Excel对遗传学质量基因进行卡方分析

本文介绍如何使用Excel对遗传学质量性状进行卡方检验,通过计算卡方值和P值来判断性状比例是否符合预期。以黄瓜有毛与无毛性状为例,详细阐述了求解理论值、卡方值和P值的步骤,并解释了自由度的概念。最终,通过比较计算得到的卡方值与临界值,验证了3:1分离比例的假设。

使用Excel对遗传学中质量性状判断进行卡方检测:
卡方值(X2)=(实际值-理论值)2/理论值。
有很多人不知道什么是卡方值,什么是值。这次记住了,卡方值长得像X的平方。
以单个基因控制的性状为例,F2中黄瓜有毛:黄瓜无毛=3:1。F2中共统计240株,有毛175,无毛65。df(自由度)为1,什么是自由度,请看下面。
下面是具体的步骤:

1.求出理论值

有毛180,无毛60.

2.求出卡方值,卡方值近似0.56

X2=(175-180)(175-180)/ 180 + ( 65-60)(65-60)/ 60 = 0.56
在这里插入图片描述

3. 求出P值,这一步需要使用Excel,P值近似0.46
在这里插入图片描述

这时候在网上查找一下概率在0.05时得卡方值,用截图表示:
在这里插入图片描述
判断是否符合得依据如下图:
在这里插入图片描述
α = 0.05,df(自由度)=1时,卡方值为3.84,大于咱们求出的0.56,可见符合假设,也

在Python中,我们可以使用`scipy.stats.chisquare`函数来进行检验,这是一种统计法,用于测试观察到的数据分布是否与理论预期的分布相符。对于隐写术检测,通常会先提取图像的像素,并尝试找出是否存在某种模式(比如隐藏的信息)使得像素分布不同于背景噪声。 下面是一个简单的步骤示例: 1. 导入所需的库: ```python import numpy as np from scipy.stats import chisquare import matplotlib.pyplot as plt ``` 2. 加载和预处理图像数据: 假设你已经有一张隐写后的图像(可以是灰度图或RGB图),将其转换为一维数组(如行优先)。 ```python image = ... # 加载隐写图片 # 如果是RGB图,可能需要转为灰度图 if len(image.shape) == 3: image = image[:, :, 0] if image.shape[2] == 1 else np.mean(image, axis=-1) data = image.flatten() ``` 3. 预设期望频率(例如,如果假设没有隐藏信息,像素分布接近均匀): ```python expected_freq = np.array([len(data) / (width * height)] * width * height) ``` 这里宽度和高度取决于原始图像的大小。 4. 计算统计量: ```python observed_freq, _ = np.histogram(data, bins=range(0, 256), density=True) chi2_statistic, p_value = chisquare(observed_freq, expected_freq) ``` 5. 分析结果: - `chi2_statistic`是统计量的,越大表示观察到的分布与预期的差异越大。 - `p_value`是拒绝原假设的概率,若p小于显著性水平(如0.05),则我们有理由认为数据分布异常,可能存在隐写信息。 记得检查图像的尺寸(width和height)并根据需要调整`bins`的数量。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值