一致，不同对子的试验单元之间的非处理条件允许有差异，每一个对子就是试验处理的一个重复。
SPSS配对样本的T检验主要解决来自配对样本数据的两个总体均值有否显著差异的问题。所谓配对样本，通常是指对同一观察对象在使用某种新方法的有效性。配对样本的T检验对数据的要求：
（1）是抽取样本数据的两个总体必须服从正态分布。 （2）两个样本的样本容量相同。 1.2建立模型：
1．基本数学原理： 成对样本的均值比较t检验，假设这两个样本之间的均值差异为零，用于检验的统计量为：
x?yt=
?(x?y)i?1iin2?[?(xi?i?1ny)]i2/nn(n?1)（式中，n-1为自由度，n为数据对数） 2.建立检验假设：
H0:?d?0,H1:?d?0 （其中?为均值差异）其假设的意义为，当
d差异为零时，可以认为某种试验方法无效；反之，当差异不为零，可以认为某种试验方法在发生作用或有效。
1.3模型求解：
（1）在SPSS中对两组红葡萄酒质量的平均值运行配对样本的T检验，得到如下图一所示：
4
图一
对表中的分析结论表明：两个样本平均数分别为73.056、70.515 ，相关系数为0.700 ,T检验的临界值为2.458 。我们可以得到检验结论为：拒绝原假设H0,即可认为两组评酒员对红葡萄酒的评价结果有显著性差异。 （2）用同样的方法对两组白葡萄酒质量的平均值运行配对样本的T检验，如图二所示，我们得到的检验结果是：两组评酒员对白葡萄酒的评价结果有显著性差异。
5
图二
综合（1）、（2）我们得到的结果是：两组评酒员的评价结果有显著性差异。 5.1.2 结果可靠性的选则 通过对5.1.1的解答，我们可以清楚的看到第一组、第二组红葡萄酒质量的平均值的标准差分别是：7.3426、3.9780。第一组、第二组白葡萄酒质量的平均值的标准差分别是：5.201、3.1709。
通过比较我们得到的结果是：第二组评酒员的评价结果更可信。
5.2 根据酿酒葡萄的理化指标和葡萄酒的质量对酿酒葡萄进行分级——聚类分析-分层聚类-凝聚法
1.聚类分析的概念
聚类分析是根据事物本身的特性研究个体分类的方法。在这里我们采用分层聚类中的凝聚法，即聚类开始把参与聚类的每个个体视为一类，根据两类之间的距离或相似性逐步合并，直到合并为一个大类为止。
2.建立模型：
（1）将所要分析的数据转变为矩阵： a11a12......a1pa21a22......a2p????（其中a表示样品i的第j个指标）
ij????an1an2??anp（2）写出样品间的距离矩阵 D1 (欧氏距离为例)
??d(a,a)=?a?=(,??,aaap(ik?ajk)2ij
k?1ii1)’ aj=(aj1,??,ajp)’ ip?（3）将每一个样品看作一个类，即为：G1,G2,……Gn,
6
观察比较D(Gi,Gj)哪个最小，将Gi,Gj聚为一类，计算新类与其余各类
之间的距离，得到新距离矩阵D2。
（4）依此类推，最终将样品G1,G2,……Gn分出类来。
3.模型求解：
（1）对酿酒红葡萄进行分类：
在SPSS中运行聚类分析的程序，得到如下图表：
Cluster Membership
4 Clust
Case ers 1:葡萄样品1 1 2:葡萄样品2 1 3:葡萄样品3 2 4:葡萄样品4 3 5:葡萄样品5 3 6:葡萄样品6 3 7:葡萄样品7 3 8:葡萄样品8 1 9:葡萄样品9 1 10:葡萄样品10 3 11:葡萄样品11 4 12:葡萄样品12 3 13:葡萄样品13 3 14:葡萄样品14 3 15:葡萄样品15 3 16:葡萄样品16 3 17:葡萄样品17 3 18:葡萄样品18 3 19:葡萄样品19 3 20:葡萄样品20 3 21:葡萄样品21 2 22:葡萄样品22 3 23:葡萄样品23 1 24:葡萄样品24 3 25:葡萄样品25 3 26:葡萄样品26 3 27:葡萄样品27 3
7
聚类分析图示（一）
8
2012数学建模A题论文：葡萄酒的评价
