Сельское хозяйство является ведущей отраслью производства во всем мире, т.к. она обеспечивает продуктами питания все человечество. Поэтому для увеличения оборачиваемости своего производства он заинтересован в эффективном использовании всех материальных ресурсов и получении максимальной отдачи на затраченные средства.
Полевой опыт призван ускорить развитие сельского хозяйства посредством практических исследований. Однако проведение полевого эксперимента связано с влиянием определенных природно-климатических условий. Чтобы получить результаты и принять по ним оптимальное решение, необходимо обработать большой объем информации. Это технологические, метеорологические, агрохимические данные и накопленный агрономический опыт. Существующая информация требует определенной систематизации.
Для систематизации полученной информации еще в семнадцатом веке стали использовать методы математической статистики. Однако наука не стоит на месте и современное сельское хозяйство для своего успешного развития требует использования информационных технологий, в частности, при обработке статистических данных. Это и обуславливает актуальность выбранной темы.
Объект исследования- статистическая обработка данных полевого опыта.
Исследование сосредоточено на методах, используемых для статистической обработки данных из опыта работы в этой области.
Цель работы — выявить особенности статистической обработки данных полевого опыта на текущем этапе.
Задачи:
- изучить исторические предпосылки возникновения биометрии, как науки применяющей методы математической статистики в биологии;
- исследовать фундаментальные особенности статистической обработки данных полевого опыта;
- рассмотреть современное состояние методики поведения статистической обработки опытных данных.
Теоретической основой исследования стали труды таких ученых, как В.Н. Дышко, Б.А. Доспехов, Т.В. Косякова, С.Н. Матейчик и др.
В ходе исследования использовались следующие методы: анализ, синтез, сравнение, исторический метод, метод сравнения.
Структура работы состоит из введения, трех глав, заключения и библиографии.
1 Историческое становление математической статистики, как ведущего метода обработки опытных данных
Современная биология и сельскохозяйственные науки тесно связаны с математикой. Научные знания, относящиеся, например, к таким вопросам, как популяции, моделирование, биологические процессы, развиваются исключительно с использованием математических знаний. Такая же ситуация наблюдается при программировании урожайности сельскохозяйственных культур, которое невозможно осуществить без использования методов множественной корреляции и регрессии.
Организация сбора и обработки медико-статистических данных
... медицинской статистики. Цель работы: изучить влияние современного программного обеспечения на сбор, обработку и анализ статистических данных ... санитарные обследования сельского населения, что предопределило в дальнейшем склонность ученых к выборочным методам ... учреждений. 2. Структура медицинской статистики Статистика - это независимая общественная наука, изучающая количественный аспект массовых ...
Таким образом, постоянное взаимодействие между биологией и математикой привело к возникновению такой науки, как биометрия, на их стыке.
В.Н. Дышко называет биометрию наукой о статистическом анализе групповых свойств в биологическом анализе групповых свойств в биологии. В свою очередь, статистический анализ связан с применением постулатов и методов теории вероятностей и математической статистики, применяемых к биологическим исследованиям [2, С. 8].
Стоит отметить, что математическая статистика и теория вероятностей — абстрактные и чисто теоретические науки. Они изучают массовые явления без учета специфики составляющих их элементов.
Биометрия — это эмпирическая точная наука, изучающая совокупные эмпирические данные для биологических целей. Поэтому биометрия и математическая статистика — науки абсолютно разные.
Биометрия — это не простая математика или простая сумма биологии и математики. Это новая синтетическая наука, которая с помощью математических методов в биологии решает сложные научные проблемы.
Обратимся к истории.
Развитие теории вероятностей восходит к 17 веку, одновременно с научной деятельностью таких ученых, как Паскаль, Лаплас, Гаусс и Пуассон.
В то же время математическая статистика, которая была теоретической основой метода выборки, также переживала свое формирование. Однако, в то время возникла необходимость разработки нового метода, который позволял бы по части наблюдений (выборке) судить о состоянии всей совокупности в целом. Все это и привело к созданию математической статистики, как нового направления в науке [9, С. 43].
Основоположником этого развития является известная английская политическая арифметика эпохи Петти.
Интересный факт: теория вероятностей родилась на основе азартных игр, статистика — из потребностей государства, а биометрия — как следствие развития биологии — в ответ на социальный порядок общества капитала.
20 век ознаменовался появлением классических труб В. Госсета и Р.А. Фишера, а также других представителей английской школы биометриков.
В дальнейшем появилась теория малой выборки, под авторством Стьюдента, А Р. Фишер стал основоположником метода дисперсионного анализа, который сегодня используется не только в биологии, но и в технике.
Кроме того, нельзя игнорировать таких ученых, как Пирсон, Романовский, Берштейн, Снедекор, Колмогоров, сыгравшие значительную роль в развитии математических методов, используемых в биологии.
Сегодня биометрия позволяет получать достоверные теоретические результаты на больших группах объектов. Однако с его помощью также можно добиться объективных результатов при анализе небольших групп объектов.
Возможности анализа данных медико-биологических экспериментов ...
... Использование статистики в ... по объему. В связи с этим простую рандомизацию рекомендуется использовать лишь в масштабных КИ [7]. Формулирование целей ↓ Планирование ↓ Выполнение (сбор данных) ↓ Подготовка данных ↓ Анализ данных ... в конце 80-х годов XX века концепции доказательной медицины (ДМ). Основными постулатами ДМ являются следующие [7]: каждое решение врача должно основываться на научных данных; ...
Современная биометрия различает следующие групповые свойства объектов:
- средний уровень признака;
- разнообразие признака (т.е. неодинаковость объекта по изучаемому признаку);
- распределение признака, т.е. соотношение в количественных особей имеющих различную степень варьирования признака;
- репрезентативность выборочных групп, дающая возможность на основе изучения относительно- небольшой выборки (группы) получить достаточно надежную характеристику большой группы объектов (генеральной совокупности) [2, С. 12].
Также стоит отметить, что роль статистических методов в биологии невозможно переоценить. Такие данные будут полезными только в случае анализа данных из правильно поставленного опыта
- Никакая статистическая обработка не исправит плохой опыт. В то же время неправильное применение статистических методов может привести к недоразумениям.
Поэтому биометрия сегодня — относительно новая прикладная наука, суть которой заключается в применении математических методов статистического анализа массовых явлений применительно к биологическим объектам. Биометрия стала связующим звеном между математикой и биологией.
2 Специфика статистической обработки данных полевого опыта
2.1 Особенности подготовки опытных данных к статистической обработке
Статистическая обработка экспериментальных данных предполагает их предварительную подготовку. Эта подготовка включает в себя следующее: округление, вычисление среднего арифметического для каждого экспериментального и вариантного графика, отбрасывание сомнительных данных, восстановление потерянных данных и их преобразование.
Для округления полученных данных используется следующее правило: для получения достаточно точных чисел необходимо иметь экспериментальные данные с тремя значащими цифрами. Так, урожай следует записывать 0,187; 1,87; 18,7 т/га.
Для более полного округления используйте стандартное отклонение данного набора вариаций, уменьшенное в 4 раза. Если первой значащей цифрой для s/4 окажется целое число, то данные округляют до целого числа.
При расчете суммы квадратов берут дополнительную цифру, т. е. если исходные данные имеют десятые доли, то квадраты вычисляют до сотых. Если цифра после последней значащей цифры больше 5 или после 5 следует цифра больше нуля, последняя значащая цифра увеличивается на единицу. Так, числа 84,67 и 84,651 округляют до 84,7. Если за последней значащей цифрой стоит 5, а затем нули, то последнюю значащую нечетную
цифру увеличивают на единицу: 84,550 = 84,6, а четная цифра остается неизменной: 84,450 = 84,4 [10, С. 134].
Для более полного округления используйте стандартное отклонение данного набора вариаций, уменьшенное в 4 раза. Если первой значащей цифрой для s/4 окажется целое число, то данные округляют до целого числа.
При расчете суммы квадратов берут дополнительную цифру, т. е. если исходные данные имеют десятые доли, то квадраты вычисляют до сотых. Если цифра после последней значащей цифры больше 5 или после 5 следует цифра больше нуля, последняя значащая цифра увеличивается на единицу. Так, числа 84,67 и 84,651 округляют до 84,7. Если за последней значащей цифрой стоит 5, а затем нули, то последнюю значащую нечетную
Теория и методология статистического наблюдения
... статистики, научно-исследовательскими институтами, экономическими службами банков, бирж, компаний. Процесс проведения статистического наблюдения включает ° подготовка наблюдения; ° проведение массового сбора данных; ° подготовка данных ... наблюдение, а также методов и средств получения данных. Кроме методологических вопросов ... процессах. Наблюдение охватит территорию всей страны. При сборе информации о ...
цифру увеличивают на единицу: 84,550 = 84,6, а четная цифра остается неизменной: 84,450 = 84,4 [10, С. 135].
Кроме того, в процессе проведения полевых экспериментов могут возникнуть ситуации, при которых невозможно получить результирующие показатели на отдельных участках. В этом случае применяется метод восстановления потерянных данных с использованием алгоритмов, учитывающих результаты, полученные на соседних экспериментальных графах в пределах повтора или блока. Суть такого подхода заключается в однозначном прогнозировании того или иного уровня выходного показателя, гипотетически достигнутого в реальности. Этот метод дает адекватные результаты только с незначительной потерей результатов.
Если полевой опыт имеет сложный и многофакторный характер, то восстановление его потерянных данных происходит с помощью использования информационной модели регрессивного анализа, основные этапы которого следующие:
- подбор дробной реплики, в которую непосредственно входят данные с неподтвержденных делянок, из полной факториальной схемы;
- проведение регрессивного анализа по каждой повторности опыта;
- получение модели восстановленных данных восстановительным расчетным методом [7, С. 33].
Надежность этого метода не была продемонстрирована ни одним практическим исследованием прошлого и настоящего.
Еще один шаг в подготовке данных для статистического анализа — удаление данных, которые также имеют математический характер. Любая субъективная выбраковка недопустима.
Основные этапы выбраковки данных полевого опыта:
- ранжирование вариационного ряда в возрастающем порядке;
- находят теоретические критерии;
- проводят сравнение теоретических и практических критериев: если расчетные данные больше или равны теоретическим, то проверяемые данные сомнительны [8, С. 27].
Поэтому, прежде чем исследователи приступят к статистической обработке результатов полевого эксперимента, они должны согласовать результаты для удобства их дальнейшего использования, а также восстановить потерянные данные и исключить сомнительные. Такая подготовка данных для дальнейшей обработки увеличивает точность расчетов и, таким образом, увеличивает эффективность поставленного полевого эксперимента.
2.2 Методические особенности статистической обработки данных полевого опыта
В агрохимических исследованиях редко приходится иметь дело с точными и определенными функциональными отношениями, когда каждое значение одной величины соответствует строго определенному значению другой величины.
Поэтому статистическая обработка таких значений переменных имеет ряд особенностей, главная из которых — использование специальных параметрических методов обработки полученных экспериментальных данных.
Чаще всего встречаются такие отношения, при которых одному параметру одновременно соответствует набор значений другого атрибута. Такие связи называются корреляционными. Они обнаруживатся в случае ассовости признака.
Корреляционный анализ заключается в возможности заключения вывода о степени статистической связи между признаками с помощью использования выборки [1, С. 164].
Организация производства молока и основные пути его совершенствования ...
... работы предприятий. Результаты организации сельскохозяйственного производства зависят от плодородия почвы. Следовательно, его необходимо не только поддерживать, но и улучшать путем применения научно обоснованных систем удобрения, обработки ... растениеводства, показателей перспективных, годовых и оперативных (по периодам сельскохозяйственных работ) планов, которые должны разрабатываться на строго ...
При изучении корреляций возникают два основных вопроса: о герметичности соединения и о форме соединения. Для оценки тесноты (силы) связи используют коэффициенты корреляции корреляционное отношение, обозначаемые буквой r.
Он является безразмерной величиной, изменяющейся в области — 1< r < +1. При полных связях, когда корреляционная связь превращается в функциональную, значение коэффициента корреляции равно для положительных, или прямых, связей +1,0, для отрицательных или обратных
связей –1,0
