试验设计与分析(园艺)三统计推断.pptVIP

uC＞u0.05，所以P＜0.05，否定H0：p≤p0 ，接受HA：pp0 。福尔马林浸种对促进种子发芽有明显效果。 应用举例 用新配方农药处理25头棉铃虫，结果死亡15头，存活10头；用乐果处理24头，结果死亡9头，存活15头。问两种处理的杀虫效果是否有显著差异？ H0 : p1 = p2，假设两种处理的杀虫效果没有差异，对HA : p1 ≠ p2。 n1、n2均小于30，需作t分布的连续性矫正。 显著水平α＝0.05，作两尾测验， df＝25＋24－2= 47，t0.05（47）≈ t0.05（45） ＝2.014。 tC t0.05 ，故P0.05，接受H0 : p1 = p2 ，否定HA : p1 ≠ p2 ，即两种杀虫剂的杀虫效果没有显著差异。 第四节 统计假设测验的两类错误 一、统计假设测验的两类错误 第一类错误： H0正确，而测验结果否定了H0 ，称为弃真，即处理间无差异，而测验结果表明处理间有差异。 第二类错误： H0错误，而测验结果接受了H0 ，称为纳伪，即处理间有差异，而测验结果表明处理间无差异。 测验结果 H0正确 H0错误 H0被否定 第一类错误 没有错误 H0被接受 没有错误 第二类错误 第一类错误发生的概率为显著水平α值。 假如显著水平取α＝0.05，在无效假设正确的前提下，在 的分布中，会有5%的落在 之外，因而对一个正确的假设作出错误的否定的概率就是显著水平α＝0.05。 我们规定α＝0.05为否定假设的概率标准，就是说明假设测验结论仅有95%的把握，同时有5%的风险把随机误差当作真实差异。 如果采用更高的显著水平，如α＝0.01或α＝0.001，犯第一类错误的概率就会减小。 第二类错误的概率为β值。 β值的计算方法就是计算抽样平均数落在已知总体的接受区的概率（下图）。 已知总体的接受区域在c1和c2之间。从被抽样总体中抽得的 可能落在c1和c2间的概率为被抽样总体的抽样分布曲线与直线c1和c2以及横轴围成的面积，这个面积正是 落在总体接受区的可能性。 由于两个总体的平均数不同，这种可能性正是第二类错误的概率值。 举例 已知总体的均值μ0 =300，其平均数抽样标准误为15，被抽样总体的平均数μ= 315、标准误也为15，第二类错误概率值的一般计算方法为： 二、控制两类错误的途径 （1）采用一个较低的显著水平，如α=0.05 如果为了减小犯第一类错误的概率而采用更高的显著水平，那么c1和c2就会分别向外移动，从而增大β值，也就是增大了犯第二类错误的概率。 （2）降低标准误 标准误 决定分布曲线的宽窄， 越小，曲线越窄，两个总体分布曲线的重叠程度减小，犯两类错误的概率也就会减小。主要措施： ① 采用合理的试验设计，严格的试验管理，降低σ。 ② 增加重复数，增大样本容量。 H0：μ1＝μ2，HA：μ1≠μ2。 显著水平取α＝0.05，u0.05=1.96。 计算u值 σ12=σ22＝σ2＝0.4，n1=12，n2=8， 作出推断：|u|＜u0.05，P＞0.05，接受H0，否定HA。 说明：这两种取样方法的产量无明显差异。 ② 两个样本的总体方差σ12和σ22 未知，但可假定σ12=σ22＝σ2，且两个样本为小样本时，采用t测验 根据样本方差计算平均数差数的合并方差se2，作为对σ2的估计。由于假定σ12=σ22＝σ2 ， se2应为两个样本方差的加权平均值。 并有： 在假设H0： μ1 ＝μ2 下， 故可对两样本平均数的差异作出假设测验，其df=df1+df2= n1+n2-2。 应用举例 调查某农场30万苗/亩和35万苗/亩的亩产量（kg），各调查5个田块（右表）。 问两种栽培密度的亩产量有无明显差异。 x1 (30万苗) x2 (35万苗) 400 450 420 440 435 445 460 445 425 420 因为是小样本，所以用t测验。又由于不知道两种密度的亩产量谁高谁低，所以用两尾测验。 H0：μ1＝μ2，HA：μ1≠μ2。 显著水平取α＝0.05，t0.05（8）=2.306。 x1 x1－430 (x1－430)2 x2 x2－440 (x2－440)2 400 －30 900 450 10 100 420 －10 100 440 0 0 435 5 25 445 5 25 460 30 900 445 5 25 425 －5 25 420 －20 400 Σ －10 1950 Σ 0 550 =430+(-10/5)=428， =440 SS1=1950-(