生物统计复习题集..doc

生物统计复习题集 名词解释（带*的要举例说明） 精确度 抽样分数 小区 成对数据* 统计数*简单效应 整群抽样* 频率 空白试验 单因素试验* 随机误差 参数* 样本* 试验方案 多因素试验* 无效假设* 总体* 置信距 小概率的实际不可能性原理 综合性试验准确度 水平* 局部控制 接受区域 处理* 分层随机抽样 因素* 标准方* 互作 自由度主效 小区 T2/(nk) 置信系数* 成组数据* SP 二项分布* 无偏估计值 标准方* 极差* 判断题（下列各题，你认为正确的打“?”，错误的打“×”） F分布的平均数μF＝0。 LSDα法用同一标准测验不同平均数间的差异显著性。 LSD法比SSR法显著尺度高些，犯第一类错误的概率大些。 LSD法的实质是t测验。 Sy/x表示了回归的精度，其值越小，回归精度越高。 u=0，σ2 =1的正态分布即标准化正态分布。 χ2分布是连续性而非间断性分布。 标准差即方差的正平方根，又称为标准误。 成对数据两样本差数平均数比较一般用t测验。 成对数据试验一般比成组数据试验具有较高的精度。 成对数据是假定各个配对的差数来自差数的分布为正态的总体，每一配对的两个供试单位是彼此独立的。 成组数据是假定两个样本均来自具有共同或不同方差的正态的总体，两个样本的各供试单位是彼此独立的。 抽样分布是统计数的分布，而非观察值的分布。 处理百分数或成数资料要用二项总体的样本平均数分布；处理性状出现次数的资料要用二项分布。 次数分布图中条形图适于表示连续性变数资料。 从一正态分布中进行抽样分布试验，可证明样本平均数、样本方差和样本标准差分别是总体平均数、总体方差和总体标准差的无偏估计值。 当二项百分数资料的平均数P＜0.3或P＞0.7时，如欲进行方差分析，须先将资料进行平方根转换。 当土壤肥力分布未知时，应采用正方形小区。 当样本个数k＝2时，LSD法和SSR法显著尺度相同；当样本个数k=3时，LSD法比SSR法显著尺度低些，犯第一类错误的概率大些。 当样本个数k≥3时，采用t测验或U测验进行两两比较采用方差分析将使犯α错误的可能性增大。 当样本容量n和显著水平α一定时，真总体平均数μ和假设平均数μ0的相差(以标准误为单位)越大，则犯第二类错误的概率β减少。 当样本容量n一定时，显著水平?从0.05升高到0.01，犯第二类错误的概率?减小。 当样本容量n一定时，显著水平α从0.05升高至0.01，犯第二类错误的概率β增加。 当样本数k=2时，LSD法和LSR法的显著尺度相同；当样本个数k≥3时，LSD法比SSR法显著尺度高些，犯第一类错误的概率小些。 调查水稻秧田害虫密度，在面积法、行列法和株穴法中，抽样单位以株穴法为最好。 对同一试验方案，采用完全随机实验设计比采用随机区组实验设计可减少试验误差。 二项分布是间断性变数的理论分布。 二项分布是连续性变数的理论分布。 方差分析中算得的F＞1时，表示处理效应显著。 假设测验的第二类错误是假设本是错误的但通过假设测验却接受了它，即把真实效应看成是试验误差。 假设测验的第二类错误是假设本是正确的但通过假设测验却否定了它，即把试验误差看成是真实效应。 假设测验的第一类错误是假设本是错误的但通过假设测验却接受了它，即把真实效应看成是试验误差。 假设测验的第一类错误是假设本是正确的但通过假设测验却否定了它，即把真实效应看成是试验误差。 将成对数据按照成组数据的统计分析方法进行显著性测验是可行的。 精确度可以计算而准确度不能计算。 据双变数资料建立回归方程后，必须进行回归关系的假设测验。 空白试验就是什么作物都不种，通过观察杂草生长状况和分布来判定土壤肥力。 两个变数间的关系若具有原因和结果的性质，则定义原因变数为自变数。 两样本总体方差未知，但可假设?21=?22＝?2 ，且又为小样本时，用t测验。 两样本总体方差已知或未知但为大样本时，用t测验。 每穗水稻小穗数、每穗粒数和每穗粒重这些数量性状都属于间断性变数。 如果总体内主要变异明显来自占较大面积的地段间，应采用分层抽样；如果主要来自地段内各单位之间或来自较小面积的地段间，应采用整群抽样。 如果总体内主要差异明显来自占较大面积的地段间，应采用整群抽样；如果主要来自 地段内各单位之间或来自较小面积的地段间，应采用分层抽样。 如将成对数据按成组数据的方法比较，易使统计推断发生第一类错误。 若在1－的置信度下，两个置信限同为负号，则接受无效假设。 三个或三个以上的样本平均数的假设测验必须采用t测验。 随机区组试验设计中，小区内应具有较小土壤差异，而小区间可有较大的土壤差异。 田间试验中划分区组的原则是区组内土壤肥力应尽可能一致，而不同区组间可存在较大的土壤肥力差异。 通过相关模型由X