《生物统计学基础》课件

生物统计学基础生物统计学是现代生物科学与农林医学研究的重要基础工具作为数据驱动的科学决策方法，它为研究者提供了系统分析生物现象的科学框架和方法论在当今信息爆炸的时代，掌握生物统计学知识已成为生物科学研究者的必备技能通过科学的统计方法，研究人员能够从复杂数据中提取有意义的信息，验证科学假设，并做出可靠的预测课程概述适用对象课程重点课程结构本课程专为农林类各专业本科生、课程重点关注科学论文设计及统计硕士研究生设计，无需高等数学基分析方法，通过实例教学，帮助学础，注重应用性和实用性，帮助学生理解如何设计科学合理的实验，生掌握科研必备的统计学知识并正确分析和解释数据结果第一章生物统计学绪论生物统计学的概念与定义统计学在生物科学中的应用生物统计学与其他学科的联系生物统计学是应用统计学原理和方法解在生物科学研究中，统计学被广泛应用生物统计学与遗传学、生态学、分子生决生物学问题的一门交叉学科它通过于实验设计、数据收集、结果分析和论物学等多学科紧密联系，为这些领域提数量化分析，帮助研究者理解生物现象文写作等各个环节，是确保研究结果可供定量分析工具，同时也随着学科发展中的变异规律，为科学决策提供依据靠性的重要工具不断拓展自身方法生物统计学的基本特点基于有限样本推断总体通过科学抽样获取代表性数据样本的代表性与科学抽样确保所选样本能真实反映总体特征统计推断的可靠性与不确定性量化结论的可信度与不确定范围生物统计学的核心特点是通过对有限样本的分析来推断总体特征这一过程要求样本必须具有充分的代表性，这就需要采用科学的抽样方法无论样本多么精心设计，统计推断总会存在一定程度的不确定性，因此统计学提供了置信区间、显著性水平等概念来量化这种不确定性为什么学习生物统计学论文设计与数据分析的基础提高科研质量与可靠性高质量学术论文需要合理的实验正确应用统计方法可以减少实验设计和严谨的数据分析，这些都误差，提高结论的可靠性，增强依赖于扎实的统计学知识研究成果的说服力科学研究的必备工具科学决策的依据现代生物科学研究离不开统计学统计分析结果为农业生产、医学方法，它是确保研究过程科学性研究等领域的决策提供客观依和结果可靠性的关键工具据，降低决策风险统计学的发展历史1早期统计学的起源世纪，统计学起源于国家数据的收集与整理，主要用于人17口、税收等政务管理约翰葛朗特和威廉佩蒂的人口统计研究··开创了统计学的先河2现代统计学的发展世纪，高斯、皮尔逊、费希尔等统计学家奠定了现代统19-20计学基础概率论的发展、正态分布的应用和假设检验方法的建立使统计学成为一门严谨的学科3生物统计学在生物医学中的应用世纪中期以来，统计学方法在生物医学领域得到广泛应用20测序、基因组学研究和临床试验等领域的进步都离不开生DNA物统计学的支持生物统计学的研究内容描述性统计与推断性统计概率论基础假设检验与实验设计描述性统计关注如何有效地整理和概概率论是统计学的理论基础，研究随假设检验是验证科学假说的统计方括数据特征，包括集中趋势、离散程机现象的规律性生物统计学应用概法，通过设定假设、收集数据、计算度的测量等；推断性统计则基于样本率分布模型描述生物现象的随机性，检验统计量、做出统计决策的步骤完信息对总体参数进行估计和假设检如二项分布、泊松分布和正态分布等成；而实验设计则关注如何安排试验验，是统计推断的核心在生物研究中的应用以获得最大信息量常用统计学术语总体与样本总体是研究对象的全体，样本是从总体中抽取的部分个体通过对样本的分析来推断总体特征是统计学的核心思想变量与常量变量是在研究过程中可能取不同值的特征，如身高、体重；常量则在研究过程中保持不变变量又可分为自变量和因变量参数与统计量参数是描述总体特征的数量，如总体均值、总体标准差；μσ统计量是从样本计算得出的量，如样本均值̄、样本标准差x s第二章数据的收集与整理科学数据收集的原则客观、系统、准确、完整抽样方法与抽样误差确保样本代表性，控制误差范围数据类型与测量尺度识别数据性质，选择适当分析方法科学的数据收集是生物统计分析的基础研究者需要遵循客观性原则，避免主观偏见；系统性原则，确保数据收集过程的一致性；准确性原则，减少测量误差；完整性原则，避免数据缺失数据收集过程中，合理的抽样设计能有效控制抽样误差，提高样本代表性了解不同数据类型和测量尺度的特点，对于选择合适的统计分析方法至关重要数据的分类定性数据定量数据描述特征或属性的数据，如性别、血可以用数值表示并进行计算的数据，如型、物种分类等，通常不能进行数学运身高、体重、温度等算连续型数据离散型数据4在一定区间内可取任意值的数据，如时只能取特定值的数据，如种子数量、生3间、长度、重量等测量数据物数目等计数数据测量尺度名义尺度顺序尺度区间尺度与比率尺度最基本的测量水平，仅用于分类或识在名义尺度基础上增加了顺序关系，如区间尺度具有等距性质，如温度别，如性别（男女）、血型疾病严重程度（轻中重）、学历水平（℃）；比率尺度在区间尺度基础上有///（）等数据间不存在顺序等数据间有大小之分，但差距不具备绝对零点，如长度、重量、时间等这A/B/AB/O关系，不能进行数学运算，仅能计算频等距性质两种尺度允许进行各种数学运算数和百分比•适用统计方法中位数、众数、秩和•适用统计方法均值、标准差、检t•适用统计方法频数分析、卡方检验检验验、方差分析•示例植物生长阶段、疼痛评分•示例植物高度、酶活性、新陈代谢•示例物种分类、治疗方法分组率抽样方法简单随机抽样分层抽样系统抽样与整群抽样总体中的每个个体被抽将总体按某一特征分为中的概率相等通过随几个互不重叠的层，再系统抽样按固定间隔选机数表或计算机随机数从各层中随机抽取样取样本，如每隔个选k生成器实现，是最基本本当总体异质性较大取一个；整群抽样则将的抽样方法，确保样本时，分层抽样能提高估总体分为若干群，随机无偏性适用于同质性计精度常用于不同生抽取几个群作为样本较高的总体态环境的生物研究这些方法在野外调查中尤为实用数据的整理与表示原始数据的录入与检查收集的原始数据需要准确录入电子表格或统计软件中数据录入后应进行检查，识别异常值和缺失值，确保数据质量常用、等软Excel SPSS件进行数据管理数据排序与分组对原始数据进行排序（如升序或降序排列），有助于初步了解数据分布对于大量数据，需要进行分组处理，确定适当的组数和组距，使数据结构更清晰频数分布表的制作频数分布表是展示数据分布特征的重要工具，包括组限、频数、相对频率等信息通过频数分布表，可以直观了解数据的集中趋势和分散程度频数分布表组距频数相对频率累积频率

1.0-

1.

950.

100.

102.0-

2.

9120.

240.

343.0-

3.

9180.

360.

704.0-

4.

9100.

200.

905.0-

5.

950.

101.00频数分布表是一种组织和显示大量数据的有效方法表中的组限决定了每组的范围边界；频数表示落在该组内的观测值数量；相对频率是该组频数占总频数的比例；累积频率则显示了小于或等于该组上限的数据比例制作频数分布表时，需要确定适当的组数和组距组数过少会丢失信息，过多则使数据结构不够清晰一般建议组数在之间，根据数据量和研究需要灵活调5-15整全距与组距全距计算全距是样本中最大值与最小值之差，计算公式为R R=全距反映了数据的总体变异范围，但容易Maxx-Minx受极端值影响组距确定组距是每组数据的跨度，理想的组距应使数据分布清晰可见i组距过大会掩盖数据特征，过小则使分组过于零散组距计算公式组距计算通常使用公式全距组数在确定组数时，可i=/k以参考经验公式₁₀，其中为样本容k≈1+

3.3log nn量数据的图形表示图形表示是数据可视化的重要方法，能直观展示数据特征条形图适用于展示分类数据的频数或频率；饼图用于显示部分与整体的关系；直方图展示连续数据的分布特征；折线图适合表示时间序列数据的变化趋势；箱线图则可同时展示数据的中位数、四分位数和异常值选择合适的图形类型，应考虑数据类型、研究目的和受众需求生物研究中，不同的数据特征和研究问题需要选择不同的图形表示方法，以最有效地传达信息第三章描述性统计量平均数算术平均数几何平均数与调和平均数加权平均数最常用的平均数，所有观察值之和除以几何平均数为所有观测值的乘积的次方考虑各观测值重要性差异的平均数，给n观察值个数计算公式̄根，适用于描述比率或增长率；调和平不同观测值赋予不同权重计算公式x=∑x_i/n优点是计算简单，受所有观测值影响；均数是观测值倒数的算术平均数的倒̄x_w=∑w_i·x_i/∑w_i缺点是易受极端值干扰数，适用于速率类数据生物学应用不同生境面积的生物多样适用于对称分布的连续型数据，如植生物学应用种群增长率、酶反应速率性指数综合、多点采样的平均浓度等物高度、动物体重等研究中位数与众数中位数的特点与计算中位数是将数据按大小排序后居于中间位置的值对于奇数个数据，中位数是中间那个值；对于偶数个数据，是中间两个值的平均数中位数不受极端值影响，适合偏态分布或存在异常值的数据众数的特点与应用众数是一组数据中出现频率最高的值一组数据可能有多个众数或没有众数众数适用于处理定性数据，如物种分类、表型特征等，是唯一可用于名义尺度数据的集中趋势度量三种平均数的比较与选择算术平均数、中位数和众数各有优缺点对称分布时，三者接近；右偏分布时，众数中位数平均数；左偏分布时，平均数中位数众数选择何种平均数，应根据数据类型、分布特征和研究目的决定离散程度的测量极差R最大值与最小值之差计算简单但受极端值影响大Q四分位距上四分位数与下四分位数之差，较稳健Q3Q1σ²方差各观测值与均值偏差平方的平均CV变异系数标准差与均值的比值，无量纲离散程度测量是描述数据变异性的重要指标极差提供数据范围的快速估计，但只用到两个极端值；四分位距基于中间的数据，不受极端值影50%响；方差和标准差则考虑所有观测值，是最常用的离散度量；变异系数可用于比较不同量纲或均值差异大的数据组在生物统计中，恰当选择离散程度测量指标有助于准确理解生物特征的变异模式，为后续分析和结论提供支持标准差的计算与应用分布形态的描述偏度峰度偏度（）测量分布的不对称性正峰度（）测量分布的尖峭或平坦程Skewness Kurtosis偏度表示分布右侧尾部较长（右偏分布），负度峰度大于表示分布较尖（高峰态），小3偏度表示左侧尾部较长（左偏分布）偏度为于表示较平（低峰态），等于表示正态分33表示完全对称，如正态分布布（中峰态）0计算公式Skewness=∑[x_i-x̄³/n·s³]计算公式Kurtosis=∑[x_i-x̄⁴/n·s⁴]生物学应用种群年龄分布、代谢产物浓度等生物学应用评估数据是否符合正态分布，指常表现出偏态分布导统计方法选择分布形态的描述有助于选择合适的统计方法对于明显偏态的数据，可能需要进行数据转换（如对数转换）或选择非参数检验方法了解数据的分布特征，是生物统计分析的重要前提第四章概率分布随机变量与概率研究随机现象中数量关系的基础离散型概率分布2描述可数值随机变量的概率规律连续型概率分布描述连续取值随机变量的概率密度概率分布是描述随机变量取值规律的数学模型，是统计推断的理论基础随机变量可分为离散型和连续型，分别对应不同类型的概率分布离散型随机变量的概率分布包括二项分布、泊松分布等，适用于描述计数数据；连续型随机变量的概率分布包括正态分布、分布等，适用于描述t测量数据在生物研究中，不同的生物现象往往符合特定类型的概率分布例如，基因突变次数可能符合泊松分布，生物特征测量值可能符合正态分布了解数据的概率分布特征，有助于选择合适的统计方法概率的基本概念随机试验与样本空间概率的定义与性质随机试验是在相同条件下可重复概率表示事件发生的可能PA A进行但结果不确定的试验样本性大小，取值范围为概[0,1]空间是随机试验所有可能结果率的主要性质包括非负性，S的集合例如，投掷硬币的样本；规范性，；可PA≥0PS=1空间为正面反面在基因加性，若∅，则S={,}A∩B=遗传研究中，某基因型的样本空∪这些性PA B=PA+PB间可能是质是概率论的基础S={AA,Aa,aa}条件概率与贝叶斯定理条件概率表示在事件已发生的条件下，事件发生的概率计算PA|B BA公式贝叶斯定理提供了更新概率信念的方PA|B=PA∩B/PB法，在疾病诊断等领域有重要应用PA|B=[PB|A·PA]/PB二项分布泊松分布泊松分布的定义概率密度函数描述单位时间或空间内随机事件发生次，其中为PX=k=λ^k·e^-λ/k!λ数的概率分布，只有一个参数2平均发生率，为发生次数λk特性生物学应用期望值，方差，泊松适用于描述稀有事件，如突变次数、细EX=λVarX=λ分布的期望值等于方差胞计数、微生物培养等泊松分布是描述单位时间或空间内随机事件发生次数的重要概率模型当二项分布的很大而很小，且为常数时，二项分布可n pnp=λ近似为泊松分布泊松分布的特点是事件发生稀疏、独立，且发生率稳定正态分布正态分布的特征与参数标准正态分布与变换正态分布在生物学中的普遍性Z正态分布是连续型随机变量最重要的分任何正态分布都可通过变换转化为标准许多生物变量近似服从正态分布，如身Z布，其概率密度函数呈钟形曲线正态分正态分布值表示偏离高、体重、血压等这是因为大多数生物Z=X-μ/σZ布有两个参数均值和标准差均值决均值的标准差数量，可用来计算概率例特征受多种因素综合影响，根据中心极限μσ定曲线的位置，标准差决定曲线的宽窄如，对应的双侧累积概率为定理，多个独立随机变量之和趋向于正态Z=

1.96标准正态分布是，的特例，是构建置信区间的基础分布了解数据是否服从正态分布，对选μ=0σ=

10.9595%择统计方法至关重要抽样分布分布与应用分布与应用tχ²分布是当总体标准差未知分布是正态总体中样本方差tχ²时，用样本标准差代替总体标的抽样分布，形状由自由度决准差的抽样分布分布的形定分布在生物统计中有广tχ²状取决于自由度，越泛应用，如方差的假设检验、df df小，分布尾部越厚；当适合度检验、独立性检验等t时，分布近似于标准基因遗传学中的遗传比例验证df30t正态分布分布主要用于小常使用检验tχ²样本均值的区间估计和假设检验分布与应用F分布是两个独立变量比值的抽样分布，有两个自由度参数分布Fχ²F主要用于两个正态总体方差比的检验和方差分析在生物学ANOVA研究中，分布常用于比较不同处理组间的变异是否显著不同F第五章假设检验基础统计假设的提出明确零假设₀和备择假设₁，零假设通常表示无差异或无效HH应，备择假设表示研究者希望证明的观点假设检验的基本步骤提出假设选择检验方法确定显著性水平计算检验统计量做出统→→→→计决策得出实际结论→检验统计量与临界值检验统计量是根据样本数据计算的量，用于判断零假设是否成立；临界值是基于显著性水平确定的界限值假设检验是研究样本与理论模型或不同样本之间差异的统计方法，是统计推断的核心内容统计假设包括零假设₀和备择假设₁，检验过程就是决定是否拒绝零假HH设检验统计量的计算方法取决于具体检验类型，常见的有统计量、统计量、统计Z t F量和统计量等χ²假设检验的类型参数检验与非参数检验单侧检验与双侧检验显著性水平与值的理解p参数检验针对总体参数（如均值、方单侧检验（单尾检验）考察参数是否大显著性水平是研究者事先设定的错误容α差）进行检验，要求数据服从特定分布于或小于某一特定值，备择假设为₁忍概率，通常取或越小，H:

0.

050.01α（通常是正态分布）常见的参数检验₀或₁₀检验越严格μμH:μμ包括检验、检验等tF双侧检验（双尾检验）考察参数是否不值是在零假设成立条件下，获得当前或p非参数检验不对总体分布做严格假设，等于某一特定值，备择假设为₁更极端检验统计量的概率若值小于H:μ≠p适用范围更广，但检验效能通常低于参₀选择单侧还是双侧检验，取决于研，则拒绝零假设；否则不拒绝零假设μα数检验常见的非参数检验有秩和检究问题和先验知识值越小，证据越强烈p验、符号检验等第一类错误与第二类错误决策实际情况₀为真₀为假/H H不拒绝₀正确决策第二类错误Hβ拒绝₀第一类错误正确决策Hα在假设检验中，可能出现两种类型的错误第一类错误错误是拒绝了本应α接受的真的零假设，也称为假阳性；第二类错误错误是接受了本应拒绝β的假的零假设，也称为假阴性研究中常通过设定适当的显著性水平来控α制第一类错误率第一类错误与第二类错误之间存在权衡关系，降低一种错误的概率通常会增加另一种错误的概率检验的效能定义为，表示当零假设为假时拒Power1-β绝零假设的概率增大样本量可以在不增加的情况下减小，提高检验效αβ能在生物研究设计中，合理的样本量确定对于平衡这两类错误至关重要第六章检验t单样本检验配对样本检验独立样本检验t t t单样本检验用于比较样本均值与已知总体配对样本检验用于分析相关或配对数据独立样本检验用于比较两个独立样本的均t t t均值之间的差异是否显著零假设为₀典型应用是比较同一受试对象在不同条件值差异根据两样本方差是否相等，有不H:₀，检验统计量̄下或前后测量的差异计算每对观测值的同的计算公式常用于比较两种处理方μ=μt=x-₀，其中̄为样本均值，为样差值，然后对差值进行单样本检验配对法、两个物种或两个地点的生物特征差μ/s/√n xs t本标准差，为样本量适用于样本来自正设计能有效控制个体差异带来的干扰异使用前应进行方差齐性检验和正态性n态分布或近似正态分布的总体检验样本均数的假设检验单样本检验的原理t假设条件与应用场景基于样本均值和总体参数之间的抽样误1要求样本来自正态分布或样本量足够差，通过分布量化样本均值偏离预期值t大；适用于检验样本是否来自特定总体的程度结果解释检验步骤4显著结果表明样本均值与假设值差异非提出假设收集数据计算值确定→→t→p偶然，应结合实际意义进行解释值统计决策实际解释→→单样本检验是最基本的参数检验方法，用于检验样本均值是否与假设的总体均值有显著差异检验统计量̄₀服从t t=x-μ/s/√n自由度为的分布在农业和生物学研究中，单样本检验常用于比较新品种或新处理方法与标准值的差异n-1tt两样本均数比较独立样本检验配对样本检验tt用于比较两个独立组的均值差异假用于比较配对或相关样本的均值差异设两样本来自不同总体，彼此独立通过计算每对观测值的差值，然后对检验统计量计算考虑方差是否相等差值进行单样本检验配对设计能t若方差相等，合并估计总体方差；若显著减少误差，提高检验效能方差不等，使用校正Welch生物学应用前后对照实验、双胞胎生物学应用比较不同处理组、不同研究、左右对比等研究设计地理位置或不同物种的特征差异适用条件与检验步骤检验的基本假设包括数据来自正态分布或近似正态分布；方差齐性独立样本tt检验；独立性独立样本检验当样本量小且明显偏离正态分布时，应考虑使用t非参数检验方法，如检验或符号秩检验Mann-Whitney UWilcoxon第七章方差分析单因素方差分析SST总变异平方和所有观测值与总均值偏差平方和SSA组间平方和组均值与总均值偏差平方和SSE组内平方和各观测值与所在组均值偏差平方和F检验统计量F组间均方与组内均方的比值单因素方差分析考察一个因素的不同水平对响应变量的影响方差分析的关键步骤是变异分解总变异组间变异组内变异组SST=SSA+SSE间变异反映因素效应，组内变异反映随机误差值越大，表明因素效应越显著F当检验结果显著时，表明至少有一组与其他组存在显著差异，但不能确定具体哪些组间存在差异此时需要进行事后多重比较，常用的方法包括F法、法、法和法等多重比较结果通常用字母标记法表示，相同字母表示无显著差异LSD TukeyDuncan SNK双因素方差分析交互效应主效应两因素共同作用产生的额外效应，表示单个因素独立产生的效应，考察一个因一个因素效应随另一因素水平变化而变素在平均掉另一因素影响后的效果化应用案例计算步骤如研究温度和湿度对植物生长的影响，变异分解为因素效应、因素效应、交A B分析两因素主效应及交互作用互效应和误差四部分双因素方差分析考察两个因素及其交互作用对响应变量的影响与单因素方差分析相比，双因素方差分析可以揭示因素间的交互作用，提供更丰富的信息交互效应存在时，一个因素的效应取决于另一个因素的水平，不能简单地叠加两个主效应第八章卡方检验拟合优度检验拟合优度检验用于比较观察频数与理论频数的差异，检验样本是否符合特定的理论分布典型应用包括基因遗传学中检验孟德尔分离比例、群体遗传学中检验Hardy-平衡等Weinberg独立性检验独立性检验用于检验两个分类变量是否相互独立数据通常以列联表形式展示，每个单元格包含满足两个变量特定类别组合的观测次数在生态学研究中，常用于分析物种分布与环境因子之间的关系齐性检验齐性检验用于比较不同总体的分布是否相同与独立性检验的计算方法相同，但研究问题不同齐性检验常用于比较不同地区、不同时期或不同处理组的分类数据分布是否一致列联表分析基因型表型红花白花合计/AA25025Aa48048aa02727合计7327100列联表是展示两个分类变量关系的二维表格最简单的形式是×列联表，包含两个22变量各两个水平更复杂的情况可以是×列联表，其中和分别是两个变量的水平r cr c数列联表分析的核心是比较观察频数与期望频数的差异期望频数的计算基于变量独立的假设×，其中是第行的合E_ij=R_i C_j/N R_i i计，是第列的合计，是总样本量卡方统计量的计算公式为C_j jNχ²=∑[O_ij-，其中是观察频数，是期望频数当零假设为真时，统计量近似E_ij²/E_ij]O_ij E_ijχ²服从自由度为的卡方分布r-1c-1第九章直线回归与相关相关分析的基本概念相关分析研究两个变量之间的线性关系强度，不区分自变量和因变量相关系数取值范围为，越大表示线性关系越强；表示正相关，r[-1,1]|r|r0表示负相关，表示不相关相关分析只反映关系强度，不意味着因r0r=0果关系线性相关系数相关系数是最常用的相关指标，适用于两个连续变量计算公Pearson式为r=∑[x_i-x̄y_i-ȳ]/[√∑x_i-x̄²·√∑y_i-ȳ²]相关系数的统计显著性可通过检验确定，零假设为总体相关系数tρ=0简单线性回归线性回归分析研究一个自变量对因变量的影响，确定最佳拟X Y合直线系数为截距，表示时的预测值；系数Y=a+bX aX=0Y b为斜率，表示增加一个单位时的平均变化量回归分析可用于预X Y测和解释变量关系相关系数线性回归分析最小二乘法原理回归系数的估计与检验回归方程的应用与预测最小二乘法是确定回归直线的基本方回归系数的标准误差为回归方程可用于两个主要目的解释自b SE_b=法，其目标是使所有观测点到回归直线̄斜变量对因变量的影响（斜率代表边际效√[∑y_i-ŷ_i²/n-2∑x_i-x²]的垂直距离平方和最小这一原则导出率显著性检验的统计量为，应）和预测新观测值在进行预测时，t=b/SE_b了回归系数的计算公式零假设是总体斜率应注意不要外推超出观测范围的值b=∑[x_i-β=0Xx̄y_i-ȳ]/∑x_i-x̄²，a=ȳ-bx̄决定系数表示因变量变异中被自变量预测值的置信区间反映预测的精确度，R²最小二乘法假设误差项服从正态分布，解释的比例，取值范围为越预测范围的概率为预测区间包含[0,1]R²1-α期望为，方差恒定，且相互独立大，回归模型拟合效果越好在简单线单个新观测值的范围，总是比置信区间0性回归中，宽R²=r²第十章多元统计分析简介多元统计分析是处理多个变量间复杂关系的统计方法集合多元回归分析扩展了简单线性回归，考察多个自变量对一个因变量的影响，其一般形式为₀₁₁₂₂多元回归能更全面地解释因变量的变异，但需要处理变量间的多重共线性Y=β+βX+βX+...+βX+εₚₚ问题主成分分析是一种降维技术，将原始变量转换为一组线性无关的主成分这些主成分是原始变量的线性组合，按解释变异量的大小PCA排序判别分析用于建立分类规则，根据测量变量预测观测对象所属类别聚类分析则根据变量相似性将观测对象分为若干组，是一种无监督学习方法这些多元统计方法在生物信息学、生态学和分类学研究中有广泛应用第十一章非参数检验非参数检验的特点符号检验秩和检验不对总体分布做严格假设，适用于序数据和不符基于正负号的简单检验，用于配对数据的中位数基于数据排序的检验方法，比符号检验效能高，合正态分布的数据，计算相对简单比较，检验效能较低是参数检验的良好替代非参数检验是不依赖总体分布假设的统计方法，适用于难以满足参数检验前提条件的情况与参数检验相比，非参数检验的优点是应用范围广、对异常值不敏感、计算简单；缺点是统计效能通常低于参数检验，不能提供参数估计，难以处理复杂设计在生物研究中，当样本量小、数据明显偏离正态分布或测量尺度为顺序尺度时，应考虑使用非参数检验非参数检验通常基于数据的秩、符号或顺序统计量，而非原始数值常用的非参数检验包括符号检验、符号秩检验、检验和检验等Wilcoxon Mann-Whitney UKruskal-Wallis常用非参数检验方法符号秩检验检验Wilcoxon Mann-Whitney U用于配对样本比较，考虑了差值的方向用于两个独立样本比较，也称和大小计算步骤计算配对差值去秩和检验计算步骤合并→Wilcoxon除零差值对非零差值按绝对值大小排两样本并按大小排序赋予秩次计算→→→序赋予秩次计算正秩和和负秩各组秩和计算统计量查表确定→→T+→U→p和取较小者为检验统计量查表值该方法是独立样本检验的非参数T-→→t确定值替代p适用场景替代配对检验，如处理前适用场景两个处理组或两个物种特征t后比较、双胞胎研究等比较，尤其是样本量小或明显非正态分布时检验Kruskal-Wallis用于三个或更多独立样本比较，是单因素方差分析的非参数替代计算步骤合并样本并排序赋予秩次计算各组平均秩计算统计量与卡方分布临界值比较显→→→H→著结果表明至少有一组与其他组不同适用场景多组处理效果比较，如不同浓度、不同品种或不同地点的比较第十二章试验设计科学分析与解释结果选择合适的统计方法进行分析1严格执行试验方案2控制条件、规范操作、准确记录选择适当的试验设计根据研究目的和条件选择设计类型遵循试验设计基本原则4重复性、随机化、局部控制试验设计是规划、布置和分析试验的系统方法，旨在以最小的试验规模获取最大的有效信息良好的试验设计基于三个基本原则重复性、随机化和局部控制重复性通过增加样本量减少随机误差；随机化消除系统误差和偏倚；局部控制则通过分组或区组减少已知干扰因素的影响完全随机设计设计原理与特点完全随机设计是最简单的试验设计，将试验单元随机分配给不同处理特点是设计简单、分析方便、适应性强，但要求试验条件高度均一适用于室内试验、小CRD CRD规模试验或实验材料高度均一的情况数据分析与结果解释的数据分析采用单因素方差分析变异来源分为处理间和处理内（误差）两部分值为处理均方与误差均方的比值，显著的值表明不同处理间存在显著差异若检验CRD F FF显著，通常进行多重比较以确定具体哪些处理间存在差异应用案例与注意事项常用于控制条件良好的实验室试验，如生物活性测定、发芽试验、微生物培养等应用时应注意确保试验单元的同质性；适当增加重复次数以提高精确度；注意CRD CRD随机化的完整实施；必要时应考虑协变量分析以减少误差随机区组设计设计原理与适用条件数据分析与方差分解优势与局限性随机区组设计将试验单元分为若采用双因素方差分析进行数据分的优势在于能控制一个已知的变RCBD RCBD RCBD干组区组，每个区组包含一套完整处析，但不考虑交互作用变异来源分为异来源，提高试验精确度；设计和分析理区组内的试验单元相对均一，区组处理、区组和误差三部分检验用于检相对简单；适用于大多数农业和生物学F间可以存在差异每个区组内的处理随验处理效应的显著性，检验统计量为处试验其局限性包括只能控制一个方机安排，以消除偏差理均方与误差均方的比值向的变异；要求每个区组必须容纳所有处理；缺失值会使分析复杂化适用于试验场地存在已知梯度变通过从总变异中分离出区组变异，RCBD异或试验单元不够均一的情况通过将能有效减少误差项，提高检验效在实际应用中，是农业和林业田RCBDRCBD已知变异纳入区组因素，可以减少实验能当区组间差异显著时，比间试验中最常用的设计之一，尤其适合RCBD误差，提高精确度更有效率；当区组间差异不显著于地形变异、土壤肥力梯度或光照强度CRD时，自由度的损失可能导致效率降低梯度等情况正交试验设计正交表的选择与使用因素效应分析正交试验设计是研究多因素多水正交设计的数据分析包括极差分平的高效实验方法正交表是正析和方差分析两种方法极差分交设计的核心，常用的有析通过计算每个因素不同水平的L₄2³、L₈2⁷、L₉3⁴、指标均值，找出最优水平组合₁₆等选择正交表时，应方差分析则用于确定各因素效应L2¹⁵考虑因素数、各因素水平数和交的显著性，识别主要影响因素互作用需求正交表的使用使得此外，正交设计还可进行交互作试验次数大大减少，同时保证了用分析，了解因素间的相互影响不同因素组合的均衡性关系正交设计在农业试验中的应用正交试验设计在农业研究中有广泛应用，如作物栽培条件优化、植物组织培养条件筛选、农药配方研究等通过一次试验同时考察多个因素的效应，正交设计显著提高了研究效率在实际应用中，应注意实验条件的稳定性和测量的准确性，以确保正交设计的有效性总结与展望生物统计学的重要性科学研究中的统计应用大数据时代的生物统计学发展趋势生物统计学作为定量分析生物现象的科在实际科研工作中，合理应用统计方法学方法，已成为现代生物科学研究不可能有效提高研究效率和结论可靠性研随着高通量技术和大数据时代的到来，或缺的工具它为科研人员提供了系统究者应在试验设计阶段就考虑统计分析生物统计学面临新的机遇和挑战未来收集、分析和解释数据的框架，确保研需求，选择合适的设计方案数据分析发展趋势包括多学科交叉融合，如与究结论的科学性和可靠性从实验设计时应根据数据特性和研究目的选择恰当机器学习、人工智能的结合；高维数据到数据分析，再到结果解释，统计思维的统计方法，正确解释统计结果，避免分析方法的发展；统计推断与因果推断贯穿科研全过程过度解释或错误推断的深入研究；统计软件和计算工具的普及与提升生物统计学将继续为生命科学研究提供更强大的方法支持。