生物统计第4章 统计推断.pptVIP

4.1 单个样本的统计假设检验 4.2 两个样本的差异显著性检验 总体与样本之间的关系 从总体到样本的研究。 由样本推断总体：样本统计量的分布规律一般是正态分布、t 分布、?2分布和F分布。 对总体做统计推断的两种途径，应用时可互相参照使用 先对所估计的总体做一假设，然后通过样本数据推断这个假设是否接受，这种途径称为统计假设检验(statistical test of hypothesis) 通过样本统计量估计总体参数，称为总体参数估计 (estimation of population parameter) 本章重点讲解统计推断的一般原理以及对总体平均数及标准差的推断。 4.1.1 一般原理及两种类型的错误 假设 零假设，记为H0，如果假设总体的平均数μ等于某一给定的值μ0，即μ-μ0=0记为H0：μ- μ0= 0 备择假设—与零假设相对的假设记为HA它是在拒绝H0的情况下，可供选择的假设如HA： μ＞μ0 ，HA： μ＜μ0 及 HA ：μ≠ μ0。备择假设的选定视实际情况而定。 在一次试验中，几乎是不会发生的，若根据一定的假设条件计算出来的该事件发生的概率很小，而在一次试验中它竟然发生了，则可认为原假设条件不正确，给予否定。 在生物统计的显著性检验中，通常取5%或1%小概率为显著性水平，记为“?” 例：用实验动物作实验材料，现从一批动物中抽取含量n = 10的样本并已经计算出平均值为10.23 g。要求动物满足平均体重? =10.00 g，? = 0.4 的正态分布总体，若? 10.00 g须再饲养，若? 10.00 g则应淘汰，问此批动物材料是否合适？ 解：1 样本平均数满足何种分布？ 上尾检验(upper tailed test)：拒绝H0后，接受? ?0，如下左图。 下尾检验(lower tailed test)：拒绝H0后，接受? ?0 ，如下右图。 双侧检验(two-sided test)：拒绝H0后，接受 ? ? ?0 ，如下图。 由于单侧检验时利用了已知有一侧是不可能的这一条件，从而提高了它的辨别力，所以单侧检验比双侧检验的辨别力更强些。 Ⅰ型错误：假设是正确的，却错误地拒绝了它。犯Ⅰ型错误的概率不会大于? 。（以真为假） Ⅱ型错误：当? ? ?0但错误地接受了? = ?0的假设时所犯的错误。（以假为真） 当?1越接近于?0时，犯Ⅱ型错误的概率愈大；当?1越远离?0时，犯Ⅱ型错误的概率愈小。 在样本含量和样本平均数都固定时，为了降低犯Ⅰ型错误的概率? （就应将图5-2中的竖线右移），必然增加犯Ⅱ型错误的概率。 为了同时降低?和?就需增加样本含量。 通常把P＜?时拒绝H0称为差异是显著的。这一结论严格的说应当是“由样本推断出的总体平均数?，与?0之间的差异有统计学意义”即它们属于两个不同总体（冒?风险）。 统计推断的目的是由样本平均数推断其总体平均数?是否等于?0 ，由样本平均数推断总体平均数与样本的含量有关的。太小的样本有可能检验不出总体之间真正存在的差异，太大时又会在人力物力上投入过多，因此如何确定合理的样本含量，是试验设计中应认真对待的问题。 假设 零假设：根据经验或实验结果；依据某种理论或模型；依据预先的规定。 备择假设：除零假设以外的值；担心会出现的值；希望会出现的值；有重要意义或其他意义的值。 显著性水平 ? = 0.10 试验条件下不易控制或易产生较大误差 ? = 0.05 ? = 0.01 容易产生严重后果的一些试验 两种类型的错误 ?不宜定得太严，太严会增加? 。尽量增加样本含量n 确定检验方法：u检验、t检验、卡方检验、F检验等。 建立在?水平上的H0的拒绝域（注意单侧或双侧）：单侧检验时，拒绝域只在零假设的一侧有一个区间。做双侧检验时，拒绝域在零假设的两侧各有一个区间。 6. 对推断的解释： 　　若统计量的值落在接受域内，决不是说总体参数一定等于零假设的值。对于接受? = ?0。这一零假设可以有以下几种解释： ①零假设的值是真实的，并产生一个正如我们所见到的样本。 ② ?可能非常接近于?0 。 ③抽样结果符合零假设的值?0 ，样本统计量的值与?0之间的不符合是由于偶然因素造成 若统计量的值落在拒绝域内，则拒绝? = ?0的假设。对于这种情况，可以有以下几种解释： ① ?不可能很接近?0 。 ②若零假设是真实的，产生一个如我们所见到的样本的可能性很小。 ③抽样结果不符合零假设的值?0 ，样本统计量的值与?0之间的不符合（在?水平上），不能用偶然因素解释。 母猪的怀孕期为114天，今抽测10头母猪的怀孕期分别为 116、 115、113、 112