统计学意义你好，
我仅有以下信息：
我有两组数据的故障率 (FR)。 实验集在 2500 个样本中有 4 个失败（FR：0.16％），而控制集在 35000 个样本中有 34 个失败（FR：0.097％）。 由于样本量差异如此之大，JMP 是否可以通过某种方式帮助确定这两个 FR 在统计上是否相似或不同？
谢谢。
拉维
回复：统计意义当然，这些计算器在处理汇总统计数据时非常有用。 也就是说，我们主要将它们用于课堂使用，并且您通常会通过使用本机 JMP 平台获得更多价值。回复：统计意义谢谢伊恩。
拉维
回复：统计意义谢谢朱利安。 这确实很有用。
我还可以使用“两个比例的假设检验”吗？
拉维
回复：统计意义做得很好回复：统计意义不知道是否有助于理解，但是这里有一些直接通过模拟获取pValue的JSL：
NamesDefaultToHere(1);
n1 = 2500; // Size of sample one
nf1 = 4; // Number of failures in sample one
n2 = 35000; // Size of sample two
nf2 = 34; // Number of failures in sample two
n = n1 + n2;
nf = nf1 + nf2;
nSim = 10000; // Number of simulations
np1 = J(nSim, 1, .); // Vector to hold the number of passes counted in sample one
// Randomly allocate nf failures to n units
for(s=1, s<=nSim, s++,
result$ = J(n, 1, 1); // All n units pass initially
result$[randomIndex(n, nf)] = 0; // Simulate nf failures at random
np1$ = VSum(result$[1::n1]); // Count the nummber of passes in sample one
np1[s] = np1$; // Store this result
);
// Now evaluate how extreme the observed number of passes, (n1 - nf1), is in relation to the
// reference distribution constructed under the null hypothesis of random allocation of
// failures to samples
np1Observed = n1 - nf1;
pValue = NRow(Loc(np1 <= np1Observed)) / nSim;
Print("Estimated pValue is "||Char(Round(pValue, 3)));回复：统计意义你好@拉维克,
有几种方法可以解决这个问题，但最直接的也许是卡方独立性检验，这是一种应急分析。 此测试是合适的，因为您拥有两个分类变量、一个分组变量和一个分类结果（成功或失败），并且您感兴趣的是观察到的两个组的分类结果的比例是否提供证据表明该过程生成各组的结果不同。您可以使用“分析”>“用 X 拟合 Y”来获得此检验。 但首先，您首先需要以特定方式输入数据（另附）：
我所做的就是获取您提供给我的数字并为其制作列团体,结果， 和氮，每个观测值的数量。 对于成功的数量，我只是将您给出的总数减去失败的数量。 接下来，我们运行“分析”>“用 X 拟合 Y”：
这里我已经投了结果在Y角色中，团体到 X，并且氮作为Freq，或发生频率。 当我们点击“确定”时，我们得到下面的输出（我隐藏了马赛克图，因为您观察到的失败频率非常低，以至于该图没有帮助）。 
我们感兴趣的 p 值是似然比或皮尔逊（经典卡方独立性检验），两者都在 p = ~0.30 左右，表明实验组和对照组过程中是否没有任何真正的差异，您在这些样本数据中观察到的故障比例差异（或更极端的差异）在对您所拥有的大小进行抽样时，大约有 30% 的时间会发生。 换句话说，没有非常令人信服的证据表明这些集合之间存在真正的差异。考虑到失败比例的巨大差异，这可能会令人惊讶；但是，考虑到总体故障数较低，很容易偶然观察到这种程度或更大的比例差异（这就是统计显着性检验直接告诉我们的）。
我希望这有帮助！
@朱利安
