在生物医学研究论文中, 经常看到Bland-Altman图.
它一般是用来评价两种连续变量测量方法的一致性, 通常一个是需要研究的新方法, 另外一个是公认的标准方法.
采用两种方法分别同时测量同一个对象(自身对照), 就会得到两组一样维度的数据,
Bland-Altman图能够直观的反映两者的一致性或者差异性.
这是一个真实的Bland-Altman图, 是关于血压测量的,
先有个直观认识.
采用python的scipy库完成常用的假设检验, 配合pandas库非常好用
正态性检验
检验数据样本是否具有高斯分布。
from scipy.stats import shapiro
data = [21,12,12,23,19,13,20,17,14,19]
stat,p = shapiro(data)
print('stat为:%f' %stat,'p值为:%f' %p)
皮尔逊相关性检验
检查两个样本是否相关的统计检验
from scipy.stats import pearsonr
data1 = [21,12,12,23,19,13,20,17,14,19]
data2 = [12,11,8,9,10,15,16,17,10,16]
corr,p = pearsonr(data1,data2)
print('corr为:%f' %corr,'p值为:%f' %p)
卡方检验
检验两个分类变量的独立性
from scipy.stats import chi
一、各组件介绍:
1、Anaconda:集成的python科学计算运行环境。
2、Flask : python
web开发框架
3、Gunicorn:python
wsgi服务器
4、Nginx:著名web服务器,这里用作Gunicorn的反向代理
5、Supervisor:linux下的进程守护工具,防止Gunicorn进程意外退出
各组件示意图:
提到统计,就绕不开概率。
概率是什么?什么决定了概率?这是一个哲学问题。先按下不表,因为我也不会!
一般认为,概率是一个事件发生的可能性大小。
在经典力学的框架下,只要知道了一个系统中各个粒子的初始状态,无论这个系统多么复杂,都可以根据牛顿经典动力学方程模拟出系统在任何时刻的状态的状态。换句话说,世界是确定的,毫无随机性可言。
但实际上,我们不可能获得系统所有的信息,只能根据有限的观测数据去猜。怎么猜,就是通过各种统计建模。
贝叶
DeepMind在2013年提出DQN模型称为NIPS
DQN,主要是增加了经验回放(experience
replay)的功能,上篇文章已经介绍。此后,相继有各种改进模型发表。
Nature DQN
由DeepMind在2015年提出,论文:
网上的演示计时器都不符合自己的要求,于是自己编写了一个。
演示计时器
『特色功能』
1.
控制参加会议、讨论、答辩的讲演者时间;
2.
两种计时模式:自动计时和手动计时。自动计时模式能支持PPT、PDF,当PPT或PDF开始播放时,计时器自动开始倒计时。手动计时模式不受PPT、PDF播放的影响;
3. 可设置一个提前
一、主成分分析
(1)问题提出
在问题研究中,为了不遗漏和准确起见,往往会面面俱到,取得大量的指标来进行分析。比如为了研究某种疾病的影响因素,我们可能会收集患者的人口学资料、病史、体征、化验检查等等数十项指标。如果将这些指标直接纳入多元统计分析,不仅会使模型变得复杂不稳定,而且还有可能因为变量之间的多重共线性引起较大的误差。有没有一种办法能对信息进行浓缩,减少变量的个数,同时消除多重共线性?
这时,主成分分析隆重登场。
(2)主成分分析的原理
主成分分析的本质是坐标
一、概述
Cruskal-Wallis秩和检验类似于方差分析,用于检验各个样本的总体是否相同,当正太假设和方差齐性不能满足时,可用该检验。
二、问题
某人搜集了三大公司股票每股所能获利的钱数,是比较三家公司所挣的钱是否相同。
SPSS版本为20。
三、统计操作
SPSS变量视图
https://s6/middle/44befaf6tc9e121604eb5&690
一、概述
非参数检验对于总体分布没有要求,因而使用范围更广泛。对于两配对样本的非参数检验,首选Wilcoxon符号秩检验。它与配对样本t检验相对应。
二、问题
为了研究某放松方法(如听音乐)对于入睡时间的影响,选择了10名志愿者,分别记录未进行放松时的入睡时间及放松后的入睡时间(单位为分钟),数据如下笔。请问该放松方法对入睡时间有无影响。
本例可以采用配对样本t检验,但由于样本量少,数据可能不符合正太分布,所以考虑用非参数检验。