统计学取样方法范文第1篇

【关键词】煤层顶底板岩层；数学模型；尺寸效应；岩石试验；抗压强度；统计方法；岩石力学

1 前言

煤层顶底板岩层的抗压强度测试对煤矿生产具有很大的指导意义，一般测试其顶底板的抗压强度分地面勘探时取其顶底板岩样进行测试以及开采岩巷时采取试样进行测试，由于采取样品的局限性以及试样测试的误差性，期测试值与实际抗压强度值有一定的差距。工程岩体从属于某一工程地质岩组到不属于该岩组是逐步过渡而非突然改变的，并且这种过渡形式在某一工程地质岩组所包含的空间范围越大，这种变异和过渡就越复杂。因此，工程岩组是一个模糊集合，同一岩组中不同位置处的岩体客观上都以不同的隶属度从属于该岩组。岩组的划分所带来的岩石样本值的模糊性不仅包含了划分岩组过程中地质工程师判定的不确定性，也是岩体性态不确定性的客观反映。在岩体类完全确定的条件下，在取样和测试过程中产生的取样方式误差、岩样加工误差、试验过程误差等，是人们早已熟悉的随机性的不确定影响。传统的随机统计方法处理岩样仅顾及到了从取样到测试过程的随机误差，而忽略了岩石样本来自模糊集合。本文采用随机―模糊统计的方法处理岩样，为进一步寻求岩石的标准测试强度与实际岩体强度之间的关系奠定基础。

岩石由于其生成条件和生成后亿万年地质构造作用及大气风化作用，在内部形成各种缺陷，它们直接影响岩石的物理力学性质。因此，岩石试样大小不同，常表现出其力学性质的差异，即所谓尺寸效应或比例尺效应。在岩体工程设计中，若无连续性好的大的地质构造，则理应采用岩体强度指标，而不能使用岩石强度指标。室内进行的标准尺寸的岩石样本往往介于原岩与节理化岩样之间，如果用标准强度求得节理化岩体的强度，就需要消除岩石样本的尺寸效应，这项研究的试验工作正在进行中。基于随机―模糊统计方法确定岩石抗压强度参数，同时结合实际取样位置的地质情况对不同位置的岩样进行尺寸效应处理，这样提供的试验数据分析结果将对煤层顶底板稳定性更有实际指导意义。

2 岩石参数试验样本值的随机―模糊概率数字特征

本文采用文献[1]提出的处理岩石参数试验样本值的随机―模糊概率数字特征来描述试验样本值。随机―模糊统计方法包含了对随机和模糊不确定性的数学处理，涉及到统计对象的隶属函数形式。在进行岩土参数的统计测定时，选取隶属函数必须遵循以下原则：

（1）由于样本值是真值融合随机误差和模糊误差在一起的综合值，因此导出的随机―模糊统计公式必须同时融随机性和模糊性于一体而不能将它们从量上剖开单独处理。当模糊性不存在时，随机―模糊统计公式应能自动退化成经典的随机统计公式，经典的随机统计公式应作为一种特例（无模糊性）包含于相应的随机―模糊统计式中。

（2）隶属函数应是初等函数，以确保公式推导过程中数学运算的方便和所得统计公式的实用性。

（3）隶属函数所刻画的模糊集合必须能比较客观地反映所研究的模糊对象，且与人们对所研究的模糊对象既有的经验认识相一致。例如，模糊集合核点的隶属度为1，而其他元素的隶属度均小于1，且距核点越远则隶属度应越小。岩土参数样本值的取值区间为（0，+∞）。

求取岩石参数样本均值的随机―模糊统计特征时，当以实际出现的事情可能性最大原则为出发点。也即应使实际样本值（已出现）整体上隶属于样本模糊子集的程度最大。由此可建立目标函数：

（1）

对此求广义最小二乘解，可得到均值的解。

由于试验样本值在试验过程中只出现了一次，故对所有样本值，其权重应该相等，相应的权的取值为：

（2）

其中

中的最大值、最小值。

均值的样本隶属函数可以写成：

（3）

相应的方差的隶属函数形式为：

式中d2max、d2min是中的最大值、最小值（i=1，2，…，n）。

同样，可以写出协方差的隶属函数形式为：

其中d3max、d3min是中的最大值、最小值（i=1，2，…，n）。

分别把样本的均值、方差及协方差的隶属函数形式代入均值、方差及协方差定义式后，可得随机―模糊统计的均值、方差及协方差：

3 范例

现以张集矿二水平补充勘探工程及东翼东构造控制与瓦斯地质探查工程部分钻孔煤层顶底板测试样本为例，对13-1煤底板、9-1煤底板及1煤底板的岩样进行分析。

由地质钻探资料可知，13-1煤底板为泥岩居多，灰色，泥质结构，见滑面，含大量植物化石碎片，局部含少量砂质；9-1煤底板为粉砂岩居多，灰色，粉砂状结构，含少量泥质成分，局部夹薄层细砂岩，裂隙微发育；1煤底板为细砂岩居多，浅灰色，细粒砂状结构，成分以石英为主，次为长石及其它暗色矿物，圆状，分选性好，泥、钙质胶结，夹少量泥质条纹、条带，平行层理较发育，裂隙较发育～发育。

一般为8-12块，每块长度10cm左右为一组试样进行测试。本次试验利用了张集矿13-1煤底板的12组试样、9-1煤底板的16组及1煤底板的16组试样测试值进行分析。

三种岩石的室内单轴抗压强度样本值，按传统的随机统计方法和按随机―模糊统计方法求得的样本均值、方差和变异系数均列于表1。

从表1中可知，两种统计方法计算的结果相差很大，采用随机―模糊统计方法所得的统计数字特征的整体变异性较传统的随机统计方法小。可见，随机―模糊统计方法更切合实际。

4 结论

（1）岩石样本的力学性能参数同时具有随机和模糊不确定性。

（2）采用随机―模糊统计方法优于传统的随机统计方法。数字特征指标表明，采用随机―模糊统计方法所得的统计数字特征的整体变异性较传统的随机统计方法小。

参考文献：

[1]李胡生.岩土参数随机―模糊统计中的隶属函数形式[J].同济大学学报，1993（3）.

统计学取样方法范文第2篇

关键词:频率学派;贝叶斯学派;统计方法

统计学中几大影响比较大的学派是频率学派、贝叶斯学派和信念学派。在很长的时间内,频率学派或称经典学派的观点、理论占据了主流地位,其余两派并未得到足够的重视。但是在实际应用中,却早已应用贝叶斯学派的理念来处理问题。所以有必要在理解这几大学派思想的基础上,来了解不同思想的统计方法。

一、两大学派的特点和分歧

频率学派坚持对概率的看法是频率的稳定性,所以,凡是不能重复进行的试验的有关结果都不能应用概率作出判断。但是很多时候,人们都是根据已有的知识和逻辑推理能力来对统计问题作出判断。在实际经济环境中,情况总是比较复杂,很难具备可以进行重复试验的条件,这个时候频率学派的理论就很难运用上了。与之不同,贝叶斯学派认为,概率是反映事件发生可能性的一个度量,既可以是反映重复试验的频率稳定性,也可以反映人们的某一些类型的主观信念。只要可以接受到任何先验信息,就都能对特定问题进行逻辑推理。

频率学派和贝叶斯学派之间激烈的争论,促进了统计学的发展,使得统计学最为一门信息科学在学科体系上和思想上更完善。这两大学派争论的分歧:其一,对概率这个概念的认识。经典学派认为概率是纯客观的,是频率稳定性的内在依据。而贝叶斯学派则认为概率应包含客观概率与主观概率;其二,是对统计问题的看法。频率学派研究的重点是样本空间,认为样本是变化的,参数是固定不变的,并从中寻找规律来推断参数的性质。贝叶斯学派的重点是研究参数空间,认为样本就是已观测到的值,它已不再变动而参数则是随机变量。需要探讨的是,参数取值的变化规律;其三,利用信息的范围不同。贝叶斯学派既利用样本信息又利用先验信息,而经典学派只局限于从样本获取的信息。其四,推断的过程不同。贝叶斯学派是从参数的先验分布到后验分布。而频率学派却仅是根据样本的信息对参数作出推断。可以说,先验分布这是区分这两个学派的一个重要特征。

二、统计分析方法的基本思路

在参数估计的基本方法上,对于单一方程模型,最常用的有普通最小二乘法、广义矩估计和极大似然估计法等。对于联立方程模型有常用二段最小二乘法和三段最小二乘法等。基本的理论框架是对未知参数的模型建立,参数估计包括点估计、区间估计、假设检验和预测等内容。并以此来研究各种模型,如线性回归模型、非线性回归模型、联立方程组模型,面板数据模型、时间序列模型等。

而贝叶斯分析则采用不同的思路,来进行参数的估计,检验和模型的比较。一般有如下思路:在得到样本数据的基础上,建立模型,求出似然函数,同时先验信息得到先验分布,运用贝叶斯定理,推导出后验分布,分析得出的结论。

可以说,经典的统计分析方法与贝叶斯分析的方法,孰优孰劣,也不可以一概而论。经典的方法在发展体系上很严密,有严谨的数理基础,而贝叶斯方法则是提供了一种新的思维方式,是推进现代统计及相关学科理论发展的强大力量。

三、统计计算方法和软件的发展

随着现代电脑技术的发展,统计学也获得了飞快的发展,尤其是促进了统计的计算方法的发展,特别是在针对贝叶斯方法的计算得到了新的进展。这主要分为两类,一类是通过直接的抽样手段,得到后验均值的估计值,主要包括直接抽样、分层抽样、筛选抽样等;它们的缺陷在于只能用于比较简单、低维的后验分布。第二类为 MCMC(Markov chainMonte Carlo),近年发展迅速,在各个相关领域得到了广泛的应用。在实际研究工作中,经常遇到的是高维的复杂数据,这时运用传统的方法就遇到困难了。而MCMC方法为这一复杂的计算过程开辟了新的方向。它的基本思想是把一个复杂的抽样问题转化为一系列简单的抽样问题,而不是直接从复杂的总体中抽取样本,并利用电脑技术模拟这个过程。

由于庞大的计算量,复杂的高维数据,单靠人工计算是不可行的,针对各种统计计算方法的软件极大的促进了统计学各个分支的发展。在相关的经济领域,分别有MATLAB、S-Plus和R版本,在相关的生物统计领域还有WinBUGS,使用比较广泛,只是需要根据不同的模型自己来编写程序。

统计学取样方法范文第3篇

【关键词】趣味教学；化难为易；联系实际

自然界中所观察到的现象分为确定性现象与随机现象。在一定条件下必然发生的现象称为确定性现象，在一定条件下可能出现也可能不出现的现象称为随机现象。随机现象在一次观察中出现什么结果具有偶然性，但在大量试验或观察中，这种结果的出现具有一定的统计规律性，概率统计就是研究随机现象统计规律性的一门数学学科。

作为数学学科的一个分支，它有数学课程的共同特点：抽象、理论性偏强，让学生觉得高大上。但它也有自身的特征：研究生活中的随机现象，其思想方法不同于学生以前接触的任何一门数学类课程。要让学生抛掉学习其他数学类课程的惯性思维，在较短的时间内接受描述随机现象的新的思想和方法，无疑是有一定难度的。因此，在概率统计课程的教学实践中，如何根据该门课程的特点，采取怎样的教学方法，让学生学习这门紧密联系现实生活的课程时不像学习其他数学类课程那样觉得枯燥无味，就成了教授这门课的老师们所需要思考的一个课题。有很多教育工作者在这一方面做了一些探讨[1-4]，本文根据作者的教学实践，从趣味教学、化难为易、联系实际等方面对概率统计的教学方法作了一些探讨。

1 趣味教学

兴趣是学生学习最好的老师，成功的教学是激发学生的兴趣，而不是枯燥无味地照本宣科。概率统计所研究的问题来源于现实生活，因此在教学实践中，教师要利用好这门课程的现实背景，让教学内容充实、丰富、有趣，激发学生的学习热情，提高学生学习的主动性。在介绍古典概型时，为了吸引学生的兴趣，可先抛出一个有趣的命题：在70人的班级里至少有两个人的生日相同的概率几乎为1。同学们听到这个命题后很惊讶，相互打听生日，发现真有人生日相同后非常奇怪，这样学习古典概型的兴趣就很高昂。接下来我们就可以具体介绍得到这一命题的原因。

2 化难为易

化难为易法是指通过合适的处理，将求解比较复杂的问题转化为相对简单易求的问题。概率统计中比较有代表性的例子是服从二项分布的随机变量可以表示成若干个0-1分布的随机变量之和。这里，我们举另外一个在教学实践中学生处理起来感觉很难的例子：在二维连续型随机变量的学习中，根据联合密度函数求边缘概率密度时变量的范围如何处理？我们通过下面的例子来加以说明。

例2 设二维随机变量（X，Y）在区域G={（x，y）|0≤x≤1，x2≤y≤x}上服从均匀分布，求边缘概率密度函数FX（x），FY（y）。

但求边缘概率密度FY（y）时变量的范围如何选择，很多学生在这一点上就有些为难了。这里，我们将求边缘概率密度与非零表达式的区域的划分联系起来，要求FX（x）就将G划分成X型域，要求FY（y）就将G划分成Y型域。这样，根据联合概率密度求边缘概率密度就不用再担心变量范围怎么取的问题了。即：

3 联系实际

在介绍极大似然估计时，学生对于似然函数的选取不甚理解。为了帮助学生理解，我们通过联系实际，得到判断，解释得到判断的依据，这样，极大似然思想也就显现出来了。下面有具体的示例来作说明。

例3 罐子中有若干黑球和白球，只知道两球的比例是3∶1，但不知白球多还是黑球多，现随机有放回抽取2次，观察全为黑球，试问罐中白球多还是黑球多？

对于这样一个实际问题，学生很容易得到黑球多的结论，但得到这一结论的依据是什么呢？下面让我们给出说明。

解：设Xi（i=1，2）表示第i次取球的情况，“Xi=1”表示该次取得黑球，“Xi=0”表示该次取得白球，设单次取球取到黑球的概率为p。本例中p的取值为1/4或3/4。由于P{X1=1，X2=1}=p2，现在的问题转化为已得到了该样本，p应取何值？根据概率越大的事件在一次试验中越容易发生原理，显然当p=3/4时更容易得到该样本，因此从该样本出发可以得到黑球多这一结论。这就是极大似然思想，似然函数即为样本的联合分布函数，这样，学生也就了解了极大似然估计的思想和方法了。

以上只是作者在概率统计教学实践中的一点体会，还有很多数学方法都值得我们去研究。作为老师，我们要与时俱进，根据不同的教学内容找寻学生容易接受的教学方法，有效提高课堂的教学效果。

【参考文献】

[1]孙福杰，王亚玲. 谈概率统计的启发式教学[J].长春大学学报，2006，16（6）：142-144.

[2]朱方霞. 概率统计教学方法探讨[J]. 滁州学院学报，2009，11（3）：65-66.

统计学取样方法范文第4篇

关键词： 模式识别系统 统计模式识别 发展趋势

1.引言

通常我们所说的机器识别、计算机识别等都属于模式识别。它是通过某种方法对事物进行分析比较，根据某种判别规则识别事物。如：手写数字识别，是对0～9数字进行模式匹配，计算出相似度较高的对应值作为识别结果。模式识别研究的内容是使机器完成曾经只有人类才能完成的事，它具有分析、描述与判断事物的能力。经过多年的迅速发展，当前模式识别已经广泛应用于各个领域，如工、农、医、自然科学、社会科学等。在农业中，通过分析土壤成分及农产品的收成，决定种植何种作物、了解养料是否充足，以提高产量。在工业生产中，有语音识别、过程控制、地下探测、图像分割等。医学中主要有心电图与向量心电图分析、显微观察与生物医学数据分析、基因染色体研究、医学图像分割等。在自然科学中有地球和行星探测、卫星数据分析、遥感图像地质勘探等方面应用广泛。然而，种种应用都是随着问题的出现而出现的解决方法，至今模式识别还没有发展成统一的、有效的可以应用于所有模式识别的理论。模式识别的技术对国民经济建设和国防科技发展的重要性已得到人们的认可和广泛重视。本文将就模式识别所涉及的基本问题、研究的领域及其当前进展现状进行详细的介绍，并对模式识别的发展趋势进行展望。

2.模式识别系统

模式识别系统在工作时，只要判别被识别的对象落入哪一个区域，就能确定出它所属的类别。由噪声等导致的变异性，可通过预处理部分消除；模式本身固有的变异性可通过特征提取和选择得到控制。因此，一个典型的模式识别系统由数据获取、预处理、特征提取、分类决策及分类器设计组成。对应部分分别完成未知类别模式分类、分类器设计训练和对识别样品的分类决策。基本的模式识别方法有统计模式识别方法和结构模式识别方法。除此之外，还有模糊模式识别、神经网络模式识别和多分类器融合方法。以下对模式识别系统中五个组成部分简单介绍：

（1）数据获取

通常获取的数据类型有二维图像、一维波形、物理参量逻辑值三种。计算机使用可运算的符号研究文字、指纹、心电图、体温等对象。

（2）预处理

预处理的目的就是对原退化或干扰、冗余的数据信息进行去噪、复原，提取有用的信息。

（3）特征提取和选择

一般来说它包含将所获取的原始量测数据转换成能反映事物本质，并能将其最有效分类的特征表示，输入的是经过预处理的量测数据。通过将原始量测数据转换成有效方式表示的信息，分类器能根据这些信息决定样本的类别，对所获取的信息实现高维量测空间转换成地维特征空间。

（4）分类决策

模式识别系统工作有训练方式和分类决策两种方式。前一种是在确定的特征空间中，对测量数据进行特征选择与提取，得到样本的特征空间分布，并决定分类器参数。后一种方式是对待分类样本进行分类决策的过程。

（5）分类器设计

模式识别研究的主要目的是利用计算机进行模式分类。分类器设计的基本做法是在样品训练集的基础上来确定判别函数、改进判别函数和误差检验。我们把执行模式识别的计算机系统成为模式识别系统。

3.统计模式识别

统计模式识别（Statistic Pattern Recognition）的基本原理是，相似性高的样本在模式空间中相互接近，形成“簇”，根据模式所得的特征向量，判归所属类目。统计模式识别的方法有：

（1）贝叶斯决策方法

贝叶斯决策包含三种基本假设：首先是各类别总体的概率分布式已知的，其次是被决策的分类数是一定的，最后是被识别的事物或对象有多个特征观测值。运用统计决策理论设计的分类系统又称为分类器。分类器的判别准则有：最小错误概率贝叶斯判别准则、最小风险贝叶斯判别和聂曼・皮尔逊判别准则。

（2）判别函数法

判别函数可以是线性的，也可以使非线性的。利用已知类别的训练集，通过统计方法，求得判别函数的具体形式和参数，求出未知样本类别。由于该方法无需依赖条件分布密度等先验知识，因此，在一些场合要比基于贝叶斯公式的概率分类法简单。

（3）监督参数统计法

包括该方法分为KNN法（K最近邻法）和Fisher判别分析法。前者的基本原理是将分好类别的训练样本点映射到多维空间中，建立与待分类的未知样本对应关系，若近邻中某一类样本最多，则将该未知样本判为该类。该方法的优势在于对数据的结构没有特定要求，也无需训练，缺点在于计算量大。

（4）非监督参数统计法

有基于概率密度函数估计的直接方法和与样本空间相似性度量的间接聚类方法。

（5）聚类分析法

该方法是在没有训练集的情况在，对一批没有类别划分的样本根据相似度进行划分类属的方法。通常被称是一种无教师的非监督分类方法。

（6）近邻函数法

该方法根据距离测度，判别样本的类属，如基于最近邻规范的试探法和最大最小距离法。

4.结语

模式识别是一个快速发展的学科，其在国民经济和国防现代化建设中应用广泛。本文围绕模式识别的一些基础知识、模式识别系统和统计模式识加以介绍，着重介绍了模式识别系统中的五个组成部分和统计模式识别方法。随着模式识别理论与技术的不断发展前进，其应用领域和实际需求将会不断增长。

统计学取样方法范文第5篇

[关键词]生物统计 课程改革 教学 体会

生物统计学是一门探讨如何从事生物学试验研究的设计、取样、分析、资料整理与推论的科学,是一门重要的应用基础课程。 通过生物统计学课程的学习,使学生具备正确处理和分析试验数据的能力,为进一步学习相关专业课程、完成毕业论文奠定坚实的基础,对培养学生的科学研究能力以及独立分析问题和解决问题的能力起着非常重要的作用。

目前,我国一些高等(职业)院校的生物统计学课程教学改革取得了一定的经验,但与其它课程相比还有差距,主要表现在以下几点:一是教学过程中以课堂讲授为主,缺乏足够的实践环节。二是教学手段上缺乏高质量的教学课件。三是生物统计学方面软件的开发与应用也比较滞后,导致学生对生物统计学的实际应用能力偏低。

在生物统计学课程教学中如何把传授知识、培养能力和提高素质有机结合起来,以适应社会对人才需求的变化,是一个急待解决的问题。我们在教学改革实践中,从以下几个方面做了一些探索,取得了良好的教学效果。

一、紧扣学生需求,激化学生学习的兴趣

人们常说,兴趣是学习最好的老师。统计学的学习要以理解为主,很多学生往往存在一种恐惧的心理,更不用说学习的兴趣了。传统教学模式中,教师在教学活动中占主导地位,学生的“主体性”得不到充分发挥,教师只重视知识传授过程,而忽视了学生实际能力的培养。但是在现代教学模式中,教师既是知识的传授者,也是教学活动的组织者,引路人,是参谋,是朋友,是听众,更为重要的是培养学生独立获取知识的能力和发现问题、解决问题的能力。教师在“教”的过程中,应着重启发、引导学生对所学内容进行分析、理解、归纳和综合,而不是简单的告诉学生结论和答案。我们在教学方法上要更多的引入启发式、设疑式等教学方式,激发学生学习的主动性和创造性。同时注重教会学生学习的方法,让学生学会思考,学会创造,使学生由“学会”向“会学”方向转变,给学生营造一个多样性的学习空间。

生物统计学是一门既有理论又有实践的专业基础课。为消除学生的这种心理,使学生对之感兴趣,从学生的需求入手,激化学生学习的兴趣是非常重要的。在教学中,根据各章教学内容及教学要求不同,应采取不同的教学方式,授课过程中避免“满堂灌”,尽可能启发、引导学生思考,适当“设疑”,活跃课堂气氛。只有针对学生的需求,才能引导学生主动的学习,提高学习的效果。

而对兽医(教育)专业学生在显著性检验的授课过程中,我了解到部分学生参加了大学生创新课题研究这一情况,采取讨论式的教学方法,提出如果大家通过试验得到了一系列数据,为了让结果更有说服力,必定要对数据进行统计分析,然后和学生一起分析创新课题研究的内容,应当如何开展试验,可能会得到了什么样的试验数据。然后引导学生,显著性检验中各种方法的应用条件是怎样的,针对试验开展的情况,应该使用什么样的方法来分析这些数据,通过这样的方法,既指导了学生正确的进行科学研究,同时也让学生感觉到学习生物统计学的重要性和必要性,使他们能更自觉的主动学习。

二、实行开放式教学,全方位提高教学效果

开放式教学是一种需要新思想的教学。在开放式教学的教程中,学生不只是“收音机”,他们更多的是知识的探索者,规律的发现人。正如著名教育家苏霍姆林斯基所指出的:“在人的心灵深处都有一种根深蒂固的需要,就是希望自己是一个发现者、研究者、探索者。”因此,教师必须转变家长式的教师作风,做学生的亲密朋友,建立朋友式的新型师生关系,去包容全体学生,充分保护学生的心理安全,以期待的目光,鼓励的微笑,传递给学生一种亲切、信任、友好的情感信息,使学生放飞理想的翅膀。

同时开放教学内容和教学形式,根据学校课程建设的要求,生物统计课程作为学校的网络建设课程,课程的教学大纲、实验大纲、考核大纲、教学课件、教学周历、课程讲义、教学录像、教材及教学参考书等内容全部上网,这样既便于学生了解所学课程的内容,应当掌握的程度和及时查漏补缺,又便于学生课后的自学和课程的辅导,培养和提高学生的自学能力。同事开辟课程专门的网络平台,方便教师与学生进行交流和课程答疑。这种教学方式的改变,以学生为主体,能够发挥学生学习的主动性与积极性,使学生的自学能力、思维能力、文字及口头表达能力、实践动手能力得到全面提高。

三、变更考核方式,促进学习的全面巩固

生物统计学的内容抽象枯燥,涉及的计算公式多且计算繁杂,学生在学习的过程中往往要花大量的时间和精力去背概念、记公式,而真正掌握生物统计这门研究工具还需假以时日。因此,学生往往是为了应付考试而在考前几天勉强背公式,即使是当时记住了,应付过考试以后,过一段时间也很快就忘记了。

从应试教育向素质教育转变,必须从根本上改革传统的单一的考核方式。生物统计学是一门实践性较强的应用工具性课程,因此应把考核学生应用知识的能力和综合分析问题的能力作为重点。我们目前采取的方法是考核方式根据考查的内容灵活掌握,对于基础知识部分,以闭卷考试为主;对于统计分析方法和涉及到实践应用的部分,则采取开卷考试的方式,考生可以查有关参考资料,但要求在规定时间内独立完成。

实验、实习等实践教学环节对于全面提高人才培养质量有着重要的作用。为了使学生能正确进行统计分析,提高统计效率,不使学生将大量的实践花费在复杂的计算上面,在课程中设置了实践教学部分,即应用计算器和SAS软件进行数据的统计分析,对于这部分内容采用计算机上考试,可以使学生从死记硬背概念和公式中解脱出来,这样既考查了学生解决实际问题的能力,也考查了应用计算机的能力,使学生综合运用知识的能力得到提高。

为了督促学生及时复习和巩固所学知识,每一章学习内容结束后安排一定量的课后作业,经教师评阅并打分。学生的课程成绩采取平时作业成绩、平时表现成绩、实践成绩与闭卷考试成绩综合评定的办法,最后折合以平时成绩占总成绩的30%,考试成绩占70%计算给出最终的课程成绩。

学无止境,教学也没有终点。教师在教学过程中只有以学生为主体,多从学生的角度考虑问题,注意学生的感受,关注学生的学习,不断探索和改革,才能取得良好的教学效果。

参考文献:

[1]明道绪.生物统计附试验设计.北京:中国农业出版社,2006.1-3.