F分布与方差检验及二项分布概率计算

36、F分布问题:有两棵苹果树,第一棵树上的三个苹果分别重110克、121克和143克,另一棵树上的四个苹果分别重88克、93克、105克和124克。这两棵树所产苹果重量的方差是否不同?注意:计算相应的F值,并检查对应F分布的累积分布函数(CDF)是否小于0.025。

首先计算F值,F值是较大方差除以较小方差,这里先分别计算两组数据的方差:

  • 第一组数据方差为 np.var([110, 121, 143], ddof = 1)
  • 第二组数据方差为 np.var([88, 93, 105, 124], ddof = 1)

设第一组方差为 var1 ,第二组方差为 var2

  • var1 > var2 ,则 fval = var1 / var2
  • var1 < var2 ,则 fval = var2 / var1

然后得到F分布,其自由度分别为第一组数据个数减1和第二组数据个数减1:

fd = stats.distributions.f(3 - 1, 4 - 1)

接着计算p值:

pval = fd.cdf(fval)

判断结果:

  • pval < 0.025 ,则认为方差不同
  • pval > 0.025 pval < 0.975 ,则认为方差相等

37、二项分布:已知

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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