风险报酬的风险报酬的计算

风险报酬有2种表示方法：
一是风险报酬额，所谓风险报酬额是指投资者因冒风险进行投资而获得的超过时间价值的那部分额外报酬。
二是风险报酬率，所谓风险报酬率是指投资者因冒风险进行投资而获得的超过时间价值率的那部分额外报酬率，即风险报酬额与原报酬额的比率。
在财务管理中，风险报酬通常用相对数——风险报酬率来表示，讲到风险报酬，一般是指风险报酬率。 风险报酬率是投资者因承担风险而获得的超过时间价值率的那部分额外报酬率，即风险报酬额与原投资额的比率。风险报酬率是投资项目报酬率的一个重要组成部分，如果不考虑通货膨胀因素，投资报酬率就是时间价值率与风险报酬率之和。
风险报酬率的计算：
(一)确定概率分布
在经济活动中，某一事件在相同的条件下可能发生也可能不发生，这类事件称为随机事件。概率就是用来表示随机事件发生可能性大小的数值。通常，把必然发生的事件的概率定为1，把不可能发生的事件的概率定为0，而一般随机事件的概率是介于0与1之间的一个数。概率越大就表示该事件发生的可能性越大。
(二)计算期望报酬率
随机变量的各个取值，以相应的概率为权数的加权平均数，叫作随机变量的期望报酬率，它反映随机变量取值的平均化。
期望报酬率：
式中：Pi ——第i种结果出现的概率
Ki——第i种结果出现后的预期报酬率
N——所有可能结果的数目
(三)计算标准差
表示随机变量离散程度的指标包括平均差、方差、标准差和全距等，最常用的是方差和标准差。
方差是用来表示随机变量与期望值之间离散程度的一个量。
方差：
标准差也叫均方差，是方差的平方根。
标准差：
(四)计算标准差系数(标准离差率)
标准差是反映随机变量离散程度的一个指标，它是一个绝对数，不能用于比较不同规模项目的风险大小。为了解决这个困难，我们引入标准差系数的概念。
标准差系数是标准差与期望值的比值。是用相对数表示的离散程度，即风险大小。
其计算公式为：
(五)计算风险报酬率
标准差系数虽然能正确评价投资风险程度的大小，但它还不是风险报酬率。要计算风险报酬率，还必须借助一个系数——风险报酬系数(风险报酬斜率)。风险报酬率、风险报酬系数和标准差系数(风险程度)之间的关系为：风险报酬率与风险报酬斜率、风险程度成正比。
风险报酬率=风险报酬斜率×风险程度
无风险报酬率加上风险报酬率就是风险调整贴现率(期望投资报酬率)。
风险调整贴现率=无风险报酬率+风险报酬率
风险报酬斜率的大小取决于全体投资者的风险回避态度，可以通过统计方法来测定，如果大家都愿意冒险，风险报酬斜率就小，如果大家都不愿意冒险，风险报酬斜率就大。无风险报酬率也就是货币的时间价值。 风险报酬额是绝对量的表现形式，是指投资者因冒风险进行投资而获得的超过时间价值的那部分额外报酬。具体体现为投资收益与预期收益的差额。
风险报酬额的计算：
在知道了风险报酬率后，可以用实际投资额求风险报酬额。
例：假设M股份公司的风险报酬率为211%，N股份公司的风险报酬率为759%。现在A公司持有M公司和N公司股票的金额分别为100万元与200万元，则：
A公司从M公司获得的风险报酬额为：100×211%=211（万元）
从N公司获得的风险报酬额为：200×759%=1518（万元）

风险报酬斜率（Sharpe Ratio）是一种衡量投资组合风险收益水平的指标，其计算公式为：
Sharpe Ratio = (Rp - Rf) / σp
其中，Rp表示投资组合预期收益率，Rf表示无风险利率，σp表示投资组合收益率的标准差。该指标的数值越高，表明在承担相同风险的情况下，该投资组合的收益率越高，因此越具有吸引力。需要注意的是，该指标的计算结果只是对投资组合进行了横向比较，并不能代表投资组合的绝对水平。

用最小二乘法求直线的斜率如下：

扩展资料：

直线斜率相关

当直线L的斜率不存在时，斜截式y=kx+b 当k=0时 y=b

当直线L的斜率存在时，点斜式y2—y1=k(X2—X1），

当直线L在两坐标轴上存在非零截距时，有截距式X/a+y/b=1

对于任意函数上任意一点，其斜率等于其切线与x轴正方向的夹角，即tanα。

斜率计算：ax+by+c=0中，k=－a/b

直线斜率公式:k=(y2-y1)/(x2-x1)

两条垂直相交直线的斜率相乘积为-1：k1k2=-1

当k>0时，直线与x轴夹角越大，斜率越大；当k<0时，直线与x轴夹角越小，斜率越小。

回归是指由一个 ( 或几个 ) 变数的变化来预测另一个变数的变化。预测的方法是通过回归方程来实现的，回归分析的方法在园艺植物的生产和科学研究中有着广泛的应用，如利用温度或雨量的变化，预测某种园艺植物的主要物侯期 ( 萌芽、开花 ) 、产量、品质以及病虫害发生，应用实生苗的某些性状，预测成年树的某些性状等。�
一、直线回归方程式�
将 x 与 y 两个变数的 n 对观察值 ( ) ， ( ) ，…… ( ) 分别以座标点的形式标记于同一直角座标平面上，作成散点图，如果这两个变数的 n 对观察值在散点图上呈线性，则说明两变数间的数量关系可用直线回归方程来表示。在解析几何上，表示一个平面上的任何直线方程的一般形式为：�
(101) �
上式称为“ y 依 x 的直线回归方程”， x 是自变数。 是和 x 的量相对应的依变数 y 的点估测值。 a 是 x=0 时的 值，也是回归直线在 y 轴上的截距，叫做回归截距。 b 是回归系数，表示 x 每增加一个单位， 平均将要增加 (b ＞ 0) 或减少 (b < 0) 的单位数。�
要使 成为实际资料的最佳线性配合，并满足预测要求，必须使离回归平方和 = 最小。�
为使 = 最小，需分别对 a 和 b 求偏导数，并令之为 0 ：�
则 :
简化以上二式，得一组联立方程式：
由方程式 (1) 得 (102) �
将 (102) 式代入方程式 (2) ，并展开、合并、移项后，得：
� （ 103 ）
（ 103 ）中的分子为 x 和 y 变数的离均差的乘积和 (sum of products) ，记作 SP 。
上述求解 a 和 b 的程序称为最小平方法。由此 a 和 b 构成的回归方程具有三个基本性质： 1 、 = 最小。 2 、 。 3 、当 时， ，回归直线必通过点 ( ) 。因为将 (102) 式代入 (101) 式后可得直线回归方程的另一常见形式为：� （ 104 ）
将 代如此式，得 。
由于 具有上述三个基本特征，所以该方程是实际资料的线性最佳配合。
二、直线回归方程式的计算及回归直线图�
例 10-1 ：表 10-1 为某砂梨品种 1983 年在江苏扬州盛花后天数与果实细胞数增长的关系，试建立回归方程：�
表 10-1 盛花后天数与梨果实细胞数
盛花后天数（ X ）
果实细胞数（
7
056
14
125
21
207
28
266
35
283
�
将例 10-1 的 5 对观察值做成散点图 ( 图 10-1) ，呈现较明显的直线趋势，果实细胞数随着盛花后天数的增加而增加。在建立该资料回归方程时，首先需计算出 6 个一级数据：
�
n=5 �
由 6 个一级数据可算得 5 个 2 级数据：�
�
将上述二级数据分别代入公式 (103) 和 (102) 得：
�
表 (10-1) 资料的直线回归方程为：�
此方程表明，在盛花后 7 天至 35 天这段时期，每天梨果实的细胞数可平均增加 850 × 10 个，回归截距 a 在此没有专业意义。如将该直线方程作图表示时，可把观察值中 x 的最小和最大值代入该方程式：�
当 x=7 时， ，当 x=35 时，
将 (7 ， 06840) 和 (35 ， 30640) 两座标点在图上连成一条直线，如图 (10-1) 所示。为验证这一方程式是否正确，根据前述直线回归方程性质 3 ，可将 代入方程式，如果 ，则一定正确。本例将 代入得：
�
由此，也可核对作图是否正确。
图 10-1 盛花后天数与梨果实细胞数增长的关系
在作回归直线图时，以 x 变数为横坐标， y 变数为纵坐标，并标明名称和单位。若不是以零起始的，要在近原点处划一折断号。划出直线图后，应将实际观察各点标明在图上，且将回归方程以及相关系数（或决定系数）分别标于直线的上方或下方。同时应注意，绘制的回归直线两端不要超出 x 变数的取值范围。
例 10-2 ：取粉皮冬瓜雌花谢花后7--11天的果实，测其果实纵径（ cm ），得结果于表 10-2 。试求直线回归方程。
表 10-2 粉皮冬瓜雌花谢花后天数与果实纵径关系
谢花后天数
7 8 9 10 11
果实纵径（cm）
143 168 172 176 185
按例 10-1 的计算方法可得：
得回归方程：
b= 092cm 表示该冬瓜雌花谢花后 7--11天内，每增长一天，果实纵径平均增加 092cm ； a=860 在此资料中有专业意义，表示雌花还未谢时（即将谢花），果实纵径平均为 860cm 。
三、直线回归方程估计标准误�
图 10-1 可见，由回归方程所得到的理论值 ，通常并不能和实际观察值 (y) 相吻合，但回归方程满足 = 最小这一基本性质。因此， 是各个 上 y 总体平均数的最好估计，这就如同在一个变数的随机样本中， 的代表性要比任一观察值 更为合理。由于在回归模型中，各个 上都有一个 y 总体分布，为了衡量回归方程的预测精确度，必须了解这些 y 总体分布的标准差或变异度。这个标准差或变异度的统计数叫做直线回归的估计标准误，也称离回归标准差，记作 ，计算公式为：�
（ 105 ）
的意义在于各观察值 (y) 与预测值 ( ) 愈接近，即各散点愈近于回归直线， 愈小，如果散点均落在直线上，则 = 0 ；反之，离开回归直线愈远，则 愈大。
公式 (105) 中， Q 称为离回归平方和或剩余平方和。因为各散点的 y 值与对应预测值 ( ) 的差异 ( ) ，其值有正有负， ，故须将各 ( ) 先平方，再累加起来，这与计算单变数样本平方和的道理是一样的。由于在建立直线回归方程时，用了 a 和 b 两个统计数，故 的自由度应为 =n-2 。�
由于用 直接计算 Q 时，步骤多而繁锁，加之如保留末位数不够，易产生较大计算误差，常采用以下恒等式计算：
因
故 （ 106 ）
(107)
(108)
上述三个公式中，以（ 106 ）式的计算结果最为精确，因为（ 106 ）式中均使用二级数据，而公式（ 107 ）和（ 108) 中，不仅使用了二级数据，也使用了三级数据，而三级数据往往因小数点后保留的末位数不足，影响到 Q 值的精确度，故实际计算 Q 值时，以使用公式（ 106 ）为好。�
例 10-3 ：试计算表 10-1 和表 10-2 资料的直线回归估计标准误�
由表 10-1 资料已计算出：
=36861 =4900000 SP=416500 �
代入公式（ 106 ）得：�
Q=36861-
将 Q=01459 代入公式 (105) 得：�
（ 个）
上述计算说明：用回归方程 =00890+00850X 表示盛花后天数与果实细胞数之间的回归关系，有一个 =02205 的估计标准误。
由表 10-1 资料已计算出：
=9908 =10 SP=9200 �
Q=9908
= (cm)
=0694 说明由 =860+092x 估测果实纵径 y 时，有一个 =0694 的估测标准误。
的统计意义是：在 ± 区间内，可期望包括 6827% 的 y 观察值；在 ± 2 区间内，可期望包括 9545% 的 y 观察值；在 ± 3 区间内，可期望包括 9973% 的 y 观察值；在 ± 196 区间内，可期望包括 95% 的 y 观察值；在 ± 258 区间内，可期望包括 99% 的 y 观察值。
四、直线回归模型
在双变数资料中，观察值 的直线回归数学模型为：
(109)
( )
因 ，上述模型也可写为：
(1010) �
且有：
上面式中， 为 y 在各 上正态分布的总体平均数，其样本估计值为 ； 和 分别为 y 和 x 两变数的总体平均数，样本估计值是 和 ，α和β是直线回归总体的回归截距和回归系数，样本估计值分别是 a 和 b 。
本章所述直线回归分析，是建立在 (109) 式 (1010) 基本之上的。了解建立回归模型的两个基本前提，有助于正确地进行回归分析。�
1 在可能取值区间内，任一 x 值上都存在着一个 y 变数的正态分布总体， x 是没有误差或误差很小的固定变数， y 是随机变数。如果 x 和 y 都是随机变数，则为相关模型。�
2 各 上的所有 y 总体都服从 的正态分布。即 y 变数有共同的方差 （ ），而总体平均数 ，则随 x 的不同而呈直线变化，变化关系为：�
(1011) �
在实际应用回归分析时，完全满足上述两个前提的资料并不多见。比如 x 是没有误差或误差很小的固定变数就不易满足；在每一固定的 x 上的 y 总体都属于等方差且平均数呈线性这个条件亦不易满足。因此，直线回归分析结果大多是近似的。一般情况下，当 x 的各个水平皆可控时 ( 这在经过设计的试验中是常遇的，例如肥料试验，各种施肥量是固定可控的 ) ； x 和 y 具有自变数和依变数的关系时；需要由 x 预测 y 时，可以选用回归模型，
五、直线回归的显著性测验�
任何一个双变数资料，若其总体并不存在直线回归关系，但对所属的一个随机样本资料，利用上述方法，仍可建立一个直线回归方程。为了确定是否有真实的直线回归关系，一是需要有关专业知识提供理论基础，二是必须测定该样本来自无直线回归关系的总体的概率大小，当这种概率 P ＜ 005 时，我们才能冒较小的危险，确认其所属总体存在着真实的直线回归关系，这就是直线回归的显著性测验，其测验方法可利用 F 测验或 t 测验进行。�
1 、 F 测验�
已知公式 104 为：
�
则
等式两边平方，累加得：�
移项得：�
(1012)
恒等式 (1012) 亦可写为：�
（ 1013 ）
�
上式中， 是方差分析中，经常使用的离均差平方和 ( ) ， df=n-1 ； 则是前述的离回归开方和 (Q) ，它与 b 和 X 的变化无关，实际上是回归方程估计误差平方和， = n-2, 离回归均方 ； 是由回归系数 b 的效应和 X 的变化而占有的平方和，故称之为回归平方和，记作 U ，具自由度 dfu=(n-1)-(n-2)=1 ，回归均方 为：�
(1014)
（ 1013) 式表明，在双变数资料中， y 变数的离均差平方和可分解为回归平方和 (U) 和离回归平方和 (Q) 两部分。因此，如果 y 的变化和 x 的变化无关，说明两变数间无直线回归关系， ，则 = ， 是 y 变数的最适合代表值，如果 y 的变化和 x 的变化有关，则 U 值必须显著大于离回归均方 ，表明用 表示 y 变数，要比用 表示更为合理。�
由于回归均方和离回归均方的比值遵循 的 F 分布，则由：�
(1015) �
可测验直线回归的显著性�
例 10-4: 测验表 10-1 资料回归关系的显著性。�
在例 10-1 和 10-3 已算得， =36861 ， Q=01459 �
则 U= - Q =36861-01459=35402
：盛花后天数与梨果实细胞数的增长之间无直线回归关系， ：有直线回归关系方差分析于表 10-3 �
表 10-3 例 10-1 资料回归关系显著性测验�
变异来源
df
SS
MS
F
回 归
离回归
1
3
35402
01459
35402
00486
72844
1013 3412
总变异
4
36861
因表 10-3 得到 F=72844 ＞ =3412 ，故否定 ，推断表 10-1 资料有极显著的直线回归关系。�
2 、 t 测验�
这是测验样本回归系数 b 来自β =0 总体的概率大小，如果这种概率 P ＜ 005 ，我们则可以较小的风险，确认该样本所属总体存在着直线回归关系，反之，则认为该样本所属总体无直线回归关系。从统计意义上看，回归系数的显著性测验，实际上也是对回归关系的显著性测验。与样本平均数显著性测验时，需首先计算出平均数的标准误 一样，对回归系数进行 t 测验时，也需计算出回归系数的标准误 。即：
� (1016) �
则 或 (1017) �
遵循 df=n-2 的 t 分布。测验时的假设是 ：β =0 ， ：β≠ 0 ，如｜ t ｜＜ ,
接受 ；｜ t ｜≥ ，则否定 ，接受 。�
例 10-5: 利用 t 测验，对表 10-1 资料进行直线回归显著性测验。�
假设 ：β =0 ， ：β≠ 0 �
已知： b=00850 ， Q=01459 ， =4900000 �
由公式 (1016) 和 (1017) ，得：
�
查 t 值表， df =3 时， =3183 ， , ｜ t ｜ =85341 ＞ ，则否定 ，接受 ，表 9-1 资料存在着极显著的直线回归关系。�
例 10-4 和例 10-5 的 F 测验和 t 测验结果均表明，表 10-1 资料存在极显著的直线回归关系，而且两种测验方法的结果具 F= 的关系。因为就直线回归而论，回归系数的显著性测定实际上就是对回归关系的显著性测定，只不过后者是用 F 测验，而前者是用 t 测验，两者所得结论相同。当处理均方（大均方）自由度 df 1 为 1 时，不论误差均方自由度 df 2 为何值， F 与 t 均有一定关系：即 F= 这一规律。其数学证明如下：�
六、直线回归的区间估计
由于直线回归方程 皆由随机样本资料而得，必然存在着抽样误差。因此，由回归方程给出的点估计的精确性受到 和 a 、 b 误差大小的影响。合理的方法是考虑到抽样误差的影响，进行区间估计。
（一）、回归截距和回归系数的置信区间
总体回归截距 是 x=0 时的 （ y 总体平均数），样本回归截距 a 则是 x=0 时的 的估计值 ，所以 a 的标准误 ，就是 x=0 时的 。
（ 1024 ）
并且 是遵从 df=n-2 的 t 分布。因此对于截距 的 1- 置信区间为：
（ 1025 ）
b 的标准误见公式（ 1016 ），根据（ 1017 ）可得 的 1- 置信区间为：
[ ] （ 1026 ）
上述对于 和 的置信区间可在两种情况下应用： ① 当 a 、 b 具有专业上的实际意义时； ② 当需要测验 a 或 b 与某一理论值的差异显著性时（若预定的理论值不包括在置信区间内，为差异显著，反之为不显著）。
例 10-7 ：计算表 10-1 资料所得的 b 的总体回归系数 的 95% 置信度的区间。
前面已算得： n=5 df=3
P=95% 时： （ ）
（ ）
所以 的 95% 置信度的区间为： 00533 ≤ ≤ 01167
此区间说明：该梨品种在盛花后 天内，其果实细胞数平均每天增长在 （ ）之间 , 这一推断的置信度为 95% 。
( 二 ) 、各 上的总体平均数 的置信区间
在直线回归模型中，任一 上均存在一个正态分布的 y 总体，而我们只能利用直线回归方程 ，由 估计各 y 正态总体的平均数 。如前所述，这一估计的精确度必然受到 和 b 的抽样误差的影响。 的标准误为：
（ 1027 ）
因为 服从 df=n-2 的 t 分布，则包含 的 置信区间为：
[ ] （ 1028 ）
例 10-8 ：用表 10-1 资料，计算盛花后天数 x=10 时，果实平均细胞数（ ）的 95% 的置信区间。
前面已算得：
直线回归方程： ，将 x=10 代入方程得： =09390
由公式（ 1027 ）得：
当 df=3 时， ，根据（ 1028 ）式算得：
（ 个）
所以： 04698 ≤ ≤ 14082
此区间的意义是：盛花后 10 天，该梨品种果实细胞数的总体平均数的置信区间是 （ 个），此推论的置信度为 95% 。
（三）、各 上的总体观察值 的预测区间
在园艺植物生产和科学研究实践中，常常不仅需要了解总体参数的置信区间，有时还希望知道总体观察值的存在区间。例如在研究某地春季雨量和梨锈病的侵染期的回归关系时，知道总体平均侵染时期固然重要，但从防治工作来看，了解其侵染期最早年份会在何时，最迟年份有多在何时？其价值将更大。双变数资料可利用直线回归模型，对 x 为某一值时， y 总体观察值的存在范围进行预测。
y 的标准误 为：
（ 1029 ）
而 近似服从 df=n-2 的 t 分布，故保证概率为 的 y 的预测区间为：
[ ] （ 1030 ）
例 10-9 ：用表 10-1 资料，计算盛花后天数 x=10 时，保证概率为 95% 的 y 的预测区间。
将例 10-8 中已知的的数据代入公式（ 1029 ）得：
上面算得： x=10 时， =09390
当 df=3 时， ，根据（ 1030 ）式算得：
（ 个）
此区间说明：盛花后 10 天，该梨品种果实细胞数观察值 y 的预测区间是 （ 个），可靠度为 95% 。
上述置信区间和预测区间的统计概念是不同的。置信区间是用于推断总体参数（常量），如 等的存在区间；预测区间则是 用于推断某一变量，如 的变化范围。
由公式（ 1027 ）和 (1029) 可见， x 值越大， 和 也越大，推断区间的精确度越差；但 n 和 愈大， 和 愈小，推断区间的精确度提高。因此，增大观察值对数（ n ）和扩大 x 变数的范围（ 也增大）是提高回归估计精确度的重要手段。

年龄均数和方差怎么算的
#include"stdioh"#include"mathh"#defineN100voidmain(){inta[N],n,i;floataver,s;floatsum=0,e=0;printf("请输入样本量：");scanf("%d",&n);printf("请输入%d个样本：",n);for(i=0;i
置信区间单峰问题
a=001, Za = -2326

a=005, Za = -1645

a=01, Za = -1282
很多软件都能算啊。

具体你的问题应该是：

152 + (42/√49) Za

所以 a=001 下限为 138

a=005 142

a=01 144

如果你Za用正数，那表达式里加号改成减号就行了。
知道最大年龄和最小年龄和方差如何计算平均年龄
取不到！ 平均年龄是由人数和所有人年龄的总数决定的 平均年龄＝年龄总数/人数 平均指标是一个反映总体情况的指标 只掌握个体信息是无法取到滴！
标准差计算
求出平均值，然后用这个值去减去每一个样本的值，将得到的差平方，在把它们全部加起来，将这个和除以(样本数-1),然后开根就可以了。

结果是206329
平均值加减标准差表示的是什么
平均值的标准偏差是相对于单次测量标准偏差而言的，在随机误差正态分布曲线中作为标准来描述其分散程度：

在一定测量条件下（真值未知），对同一被测几何量进行多组测量(每组皆测量N 次)，则对应每组N 次测量都有一个算术平均值，各组的算术平均值不相同。不过，它们的分散程度要比单次测量值的分散程度小得多。描述它们的分散程度同样可以用标准偏差作为评定指标。根据误差理论，测量列算术平均值的标准偏差σχ 与测量列单次测量值的标准偏差σ 存在如下关系

σχ=σ /√n

----------------------

单次测量标准偏差：（贝塞尔公式计算）见

残余误差νi 即测得值与算术平均值之差

N：测量次数
统计学计算题，试求所有投保人平均年龄的置信区间（1- =90%）。
（395-16472/根号下36, 395+16472/根号下36）
直线回归方程中截距的标准差怎么求 [理工科]
您好！

一、直线回归方程的意义 计算出相关系数后，如果r显著，且又需要进一步了解两变量中一个变量依另一个变量而变动的规律时，则可进行回归分析。“回归”是个借用已久因而相沿成习的名称。若某一变量（Y）随另一变量（X）的变动而变动，则称X为自变量，Y为应变量。这种关系在数学上被称为Y是X的函数，但在医学领域里，自变量与应变量的关系和数学上的函数关系有所不同。例如成年人年龄和血压的关系，通过大量调查，看出平均收缩压随年龄的增长而增高，并且呈直线趋，但各点并非恰好都在直线上。为强调这一区别，统计上称这是血压在年龄上的回归。直线回归分析的任务就是建立一个描述应变量依自变量而变化的直线方程，并要求各点与该直线纵向距离的平方和为最小。按这个要求计算回归方程的方法称为最小平方法或最小二乘法。所建立的方程是一个二元一次方程式，其标准形式是：=a+bX(95) 式（94）为由X推算得来的Y值，即Y的估计值：a称为截距，它是当X=0时的 值，即回归直线与纵轴的交点：b称为回归系数，它是回归直线的斜率，其含意是当X每增加一个单位时， 相应增（或减）b个单位。当a与b求得后，直线回归方程就确定了。

二、直线回归方 程的计算法 仍以表91资料为例，根据前面的相关分析以及医学上有关凝血的机理，可知凝血时间依凝血酶浓度而异，且有密切的关系。因此可进一步作由凝血酶浓度（X）推算凝血时间（Y）的回归方程。求直线回归方程的步骤如下：1．列回归计算表（见表91），计算∑X、∑Y、∑X2、∑Y2、∑XY。2．计算X、Y、∑(X-X)2、∑(X－X)(Y-Y)X=∑X/n=151/15=101Y=∑Y/n=222/15=1480∑(X-X)2=∑X2-(∑X)2/n=02093∑(X-X)(Y-Y)=∑XY-∑X·∑Y/n=-178003．计算回归系数b和截距a。b和a两值计算公式均是根据最小二乘法的原理推算出来的，其公式如下：（95） a=Y-bX（96）本例b=-17800/02093=-85045a=1480-(-85045)(101)=2338954．列出回归方程，绘制回归直线，将求得的b和a的值代入到式（94），即得所求的回归方程：=233895-8504X 在凝血酶浓度的实测范围内，即X=08到X=12之间，任选两个X值（一般选相距较远且直角座标系上容易读出者），代入此回归方程，即得相应的两个值。例如： 取　X1=08，则1=233895-85045×08=1659, X2=12　则2=233895-85045×12=1318。 连接（08、1659）和（12、1318）两点所得直线，即为由凝血酶浓度推算凝血时间的回归直线（见图99）。须注意回归直线必通过（χ，y ）点，并穿过观察点群，直线上下各有一些点散布著，否则计算有误。

检出限除了与分析中所用试剂和水的空白有关外，还与仪器的稳定性及噪声水平有关。在灵敏度计算中没有明确噪声的大小，因而 *** 作者可以将检测器的输出信号，通过放大器放到足够大，从而使灵敏度相当高。

用户须考虑噪声这一参数，将产生两倍噪声信号时，单位体积载气或单位时间内进入检测器的组分量称为检出限。则：D = 2N / S。

扩展资料：

注意事项：

P17-A以标准文件的形式提出了有关LoD较完整的定义和实验方法，克服了LLD、BLD和FS的不足，建议临床实验室应以EP17-A文件验证或建立方法的LoD，但在LoQ的实验中，限于具有参考值的低浓度样品很难获得，无法评估低浓度样品测定值与参考值的偏移，此时评估方法的FS仍有其实际意义。

厂商在新开发或注册的产品中应按照EP17-A文件要求提供LoD的定义、实验和统计方法，便于实验室对其进行验证。目前绝大多数厂商还未使用EP17-A文件给出检验方法的LoB和LoD，实验室在验证厂商声明时，应认真查阅厂商试剂说明书，按照厂商声明的实验和统计方法选择限值并进行验证。

参考资料来源：百度百科-检出限

方差 = ∑(yi - ŷi)^2 / (n - 2)

在进行线性回归分析时，一个重要的问题是如何估计斜率参数的方差。用最小二乘法(OLS)估计斜率参数时，可以使用以下公式来计算斜率参数的方差：方差 = ∑(yi - ŷi)^2 / (n - 2)其中，yi是观测值，ŷi是估计值，n是样本大小。在这个公式中，有三个成分对斜率参数的方差产生影响：残差平方和(∑(yi - ŷi)^2)：如果残差平方和较小，则斜率参数的方差较小；如果残差平方和较大，则斜率参数的方差较大。样本大小(n)：如果样本大小较大，则斜率参数的方差较小；如果样本大小较小，则斜率参数的方差较大。自变量的变化范围(X的变化范围)：如果自变量的变化范围较大，则斜率参数的方差较大；如果自变量的变化范围较小，则斜率参数的方差较小。总的来说，如果要降低斜率参数的方差，可以通过减小残差平方和、增大样本大小、减小自变量的变化范围来实现。

3 Real-time qPCR定量方法
可以分为绝对定量和相对定量。绝对定量是用一系列已知浓度的标准品制作标准曲线，在相同的条件下目的基因测得的荧光信号量同标准曲线进行比较，从而得到目的基因的量。该标准品可以是纯化的质粒DNA，体外转录的RNA，或者是体外合成的ssDNA。相对定量可以分为比较Ct法和其他一些相对方法。比较Ct指的是通过与内参基因Ct值之间的相差来计算基因表达差异,也称之是2-DDCt 。
31绝对定量
从标准曲线获得线性方程：
Y=-3432X+34638;R2= 0995, E=95%，所以可以进行数据分析。
如果未知样品的 Ct=25，
代入方程： 25=-3432X+34638,
所以： X=28
Copies=10^28
322-DDCt定量
2-DDCt方法使用的前提是内参和目的基因的扩增效率接近100%，且相差不超过5%。所用公式如下：
2-DDCt=2-[(Ct目的基因-Ct内参基因)]处理组-[(Ct目的基因-Ct内参基因)]对照组
=2-[E-F]处理组-[A-B]对照组=2(F-B)-(E-A)
比如Cdk5在处理前和处理后样品中的Ct平均值是25和221；内参GAPDH在处理前和处理后样品中的Ct平均值是182和183那么处理所致倍数变化(fold change)应该是
=2-[(221-183)]处理组-[(25-Ct182)]对照组=23=8
也就是处理造成Cdk5表达增加了7倍。
如果是目的基因和内参基因的扩增效率相差比较大，可以用扩增效率进行校正，也就是Pfaffl方法。所用公式如下：
处理所致倍数变化(fold change)= C(A-E)/D(F-B)
扩增效率（E）=10-1/斜率(理想的PCR扩增效率=2)
百分比表示为：e%=(E-1)×100%
同时是上面例子，如果Cdk5的扩增效率是70%；GAPDH的扩增效率是95%，那么处理所致的倍数变化（fold change）应该是
=（17）（25-221）/(195)(183-182)
=436
即处理造成Cdk5表达量增加了336倍。

---