Bootstrap 分析方式属于一种无参数分析方法。主要是为了用经验分布代替真正的分布。主要依赖对观测到的样本的重新抽样。具体来说：Bootstrap方法从观察数据出发，不需任何分布假定，针对统计学中的参数估计及假设检验问题，利用Bootstrap方法产生的自举样本计算的某统计量的数据集可以用来反映该统计量的抽样分布，即产生经验分布，这样，即使我们对总体分布不确定，也可以近似估计出该统计量及其置信
显著性检验作为判断两个甚至多个数据集之间是否存在差异的方法显著性检验是统计假设检验的一种用于检测科学实验中实验组与对照组之间是否有差异以及差异是否显著无假设，不检验先对科研数据做一个假设，然后用检验来检查假设是否正确，一般将要检验的假设称之为原假设（H0），相反的假设即为备择假设（H1）
如果原假设为真，但检验结论是放弃原假设，则是第一类错误，出现的概率记为α如果原假设为假，但检验结论是接收
转载
2023-08-30 07:53:16
294阅读
目录理论知识代码步骤读取图像得到金字塔图像提取底层特征计算显著图显著图综合运行结果展示 理论知识显著性检测 是指按照人类的视觉注意机制，判断出图像中的显著区域，并为该区域分配较高的显著值，通常认为显著区域更有可能包含目标，利用显著性检测的方法能够快速在图像中找到可能的目标区域，可以减少计算量。显著性检测主要是提取底层视觉特征来计算局部区域的差异性。 Itti模型是一种经典的自底向上基于底层显著特
只是python代码方便以后调用，理论部分需要看其他人的回归模型的预测import matplotlib
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import seaborn as sns
import statsmodels.api as sm
from sklearn import model
转载
2023-08-23 10:16:17
1393阅读
系列文章目录 文章目录系列文章目录前言一、问题描述二、星号分析1.原因分析一2.原因分析二3.原因分析三总结 前言以下DOE仅用于分析F值和P值的*号，模型的好坏不做分析一、问题描述DOE实验矩阵 矩阵介绍：7因子、2水平、3中心点、部分因子(1/8)、19次实验DOE实验数据响应为：水迹比例DOE分析问题如下：F值和P值均为星号直到模型中包含项的阶数减少到2阶，F值和P值才计算出来二、星号分析D
转载
2023-08-21 09:56:14
882阅读
显著性检验【t-test、方差分析、ks检验】0、目录1显著性检验基本定义（what？）2.使用显著性检验的意义（why? ）3.显著性检验的具体操作流程（how? ）1、显著性检验基本定义统计假设检验（Statistical hypothesis testing）事先对总体（随机变量）的 参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设是否合理显著性检验（significance
spss 1.假设检验：又称为统计假设检验，是用来判断样本与样本，样本与总体的差异是由抽样误差引起的还是本质差别造成的推断方法。 2.显著性检验：显著性检验是假设检验中最常用的一种方法，也是一种最基本的统计推断形式，其基本原理是先对总体的特征做出某种假设，然后通过抽样研究的统计推理，对此假设应该被拒绝还是接受做出推断 3.假设检验的思想：反证法即小概率原理
什么是显著性检验 什么是显著性检验 显著性检验就是事先对总体（随机变量）的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设（原假设）是否合理，即判断总体的真实情况与原假设是否显著地有差异。或者说，显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与
原创
2021-07-08 16:59:08
2703阅读
最近在看统计学方面的知识，正好有个学妹问我一些检验方面的东西，以前读书那会的统计学知识早已忘记，经过半天的努力，又把知识给拾起来了，下面简单介绍下T检验和卡方检验。1. T检验适用范围：主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布。其中最常用的是单总体t检验，单总体t检验是检验一个样本平均数与一个已知的总体平均数的差异是否显著。当总体分布是正态分布，如总体标准
P值即概率，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的P 值，一般以P < 0.05 为有统计学差异， P<0.01 为有显著统计学差异，P<0.001为有极其显著的统计学差异。其含义是样本间的差异由抽样误差所致的概率小于0.05 、0.01、0.001。实际上，P值不能赋予数据任何重要性，只能说明某事件发生的几率。统计结果中显示Pr > F
转载
2023-07-25 17:25:19
326阅读
假设检验假设检验(hypothesis testing)，又称统计假设检验，是用来判断样本与样本、样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法。显著性检验显著性检验是假设检验中最常用的一种方法，其基本原理是先对总体的特征做出某种假设，然后通过抽样样本的分析，对此假设应该被拒绝还是接受做出推断。常用的假设检验方法有t检验、卡方检验、F检验等。检验的原理基本思想是小概率事件，即小概率
转载
2023-07-27 21:46:01
124阅读
显著性检验包括参数估计与假设检验，指事先对总体的参数或者总体分布形式做出一个假设，然后利用样本信息来判断这个假设是否合理。即分为两个步骤：第一步需说明样本是否能代表总体，第二步用样本判定假设。 1.参数估计概念参数估计：即用样本统计量估计总体的方法，包括点估计与区间估计两种。方差齐性：方差齐性检验（Homogeneityof variance test）是数理统计学中检查不同样本的总体方
转载
2023-10-11 16:05:09
80阅读
百度百科上的解释：T检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。它与f检验、卡方检验并列。t检验是戈斯特为了观测酿酒质量而发明的。戈斯特在位于都柏林的健力士酿酒厂担任统计学家，基于Claude Guinness聘用从牛津
## 最近两天的成果'''
##########################################
# #
# 不忘初心 砥砺前行. #
#
转载
2023-08-24 20:15:11
102阅读
Scipy 显著性检验显著性检验（significance test）就是事先对总体（随机变量）的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设（备择假设）是否合理，即判断总体的真实情况与原假设是否有显著性差异。或者说，显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。 显著性检验是针对我们对总体
转载
2023-07-29 14:44:46
179阅读
Dataset比萨斜塔是意大利最大的旅游景点之一。几百年来这座塔慢慢靠向一边,最终达到5.5度的倾斜角度，在顶端水平偏离了近3米。年度数据pisa.csv文件记录了从1975年到1987年测量塔的倾斜，其中lean代表了偏离的角度。在这个任务,我们将尝试使用线性回归来估计倾斜率以及解释其系数和统计数据。# 读取数据
import pandas
import matplotlib.pyplot as
P值操纵
部分研究人员采取一些方法或策略不断尝试，使 P 值小于预先确定的标准，以得到统计显著性结论，这种现象通常被称为P 值操纵(P-hacking)。。P值操纵的种种表现：通过探索性分析确定研究假设，而不是先确定研究假设再开展探索性分析，把本应带着质疑眼光审视的探索性分析结论变得确定无疑，实际上造成结论的难以重复；科研人员在实验或调查中途根据分析结果决定是否继续收集数据，若发现 P 值已达到统
Minitab是一种用于数据分析和处理的统计软件。六西格玛解决问题的非常重要的一点是根据现实和数据做出科学判断，数据分析可以帮助我们发现许多规律，解释许多现象，并用清晰简洁的图形展示它们，这些都来自于大量复杂的数据处理。如果这些海量数据的处理依赖于传统的手工计算，将会花费大量的时间，非常复杂，容易出错，甚至无法完成，然而Minitab软件的使用将变得非常高效和准确。目前，大多数六西格玛学习都使用M
在企业生产过程中，我们往往需要对产品质量负责。最常见的场景是，如何判断生产线中的产品，是否满足质量标准？比如，某工厂现有一批产品，目标生产重量是 20g，通过随机抽取不同的产品，如何检验它们的重量是否满足预期？在 Minitab 中使用「假设检验」，能够帮助我们取得事倍功半的质量管控效果。下面，让我们通过一个场景案例，来学习如何利用 Minitab 的 T 检验工具进行假设检验分析。本期《举个栗子
显著性检验是统计学中一种常用的方法，用于判断一个样本或者一组数据是否代表着总体的某种特征。在数据分析和机器学习领域，我们经常需要对数据进行显著性检验，以验证我们的假设和推断结论的可靠性。本文将介绍显著性检验的基本概念和常见的几种方法，并使用Python编写代码示例来演示如何进行显著性检验。
## 什么是显著性检验？
显著性检验是一种统计分析方法，用于判断样本数据是否能够代表总体的某种特征。在进
原创
2023-09-19 09:34:08
59阅读
