总体中的个体存在变异性。
只要是抽样研究，
就一定存在抽
样误差，不能用样本指标直接下结论。
8.
概率：
概率是某随机事件发生可能性大小(或机会大小)的数值度量。小概率事件是指
P
≤
0.05
的随机事件。
9.
统计推断：
根据已知的样本信息来推断总体特征的过程称为统计推断。
10.
抽样误差：
由个体差异和抽样所导致的样本均数和样本均数之间、样本均数和总体均数
之间的差异称为均数的抽样误差。
11.
第
I
类错误：
指检验假设
H
0
本来是成立的，经过检验后被拒绝了，即“弃真”
。其发生
的概率为
α
，为已知。
12.
第
II
类错误：
指假设检验
H
0
本来不成立，经过检验后被接受了，即“取伪”
。其发生概
率为
β
，为未知。
13.
区间估计：
区间估计是按预先给定的概率
1-
α
，由样本指标确定的包含总体参数的一个
范围。
14.
随机化原则：
随机化原则包括随机抽样和随机分组。随机抽样是指保证总体中的每一个
个体都有同等的机会被抽出来作为样本。
随机分组是指保证总体中的每一个个体都有同等的
机会被分配到实验组或对照组。
15.
重复原则：
重复是指研究样本要有一定的数量，即在保证研究结果有一定可靠性的条件
下，确定最少的样本例数。
16.
盲法试验：
试验结束之前，
不让研究者或受试者知道受试对象分在何组、
接受何种处理。
17.
安慰剂：
一种无药理作用或治疗作用的假药。目的是观察新药治疗时是否是自然痊愈或
心理的问题。
18.
完全随机设计：
又称随机对照试验，是将受试对象按照随机分配的原则分配到实验组和
对照组中，
然后给予不同的处理因素，
对各组的效应进行同期平行观察，
最后比较各组的观
察指标有无差别。
19.
配对设计：
配对设计是比较受试对象实验前后某个指标的变化或将受试对象按一定条件
配成对子，再随机分配每队中的两个受试对象到不同的处理组。
20.
随机区组设计：
将几个条件相同的受试对象划分为一个区组，再将区组中的受试对象采
用随机的方法分配到不同的处理组中，以增强各处理组间的均衡性。

对于内存模型的三大特性：有序性、原子性、可见性。
大家都知道 volatile 能保证可见性和有序性但是不能保证原子性，但是为什么呢？
一、原子性、有序性、可见性
1、原子性：
（1）原子的意思代表着 ——“不可分”；

（2）在整个操作过程中不会被线程调度器中断的操作，都可认为是原子性。原子性是拒绝多线程交叉操作的，不论是多核还是单核，具有原子性的量，同一时刻只能有一个线程来对它进行操作。例如 a=1 是原子性操作，但是 a++ 和 a += 1 就不是原子性操作。
2、可见性
线程执行结果在内存中对其它线程的可见性。
变量经过 volatile 修饰后，对此变量进行写操作时，汇编指令中会有一个 LOCK 前缀指令，加了这个指令后，会引发两件事情：
发生修改后强制将当前处理器缓存行的数据写回到系统内存。

这个写回内存的操作会使得在其他处理器缓存了该内存地址无效，重新从内存中读取。

3、有序性
在本线程内观察，所有操作都是有序的（即指令重排不会导致单线程程序执行结果与排序前有任何差别）。在一个线程观察另一个线程，所有操作都是无序的，无序是因为发生了指令重排序。在 Java 内存模型中，允许编译器和处理器对指令进行重排序，重排序过程不会影响到单线程程序的执行，却会影响到多线程并发执行的正确性。
二、线程安全的两个问题，执行控制和内存可见
执行控制（synchronize）：控制代码只能顺序执行（执行一次只能被一个线程执行）或者可以多线程并发执行。
内存可见控制（volatile）：线程执行结果在内存中对其它线程的可见性。线程在具体执行时，会先拷贝主存数据到线程本地（CPU 缓存），操作完成后再把结果从线程本地刷到主存。
volatile 和 synchronize 两个关键字就是上述两种作用。
synchronize 关键字使得同一时刻只有一个线程可以获得当前变量、方法、类的锁，其他线程无法访问，也就无法同步并发执行，synchronized 还会创建一个内存屏障，内存屏障指令保证了所有 CPU 操作结果都会直接刷到主存中，从而保证了操作的内存可见性，同时也使得先获得这个锁的线程的所有操作，都 happens-before 于随后获得这个锁的线程的操作，保障有序性、可见性、原子性；

volatile 通过强制将当前线程修改后的值写回内存并使得其他线程中该值无效的方式保证其可见性，通过禁止指令重排的方式保证有序性，具体为何不能保证原子性在下一部分讨论。
三、为什么 volatile 不能保证原子性
对于 i=1 这个赋值操作，由于其本身是原子操作，因此在多线程程序中不会出现不一致问题，但是对于 i++ 这种复合操作，即使使用 volatile 关键字修饰也不能保证操作的原子性，可能会引发数据不一致问题。
private volatile int i = 0;

i++;

如果启了 500 条线程并发地去执行 i++ 这个操作  最后的结果 i 是小于 500 的
复制代码

i++ 操作可以被拆分为三步：
  1，线程读取 i 的值

  2、i 进行自增计算

  3、刷新回 i 的值

复制代码

网上一些博客的解释是：
假设某一时刻 i=5，此时有两个线程同时从主存中读取了 i 的值，那么此时两个线程保存的 i 的值都是 5， 此时 A 线程对 i 进行了自增计算，然后 B 也对 i 进行自增计算，此时两条线程最后刷新回主存的 i 的值都是 6（本来两条线程计算完应当是 7）所以说 volatile 保证不了原子性。
我的不解之处在于：
既然 i 是被 volatile 修饰的变量，那么对于 i 的操作应该是线程之间是可见的啊，就算 A.,B 两个线程都同时读到 i 的值是 5，但是如果 A 线程执行完 i 的操作以后应该会把 B 线程读到的 i 的值置为无效并强制 B 重新读入 i 的新值也就是 6 然后才会进行自增操作才对啊。
后来参照其他博客终于想通了：
1、线程读取 i
2、temp = i + 1
3、i = temp

当 i=5 的时候 A,B 两个线程同时读入了 i 的值， 然后 A 线程执行了 temp = i + 1 的操作， 要注意，此时的 i 的值还没有变化，然后 B 线程也执行了 temp = i + 1 的操作，注意，此时 A，B 两个线程保存的 i 的值都是 5，temp 的值都是 6， 然后 A 线程执行了 i = temp （6）的操作，此时 i 的值会立即刷新到主存并通知其他线程保存的 i 值失效， 此时 B 线程需要重新读取 i 的值那么此时 B 线程保存的 i 就是 6，同时 B 线程保存的 temp 还仍然是 6， 然后 B 线程执行 i=temp （6），所以导致了计算结果比预期少了 1。
四、volatile 和 synchronized 的区别
volatile 本质是在告诉 JVM 当前变量在寄存器（工作内存）中的值是不确定的，需要从主存中读取； synchronized 则是锁定当前变量，只有当前线程可以访问该变量，其他线程被阻塞住。

volatile 仅能使用在变量级别；synchronized 则可以使用在变量、方法、和类级别的

volatile 仅能实现变量的修改可见性，不能保证原子性；而 synchronized 则可以保证变量的修改可见性和原子性

volatile 不会造成线程的阻塞；synchronized 可能会造成线程的阻塞。

volatile 标记的变量不会被编译器优化；synchronized 标记的变量可以被编译器优化

古典线性回归模型（classical linear regression model, CLRM）的假定
【1】线性性（linearity）（linear in parameters）
本来是说，解释变量x们对y的边际效应（也就是那些系数β们）是常数，即线性的，但是如果说某些变量对y的边际效应不是常数，是可变的，那我们可以把平方项、交叉项视作一个新的变量，这样他们的系数还是常数，就依然符合线性性的假设。
那这样看来，其实这个线性性的假设，本质上就成了：回归函数是对参数βi线性的（linear in parameters）。
【2】严格外生性（strict exogeneity）→扰动项与解释变量不相关&正交
指的是，样本i的扰动项均值独立于所有样本的解释变量的观测数据，并非仅仅是样本i的解释变量。表示如下：
这意味着，样本i的扰动项与所有的解释变量都不相关。
一点补充：关于正交&不相关。
【3】不存在严格多重共线性→保证βhat可求得
也可以描述为，数据矩阵X满列秩，亦即，X中没有多余的变量。
一般来说，如果X满列秩，那么可以推得：X’X是正定矩阵，其可逆。这样βhat就可以求得。
而如果X没有满列秩，则X’X逆矩阵不存在，就无法定义估计量βhat，此时称β“不可识别”。
【4】球型扰动项
即，扰动项条件同方差、无自相关。
其协方差矩阵如下：
叫“球型扰动项”是因为，其协方差矩阵与单位矩阵成正比，每个分量到原点的距离都是σ平方。
（主对角线上的值——自己的方差；非主对角线上的值——不同个体的扰动项之间的协方差，此处全部为0）
同方差就体现在：对角线上的各个分量的方差都是一样的。
无自相关/无序列相关体现在：不同个体扰动项之间的协方差全为0。
（无自相关指的是扰动项ε自己的分量跟分量之间没有相关性，“无序列相关”常用于年度数据的表述）
OLS的小样本性质
OLS的估计量是样本数据的函数，也是一个随机变量，它的分布就称为“抽样分布”。
【性质1】线性性
指的是，βhat是一个线性估计量，它是y的线性组合，（X’X）-1X是系数矩阵。
【性质2】无偏性
即，估计量βhat不会系统地高估/低估β。
证明如下：
由此可以推得，βhat的期望=β（利用迭代期望定律）。
【性质3】估计量的协方差矩阵
βhat的估计是点估计，要判断它估计得好不好，与协方差有关。
要求βhat的协方差矩阵，可以先求X条件的协方差矩阵，然后利用迭代期望定律求得最终的结果。
在初期的时候，扰动项ε的协方差矩阵非常难计算，于是有了球型扰动项假定，代入其协方差矩阵：
【性质4】高斯—马尔可夫定理：OLS是最佳线性无偏估计（best linear unbiased estimator, BLUE）
指的是，在某个范围内，OLS估计是最有效率的。
这个范围是：线性无偏估计量。
最有效率指的是：方差最小。
非线性时，最大似然估计更有效率。
【性质5】扰动项方差的无偏估计
在性质3里，我们为了判断估计量的好坏，需要求得估计量的协方差矩阵。经过推算以及球型扰动项的应用，估计量的条件协方差矩阵化为一个含有扰动项方差的表达式。
我们需要知道扰动项方差，才能进一步计算估计量βhat的协方差矩阵，来判断βhat是否可靠。
而扰动项是不可观测的，其方差无法计算，所以我们将残差视为扰动项的实现值，将残差的方差视为扰动项的方差的估计值：
关于标准误（差）：
误差的标准差，又叫做标准误（差）。此处s是残差ei的标准差，残差ei其实就是拟合值对于真实值y的误差。
更一般而言，对于某个统计量的标准差的估计值，称为它的标准误（差）。
有了标准误，才能知道估计的准确程度。