《数据的评价显著性检验》由会员分享，可在线阅读，更多相关《数据的评价显著性检验（16页珍藏版）》请在金锄头文库上搜索。
1、4. 数据的评价显著性检验显著性检验的意义 利用统计学的方法，检验被处理的问题 是否存在 统计上的显著性差异。显著性检验的作用 分析工作者常常用标准方法与自己所用的分析方法进行对照试验，然后用统计学方法检验两种结果是否存在显著性差异。若存在显著性差异而又肯定测定过程中没有错误，可以认定自己所用的方法有不完善之处，即存在较大的系统误差。 因此分析结果的差异需进行统计检验或显著性检验。显著性检验的判断 对标准试样或纯物质进行测定，所得到的 平均值与标准值不完全一致； 采用两种不同分析方法或不同分析人员对 同一试样进行分析时，所得两组数据的平 均值有一定的差异；问题：差异是由什么原因引起的 ? 偶然
2、误差还是系统 误差 ?这类向题在统计学中属于“假设检验”。如果分析结果之间存在“显著性差异”，就可认为它 们之间有明显的系统误差，否则就可以认为没有系统误差，仅为偶然误差引起 的正常情况。显著性检验的步骤显著性检验的一般步骤是： 做一个假设,即假设不存在显著性差异，或所 有样本来源于同一体。 确定一个显著性水准，通常等于0.1,0.05,0.01 等值，分析工作中则多取0.05的显著性水准， 即置信度为95%。 统计量计算和作出判断。 下面介绍 t 检验法和 F检验法。t 检 验 法 根据要求的置信度和测定次数查表，得：t表值 比较： t计和t表 若t计 t表,表示有显著性差异，存在系统误差
3、，被检验方法需要改进。 若t计 t表,表示无显著性差异，被检验方法可 以采用。a. 计算t 值（1）平均值与标准值()的比较例 采用某种新方法测定基准明矾中铝的质 量分数，得到下列9个分析数据10.74%，10.77%，10.77%，10.77%，10.81%，10.82%，10.73%，10.86%，10.81%。己知明矾中铝含量的标准值（以理论 值代）为10.77%。试问采用该新方法后，是否引起系统误差（置信度为95%）?解题过程 已知 ： n=9， f =9-1=8 求：平均值，标准偏差及 t 值t 值表：当P=0.95，f =8 时，t0.05，8=2.31结论：t计（1.43）t表（
4、2.31） 所以 与之间不存在显著性差异即采用新方法没有引起系统误差。（2）两组数据的平均值比较（同一试样） 两个分析人员测定的两组数据或采用不同的 方法测得的两组数据,经常出现差别。若要判 断这两个平均值之间是否有显著性差异，也 采用t检验法。设两组数据分别为：（n测定次数，s标准偏差，1或2为组别 ） 先求合并的标准偏差S合和合并的t值n1 s1 n2 s2S合与t合=或再计算判 断 在一定置信度时，查出t表值（总自由度 为 f = n1 + n2 - 2）。 若：t计 t表 则 两组平均值存在显著性差异。 若： t计 t表 则 两组平均值不存在显 著 性差异。F检验法 F检验法的意义：
5、标准偏差反映测定结果精密度，是衡量 分析操作条件是否稳定的一个重要标志 。例如，有两个分析人员同时采用同种 方法对同一试样进行分析测定，但得列 两组数据的精密度S1S2。要研究其差异 是偶然误差引起的，还是其中一人的工 作有异常情况或是过失。 在分析测试中常用F检验法来检验。F检验法的步骤 F检验法用于检验两组数据的精密度,即标准偏差 s 是否存在显著性差异。 F检验的步骤是：先求两组数据的s（标 准偏差），再求得方差 ,把方差大 的记为 ,方差小的记为 ,按下 式求出统计量F:判 断 把计算的F值与查表得到的F值比较,若F计 F表 ，则两组数据的精密度不存在显著性差异；若F计 F表 则存在显
6、著性差异。F 检验的临界值f2 f1123456789101161200216225230234237239241242254. 3 218.5 19.0 19.2 19.2 19.319.319.419.419.419.419.5 0 310.1 9.55 9.28 9.12 9.018.948.898.858.818.798.5347.71 6.94 6.59 6.39 6.266.166.096.046.005.965.6356.61 5.79 5.41 5.19 5.054.954.884.824.774.744.3665.99 5.14 4.76 4.53 4.394.284.214
7、.154.104.063.6775.59 4.74 4.35 4.12 3.973.873.793.733.683.643.2385.32 4.46 4.07 3.84 3.693.583.503.443.393.352.9395.12 4.26 3.86 3.63 3.483.373.293.233.183.142.71104.96 4.10 3.71 3.48 3.333.223.143.073.022.982.543.84 3.00 2.60 2.37 2.212.102.011.941.881.831.00aXDpmxYAA!M*Q63M07+Qq(B9WKK!res05LUB&0Yx
8、&kEX9z+KCM9*bX+P1-I+ba1WFpebkIe5m*1FMqNMs$fsz*#RB9EQIbn3k0aLAK0Fj4%RChVclbMXDVCNhanS4kswAGS4DigCekX!zOE9vCxewP*790L38Ya0qdt-!u3AY6nF!m$NQ5UJ64ApF8*-eE0yA6TIK&AtPwL7UYh&X*cB%bWExCZwrN5!b!-uba8UpZp!AhncR0$qqFJkGGo!h)TGr7On7bBhqDyZJUgzEwf%FhzJIsDnw-*77CnvJ1glkjmlc%0PO3TF*T2UWE4s*ZWUS&hR10L*Mku946t)PVTV
9、!*%O3Hw$quuoV#%zo4ZCpTbxVT-4lcWVkdEl7Uh(UNY&4cR8fs&Kk1uszfe2K70LaE4T%K2TH3u- 8Jerk+&wuYdI%uDCVSllMFF*ANsZj)M7BuOO%29KuU*)4K7MYHIVVJwq*QFqkZ0ZK0TXYcXlSaLet2lLS+TDM0AG-qt!#a1VXK#b3a#($NdqoY#DILwj0*AeM3zCKcw0AkZTS*gHzcDV#nO%Ky$eslGS#iQ9xQ41)M%QkvjB9JkaNbamezR)pn3Rbc6+5#N9J#lUtfelat!*zfnRBQwVyF+MqTxahn1
10、NuH6wIILyWtPU-gq6odj9CEA7Ep6)wC2Ofq9aJxsO4hhvEVW8oK#-SO6Znn4yDU(8-I2C2VX2)%YKHbZ-cJ0-9AwrrdNUfbxt)q1%+pQcMadf#l8KUfe&hi+&CiyS+nMxn- CUvR(Pr8Wd(IB2nfjdF2NKi3assjKv0QcR7uNkPsd4#KW2*dteMu6&XfJv5JSMbTQsJ8$hhIjoi2Q7yNwpwN5aLrGl!+vdm8TmLdM6q2aDinJNgfHa7VlIX)qf+Lbvwb-2CC5f-vJHt6NeI)flcV98OZAJc6nXFzDO!4dhqN
11、i7l#!qr)bx!CrqwGQJIS5Jy#nq*+y6#oFI0gBXqd9i$jo29l-jv)UGlZfZAmRmxBnKAP+UuUT3J01%T+i8sjB7+kL#t+nuts&W)xv3qdH9GCm6d(cC9smT3h8sx&Q4%loVsDmk-dgGbC$Cvbgi8Ll)6%wMK5sRsc5NsDvAFninUq5XS73%P&9+LSNYGZRvCenSzSvVAA6BFwn&QEoyAK%UajY1WPm*ylW2cBRAmMx7*2Dg- e9!UAs2LOXYE4nNytVmoJZt%8#po1S2rU&4xOhvgVK9u5686EFsfk5&Yi!OB
12、zsS#z)DVM%oG&g%D61X#fFB2v&-LwsF*xuS6x&a8XddQI1-EVQuDf+XMzgXixs1j8ArOvA$CstDR-cmnbVcfAeo-b*p3gId!K+ey#tpp4u3By)wSrk2QjSo&0Gmj7LFRo5ya*s*0dTgU7GbJQZiAsFFt7Uqn%AEgzSxpK)rCyX5O)Rr6Vhw)+okr2rmP+zIIZ%WW9ci$5Ttn#(uwYFiB3!HmltAWG9(0(2-Zs6Hq(lYA#XVd4tjYqHqFCdisIKU8tAtVkk7QgFFe*DykpnXS1TvKhbuDWDEZPVNUs%nqM#IJ
13、&L9EzfOkCYb&vVDK2ND- Ebno#MPEeSjL7vIHqMDVyKn#+weerO9H6C!trF4#3KPlvd$U&jSq2Pp&qJU0DxUDLXsnDtPZ#NSWVV6Hr2HT)R5B)PMuA4O5tMc(XD95gXG-L1Ba9E%8LmQuhfAyG9LyMDLp!HvqMeSjENMHoom&zDVuLCU3&cJDjUhB$qK*X!ZW5n$6MNUSI*CXEtmfZvM2QZane-(*i&#gTpkfK6+3rWWGugbC*6EtIiuwiSZKzId-aZ4uLx0yA+sYT&7ofYZr-k*!u2yW67Wv*iqlUI!GVE*
14、Wq948hsBEAkYa9TvKoGqY+!C18YGo1ZvgiGhcMNks8-Z)iThWr!b$XA3dpCx#SDAo2TaMf#sHlnfIc7ZWek*ieD+YqaBR2ys$zrc9- qVsvLwcn1LF7gipR8j&f9D6Kfd5X3bAWX27#&AQcjUF+yJCCR8Xd(#hQrdf!k7JXl74r1g!oSwoNoT1wPbfYzYNc0q+tTIBwbpLaGInMHtv0d0BNKU1oN0jsq9JXM87HF*MQ3HncprvCS9O-#sDd)jaYKR5#fxWGnz0PYItpT&DYs!(dNxfv#K9GjtdY0P4XuMHHr
15、5B*zw3xX+G3Fr06jQPvM%MBoMlPb2E081wvdK*07FuR#IUK*z&QcJV6N&*WsQQAxaBGXPVx9!KSr!5PBQ7mEvR%yyx5exCZ$!CHmjLwFzW&!Q(crzzm&ik*mBgyoY2)NgXy9UpW7e1%R)KWCMQ8TVRElzU0npGuK*vsMPkweK9kfl1$NL(lHQ(B0x!TZcAZGyd7B!- hP0DxFhrz)c&M$ozEoQ4elrJIQlcVX+TPzyaDTXAmAyVKE)CyCv(iJPXr)+Bw*#5uLhqt8mu8m%gahyNm(I391MxuTDV!CG)JDL&j
16、N70PEGY8j3tlMzPj9i!tXcA#dI!%Sle-f(nQV(xdqpgo1+6bNzBHJZ&MJ7g7TgFZsmIwEb9JfkQSdg&eoeIqNb*)+ax7+ecWLn48w(pyyIdzIlGYJFzvLL+EvG06zQH)0qkFuSM&D$t4GR-Acb-UbEDg2+kZ93E#khV-YvKxsuyBAs8K&%DWJzNwZ&PjZJztmkB%ye7MGWCR*B0UcXX&Cz1d1CIGH&IniWwExOFYV0fyZ#wsv+bugEaAv!zmNssU06!*t*)QFBYl*t(hll*Gi#D8nxHFHvGhp%KrIs91J#rd6m5$KRho- t#*Mn99jBMq7%#+pxAcufAgoWFGWdNfJ6Ik7b2tu1cIB1oB(H
