单因素方差分析在数理统计中的应用.docVIP

单因素方差分析在数理统计中的应用 摘　要:在详细阐述单因素方差分析原理的基础上,通过两个具体的数学建模案例,说明单因素方差分系的应用及与假设检验的关系,并利用Matlab 实现了两个案例的求解。在数理统计的授课过程中,这种结合不仅能激发学生的学习兴趣,而且能培养学生自己动手、解决问题的能力。 关键词:单因素方差分析;数理统计;数学建模;应用;假设检验 0　引言 方差分析又称“变异数分析”或“F 检验”,是由R. A. Fisher 发明的,用于对两个及两个以上样本均数差别的显著性检验。单因素方差分析是检验在一种因素影响下,两个以上总体的均值彼此是否相等的一种统计方法。由于单因素方差分析的原理抽象、计算繁琐、导致教学枯燥无味。基于此,文中详细阐述了单因素方差分析的原理,通过两个具体的数学建模案例,说明单因素方差分系的应用及与假设检验的关系,并利用Matlab 实现了两个案例的求解。在数理统计的授课过程中,这种从理论到应用,再从应用到上机实现的过程,让学生体会到“学以致用”的真正含义,激发了学生的学习兴趣,同时也提高了学生的动手能力。 1　单因素方差分析原理 设单因素A 具有r 个水平,分别记为A1,A2,…,Ar ,在每个水平Ai (i =1,2,…,r)下,要考察的指标可以看成一个总体Xi (i =1,2,…,r)且Xi ~ N(μi ,σ2 ),水平Ai (i =1,2,…,r)下,进行ni 次独立试验,样本记为Xij ,i =1,2,…,r,j =1,2,…,ni ,Xij ~ N(μi ,σ2)且相互独立。1. 1　建立假设 假设检验为H0:μ1 = μ2 = …… = μr . ,备择假设为H1:μ1,μ2,…,μr 不全相等。 由于Xij - μi = εij ,记μ = Σni μi ,n = Σni . ,αi = μi - μ,i =1,2,…,r,则 数学模型为: Xij = μ + αi + εij ,i =1,2,…,r,j =1,2,…,ni Σni αi =0 εij ~ N(0,σ2),各个εij相互独立,μi 和σ2 未知 故原假设改写为: H0:α1 = α2 = …… = αr =0 (1) 1. 2　构造统计量 为了构造检验假设(1)的统计量,首先,需要找到引起Xij波动的原因。从Xij = μ + αi + εij中可以看出,若检验假设(1)为真,则Xij的波动纯粹是随机性引起的;若检验假设(1)为假,则Xij 的波动是由第i 个水平和随机性共同引起的。因而,需要构造一个量来刻画Xij 之间的波动,并把引起波动的上述两个原因用另外两个量表示,这就是方差分析中的平方和分解法。 记Xi?. = ΣXij , = ΣΣXij 引入ST = ΣΣ(Xij -)= ΣΣ(Xij -Xi?) + ΣΣ(Xi? -)= SE + SA 又因为SA = Σ(X -i? -X ) = Σ(αi + εi? -ε ) SE = ΣΣ =(Xij -Xi. )= ΣΣ(εij - εi?)。 若H0 成立,SA 只反映随机波动,若H0 不成立,SA 还反映了A 的不同水平效应αi 。单从数值上看,当H0成立时,SA / (r -1) SE / (n - r)≈1,而当H0 不成立时,这个比值将远大于1。可以证明:ST / σ2 ~ χ2 (n -1);SE / σ2 ~ χ2 (n- r);SA / σ2 ~ χ2(r -1),且SE 与SA 相互独立。 故构造统计量F = (n - r)SA/(r -1)SE ~ F(r -1,n - r)。 1. 3　对于给定的水平α,确定拒绝域 由于H0 不真时,SA 值偏大,导致F 值偏大。因此, 1)若F F1 - a (r -1,n - r)时,拒绝H0,表示因素A 的各水平下的效应有显著差异; 2)若F F1 - a (r -1,n - r)时,则接受H0,表示因素A 的各水平下的效应无显著差异。 1. 4　将实际数据代入统计量F 中,计算F 值(如表1)并对H0 作出接受或拒绝的判断 表1　单因素方差分析表 方差来源 平方和 自由度 均方和 F值 因素A SA r -1 MSA = SA/r -1 F = MSA/MSE 误差E SE n - r MSE = SE/n - r 总和T ST n -1 1. 5　Matlab 实现 处理均衡数据的用法为:p = anoval(x);处理非均衡数据的用法为:p = anova1(x,group),返回值p 是一个概率,当p α 时接受H0 2　数学建模案例在概率论与数理统计中的应用 2. 1　案例1 让4 名学生