当前位置：网站首页 » 教程 » 内容详情

样本统计量前沿信息_样本参数(2024年11月实时热点)

内容来源：冲顶技术团队所属栏目：教程更新日期：2024-11-30

样本统计量

体育统计学笔记：从基础到进阶 ### 第一章：绪论 𐟓– 描述性统计描述性统计主要是对物体的某些特征及状态进行实际的统计。数量描述通过具体的数量来描述事物的特征。推断性统计通过样本的数量特征来推测总体特征。基本概念总体：根据统计研究确定的同质对象的全体。个体：组成总体的基本单位。样本：从总体中抽取的部分个体。随机变量随机变量是通过随机事件来表示的数值。总体参数总体参数反映总体的数量特征。样本统计量样本统计量是由样本所得到的数量特征。第二章：样本特征数 𐟓Š 集中位置量数集中位置量数反映一群性质相同的观测值的平均水平或集中趋势。中位数将样本的观测值按数值大小顺序排列，处于中间位置的数值。众数样本观测值在频数分布表中频数最多的那一组的组中值。平均数算术平均数。离中位置量数离中位置量数描述一群性质相同的观测值的离散程度。全距一组观测值中最大值与最小值之差。绝对差所有样本观测值与其均数的绝对差之和。平均差样本中所有观测值与均数的绝对差之和的平均数。方差样本方差的计算公式为：SⲠ= (1 / N) X - X셩ⲯ𜌥…𖤸펤𘺦 𗦜줸�„个体数目，X为总体数，X셤𘺦 𗦜쥝‡数。标准差标准差的计算公式为：S = √[(1 / N) X - X셩ⲝ，其中N为样本中的个体数目，X为总体数，X셤𘺦 𗦜쥝‡数。第三章：动态分析 𐟓ˆ 动态数列动态数列包括绝对数动态数列和相对数动态数列。绝对数动态数列时期绝对数动态数列、点绝对数动态数列等。相对数动态数列平均数动态数列、动态分析中相对数的计算等。基比在动态数列中以某一时间的指数值作为基数，然后将各期指标数值与之相比，计算公式为：基比 = (本期数值 / 基数) 㗠100%。环比在动态数列中，将各个期的指标数值与前一期的指标数值相比，计算公式为：环比 = (本期数值 / 上期数值) 㗠100%。

医学统计期末攻略，速看！医学统计学是不是很难？其实不然！只要掌握了重点和难点，期末考试轻松过关。下面是我熬夜整理的医学统计学知识点，三小时背完，期末90+不是梦！第一单元：概论基本概念总体参数：描述总体特征的指标，简称参数，是固定不变的常数，但一般未知。总体：根据研究目的确定的性质相同或相近的研究对象的某个变量值的全体。统计量：描述样本特征的指标，由样本观察值计算得到，不包含任何未知参数。样本：从总体中随机抽取部分个体的某个变量值的集合。抽样误差：由随机抽样造成的样本统计量与相应的总体参数之间的差异。频率：若事件A在n次独立重复试验中发生了m次，则称m为频数。称m/n为事件A在n次试验中出现的频率或相对频率。概率：频率所稳定的常数称为概率。统计描述与统计推断统计描述：选用合适统计指标（样本统计量）、统计图、统计表对数据的数量特征及其分布规律进行刻画和描述。统计推断：包括参数估计和假设检验。用样本统计指标（统计量）来推断总体相应指标（参数），称为参数估计。用样本差别或样本与总体差别推断总体之间是否可能存在差别，称为假设检验。样本特点足够的样本含量可靠性代表性资料类型定量资料：又称计量资料、数值变量或尺度资料。是对观察对象测量指标的数值大小所得的资料，每个个体都能观察到一个观察指标的数值，有度量衡单位。分类资料：包括无序分类资料（计数资料）和有序分类资料（等级资料）。第三单元：定量资料的统计描述、参考值范围频数表编制过程找出样本数据的最大值和最小值，计算极差R。确定分组的组距d和组数k。一般nk50,5-6组;n在100左右,7-10组;n>100,10-15组。求频率密度，统计频数，算出频率、频率密度和累积频率。画出直方图。频数表和直方图的作用用于观察个数较多资料的统计描述，可以直观提示资料的分布特征和分布类型。集中趋势、离散趋势的指标及适用范围集中趋势算术均数：适用于对称分布，不适用于偏态分布和资料中出现极值的资料。几何均数：适用于呈倍数关系的资料或对数正态分布的资料，尤其是正偏态分布。不适用与观察值中有0或正负数值同时出现的资料。中位数：适用于大样本偏态分布或分布情况不明的资料或资料中有不确定数值的资料。百分位数：多个百分位数结合使用，全面描述数据分布的特征；用于确定医学参考值范围（偏态或分布不明的资料）。众数：适用于大样本，较粗糙。离散趋势极差：优点简单明了、容易使用；缺点只反映最大值和最小值间的差异，不能反映其他观察值的变异程度，样本容量越大，极差可能越大，极差的抽样误差大，不稳定。四分位数间距：适用于确定医学参考值范围，与中位数一起描述偏态分布资料变异程度；缺点类似于极差，利用度低。方差与标准差：与均数一起描述对称分布，特别是正态分布的分布特征。变异系数：适用于比较度量衡单位不同资料的变异度；比较均数相差悬殊的资料的变异度；衡量实验精密度和稳定性的常用指标。频数分布特征高峰在中间，左右大致对称，称为对称分布。平均数=中位数=众数。高峰偏向小值的一侧（左侧），称正偏态分布（亦称右偏态）。平均数>中位数>众数。高峰偏向大值的一侧（左侧），称负偏态分布（亦称左偏态）。平均数<中位数<众数。正态分布图形的特点及意义特点：f(x)关于x=u对称；x=u时取得最大值；在x=u土o处为拐点，且以x轴为水平渐近线；f(x)大于0。希望这些知识点能帮助你更好地理解医学统计学，轻松应对期末考试！加油！𐟒ꀀ

标准差、标准误、误差与残差的区别 𐟓Š 方差（Variance）：方差是各个数据与算术平均数的离差平方和的平均数，表示一个随机变量的离散程度，也就是该变量距其期望值的距离。计算公式为： 𐟓 标准差（Standard Deviation）：标准差又称均方差，是样本各数据离样本均值距离的差距。标准差是方差的算术平方根，可以用于度量数据的离散程度。标准差越大，表明各数据相较于平均值的离散程度越大。计算公式为： 𐟔 标准误（Standard Error）：标准误是样本均值离总体均值的差距，专门用于估计样本统计量与总体参数之间的误差。表示在多次重复抽样下样本统计量的波动范围。标准误的计算往往涉及到样本大小和样本标准差。计算公式为： 𐟓ˆ 误差项（error terms）：误差项指的是回归模型中因变量的观测值与真实值（通常未观测到）之间的差异。这些项是理论上的，我们无法直接观测到误差项，但可以通过残差间接估计。 𐟓‰ 残差项（residual terms）：残差项指的是因变量的观测值与回归模型预测值之间的差异。通常被计算为实际观测值减去回归方程产生的预测值。残差使用的是样本数据计算的，并且用于特定的样本。

𐟓Š统计学笔记分享：第六到七章总结𐟓Š 𐟓š 统计学笔记整理：第六到七章总结 𐟓… 日期： NO. 𐟓Š 统计量及其抽样分布统计量：如果从总体X中抽取一个容量为n的样本，记作x1, x2, ..., xn，并且从这些样本中构造一个数，这个数不依赖于任何未知参数，那么这个数就被称为统计量。常用统计量：样本均值：反映总体X的数学期望信息。样本方差：反映总体X的方差信息。变异系数：反映随机变量在以均值为单位时取值的离散程度。 𐟓Š 抽样分布样本统计量的抽样分布是一种理论分布。在重复选取容量为n的样本时，由该统计量的所有可能取值形成的相对频数分布。 𐟓Š 评价估计量的标准无偏性：估计量的抽样分布的数学期望等于被估计的总体参数。有效性：对同一总体参数的两个无偏估计量，标准差小的估计量更有效。一致性：随着样本量的增大，估计量的值越来越接近被估计的总体参数。 𐟓Š 由正态分布导出的几个重要分布 t分布：样本均值的抽样分布。卡方分布：样本方差的抽样分布。 F分布：两个样本方差的比值的抽样分布。希望这些笔记对大家有所帮助！𐟓–

中级经济师经济基础知识：抽样调查详解抽样调查是统计学中常用的一种方法，主要用于从总体中抽取部分样本进行统计，从而推断总体的某些特征。以下是一些基本概念和方法：抽样调查的基础概念总体：研究对象的全体集合。样本：从总体中抽取的一部分个体。总体参数：总体的一些基本特征，如平均值、方差等。样本统计量（估计量）：样本数据计算得到的统计量，用于估计总体参数。抽样框：用于抽样的所有抽样单元的名单。抽样方法概率抽样：抽样过程中每个个体被选中的概率是已知或可计算的。方法包括：简单随机抽样：每个个体被选中的概率相等。分层抽样：将总体分为若干层，每层内进行简单随机抽样。系统抽样：按照一定的间隔从总体中抽取样本。整群抽样：将总体分为若干群，每群内进行简单随机抽样。多阶段抽样：将抽样过程分为多个阶段进行。非概率抽样：抽样过程中每个个体被选中的概率不是已知或可计算的。方法包括：判断抽样：由人为确定样本。方便抽样：为了降低调查成本，选择最方便的方法进行抽样。自愿抽样：通过网上调查等方式收集数据。配额抽样：按照一定条件分配样本数量。抽样误差与非抽样误差抽样误差：由于随机性造成的误差，样本统计量估计总体参数时出现的误差。非抽样误差：由于其他原因造成的误差，包括：抽样框误差：样本框不完善。无回答误差：随机因素（人不在）或非随机因素（拒绝回答）造成的误差。计量误差：与真值之间的差异。基本概率抽样方法简单随机抽样：每个个体被选中的概率相等。分层抽样：将总体分为若干层，每层内进行简单随机抽样。系统抽样：按照一定的间隔从总体中抽取样本。整群抽样：将总体分为若干群，每群内进行简单随机抽样。多阶段抽样：将抽样过程分为多个阶段进行。估计量和样本量估计量的性质一致性：随着样本量的增大，估计量稳定于总体参数的真值。无偏性：不放回简单随机抽样，样本均值取值的平均值等于总体均值。有效性：更密集在真值附近的无偏估计量方差更小。抽样误差的估计估计量的方差 = (1 - 样本量n/总体个数N) x 样本方差S^2/样本量n 影响抽样误差的因素总体分布：总体方差越大，抽样误差越大。样本量n：n越大，误差越小。抽样方式和估计量的选择：分层抽样估计量方差小于简单随机抽样。有效辅助信息的估计量也可以有效减小抽样误差。样本量的影响因素调查的精度：样本数据对总体进行估计时可以接受的误差水平。精度要求高，样本量大。总体的离散程度：总体方差越大，所需要的样本量也越大。总体的规模：大规模总体，对样本需求几乎无影响；小规模总体，总体规模大，要求的样本量也大。无回答情况：要求样本量大。经费的制约：某种折中和平衡。其他因素：调查时间和人力资源。

独立样本t检验：6步搞定差异显著性 𐟎‹짫‹样本t检验是一种强大的统计工具，用于确定两组数据之间的平均值是否有显著差异。它基于正态分布的假设，通过计算t值来比较两组数据的差异是否显著。 𐟓 下面是进行独立样本t检验的详细步骤： 1️⃣ 提出假设：零假设（H0）：两组数据的平均值没有显著差异。备择假设（H1）：两组数据的平均值存在显著差异。 2️⃣ 收集数据：收集两组数据，分别命名为样本1和样本2。 3️⃣ 计算样本统计量：计算每个样本的均值（平均值）和标准差。 4️⃣ 计算t值：使用适当的统计公式或软件计算t值。 5️⃣ 查找临界值：根据所选的显著性水平（通常为0.05），查找t分布表或使用统计软件来确定临界值。 6️⃣ 比较t值和临界值：如果计算得到的t值大于临界值，则拒绝零假设，认为两组数据的平均值存在显著差异。否则，接受零假设，认为两组数据的平均值没有显著差异。 𐟓Š 现在，让我们通过一个简单的例子来理解这个过程：假设我们想要比较两组学生的考试成绩是否有显著差异：样本1：班级A的学生的考试成绩（n1 = 30）样本2：班级B的学生的考试成绩（n2 = 35）我们提出零假设：班级A和班级B的学生的考试成绩没有显著差异。然后，我们计算了两组学生的均值和标准差，并计算了t值。接着，我们查找t分布表，使用显著性水平为0.05来确定临界值。如果计算得到的t值大于临界值，我们就可以拒绝零假设，得出结论认为班级A和班级B的学生的考试成绩存在显著差异。否则，我们接受零假设，认为差异不显著。

概率抽样与非概率抽样的区别与选择 𐟎‰ 概率抽样概率抽样，也就是我们常说的随机抽样，它的核心思想是随机性。这意味着在抽样过程中，每个样本被选中的机会是均等的，不受人为因素的影响。简单来说，就是尽量让抽样过程看起来像“扔骰子”一样，完全随机。比如，我们想要调查某个地区的100名居民，如果通过随机抽样，就需要对这个地区的居民进行编号，然后通过某种随机化程序来选择样本。而如果我们在一个商场里随意找100名居民进行调查，这其实是一种方便抽样，因为那些不在商场的人根本没有机会被选中。 𐟎‰ 非概率抽样非概率抽样，顾名思义，就是那些不符合随机原则的抽样方法。由于它们没有完全遵循随机原则，每个个体被选中的概率是不可知的，因此样本统计量的分布也是不确定的。这意味着我们无法计算出抽样误差，也就无法用样本结果来推断总体的参数。不过，非概率抽样也有它的优点，比如操作简单、便捷，而且经济性更好。常见的非概率抽样方法有方便抽样、判断抽样、自愿样本、滚雪球抽样和配额抽样。 𐟎‰ 概率抽样与非概率抽样的区别概率抽样和非概率抽样在本质上是有区别的。概率抽样遵循随机原则，样本统计量的理论分布是存在的，我们可以用样本结果来估计总体的参数。因此，如果你的研究目的是对总体的数量特征进行研究，那么概率抽样是更好的选择。然而，概率抽样的要求也更高，需要更多的时间、经济成本和专业知识。非概率抽样则更加简单直接，虽然不能对总体参数进行推断，但在某些情况下，比如时间紧迫或者预算有限时，非概率抽样也是一个不错的选择。 𐟎‰ 选择建议在实际研究中，我们应该根据研究问题的性质、调查对象的特点以及调查时间等因素来选择合适的抽样方法。如果需要精确估计总体参数，那么概率抽样是更好的选择；如果只是需要一个大致的了解，非概率抽样可能就足够了。

R语言随机抽样与抽样分布实战解析 ### 随机抽样 𐟎𒊊在R语言中，随机抽样得到的观察值是独立同分布的（iid）。简单来说，就是每个样本点出现的概率都是1/n，其中n是样本容量。这种经验分布的累计分布函数呈现为一个阶梯函数。举个例子，我们可以用`ecdf()`函数来绘制标准正态分布随机样本的累计经验分布函数。样本容量越大，图像越接近理论分布。 ```R plot(ecdf(rnorm(10))) # 标准正态分布随机样本的累计经验分布函数，样本容量为10 ``` 抽样方式也有讲究。默认情况下，`sample()`函数是无放回抽样（replace=FALSE），但你也可以设定为有放回抽样。此外，还可以设定抽样概率（prob）。 ```R sample(x, size, replace=FALSE, prob=NULL) # 从向量x中随机抽出某些元素 # size：表示抽出元素的数量 # replace：默认为无放回抽样；加参数replace=FALSE可实现有放回抽样 # prob：默认抽样概率为均匀；加参数prob，可设定概率 ``` 有时候，我们可能需要将两个向量连接成一个字符向量，这时候可以用`paste()`函数。 ```R paste(x, y) # 用paste函数将两个xy化为字符并连接 ``` 抽样分布 𐟓Š 抽样分布是指从总体中随机抽取样本，样本统计量的分布情况。让我们通过几个例子来了解这个过程。画2x2的图 𐟖𜯸 首先，我们画一个2x2的图来展示不同情况下的抽样分布。 ```R par(mfrow=c(2,2)) # 画2*2的图 n <- 2 repetitions <- 10000 xs <- c() for (i in 1:repetitions){ x <- sample(c(0,1), size=n, replace=TRUE, prob=c(0.22,0.78)) xs[i] <- mean(x) } hist(xs, prob=T, breaks=30, col="blue", main="n=2", xlim=c(0,1)) # hist()函数显示分布，画出频率分布直方图 ``` 正态分布的随机抽样 𐟓ˆ 接下来，我们看看从正态分布中随机抽样的情况。这里我们使用`rchisq()`函数生成服从卡方分布的随机数，并计算其均值。 ```R par(mfrow=c(2,2)) # 画2*2的图 n <- 2 repetitions <- 10000 xs <- c() for (i in 1:repetitions){ x <- rchisq(n, df=8) xs[i] <- (mean(x) - 8) / (sqrt(16) / sqrt(n)) } hist(xs, prob=T, breaks=30, col="blue", main="n=2", xlim=c(-5,5)) # hist()函数显示分布，画出频率直方图 curve(dnorm, add=T, lw=2, col="red") # curve()画出标准正态分布的函数曲线 ``` 总结 𐟓 通过这些例子，我们可以看到随机抽样和抽样分布的基本原理和操作方法。在实际应用中，了解这些概念可以帮助我们更好地理解和分析数据。

大样本P<0.05，正态吗？在统计学中，正态性检验（如Shapiro-Wilk检验或Kolmogorov-Smirnov检验）是判断样本数据是否符合正态分布的重要方法。当样本量较大时，检验的统计功效会增强，即使数据有微小的偏离正态分布也可能显著。那么，当样本量超过1000时，正态性检验结果显示P<0.05，是否意味着数据真的不满足正态分布呢？首先，我们来看看大样本量可能带来的影响。随着样本量的增加，检验的标准误差减小，使得检验统计量更容易达到显著性水平。这意味着即使是轻微的偏离也可能导致P值小于0.05。此外，根据中心极限定理，大样本量时（N=50），样本均值的分布趋近于正态分布，即使原始数据并不完全符合正态性。因此，即使样本数据存在偏离，样本均值的分布可能仍然近似正态。再来看看描述性统计。偏度（-0.003）和峰度（-1.212）接近于0，说明数据分布基本对称且相对平缓。偏度和峰度的标准误相对较小，说明偏离正态性的程度不大。此外，均值（M=4.06）和中位数（Mdn=4.00）接近，进一步支持数据的对称性，也表明数据无显著的偏态。 Q-Q图和拟合正态分布图也提供了类似的证据。正态Q-Q图和去趋势Q-Q图显示数据点基本接近于参考直线，这表明数据的大致分布符合正态性。若观察到数据点偏离直线的情况，多数在数据的极端部分，且偏离较小，说明总体分布趋势接近正态分布。拟合正态分布图也显示与标准正态分布曲线基本拟合，可认为服从正态分布。综合以上分析，可以认为数据的大致分布符合正态性。因此，在满足研究需要的情况下，可以认为该数据基本满足正态性假设。

多元回归分析：揭开数据背后的秘密𐟔 在多元回归分析的旅程中，我们已经掌握了估计参数的武器——OLS（普通最小二乘法）。现在，让我们踏入推断的殿堂，探索如何利用样本数据去推断总体特征，确保我们的发现不仅仅是个例，而是具有普遍意义。 4.1 𐟓Š OLS估计量的抽样分布：数据波动的规则 OLS估计量的抽样分布揭示了如果重复从总体中抽取样本并计算参数估计值，这些估计值将如何分布在真实参数周围。这一分布的形状、中心位置（均值）和分散程度（方差）对我们的推断至关重要。中心极限定理：在大样本的情况下，即使原始误差项不服从正态分布，OLS估计量的抽样分布也将趋近于正态分布。均值与真值一致：根据无偏性，OLS估计量的均值等于总体参数的真实值。方差与样本量相关：样本量越大，估计量的抽样分布就越集中，方差越小，说明估计的精确度越高。 4.2 𐟔젦〩ꌥ﹥•个总体参数的假设：t检验的力量在推断统计中，t检验是检验关于单个总体参数的假设（如回归系数是否为零）的常用工具。在多元回归框架下，t检验帮助我们判断模型中的某个系数是否显著不为零，即是否对因变量有显著影响。 t 统计量：t统计量计算公式为估计值减去假设值（通常是0），再除以该估计的标准误。自由度：t分布的形态取决于自由度，多元回归中自由度通常是样本量减去模型中参数的数量。临界值与p值：通过查表或计算得到t分布的临界值，与计算出的t统计量比较，或直接计算p值，来决定是否拒绝原假设。若p值小于事先设定的显著性水平（通常为0.05或0.01），则认为该系数显著不为零。实践中的考量多重检验问题：在同时检验多个系数时，需要考虑多重比较带来的错误累积问题，可采用Bonferroni校正等方法来调整显著性水平。效应大小：除了显著性，还应关注效应大小，如系数的绝对值，它体现了自变量变化对因变量影响的大小。置信区间：t检验的同时，构建参数的置信区间，可以提供参数真实值可能所在的范围，增强结果的解释力。通过本章的学习，我们掌握了如何从抽样分布出发，利用t检验这一强大工具，对多元回归模型的参数进行科学合理的推断。这些技能是深入分析数据、验证假设、以及做出有依据结论的基础。现在，你已具备了在计量经济学领域进行深入探索的钥匙，继续前进，发现数据背后的故事吧！𐟌Ÿ𐟔

专栏内容推荐

913 x 992 · png
Python统计学：如何理解样本统计量？_样本数量计算方法 python-CSDN博客
素材来自:blog.csdn.net
576 x 384 · jpeg
数据分析08_统计分析_双样本均值假设检验 - 知乎
素材来自:zhuanlan.zhihu.com

1080 x 810 · jpeg
第六章样本与统计量_word文档在线阅读与下载_免费文档
素材来自:mianfeiwendang.com
548 x 384 · png
学习笔记404—如何比较两个或多个分布：从可视化到统计检验的方法总结 - 何弈 - 博客园
素材来自:cnblogs.com

393 x 153 · png
Python统计学：如何理解样本统计量？_样本数量计算方法 python-CSDN博客
素材来自:blog.csdn.net
517 x 353 · png
应用统计学P2-总体和样本，参数和统计量_下面分别是样本统计量和总体参数的一组是-CSDN博客
素材来自:blog.csdn.net

2048 x 1083 · jpeg
推断统计 | 学习笔记 (全)_同质性检验的目的-CSDN博客
素材来自:blog.csdn.net

903 x 769 · png
Python统计学：如何理解样本统计量？_样本数量计算方法 python-CSDN博客
素材来自:blog.csdn.net
1920 x 937 · png
样本量计算，统计效力分析以及绘图--一个好用的小软件 - 知乎
素材来自:zhuanlan.zhihu.com

1230 x 658 · png
第二章统计学基础（二）_总体方差的合并估计量-CSDN博客
素材来自:blog.csdn.net

2048 x 821 · jpeg
推断统计 | 学习笔记 (全)_同质性检验的目的-CSDN博客
素材来自:blog.csdn.net

1024 x 768 · jpeg
样本量计算软件_如何计算样本量和统计检验力——G*Power软件_weixin_39547392的博客-CSDN博客
素材来自:blog.csdn.net
719 x 362 · png
【SPSS】频数分析和基本描述统计量详细操作教程（附实战案例） | AI技术聚合
素材来自:aitechtogether.com

992 x 806 · png
统计学笔记|数理统计知识点概要（1） - 知乎
素材来自:zhuanlan.zhihu.com
1024 x 768 · jpeg
样本量计算软件_如何计算样本量和统计检验力——G*Power软件_weixin_39547392的博客-CSDN博客
素材来自:blog.csdn.net

576 x 324 · jpeg
什么是样本统计量?_百度教育
素材来自:easylearn.baidu.com

1159 x 1258 · png
常见的样本统计量及其数字特征_样本与方差的数字特征-CSDN博客
素材来自:blog.csdn.net
1024 x 768 · jpeg
样本量计算软件_如何计算样本量和统计检验力——G*Power软件_weixin_39547392的博客-CSDN博客
素材来自:blog.csdn.net

600 x 240 · jpeg
参数与统计量的联系与区别是什么
素材来自:lie4.com

901 x 566 · jpeg
六西格玛:分析阶段配对T检验Paired t-test _讨教号
素材来自:toojiao.com
360 x 290 · png
怎么分析eviews 中F检验和T检验的结果-百度经验
素材来自:jingyan.baidu.com

1080 x 470 · png
A/B实验知识完整干货-CSDN博客
素材来自:blog.csdn.net

1080 x 810 · jpeg
第六章统计量及其抽样分布_word文档在线阅读与下载_无忧文档
素材来自:51wendang.com
1024 x 768 · jpeg
样本量计算软件_如何计算样本量和统计检验力——G*Power软件_weixin_39547392的博客-CSDN博客
素材来自:blog.csdn.net