波动检验:为什么判断机制时,方差比均值更诚实
【锚点】这一篇讲一个可迁移的判据:【当两种机制产生相同均值时,看分布尾部与方差】。 【显式】1943 年 Luria 与 Delbrück 要区分细菌抗噬菌体是【末端诱导】还是【自发突变】。两种解释都能解释“存在抗性菌”,但生成过程不同。 【流程节点链路】:【诱导假设】→【所有菌在末端独立响应】→【抗性计数近似二项/泊松】→【方差/均值≈1】→【分布平坦】;【突变假设】→【突变在生长过程中随机发生】→【早期突变被指数扩增】→【个别培养出现 jackpot】→【平行培养计数过离散】→【方差/均值≫1】。 【隐式】他们不是问“有没有抗性”,而是问“平行样本之间的离散从哪里来”。经典复述常说约 2000 个平行培养;关键不是总数,而是每个培养独立生长,让早期突变有时间放大。 【细微】这个设计把时间藏进方差:同一个平均突变率,若突变发生在第 1 代和第 20 代,对最终计数的影响相差指数级;均值抹平这个差异,方差把它显形。 【极难发现】更深的科学哲学点是:实验没有直接“看见”突变,它比较的是两种生成模型的统计指纹。支持或拒绝不是靠单次观察,而是靠【分布形状对机制敏感、对局部参数不敏感】。 【结论】可复核判据:设 F=Var/mean,若 F≈1,支持末端独立诱导;若 F≫1,支持随机起源加克隆扩增。若把平行培养改成混合培养,jackpot 信号会被平均掉;若把末端诱导改成全程诱导,分布会从过离散向泊松靠近。 【结尾问题】如果你的领域只能汇报均值,哪些机制会被系统性漏掉?
##科学哲学##生物学##统计推断##知识社会学







0 评论