体育统计学课件(1-8章)12.14预案.ppt

方差分析中的多重比较（基于统计量?xi-?xj的LSD方法） 通过判断样本均值之差的大小来检验 H0 检验的统计量为 ：?xi – ?xj 检验的步骤为 提出假设 H0: mi mj 第i个总体的均值等于第j个总体的均值 H1: mi ? mj 第i个总体的均值不等于第j个总体的均值 计算LSD 若|?xi-?xj| ? LSD，拒绝H0， 若|?xi-?xj| LSD ，不能拒绝H0 方差分析中的多重比较（实例） 根据前面的计算结果: ?x1 27.3;?x2 29.5; ?x3 26.4;?x4 31.4 提出假设 H0: mi mj ；H1: mi ? mj 计算LSD 方差分析中的多重比较（实例） |?x1-?x2| |27.3-29.5| 2.2 2.096 颜色1与颜色2的销售量有显著差异 |?x1-?x3| |27.3-26.4| 0.9 2.096 颜色1与颜色3的销售量没有显著差异 |?x1-?x4| |27.3-31.4| 4.1 2.096 颜色1与颜色4的销售量有显著差异 |?x2-?x3| |29.5-26.4| 3.1 2.096 颜色2与颜色3的销售量有显著差异 |?x2-?x4| |29.5-31.4| 1.9 2.096 颜色2与颜色4的销售量没有显著差异 |?x3-?x4| |26.4-31.4| 5 2.096 颜色3与颜色4的销售量有显著差异 体育统计学 第八章 相关分析 变量间的关系（函数关系） 是一一对应的确定关系 设有两个变量 x 和 y ，变量 y 随变量 x 一起变化，并完全依赖于 x ，当变量 x 取某个数值时， y 依确定的关系取相应的值，则称 y 是 x 的函数，记为 y f x ，其中 x 称为自变量，y 称为因变量 各观测点落在一条线上 ? ? ? ? ? ? ? ? ? x y ? 函数关系的例子 圆的面积 S 与半径之间的关系可表示为： S ? R2 某种商品的销售额 y 与销售量 x 之间的关系可表示为： y p x p 为单价 变量间的关系（函数关系） 变量间的关系（相关关系） 变量间关系不能用函数关系精确表达 一个变量的取值不能由另一个变量唯一确定 当变量 x 取某个值时，变量 y 的取值可能有几个 各观测点分布在直线周围 ? ? ? ? ? ? ? ? ? x y ? 相关关系的例子 父亲身高 y 与子女身高 x 之间的关系 家庭收入状况 y 与体育消费 x 之间的关系 体育用品销售额 y 与广告费支出 x 之间的关系 收入水平 y 与受教育程度 x 之间的关系 变量间的关系（相关关系） 相关关系的类型 相关关系 非线性相关 线性相关 正相关 正相关 负相关 负相关 完全相关 不相关 相关关系的图示 ? ? ? ? ? ? ? ? ? ? ? ? 不相关 ? ? ? ? ? ? ? ? ? 负线性相关 ? ? ? ? ? ? ? ? ? 正线性相关 ? ? ? ? ? ? ? ? ? ? ? ? 非线性相关 ? ? ? ? ? ? ? 完全负线性相关 完全正线性相关 ? ? ? ? ? ? ? ? ? 相关系数 对变量之间关系密切程度的度量 对两个变量之间线性相关程度的度量称为简单相关系数或积差相关系数。 若相关系数是根据总体全部数据计算的，称为总体相关系数，记为? 若是根据样本数据计算的，则称为样本相关系数，记为 r 简单相关系数（积差相关系数） ? 样本相关系数的计算公式 或化简为 相关系数取值及其意义 r 的取值范围是 [-1,1] |r| 1，为完全相关 r 1，为完全正相关 r -1，为完全负正相关 r 0，不存在线性相关 -1 ? r 0，为负相关 0 r ? 1，为正相关 |r| 越趋于1表示关系越密切； |r| 越趋于0表示关系越不密切 -1.0 +1.0 0 -0.5 +0.5 完全负相关 无线性相关 完全正相关 负相关程度增加 r 正相关程度增加 相关系数取值及其意义 方差分析的基本思想和原理（几个基本概念） 试验 这里只涉及一个因素，因此称为单因素四水平的试验 总体 因素的每一个水平可以看作是一个总体 比如A1、A2、A3、 A4四种颜色可以看作是四个总体 样本数据 上面的数据可以看作是从这四个总体中抽取的样本数据 1. 比较两类误差，以检验均值是否相等 2. 比较的基础是方差比 3. 如果系统 处理 误差显著地不同于随机误差，则均值就是不相等的；反之，均值就是相等的 4. 误差是由各部分的误差占总误差的比例来测度的 方差分析的基本思想和原理 方差分析的基本思想和原理（两类误差） 随机误差 在因素的同一水平 同一个总体