分析 结果
分析 结果
分析 结果

图表描述 条形图、柱形图、折线图、雷达图、 箱线图等。

数据描述 集中程度：平均数 变异程度：标准差 分布的对称、陡峭程度；偏斜度、峭度


推论 剔除极端值/缺失值 选择显著性水平 统计试验
统计检验
二项分布 t检验
计算成功的概率（对比试验、三点试验）
检验两个处理平均数差异是否显著

“条形图”的特点是对各个时期或时点的数据 有直接对比的作用，对其数值大小，一目了然。

“折线图”的特点是对时期数列的数据的运动 轨迹以及发展趋势有较强的指示作用。

“扇形图”的特点是对数据中的各个分组的大 小和结构有明显的比较作用。
图的误用
面积？

美国国家食品药品管理局（FDA）要求新 药的研发试验中，必须有统计学家来指导 研究的设计、数据的分析、报告的呈递等。


β值的范围在表明差异不存在的程度上，同α 值有着同样的规定。 Pd 值的范围意义如下： Pd 值＜25%表示比例比较小，即能够分辨出 差异的人的比例比较小。 25%＜Pd 值＜35%表示能够分辨出差异的人 的比例中等。 Pd 值＞35%表示能够分辨出差异的人的比例 较大。
假设检验统计学在感Fra bibliotek分析中的应用
描述：结果的简单描述（数据的收集、加工
处理、显示方法、分布特征的概括等）

推论：为实验处理提供根据
衡量：估计变量间的相关程度（研究如何根
据样本信息来推断总体的特征）
研究的过程
实际问题
解释数据 （结果说明）
收集数据 （取得数据）
数据整理 （处理数据）
分析数据 （研究数据）
如果样本数据提供的信息不能证明上述假设不成 立，则证明该假设成立。


假设检验的基本步骤

提出原假设（或称“零假设”，H0）；
选择检验统计量；
根据样本数据计算检验统计量观测值的发 生概率（相伴概率，p）； 根据给定的小概率事件界定标准（显著性 水平，如0.05，0.01）做出统计推断。

为什么要设计并计算检验统计量？
1、数值的计算
（1）平均值：是对数据分布的中心／中心趋势 的估计，公式为：
（2）样本标准差：是对平均值的波动幅度或覆 盖范围的估计，公式为：
（3）中值：在所有数据中排序处于中间位置的 数值。 （4）标准误差：SE=S/(n)1/2 S为样本的标准差
2、置信区间 置信区间是某参数真实值的可能变化范围，可用 来判断数值是否精确
由质量形状得来的次数资料的显著性（喜欢、尚可、不喜欢）
x2检验
方差分析

检验多个处理平均数间差异是否显著（单因子、双因子…）
通过检验样本平均数、标准差、方差、相关系数与相 应的总体参数或样本统计量之间是否存在差异，进而 检验样本与总体或样本与样本之间是否存在显著差异， 并得出结论和对结论进行推论。
常用统计数据的计算


统计学是感官研究的一个重要组成部分，要 成为一名专业感官研究人员，必须具备比较全 面的统计学知识。 感官评价中误差产生的根源： 不同的人，生理构造有差异 环境因素的影响 人们在语言表达上有所差别，使用标度的方式 也不同
结果分析中图的好处

在统计学中把利用统计图形表现统计资料的 方法叫做统计图示法。其特点是：形象具体、 简明生动、通俗易懂、一目了然。
分析方法
1定性分析 2定量分析 （统计分析）
平均数 标准差 描述统计 推论统计 复杂统计分析 计算机统计分析
Z检验 t检验 X2检验 F检验
方差分析、回归分析、聚类分析、 判别函数分析、主成分分析、因素 分析、路径分析、结构方程模型
色香味形
多元回归 主成分分析 因子分析 相关分析
产品质量
单变量分析 分析 结果 分析 结果
0.01或0.05，决定是否拒绝原假设。

如果p值小于α值，即认为原假设成立时检验统计
量观测值的发生是小概率事件，则拒绝原假设。
否则，就接受原假设。
显著性水平

在假设检验中，显著性水平（Significant level，用α表 示）的确定是假设检验中至关重要的问题。 显著性水平是在原假设成立时检验统计量的制落在某个 极端区域的概率值。因此，如果取α= 0.05，如果计算出 的p值小于α ，则可认为原假设是一个不可能发生的小概
计算检验统计量观测值的发生概率

在假定原假设成立的前提下，利用样本数据计算 检验统计量观测值发生的概率（即p值，又称
“相伴概率”—指该检验统计量在某个特定的极
端区域在原假设成立时的概率）。该概率值间接
地给出了在原假设成立的条件下样本值（或更极
端值）发生的概率。
进行统计推断

依据预先确定的 “显著性水平” （即α值），如

统计假设检验也称为显著性检验，即指样本统
计量和假设的总体参数之间的显著性差异。

假设检验时提出的假设称为原假设或无效假设，
就是假定样本统计量与总体参数的差异都是由
随机因素引起，不存在条件变动因素。
假设检验的基本思路

首先，对总体参数值提出假设（原假设）；

然后，利用样本数据提供的信息来验证所提出的 假设是否成立（统计推断）。 如果样本数据提供的信息不能证明上述假设成立， 则证明该假设为错误；

在假设检验中，样本值（或更极端的取值）发生 的概率不能直接通过样本数据计算，而是通过计 算检验统计量观测值的发生概率而间接得到的。 所设计的检验统计量一般服从或近似服从某种已 知的理论分布（如t-分布、F-分布、卡方分布）， 易于估算其取值概率。


对于不同的假设检验和不同的总体，会有不同的 选择检验统计量的理论和方法。
试验敏感参数



α，也叫α-风险，是统计学上的名词，他的 定义是错误的估计两者之间的差别存在的 可能性，也叫第Ⅰ类错误。 β，也叫β-风险，他的定义是错误估计两 者之间的差异不存在的可能性，也叫第Ⅱ 类错误。 Pd，是指能够分辨出差异的人数比例。
在统计学上




α值在10%~5%（0.1~0.05），表明存在的差 异程度是中等。 α值在5%~1%（0.05~0.01），表明存在的差 异程度是显著。 α值在1%~0.1%（0.01~0.001），表明存在的 差异程度是非常显著。 α值低于0.1%（＜0.001），表明存在的差异 程度是特别显著。