① 孟德爾驗證分離定律和自由組合定律用的統計學方法到底是什麼
基因的自由組合定律與應用：
1．自由組合定律：控制不同性狀的遺傳因子的分離和組合是互不幹擾的；在形成配子時，決定同一性狀的成對的遺傳因子彼此分離，決定不同性狀的遺傳因子自由組合。
2. 實質
(1)位於非同源染色體上的非等位基因的分離或組合是互不幹擾的。
(2)在減數分裂過程中，同源染色體上的等位基因彼此分離的同時，非同源染色體上的非等位基因自由組合。
3．適用條件
(1)有性生殖的真核生物。
(2)細胞核內染色體上的基因。
(3)兩對或兩對以上位於非同源染色體上的非等位基因。
4．細胞學基礎：基因的自由組合定律發生在減數第一次分裂後期。
5．應用
(l)指導雜交育種，把優良性狀重組在一起。
(2)為遺傳病的預測和診斷提供理淪依據。
兩對相對性狀的雜交實驗：
1．提出問題——純合親本的雜交實驗和F1的自交實驗
(1)發現者：孟德爾。
(2)圖解：
2．作出假設——對自由組合現象的解釋
(1)兩對相對性狀（黃與綠，圓與皺）由兩對遺傳因子（Y與y，R與r）控制。
(2)兩對相對性狀都符合分離定律的比，即3:1，黃：綠=3：1，圓：皺=3：1。
(3)F1產生配子時成對的遺傳因子分離，不同對的遺傳因子自由組合。
(4)F1產生雌雄配子各4種，YR：Yr：yR：yr=1:1:1:1。
(5)受精時雌雄配子隨機結合。
(6)F2的表現型有4種，其中兩種親本類型（黃圓和綠皺），兩種新組合類型（黃皺與綠圓）。黃圓：黃皺：綠圓：綠皺=9：3：3：1
(7)F2的基因型有16種組合方式，有9種基因型。
3.對自由組合現象解釋的驗證
(1)方法：測交。
(2)預測過程：
(3)實驗結果：正、反交結果與理論預測相符，說明對自由組合現象的解釋是正確的。
自由組合類遺傳中的特例分析9：3：3：1的變形：
9：3：3：1是獨立遺傳的兩對相對性狀自由組合時出現的表現型比例，題干中如果出現附加條件，則可能出現9：3：4、9：6：1、15：1、9：7等一系列的特殊分離比。
特殊條件下的比例關系總結如下：
條件
種類和分離比
相當於孟德爾的分離比
顯性基因的作用可累加
5種，1：4：6：4：1
按基因型中顯性基因個數累加
正常的完全顯性
4種，9：3：3：1
正常比例
只要A（或B）存在就表現為同一種，其餘正常為同一種，其餘正常表現
3種，12：3：1
（9：3）：3：1
單獨存在A或B時表現同一種，其餘正常表現
3種，9：6：1
9：（3：3）：1
aa(或hb)存在時表現為同一種，其餘正常表現
3種，9：3：4
9：3：（3：1）
A_bb(或aaB_)的個體表現為一種，其餘都是另一種
2種，13：3
（9：3：1）：3
A、B同時存在時表現為同一種，其餘為另一種
2種，9：7
9：（3：3：1）
只要存在顯性基因就表現為同一種
2種，15：1
（9：3：3）：1
註：利用「合並同類項」巧解特殊分離比
(1)看後代可能的配子組合，若組合方式是16種，不管以什麼樣的比例呈現，都符合基因自由組合定律。
(2)寫出正常的分離比9：3：3：1。
(3)對照題中所給信息進行歸類，若後代分離比為 9:7，則為9：(3：3：1)，即7是後三種合並的結果；若後代分離比為9：6：1，則為9：(3：3)：1；若後代分離比為15:1 則為(9：3：3)：1等。
表解基因的分離定律和自由組合定律的不同：
分離定律
自由組合定律
兩對相對性狀
n對相對性狀
相對性狀的對數
1對
2對
n對
等位基因及位置
1對等位基因位於1對同源染色體上
2對等位基因位於2對同源染色體上
n對等位基因位於n對同源染色體上
F1的配子
2種，比例相等
4種，比例相等
2n種，比例相等
F2的表現型及比例
2種，3:1
4種，9:3:3:1
2n種，（3:1）n
F2的基因型及比例
3種，1:2:1
9種，（1:2:1）2
3n種，（1:2:1）n
測交後代表現型及比例
2種，比例相等
4種，比例相等
2n種，比例相等
遺傳實質
減數分裂時，等位基因隨同源染色體的分離而分開，分別進入不同配子中
減數分裂時，在等位基因隨同源染色體分開而分離的同時，非同源染色體上的非等位基因自由組合，進而進入同一配子中
實踐應用
純種鑒定及雜種自交純合
將優良性狀重組在一起
聯系
在遺傳中，分離定律和自由組合定律同時起作用：在減數分裂形成配子時，既有同源染色體上等位基因的分離，又有非同源染色體上非等位基因的自由組合
易錯點撥：
1、F2共有16種組合方式，9種基因型，4種表現型，其中雙顯（黃圓）：一顯一隱（黃皺）：一隱一顯（綠圓）：雙隱（綠皺）=9：3：3：1。F2中純合子4種，即YYRR、YYrr、yyRR、yyrr，各占總數的 1/16；只有一對基因雜合的雜合子4種，即YyRR、Yyrr、 YYRr、VyRr，各占總數的2/16；兩對基因都雜合的雜合子1種，即YyRr，占總數的4/16。
2、F2中雙親類型（Y_R_十yyrr）佔10/16。重組類型佔6/16(3/16Y_rr+3/16yyR_)。
3、 減數分裂時發生自由組合的是非同源染色體上的非等位基因，而不是所有的非等位基因。同源染色體上的非等位基因，則不遵循自由組合定律。
4、用分離定律解決自由組合問題
（1）基因原理分離定律是自由組合定律的基礎。
（2）解題思路首先將自由組合定律問題轉化為若干個分離定律問題。在獨立遺傳的情況下，有幾對基因就可以分解為幾個分離定律問題。如AaBb×Aabb可分解為：Aa× Aa，Bb×bb。然後，按分離定律進行逐一分析。最後，將獲得的結果進行綜合，得到正確答案。
知識拓展：
1、兩對相對性狀雜交試驗中的有關結論
（1）兩對相對性狀由兩對等位基因控制，且兩對等位基因分別位於兩對同源染色體。
（2）F1減數分裂產生配子時，等位基因一定分離，非等位基因（位於非同源染色體上的非等位基因）自
② 急求用哪種統計學方法驗證同一種治療方法在不同病情程度的病人身上療效有差異，差異有統計學意義！謝謝！
用卡方檢驗。這是對於a行b列的對比，利用卡方檢驗得出的p值大小來判斷是否拒絕原假設（治療方法沒有作用，即治療效果之間相互獨立）。有什麼問題可以再追問哈！
③ 用哪種統計學方法驗證同一種治療方法在不同病情程度的病人身上療效有差異，差異有統計學意義！謝謝！
說的不是很詳細，一般多組之間的比價可以考慮採用方差分析的方法，差異有統計學意義後再考慮兩兩比較。
你的這個涉及到治療前後的比較，常用的有兩種辦法：1.先比較治療前三組間評分差異是否有統計學意義，然後比較治療後三組之間差異是否有統計學意義 2.可以比較三組治療前後的評分差值差異是否有統計學意義。
考慮到你的這個分組不是隨機分組，而是按照病情程度分組，所以建議用第二種。
④ 統計學中「Z檢驗」和「T檢驗」的區別有哪些
概念區別：T檢驗，亦稱student t檢驗（Student's t test），主要用於樣本含量較小（例如n<30），總體標准差σ未知的正態分布資料。Z檢驗是一般用於大樣本(即樣本容量大於30)平均值差異性檢驗的方法。它是用標准正態分布的理論來推斷差異發生的概率，從而比較兩個平均數平均數的差異是否顯著。
區別一：z檢驗適用於變數符合z分布的情況，而t檢驗適用於變數符合t分布的情況；
區別二：t分布是z分布的小樣本分布，即當總體符合z分布時，從總體中抽取的小樣本符合t分布，而對於符合t分布的變數，當樣本量增大時，變數數據逐漸向z分布趨近；
區別三：z檢驗和t檢驗都是均值差異檢驗方法，但t分布逐漸逼近z分布的特點，t檢驗的運用要比z檢驗更廣泛，因為大小樣本時都可以用t檢驗，而小樣本時z檢驗不適用。SPSS裡面只有t檢驗，沒有z檢驗的功能模塊。
注意：
①t檢驗是對各回歸系數的顯著性所進行的檢驗，t檢驗還可以用來檢驗樣本為來自一元正態分布的總體的期望，即均值；和檢驗樣本為來自二元正態分布的總體的期望是否相等） 未知，一般檢驗用t檢驗。
②z檢驗是一般用於大樣本(即樣本容量大於30)平均值差異性檢驗的方法。它是用標准正態分布的理論來推斷差異發生的概率，從而比較兩個平均數平均數的差異是否顯著。當已知標准差時，驗證一組數的均值是否與某一期望值相等時，用z檢驗。
⑤ 統計學中「Z檢驗」和「T檢驗」的區別有哪些
概念區別：T檢驗，亦稱student
t檢驗（Student's
t
test），主要用於樣本含量較小（例如n<30），總體標准差σ未知的正態分布資料。Z檢驗是一般用於大樣本(即樣本容量大於30)平均值差異性檢驗的方法。它是用標准正態分布的理論來推斷差異發生的概率，從而比較兩個平均數平均數的差異是否顯著。
區別一：z檢驗適用於變數符合z分布的情況，而t檢驗適用於變數符合t分布的情況；
區別二：t分布是z分布的小樣本分布，即當總體符合z分布時，從總體中抽取的小樣本符合t分布，而對於符合t分布的變數，當樣本量增大時，變數數據逐漸向z分布趨近；
區別三：z檢驗和t檢驗都是均值差異檢驗方法，但t分布逐漸逼近z分布的特點，t檢驗的運用要比z檢驗更廣泛，因為大小樣本時都可以用t檢驗，而小樣本時z檢驗不適用。SPSS裡面只有t檢驗，沒有z檢驗的功能模塊。
注意：
①t檢驗是對各回歸系數的顯著性所進行的檢驗，t檢驗還可以用來檢驗樣本為來自一元正態分布的總體的期望，即均值；和檢驗樣本為來自二元正態分布的總體的期望是否相等）
未知，一般檢驗用t檢驗。
②z檢驗是一般用於大樣本(即樣本容量大於30)平均值差異性檢驗的方法。它是用標准正態分布的理論來推斷差異發生的概率，從而比較兩個平均數平均數的差異是否顯著。當已知標准差時，驗證一組數的均值是否與某一期望值相等時，用z檢驗。
⑥ 統計學的作用有哪些
統計學，即統籌歸劃，指利用統計學中介紹的方法來計算出很多你自己需要的數據，再和相互比較研究，得出自己的結論，做出決定，改變一些策略之類。總之像回歸分析法這樣經典的統計學方法已經被應用到各行各業，包括會計學 統計學研究的重點領域。
1．統計理論與方法的創新研究
統計學的生命力就在於應用，應用為統計學的發展賦予活力。
「十五」期間異方差性時間序列問題研究、離散多元統計分析研究、數據挖掘理論研究、異常數據診斷的研究、非參數理論與方法的研究、抽樣與非抽樣誤差理論的研究等將是統計理論研究的熱點。知識經濟、新經濟對統計理論與方法提出更高要求，如何適應電子商務時代統計數據的收集，空間遙感技術的運用等都為統計理論提出新挑戰，統計工作者必須創新出適合各種復雜類型數據的統計方法才能適應實踐的需求。
2．開展空間統計學理論與應用的研究
空間統計學是近幾年統計學發展的一個新領域，主要指運用遙感技術進行國土資源的測定，農業和林業、海洋生物、環境生態的觀測。這種觀測數據通常表現為網路形式，而且這些數據受到大氣效應、觀測工具等諸多因素的影響。空間統計學的應用在於，針對這種特殊的數據，研究誤差控制、數據處理、模型建立、統計推斷。這將是統計學研究的新領域。
計算機技術的發展對統計學發展影響的研究 信息技術與計算機技術的發展是推動新經濟發展的主要動力。可以斷言，沒有計算機的發展就沒有統計方法的普遍有效應用。計算機技術的飛速發展為統計學方法的應用帶來挑戰和發展的機遇。統計數據的收集如何有效藉助網路技術，統計調查方法如何適應現代信息技術，統計數據處理如何深入都將成為研究的熱點問題。
3．生命科學與生物技術中統計方法的應用研究
21世紀是生命科學的世紀，人類不久將完全揭示人類基因排序。19世紀中葉基因學說的創立，就是依賴於統計推斷技術，21世紀生命科學中將有大量的相關研究要藉助統計方法與技術，這個領域的學者將大有作為。21世紀醫學領域的科技創新，將使許多不治之症得到解決，生物制葯將在醫學領域大放異彩，統計學方法在生物制葯技術中的廣泛應用將是不爭的事實。美國輝瑞制葯公司每年投入50億美金用於研究發展，在美的生物統計人員極易找到高薪的工作就足以說明這一領域的廣闊前景。
4．國家經濟安全與金融、保險領域的應用研究
國家的經濟安全及其金融危機的防範問題是中國改革開放中必須高度重視的問題。國家經濟安全、金融危機的預警系統的研究是與統計學方法緊密聯系的研究熱點，投資項目的風險管理研究也將依賴統計學者去研究解決。保險產品的精算理論與實踐在「九五」期間得到一定的進展，為這一領域的深入發展奠定了基礎，如何將發達國家保險精算的理論與中國保險業實際相結合值得深入研究，尤其是保險精算方法向社會保障領域延伸的研究是中國國情賦予給這個領域的迫切任務。
5．政府統計數據質量的進一步研究
政府統計數據的質量在「九五」期間得到國人的普遍關注。不僅國家哲學社科基金設立重點研究課題，幾乎各地方政府也設專項研究，發表的論文已有近百篇。然而這方面的研究還有待深入，不僅從制度上約束、控制數據的可靠性，從檢測、驗證的方法上還需進一步探討。有的重點課題已在檢驗方法上有所突破，但如何具體與中國政府實際數據緊密結合，實施這些方法還須加大力度進行研究和實踐。
6．統計學在社會、人口、教育、環境等領域的應用研究
社會的發展、人口的控制、教育結構的調整與發展、環境的保護等領域存在著大量急待研究的問題，統計學方法是定性與定量研究的有力工具。統計學方法在這些領域將會有廣闊的應用前景。
⑦ SPSS統計學選擇題： 用f 對有序分類變數的統計推斷進行驗證方法的是（）
D.非參數檢驗
⑧ 醫學統計學驗證新診斷方法的可靠性
首先你要對各種疾病有一個動態演變，動態觀察的思維模式。從開始的病因，病理變化，體征，實驗室檢查，診斷方法，治療手段和原則到最後的注意事項，都是環環相扣的，要能利用基礎理論知識從一個階段推導出下一個階段可能的經過，然後對照書看看自己哪裡想的不對，因為有些病理變化和你想的不完全一樣，這樣就好像自己親自處理了一個病人一樣，腦子里就不亂了。這樣的過程只要重復個三五遍就不會忘了。我說的只是內外科的學習方法，其他的基礎知識因為你不了解只能死記硬背，但是要有重點的去背。一些專科性太強的就不要花太多功夫。什麼事情都要下功夫，沒有所謂的捷徑，親自實踐往往是最好的記憶方法。多動手多動腦子。祝你學業有成~！
⑨ 常用統計學方法
感知機 二分類
二分類的線性分類模型，也是判別模型。
目的是求出把訓練數據進行線性劃分的分離超平面。
感知機是神經網路和支持向量機的基礎。
學習策略：極小化損失函數。損失函數對應於誤分類點到分離超平面的總距離。
基於隨機梯度下降法對損失函數的最優化演算法，有原始形式和對偶形式。
K近鄰法 K-nearest neighbor, K-NN 多分類和回歸
是一種分類和回歸方法，有監督學習。在訓練數據集中找到和新的輸入實例最接近的K個實例，這k個實例的多數類別就是這個新實例的類別。
三要素：K的選擇，距離度量，分類決策規則。
實現方法：kd樹（二叉樹）快速搜索K個最近鄰的點。
K值選擇：反映了對近似誤差和估計誤差的權衡。交叉驗證選擇最優的K值，K小，模型復雜，K大，模型簡答。
樸素貝葉斯法 多分類 用於NLP
樸素貝葉斯法是基於貝葉斯定理和特徵條件獨立假設的分類方法。首先學習輸入輸出的聯合概率分布，然後基於此模型，對給定的輸入x，利用貝葉斯定理求出後驗概率最大的輸出y。
後驗概率最大等價於0-1損失函數的期望風險最小化。
是典型的生成學習方法，由訓練數據求出聯合概率分布，再求出條件概率分布（後驗概率）。
概率估計方法是：極大似然估計或者貝葉斯估計。
基本假設是條件獨立性
決策樹 decision tree 多分類，回歸
是一種分類和回歸演算法。包括三個步驟：特徵選擇，決策樹生成和決策樹的修剪，常用演算法：ID3，C4.5，CART
邏輯斯地回歸和最大熵模型 多分類
本質就是給線性回歸添加了對數函數
它的核心思想是，如果線性回歸的結果輸出是一個連續值，而值的范圍是無法限定的，那我們有沒有辦法把這個結果值映射為可以幫助我們判斷的結果呢。
而如果輸出結果是 (0,1) 的一個概率值，這個問題就很清楚了。我們在數學上找了一圈，還真就找著這樣一個簡單的函數了，就是很神奇的sigmoid函數(如下)：
邏輯回歸用於二分類和多分類
邏輯斯地分布是S型曲線
最大熵模型：熵最大的模型是最好的模型。
X服從均勻分布時候，熵最大
最大熵模型的學習等價於約束最優化問題。
對偶函數的極大化等價於最大熵模型的極大似然估計。
模型學習的最優化演算法有：改進的迭代尺度法IIS，梯度下降法，牛頓法，或者擬牛頓法
支持向量機 二分類
線性可分支持向量機利用間隔最大化求最優分離超平面。
函數間隔