第四章统计推断.pptVIP

第四章 统计推断 总体与样本之间的关系包括两个方面： 从总体到样本的研究； 由样本推断总体，它是以各种样本统计量的抽样分布为基础的，一般是正态分布、t分布、χ2分布和F分布 。 对总体做统计推断有两种途径，在实际应用时可互相参照使用 首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 通过样本统计量估计总体参数，称为总体参数估计 假设 零（无效）假设:记为H0，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 （零假设是针对实验考查的内容提出的，就是处理无效，在P50例子中考查的内容是：在这种药物下能否提高血红蛋白含量，所以在例子中零假设记为，H0：μ=μ0 (126g) 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＜μo 及 HA：μ≠μ0。 备择假设的选定视实际情况而定。 在例子中备择假设记为，HA：μ≠μ 0(126g) 小概率原理 小概率的事件是指在一次试验中，几乎是不会发生的事件。 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。 根据小概率原理所建立起来的检验方法称为显著性检验。 在生物统计工作中，通常规定5%或1%以下为小概率，称为显著性水平，记为“α”。 检验统计量：u t χ2 F 等 例4.1 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克。要求动物满足平均体重μ=10.00g，σ=0.4的正态分布总体，若μ10.00g需再饲养，若μ10.00g则应淘汰，问此批动物材料是否淘汰（显著性水平α=0.05）？ 单侧检验(one-sided test) 上尾检验：拒绝H0后，接受μμ0，如左图。 下尾检验：拒绝H0后，接受μμ0，如右图。 双侧检验 在生物学问题中，有时只要考虑μ是否等于μ0，并不关心究竟是大于还是小于μ0，这时就要使用双侧检验。在α水平上，H0的拒绝域由P(∣U∣＞uα/2)=α 决定。拒绝域包括大于uα/2或小于－uα/2的区域，这两个尾区的曲线下面积之和为α。 Ⅰ型错误（α错误）：当μ＝μ0时假设是正确的，却错误地拒绝了它。犯Ⅰ型错误的概率不会大于α。（以真为假—— 弃真错误） Ⅱ型错误（β错误）：当μ≠μ0 但错误地接受了μ=μ0 的假设时所犯的错误。（以假为真—— 存伪错误） 关于两种类型错误的三点解释 为了同时降低α和β就需增加样本含量，当样本含量增加后，样本标准误降低，曲线就会变得陡峭，则犯两种错误的概率都会降低。 两点说明 通常把P＜α时，拒绝Ho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μ与μo之间的差异有统计学意义”，即它们属于两个不同总体（冒α风险）。 统计推断的目的: ? 二、 单个样本显著性检验的程序 4、建立在α水平上的Ho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区间；做双侧检验时，拒绝域在零假设的两侧各有一个区间。 5、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θ=θ0。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。 ②θ可能非常接近于θ0 。 ③抽样结果符合零假设的值θ0 ，样本统计量的值与θ0之间的不符合是由于偶然因素造成。　 三、在σ已知情况下，单个平均数的显著性检验——u 检验 1、假设从σ已知的正态或近似正态总体中抽出含量为n的样本。 零假设 H0： μ＝μ0 备择假设 HA： ① μ μ0 ② μ μ0 ③ μ ≠ μ0 2、显著性水平 在α＝0.05水平上拒绝H0称为差异显著 在α＝0.01水平上拒绝H0称为差异极显著 3、检验统计量 4、得出结论并给予解释 例4.3 已知豌豆籽粒重量服从正态分布N(377.2，3.32)在改善栽培条件后，随机抽取9粒，其籽粒平均重为379.2，若标准差仍为3.3，问改善栽培条件是否显著提高了豌豆籽粒重量？ 解 ①假设： H0： μ＝ 377.2