卡方独立性检验|卡方拟合性检验

概率统计方面的底层需要实现的相关函数 一、需要实现的函数(参考matlab命名规则) 密度函数:normpdf,chi2pdf,fpdf,tpdf 分布函数:normcdf,chi2cdf,fcdf,tcdf 方差、均值:normstat,chi2stat,fstat,tstat 逆累积分布:norminv,chi2inv,finv,tinv   假设检验:ttest,test2,ztest, ,signtest, kst 阅读详情
AI摘要

本文深入解析卡方检验的原理及应用,包括独立性检验、拟合性检验与自定义卡方检验,阐述P值概念及其在假设检验中的作用,探讨原假设与备择假设的区别。

目录

1.独立性检验 

 2.卡方拟合性检验

3.自定义卡方检验

4.P值是什么

5.原假设/备择假设


1.独立性检验 

“独立性检验”验证从两个变量抽出的配对观察值组是否互相独立(例如:每次都从A国和B国各抽一个人,看他们的反应是否与国籍无关)。

独立性检验主要用于两个或两个以上因素多项分类的计数资料分析,也就是研究两类变量之间的关联性和依存性问题。如果两变量无关联即相互独立,说明对于其中一个变量而言,另一变量多项分类次数上的变化是在无差范围之内;如果两变量有关联即不独立,说明二者之间有交互作用存在。

独立性检验一般采用列联表的形式记录观察数据, 列联表是由两个以上的变量进行交叉分类的频数分布表,是用于提供基本调查结果的最常用形式,可以清楚地表示定类变量之间是否相互关联。又可具体分为:

  • 四格表的独立性检验:又称为2*2列联表的卡方检验。四格表资料的独立性检验用于进行两个率或两个构成比的比较,是列联表的一种最简单的形式。
  • 行x列表资料的独立性检验:又称为RxC列联表的卡方检验。行x列表资料的独立性检验用于多个率或多个构成比的比较

理论频数表

'''
(1)假设检验重要知识
H0:A与B相互独立  H1:A与B不相互独立
若卡方值大于临界值,拒绝原假设,表示A与B不相互独立,A与B相关
函数中re返回为1表示拒绝原假设,0表示接受原假设
'''
def chi2_independence(alpha, data):
    chis, p_value, dof, expctd = chi2_contingency(data)
    if dof == 0:
        print('自由度应该大于等于1')
    elif dof == 1:
        cv = chi2.isf(alpha * 0.5, dof)
    else:
        cv = chi2.isf(alpha * 0.5, dof-1)
    if chis > cv:
        re = 1  # 表示拒绝原假设
    else:
        re = 0  # 表示接受原假设
    return chis, p_value, dof, re, expctd

alpha = 0.05  # 置信度,常用0.01,0.05,用于确定拒绝域的临界值
data = np.array([[178,272],[38,502]])
chis, p_value, dof, re, expctd = chi2_independence(alpha, data)
print('卡方值:',chis)
print('P值:',p_value)
print('自由度:',dof)
print('判读变量:',re)
print('原数据数组同维度的对应理论值:',expctd)
卡方值: 150.2623232486362
P值: 1.5192261812214016e-34
自由度: 1
判读变量: 1
原数据数组同维度的对应理论值: [[ 98.18181818 351.81818182]
 [117.81818182 422.18181818]]

 2.卡方拟合性检验

2.1 定义

卡方检验能检验单个多项分类名义型变量各分类间的实际观测次数与理论次数之间是否一致的问题,这里的观测次数是根据样本数据得多的实计数,理论次数则是根据理论或经验得到的期望次数。这一类检验称为拟合性检验。其自由度通常为分类数减去1,理论次数通常根据某种经验或理论。

总而言之,卡方拟合度检验用于判断不同类型结果的比例分布相对于一个期望分布的拟合程度。

2.2 应用条件

卡方拟合性检验适用于变量为类别型变量的情况。 例如:变量为有罪或无罪。

当每个类别中观察到的或预期的频率太小时,此检验无效。要求样本含量应大于40且每个格子中的理论频数不应小于5

2.3应用实例

随机抽取60名高一学生,问他们文理要不要分科,回答赞成的39人,反对的21人,问对分科的意见是否有显著的差异。

'''
(1)假设检验重要知识
H0:类别A与B的比例没有差异  H1:类别A与B的比例有差异
若卡方值大于临界值,拒绝原假设,表示A与B不相互独立,A与B相关
函数中re返回为1表示拒绝原假设,0表示接受原假设
'''
import numpy as np
from scipy.stats import chisquare
from scipy.stats import chi2
def chi2_fitting(data, alpha, sp=None):
    chis, p_value = chisquare(data, axis=sp)
    i, j = data.shape  # j为自由度  
    if j == 0:
        print('自由度应该大于等于1')
    elif j == 1:
        cv = chi2.isf(alpha * 0.5, j)
    else:
        cv = chi2.isf(alpha * 0.5, j - 1)
    if chis > cv:
        re = 1  # 表示拒绝原假设
    else:
        re = 0  # 表示接受原假设
    return chis, p_value, cv, j-1, re
data = np.array([[39, 21], ])
alpha = 0.05
chis, p_value, cv, dof, re = chi2_fitting(data, alpha)
print('卡方值:',chis)
print('P值:',p_value)
print('拒绝域临界值:',cv)
print('自由度:',dof)
print('判读变量:',re)
卡方值: 5.4
P值: 0.02013675155034633
拒绝域临界值: 5.02388618731489
自由度: 1
判读变量: 1

显然chis(卡方值)是大于cv(临界值)的,因此拒绝原假设,认为对于文理分科,学生们的态度是有显著的差异的。 

从表面上看,拟合性检验和独立性检验不论在列联表的形式上,还是在计算卡方的公式上都是相同的,所以经常被笼统地称为卡方检验。但是两者还是存在差异的。

首先,两种检验抽取样本的方法不同。如果抽样是在各类别中分别进行,依照各类别分别计算其比例,属于拟合优度检验。如果抽样时并未事先分类,抽样后根据研究内容,把入选单位按两类变量进行分类,形成列联表,则是独立性检验。

其次,两种检验假设的内容有所差异。拟合优度检验的原假设通常是假设各类别总体比例等于某个期望概率,而独立性检验中原假设则假设两个变量之间独立。

最后,期望频数的计算不同。拟合优度检验是利用原假设中的期望概率,用观察频数乘以期望概率,直接得到期望频数。独立性检验中两个水平的联合概率是两个单独概率的乘积。

 


stats.chi2.rvs()

stats.chi2.pdf()

stats.chi2.cdf()

stats.chi2.isf()

1.stats.chi2.rvs()卡方分布直方图

from scipy import stats
import seaborn as sns
import matplotlib.pyplot as plt
samples = stats.chi2.rvs(size=10000, df=1)#产生服从指定分布的随机数,chi2指定了卡方分布
sns.distplot(samples)
plt.title('$\chi^2$,df=1')#自由度为1
plt.show()

 

2.stats.chi2.pdf()概率分布密度函数  

from scipy import stats
stats.chi2.pdf(2, df=1)#概率密度函数
#上图2对应的位置是0.1037

from scipy import stats
stats.chi2.pdf(1, df=1)#概率密度函数
#上图1对应的位置是0.24

3.stats.chi2.cdf()随机变量的累积分布函数,它是概率密度函数的积分(也就是x时p(X<x)的概率)。产生对应x的这种分布的累积分布函数的值。 

 

from scipy import stats
stats.chi2.cdf(1, df=1)
from scipy import stats
stats.chi2.cdf(6, df=1)

4.stats.chi2.isf(),对应上表图的值,置信度,自由度 


3.自定义卡方检验

原假设:“青少年行为”与“家庭状况”独立。
备择假设:“青少年行为”与“家庭状况”不独立。

from scipy import stats
import numpy as np
from scipy.stats import chi2_contingency
def custom_chi2_contingency(observed):
    # 每一行求和
    row = observed.sum(axis=1)
    # 每一列求和
    col = observed.sum(axis=0)
    # 总数求和
    all_sum = observed.sum()
    # meshgrid 生成网格
    x1, x2 = np.meshgrid(col, row)
    # 期望频数
    expected_count = x1 * x2 / all_sum
    # 统计量,即卡方值
    chi2 = ((observed - expected_count)**2 / expected_count).sum()
    # 自由度
    df = (len(row) - 1) * (len(col) - 1)
    # 计算 p 值,这里用到了卡方分布的概率积累函数,
    # 因为这个 cdf 是计算从左边到这点的累计积分,因此用 1 减它
    p = 1 - stats.chi2.cdf(chi2, df=df)
    return chi2, p, df, expected_count
obs = np.array([[178, 272], [38, 502]])
result1 = custom_chi2_contingency(obs)
result2 = chi2_contingency(obs)
print('自定义卡方检验的函数返回:')
print(result1,'\n')
print('scipy 提供的卡方检验返回:')
print(result2)

自定义卡方检验的函数返回: (152.16271892047084, 0.0, 1,

                                                  array([[ 98.18181818, 351.81818182], [117.81818182, 422.18181818]]))

scipy 提供的卡方检验返回: (150.2623232486362, 1.5192261812214016e-34, 1,

                                                array([[ 98.18181818, 351.81818182], [117.81818182, 422.18181818]])) 

4.P值是什么

得到“检验统计量”有个缺点,就是它是一个很“死”的数字,我们看到 152,我们只能直观感觉它很大,因为如果观察频数与理论频数大约相等,这个值应该很小,但不能量化这个值有多大。这只是统计量服从某个自由度的卡方分布的情况。

那么问题来了,如果统计量服从其它分布呢?统计量这个干巴巴的数字,你怎么知道这个这个分布取到这个统计量的概率有多大?因此还差一步,我们还必须查表。所以得到P值的过程就是帮你查表了,P值是一个概率值,它介于0 和1之间,P值是当前分布取到这个统计量的概率到当前分布极端值(指的是概率很小的极端值)这个区间的累计概率之和,即取到这个值,到比这个值更“差”的概率之和,如果P 值很大,说明统计量取当前值的概率在一个正常的范围(一般是认为设定成95%),如果P 值很小,说明这个统计量取当前值的概率也非常小。

特别说明:对于连续型随机变量来说,取到某个值的概率其实是0,因此上面才用到了对于区间取概率之和。

1.统计量=2时,累计概率之和较小0.103,也就是p值小,0.103这个概率也小,此时不合理,应拒绝原假设,接受备择假设

2.统计量=1时,这一点到极端值累计之和0.317比较大,也就是p值大,0.24这个概率取值也大,合理

p值作用:小于显著性水平,拒绝原假设,否则不能拒接原假设,小拒大接

上面所说的累积概率之和如果很小,小于一个临界值,这个临界值我们称之为“显著性水平”,用 表示,一般取α=0.05 。多说一句,这个显著性水平其实是我们在原假设成立的情况下,拒绝原假设的概率,即犯第一类错误的概率.

1-α 为置信度或置信水平,其表明了区间估计的可靠性

我们认为,在 \chi _{^2} 分布,如果一个点到右边无穷的累计积分小于“显著性水平”,我们就认为这个点以及右边所有的点的取值,都是小概率事件。

1、P值统一了假设检验的比较标准,把计算统计量的概率大小统一变成计算P值,如果这个P值小于一个预先设定好的很小的数,则拒绝原假设,如果P值大于这个预先设置好的很小的数,则说明没有充分证据拒绝原假设;
2、使用P值进行假设检验的时候,会更便利。因此,使用P值进行假设检验的评判标准就只要一个,就是记住这句话“小拒大接”,即比0.05小,就拒绝“原假设”,比 0.05大,结论是“没有理由拒绝原假设”。

P>0.05 碰巧出现的可能性大于5% ,不能否定无效假设,两组差别无显著意义
P<0.05 碰巧出现的可能性小于5% ,可以否定无效假设,两组差别有显著意义
P<0.01 碰巧出现的可能性小于1% ,可以否定无效假设,两者差别有非常显著意义


5.原假设/备择假设

5.1独立性检验-青少年行为家庭状况关系-两类变量之间的关联性和依存性问题

原假设:“青少年行为”与“家庭状况”独立。
备择假设:“青少年行为”与“家庭状况”不独立

备择假设通常是研究者想收集证据予以支持的假设;原假设是研究者想收集证据予以推翻的假设。

我们把倾向于要证明的结论设置为“备择假设”,而推理是基于“原假设”成立进行的,推理得出矛盾,说明“原假设”错误,从错误的起点推出了错误的结论,因此“原假设”不成立,这就是假设检验里面说的“拒绝原假设”。

卡方检验的“原假设”一定是假设独立,“备择假设”一定是假设相关

卡方=152.15,在直方图几乎看不到,说明概率很低

概率 = 2.956796099836173e-35,几乎为0,说明在我们的假设【“青少年行为”与“家庭状况”独立】下,得到这组观测数据的概率很低很低,但它却发生了,就证明了我们的“原假设”是不正确的,即有充分证据决绝“原假设”。接受备择假设认为:“青少年行为”与“家庭状况”不独立。


5.2拟合优性检验-硬币-实际观测次数与理论次数之间是否一致

原假设:硬币均衡

备择假设:硬币不均衡

如果你想通过种种论证,证明一件事情,就要把这件事情写成“备择假设”。备择假设通常用于表达研究者自己倾向于支持的看法(这很主观),然后就是想办法收集证据拒绝原假设,以支持备择假设。一般不说接受原假设而说没有理由拒绝原假设

想要证明硬币是不均衡的,推理是基于原假设正反次数都是25次进行的,推理得到0.72<3.8,拒绝原假设,接受备择假设,硬币不均衡

参考资料

https://www.cnblogs.com/Yuanjing-Liu/articles/9252844.html

https://www.jianshu.com/p/154673042ba5

 

卡方检验详解(Chi-Squared Test) 当我们计划接待1000人时,比预期多40个人并不是什么大问题,大家可能仍然有足够的啤酒和薯片。在这种情况下,多出来的40个客人将会导致大麻烦,因为实际人数是预期人数的5倍,我们可能并没有足够的食物提供。拟合度的卡方检验又叫最佳拟合度的卡方检验,为何取名“最佳拟合”?我们用上面的一个例子来实践,假设有一个数据集包含60名被试对新旧版网页的喜好选择。p值小于0.05,拒绝原假设H0,被试对新网页有着显著的偏爱。被试对新旧网页布局的喜好有着显著的不同,新网页更受到偏爱,选择A的共有14人,选择B的共有46人。 阅读详情

相关推荐

卡方分布的前世今生:从测量误差到假设检验的基石

在统计学与数据分析的体系中,许多看似抽象的概率分布,其实是解决实际问题的关键工具。卡方分布正是这样一个基础概念:它源于测量误差平方和的研究,本质上是标准正态变量平方和的分布,其形态由自由度决定。理解卡方分布,是掌握拟合优度检验、列联表独立性检验以及方差分析等核心方法的前提。在假设检验框架下,卡方值用于衡量观测频数与期望频数的偏离程度,帮助判断变量间是否独立、模型是否合理。从皮尔逊提出卡方统计量,到费希尔厘清自由度,再到现代数据分析中的效应量评估,卡方分布始终贯穿统计推断的始终。无论是学术研究还是业务分析,正

weixin_34060741的博客 272

卡方检验(Chi-Square Test)

卡方检验(Chi-Square Test)是一类基于卡方分布的假设检验方法,常用于检验两个离散变量是否存在关联(独立性检验)、理论分布与观测分布是否一致(适配度检验)、以及在金融风控、医学研究、社会科学调查等领域广泛应用。本文从理论概念、常见类型及其应用场景、Python 实现等方面对卡方检验做了一个系统介绍。

彬彬侠的博客 2万+

卡方分布与卡方检验:从拟合优度到独立性检验的实战指南

在数据分析与统计推断中,卡方分布是一类基于标准正态变量平方和构造的概率分布,其形态由自由度决定。理解卡方分布,核心在于把握“平方和”的数学逻辑以及自由度丢失的直觉。这一分布的价值体现在多种假设检验场景中:拟合优度检验可判断观测频数是否符合理论分布,独立性检验常用于分析列联表中两个分类变量是否关联,方差比较则可评估总体波动差异。无论是产品经理验证用户偏好,还是数据分析师排查渠道异常,卡方检验都能有效区分“肉眼可见的差异”与“统计上显著的差异”。实际应用中还需注意期望频数不小于5、样本量充足等前提,并结合p值与

weixin_42639633的博客 267

独立性检验

本文给出基于两种统计量的假设检验,来检验变量间是否独立--χ2与秩和。χ2越小说明越独立。你可能会参考另一篇博客相关性检验。 假设检验 假设检验(Test of Hypothesis)又称为显著性检验(Test of Ststistical Significance)。 在抽样研究中,由于样本所来自的总体其参数是未知的,只能根据样本统计量对其所来自总体的参数进行估计,如果要比较两个或几个总体...

weixin_33922670的博客 884

2篇4章3节:独立性检验,卡方检验,费希尔精确概率检验和Cochran-Mantel-Haenszel检验

独立性检验用于检验两个或多个分类变量是否独立。也就是说,它评估一个变量的分布是否与另一个变量无关,就是用于判断两个分类变量是否相互独立。在实际应用中,独立性检验广泛用于各种领域,以确定不同因素之间是否存在统计学上的关联。

MD Code 2258

MATLAB算法实战应用案例精讲-【数模应用】卡方分布(附Java、Python、R语言和MATLAB代码)

卡方,是音译自希腊字符。卡方分布是由Karl Pearson在1900年提出的。若n个相互独立的随机变量ξ₁,ξ₂,...,ξn ,均服从标准正态分布(也称独立同分布于标准正态分布),则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量,其分布规律称为卡方分布(chi-square distribution)。卡方分布是一种特殊的伽玛分布,是统计推断中应用最为广泛的概率分布之一,例如假设检验和置信区间的计算。

qq_36130719的博客 1877

卡方分布、卡方独立性检验和拟合性检验理论及其python实现

1.1 简介  抽样分布有三大应用:T分布、卡方分布和$\Gamma$分布。可以简单用四个字概括它们的作用:“以小博大”,即通过小数量的样本容量去预估总体容量的分布情况。这里开始介绍卡方分布。${\chi ^{\text{2}}}$分布在数理统计中具有重要意义。  ${\chi ^{\text{2}}}$分布是由阿贝(Abbe)于1863年首先提出的,后来由海尔墨特(Hermert)和现代统计学的奠基人之一的卡·皮尔逊(C K.Pearson)分别于1875年和1900年推导出

平平淡淡,戒急用忍,一生学闭嘴。 3976

告别信号毛刺!手把手教你用ADS和IBIS-AMI模型搞定PCIe Gen3眼图仿真

本文详细介绍了如何使用Keysight ADS和IBIS-AMI模型进行PCIe Gen3眼图仿真,解决高速信号传输中的信号质量问题。从仿真环境搭建、S参数预处理到眼图优化与故障排除,提供了一套完整的工程实践指南,帮助工程师提升PCIe Gen3接口的信号完整性。

weixin_28366053的博客 372

python卡方拟合性检验_卡方分布、卡方独立性检验和拟合性检验理论及其python实现...

如果你在寻找卡方分布是什么?如何实现卡方检验?那么请看这篇博客,将以通俗易懂的语言,全面的阐述卡方、卡方检验及其python实现。1. 卡方分布1.1 简介抽样分布有三大应用:T分布、卡方分布和$\Gamma$分布。可以简单用四个字概括它们的作用:“以小博大”,即通过小数量的样本容量去预估总体容量的分布情况。这里开始介绍卡方分布。${\chi ^{\text{2}}}$分布在数理统计中具有重要意义...

weixin_39565777的博客 1291

避坑指南:ANSYS流固耦合计算中System Coupling数据传递设置与常见报错解决

本文深入解析ANSYS Workbench中System Coupling模块在双向流固耦合(FSI)计算中的应用,详细讲解数据传递机制、典型报错解决方案及高阶调试技巧。通过实际案例展示如何优化耦合步长、处理大变形问题,并提升并行计算效率,帮助工程师有效规避常见技术陷阱。

weixin_29213525的博客 731

深入解析SPLL单相软件锁相环:从SOGI原理到PI系数调优实践

本文深入解析SPLL单相软件锁相环技术,从SOGI原理到PI系数调优实践,详细介绍了其在数字电源设计中的应用。通过数学推导和实际调试经验,帮助工程师快速掌握锁相环的核心参数计算和优化方法,提升电网相位追踪的精确度和响应速度。

weixin_30316097的博客 386

卡方 python_卡方优度检测 (Python 实现) --基于jupyter

卡方独立性检验import numpy as npfrom scipy.stats import chi2_contingency # 列联表分析from scipy.stats import chi2 # 卡方分布(2)参数说明【输入】:参数描述alpha置信度,用来确定临界值;data数据,请使用numpy.array数组;【输出】:参数描述CMIN卡方值,也就...

weixin_39986973的博客 581

《涨知识啦29》-DBR的工作原理及其在VCSEL中的作用

分布式布拉格(Distributed Bragg Reflection,简称DBR)反射镜是垂直腔面发射激光器(Vertical-Cavity Surface-Emitting Laser,简称VCSEL)的重要组成部分。典型的DBR反射镜是由1/4ni波长厚度的高折射率和低折射率材料交替组成(ni是该层的折射率)。其反射率取决于组成对数、边界条件以及折射率差。 图1 布拉格反射镜的工作原理 DBR反射镜的工作原理如图1所示。根据反射原理,当光从光疏介质n1射向光密介质n2(折射率n2>n1)时,反

simucal的博客 7986

卡方分布和卡方验证的关系理解,以及Python实现

卡方分布 定义:设 X1…Xn是服从标准正态分布的随机变量,则称统计量 服从自由度为n的卡方分布,自由度为n时,他的期望是n,方差为2n 他是标准正态分布变量的平方和,网上找了一张概率密度图: 然后我很好奇的是,这张图怎么画出来的呢? 既然是正态分布的平方和,我就试一下弄几个正态分布平方和,看看图形是不是这个样子。 用Python代码 # 产生服从N(0,1)分布的1000个数 x1 = np.random.randn(1000) y1 = np.power(x1,2) 一个一个产生太慢了,,用循环生

PY_smallH的博客 4676

BIM Revit教程(六)尝试安装 Revit 时显示“Autodesk Revit 已安装。”

在安装Revit或RevitLT时,若系统提示“AutodeskRevit版本已安装”,通常是由于旧版本残留文件未完全清除所致。解决方案包括:1.通过控制面板或Windows设置卸载旧版本Revit,确保所有相关组件被移除;2.使用Autodesk卸载工具(AdskUninstallHelper)进一步清理;3.谨慎操作注册表,删除与Revit相关的残留项;4.确保系统有至少30GB的可用磁盘空间;5.完成上述步骤后,重新尝试安装Revit。此外,文章还提到了一个免费功能商店,供用户寻找提效工具,并鼓励粉丝

ZOZO_888的博客 2138

Exchange Server 2013 运维系列——邮箱配额设置(管理中心)

邮箱配额需要设置三个参数: 1、发出警告限制:表示在向用户发出警告之前的最大存储限制。如果邮箱大小达到或超过指定值,Exchange 将向邮箱用户发送警告消息。 2、禁止发送限制:表示邮箱的“禁止发送”限制。如果邮箱大小达到或超过指定的限制,Exchange 将阻止邮箱用户发送新邮件,并显示一条描述性错误消息。 3、禁止发送和接收限制:表示此邮箱的“禁止发送和接收”限制。如果邮箱大小

白昼的技术专栏 1万+

卡方分布原理与应用:从统计检验到机器学习

卡方分布作为统计学中的核心概率分布,由标准正态变量的平方和构成,其自由度参数决定了分布形态。在统计推断中,卡方检验通过比较观察值与期望值的差异,广泛应用于拟合优度检验、列联表独立性分析等场景。工程实践中,该分布不仅支撑着传统医学试验和工业质量控制的假设检验,还延伸至机器学习特征选择(如sklearn的SelectKBest)。理解其数学性质(如可加性)和注意事项(如期望频数限制),能有效避免常见陷阱。随着技术发展,非中心卡方分布在统计功效计算、贝叶斯建模等领域持续发挥价值。

weixin_29062671的博客 145

《基于FPGA的数字信号处理》专栏的导航与说明

《基于FPGA的数字信号处理》专栏的导航与说明

孤独的单刀 4166

ISLR_Propotion

proportion z-test chi-square test

YoungGy的专栏 1129

【网络与爬虫 49】突破WAF防线:Web应用防火墙绕过实战攻略

本文深入探讨Web应用防火墙(WAF)的工作原理与绕过技术,从基础的编码变换到高级的协议层攻击,通过实战案例和代码演示,帮助安全研究者和渗透测试人员理解现代WAF防护机制并掌握合规的绕过方法。内容涵盖SQL注入、XSS、文件上传等攻击向量的WAF绕过技术,适合网络安全从业者和爬虫开发者学习参考。

熵数实验室 1849

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

卡方独立性与拟合性检验实战指南

卡方检验是处理分类变量关系与分布验证的基础统计方法,核心在于判断变量间是否独立或实际频数是否符合理论预期。其原理基于观测频数与期望频数的加权偏差平方和,依赖大样本近似和χ²分布临界值判定显著性。技术价值体现在低门槛、高可解释性及对业务决策的强支撑力——如A/B测试归因、用户分群校准、渠道效果诊断等。典型应用场景涵盖电商转化分析、产品功能留存验证、问卷选项合理性评估等真实业务数据场景。本文聚焦卡方独立性检验与卡方拟合性检验的本质区别、实操陷阱规避及结果业务化解读,助力数据从业者从‘会算’走向‘用准’。

weixin_34315485的博客 311

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

【概率分布】卡方分布的原理、推导与实战应用

卡方分布由标准正态分布的平方和构造而来,是统计推断中最常用的分布之一,其定义具有严格的数学表述:设Z1Z2ZkZ1​Z2​...Zk​为k个相互独立的标准正态随机变量(即Zi∼N01Zi​∼N01),则其平方和构成的随机变量XXX服从自由度为k的卡方分布X∑i1kZi2∼χ2kXi1∑k​Zi2​∼χ2k卡方分布是从标准正态分布衍生的重要分布核心定义:k个独立标准正态变量的平方和,记为χ2。

DeepModel的博客 1229

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

卡方分布原理与应用全解析

卡方分布是统计学中重要的连续概率分布,由标准正态随机变量的平方和构成。其核心数学特性包括可加性、明确的期望方差表达式,以及与t分布、F分布的衍生关系。作为假设检验的基础工具,卡方检验广泛应用于拟合优度检验、独立性检验等场景,特别是在医学统计、市场调研等领域的分类数据分析中效果显著。通过Python的scipy.stats模块或R语言均可快速实现卡方检验计算与分布可视化。理解卡方分布与方差分析、回归分析的关系,以及掌握特征选择等机器学习应用,对数据科学实践具有重要意义。

weixin_30694389的博客 220
上一篇: 多重共线性VIF
下一篇: 京东购买意向预测
Lemon_ZL
博客等级 码龄12年 31粉丝 38原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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