汽车试验学
x | 1 | 3 | 8 | 10 | 13 | 15 | 17 | 20 |
y | 7.5 | 10.1 | 14.8 | 17.5 | 20.2 | 22.4 | 25.1 | 27.6 |
(=0.05)
步骤:
import matplotlib.pyplot as plt # 加载 matplotlib 库
import numpy as np
from scipy import stats
# 输入数据
x = [1, 3, 8, 10, 13, 15, 17, 20]
y = [7.5, 10.1, 14.8, 17.5, 20.2, 22.4, 25.1, 27.6]
# 计算x和y的均值
x_mean = np.mean(x) # 10.875
y_mean = np.mean(y) # 18.15
# 计算线性回归方程的系数
Lxx = sum([(x[i] - x_mean) ** 2 for i in range(len(x))])
Lxy = sum([(x[i] - x_mean) * (y[i] - y_mean) for i in range(len(x))])
b = Lxy / Lxx # 0.94 # y = a + b*x
a = y_mean - b * x_mean # y = 6.63 + 1.06*x 6.625211097708082 1.0597507036590268
n = np.linspace(-1, 22, 50) # 取一个与x差不多的区间绘制近似线, 将区间分为50个点
y1 = 1.06*n + 6.63
# 计算残差平方和 Qy
Qy = sum([(y[i] - (a + b * x[i])) ** 2 for i in range(len(x))])
# 计算回归总平方和 Qz
Qz = sum([(y[i] - y_mean) ** 2 for i in range(len(y))])
# Qy = Qz - U , U = Qz - Qy
U = Qz - Qy
# 计算F统计量
fu = 1 # dfn
fqy = len(x) - 2 # dfd (n-2)
F = U/Qy * (fqy / fu)
# 进行显著性检验
p_value = stats.f.sf(F, fu, fqy) # 通过输入F统计量的值、分子自由度和分母自由度,可以得到相应的p值
# stats.f.sf(f_value, dfn, dfd)来计算,其中f_value是F统计量的值,dfn是分子自由度,dfd是分母自由度。
# 零假设(null hypothesis)通常表示为没有效应或没有差异的情况,即实验组和对照组之间不存在显著差异
# 如果p值小于或等于显著性水平(例如0.05),则拒绝零假设,认为数据提供了足够的证据表明效应是显著的。
# 如果p值大于显著性水平,则不能拒绝零假设,认为没有足够的证据表明效应是显著的。
alpha = 0.05
print(p_value) # 1.6197336594605783e-09
if p_value < alpha:
print("拒绝零假设,线性回归方程显著") # 即实验组和对照组之间存在显著差异,回归显著
else:
print("接收零假设,线性回归方程不显著")
# 输出线性回归方程
print("线性回归方程为:y = {:.2f}x + {:.2f}".format(b, a))
plt.plot(x, y, '*', label="原始数据点") # 原始数据点
plt.plot(n, y1, label="回归方程线") # 近似线数据点
plt.show() # 画出
运行效果
回归方程显著
1.stats.f.sf
stats.f.sf` 是scipy库中stats模块的一个函数,用于计算F分布的生存函数值。
生存函数(survival function),也称为可靠性函数,是概率论中的一个概念,表示随机变量大于某个值的概率。在统计学中,特别是在假设检验中,生存函数用于计算p值,以确定观察到的数据与零假设之间的不一致程度。
具体到stats.f.sf`,它是F分布的生存函数,用于计算F分布的右尾概率。这在F检验中非常有用,因为F检验通常涉及到比较两个方差的比例,并判断这个比例是否显著地不同于1,即判断是否存在显著的方差差异。
在实际应用中,stats.f.sf`可以用于:
- **计算p值**:通过输入F统计量的值、分子自由度和分母自由度,可以得到相应的p值,从而判断统计显著性。
- **进行单侧检验**:如果是单侧检验,可以直接使用`stats.f.sf`得到相应的概率值。
- **进行双侧检验**:如果是双侧检验,通常需要将`stats.f.sf`计算出的值乘以2,或者使用其他方法来计算双尾概率。
此外,stats.f.sf`的使用非常方便,可以通过调用`scipy.stats.f.sf(f_value, dfn, dfd)`来计算,其中f_value`是F统计量的值,`dfn`是分子自由度,`dfd`是分母自由度。
stats.f.sf`是用于计算F分布生存函数的函数,它在假设检验中用于评估F统计量对应的p值,可以帮助判断数据中的方差是否具有统计学上的显著性差异。
2.如何计算p值?
在统计学中,p值(probability value)是用于在统计假设检验中量化观测数据与零假设之间不一致程度的一个指标。计算p值通常涉及以下步骤:
确定适当的统计检验:根据数据类型、分布特性和研究设计选择适当的统计检验方法,如t检验、卡方检验、F检验等。
收集数据并计算统计量:收集样本数据并进行必要的预处理后,使用选定的统计检验方法计算出相应的统计量,例如t值、卡方值或F值。
确定自由度:对于某些检验,需要确定自由度(degrees of freedom),它通常是由样本大小决定的。
计算p值:使用统计量和自由度,通过查表或使用统计软件来计算p值。p值表示在零假设为真的情况下,观察到当前统计量或更极端情况的概率。
做出决策:将计算得到的p值与预先设定的显著性水平(alpha,通常取0.05或0.01)进行比较,以决定是否拒绝零假设。
3. 拒绝零假设
拒绝零假设意味着基于样本数据分析,有足够的证据认为零假设不成立。在统计假设检验中,零假设(null hypothesis)通常表示为没有效应或没有差异的情况,即实验组和对照组之间不存在显著差异。当研究者通过收集数据并进行统计分析后,如果发现数据中的模式与零假设所预期的模式不一致,并且这种不一致的概率(p值)低于事先设定的显著性水平(alpha),那么研究者可能会决定拒绝零假设。
以下是对拒绝零假设的更详细解释:
文章浏览阅读3.4k次,点赞8次,收藏42次。一、什么是内部类?or 内部类的概念内部类是定义在另一个类中的类;下面类TestB是类TestA的内部类。即内部类对象引用了实例化该内部对象的外围类对象。public class TestA{ class TestB {}}二、 为什么需要内部类?or 内部类有什么作用?1、 内部类方法可以访问该类定义所在的作用域中的数据,包括私有数据。2、内部类可以对同一个包中的其他类隐藏起来。3、 当想要定义一个回调函数且不想编写大量代码时,使用匿名内部类比较便捷。三、 内部类的分类成员内部_成员内部类和局部内部类的区别
文章浏览阅读118次。分布式系统要求拆分分布式思想的实质搭配要求分布式系统要求按照某些特定的规则将项目进行拆分。如果将一个项目的所有模板功能都写到一起,当某个模块出现问题时将直接导致整个服务器出现问题。拆分按照业务拆分为不同的服务器,有效的降低系统架构的耦合性在业务拆分的基础上可按照代码层级进行拆分(view、controller、service、pojo)分布式思想的实质分布式思想的实质是为了系统的..._分布式系统运维工具
文章浏览阅读174次。1.数据源准备2.数据处理step1:数据表处理应用函数:①VLOOKUP函数; ② CONCATENATE函数终表:step2:数据透视表统计分析(1) 透视表汇总不同渠道用户数, 金额(2)透视表汇总不同日期购买用户数,金额(3)透视表汇总不同用户购买订单数,金额step3:讲第二步结果可视化, 比如, 柱形图(1)不同渠道用户数, 金额(2)不同日期..._exce l趋势分析数据量
文章浏览阅读3.3k次。堡垒机可以为企业实现服务器、网络设备、数据库、安全设备等的集中管控和安全可靠运行,帮助IT运维人员提高工作效率。通俗来说,就是用来控制哪些人可以登录哪些资产(事先防范和事中控制),以及录像记录登录资产后做了什么事情(事后溯源)。由于堡垒机内部保存着企业所有的设备资产和权限关系,是企业内部信息安全的重要一环。但目前出现的以下问题产生了很大安全隐患:密码设置过于简单,容易被暴力破解;为方便记忆,设置统一的密码,一旦单点被破,极易引发全面危机。在单一的静态密码验证机制下,登录密码是堡垒机安全的唯一_horizon宁盾双因素配置
文章浏览阅读7.7k次,点赞4次,收藏16次。Chrome作为一款挺不错的浏览器,其有着诸多的优良特性,并且支持跨平台。其支持(Windows、Linux、Mac OS X、BSD、Android),在绝大多数情况下,其的安装都很简单,但有时会由于网络原因,无法安装,所以在这里总结下Chrome的安装。Windows下的安装:在线安装:离线安装:Linux下的安装:在线安装:离线安装:..._chrome linux debian离线安装依赖
文章浏览阅读153次。中国发达城市榜单每天都在刷新,但无非是北上广轮流坐庄。北京拥有最顶尖的文化资源,上海是“摩登”的国际化大都市,广州是活力四射的千年商都。GDP和发展潜力是衡量城市的数字指...
文章浏览阅读3.3k次。前言spark在java使用比较少,多是scala的用法,我这里介绍一下我在项目中使用的代码配置详细算法的使用请点击我主页列表查看版本jar版本说明spark3.0.1scala2.12这个版本注意和spark版本对应,只是为了引jar包springboot版本2.3.2.RELEASEmaven<!-- spark --> <dependency> <gro_使用java调用spark注册进去的程序
文章浏览阅读4.8k次。汽车零部件开发工具巨头V公司全套bootloader中UDS协议栈源代码,自己完成底层外设驱动开发后,集成即可使用,代码精简高效,大厂出品有量产保证。:139800617636213023darcy169_uds协议栈 源代码
文章浏览阅读4.6k次,点赞20次,收藏148次。AUTOSAR基础篇之OS(下)前言首先,请问大家几个小小的问题,你清楚:你知道多核OS在什么场景下使用吗?多核系统OS又是如何协同启动或者关闭的呢?AUTOSAR OS存在哪些功能安全等方面的要求呢?多核OS之间的启动关闭与单核相比又存在哪些异同呢?。。。。。。今天,我们来一起探索并回答这些问题。为了便于大家理解,以下是本文的主题大纲:[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JCXrdI0k-1636287756923)(https://gite_autosar 定义了 5 种多核支持类型
文章浏览阅读2.2k次,点赞6次,收藏14次。原因:自己写的头文件没有被加入到方案的包含目录中去,无法被检索到,也就无法打开。将自己写的头文件都放入header files。然后在VS界面上,右键方案名,点击属性。将自己头文件夹的目录添加进去。_vs2013打不开自己定义的头文件
文章浏览阅读3.3w次,点赞80次,收藏342次。此时,可以将系统中所有用户的 Session 数据全部保存到 Redis 中,用户在提交新的请求后,系统先从Redis 中查找相应的Session 数据,如果存在,则再进行相关操作,否则跳转到登录页面。此时,可以将系统中所有用户的 Session 数据全部保存到 Redis 中,用户在提交新的请求后,系统先从Redis 中查找相应的Session 数据,如果存在,则再进行相关操作,否则跳转到登录页面。当数据量很大时,count 的数量的指定可能会不起作用,Redis 会自动调整每次的遍历数目。_redis命令
文章浏览阅读449次,点赞3次,收藏3次。URP的设计目标是在保持高性能的同时,提供更多的渲染功能和自定义选项。与普通项目相比,会多出Presets文件夹,里面包含着一些设置,包括本色,声音,法线,贴图等设置。全局只有主光源和附加光源,主光源只支持平行光,附加光源数量有限制,主光源和附加光源在一次Pass中可以一起着色。URP:全局只有主光源和附加光源,主光源只支持平行光,附加光源数量有限制,一次Pass可以计算多个光源。可编程渲染管线:渲染策略是可以供程序员定制的,可以定制的有:光照计算和光源,深度测试,摄像机光照烘焙,后期处理策略等等。_urp渲染管线