會引起濾波發(fā)散。卡方檢測(Chi-square test, C2T)方法是一種傳統(tǒng)的量測故障檢測方法[1],在狀態(tài)空間建模準(zhǔn)確的前提下,通過KF的新息及其均方差陣構(gòu)造卡方統(tǒng)計量,可檢測出量測是否存在異常,如果量測正常則進(jìn)行量測更新,反之,如果量測異常則放棄量測更新。然而,實際應(yīng)用中的系統(tǒng)噪聲參數(shù)往往難以準(zhǔn)確確定,從而使得卡方檢測統(tǒng)計量的閾值設(shè)置成為一大難題。如果卡方檢測閾值設(shè)置太大,則可能將異常量測引入濾波器,降低濾波估計精度;如果閾值設(shè)置太小,則可能排除

，本項目小組采用卡方檢驗的方式進(jìn)行驗證，選用兩種壓火時間。方案一：壓火時間24 h，即澆注后24 h 打箱；方案二，壓火時間48 h，即澆注后48 h 打箱。通過收集數(shù)據(jù)進(jìn)行卡方檢驗（如表6 所示）P=0.596>0.05，說明壓火時間對曲軸彎曲影響不顯著。表6 X3 因子壓火時間卡方檢驗對X2（封箱工藝）采用卡方檢驗的方式，選用兩種封箱工藝進(jìn)行封箱，如圖4 所示。方案一：一側(cè)增加石棉墊進(jìn)行封箱。方案二：只采用封箱膏封箱。通過收集數(shù)據(jù)進(jìn)行卡方檢驗，如表7

1)的經(jīng)典方法為卡方檢驗，卡方檢驗將X的樣本X1,X2,…,Xm與Y的樣本Y1,Y2,…,Yn進(jìn)行合并，并對每個樣本添加標(biāo)簽，標(biāo)注它是來自X的樣本還是來自Y的樣本。因此，檢驗X與Y是否同分布等價于檢驗標(biāo)簽變量與分類值是否相互獨立，從而，我們可將表1的X的樣本頻數(shù)分布表與表2的Y的樣本頻數(shù)分布表合并成一個新的如表3所示的列聯(lián)表：表2 Y的樣本頻數(shù)分布表 表3 X與Y的樣本的頻數(shù)列聯(lián)表基于此表，可構(gòu)造卡方檢驗統(tǒng)計量：眾所周知，卡方檢驗僅適用于大樣本情形，它要求

委會會員單位——卡方科技，作為國內(nèi)領(lǐng)先的數(shù)智化交易服務(wù)與金融科技專家，目前已與超百家基金與券商客戶達(dá)成合作，提供交易執(zhí)行全生命周期場景化解決方案，并持續(xù)提供安全、穩(wěn)定、高效、合規(guī)的交易運營服務(wù)。在卡方科技CEO何劍勇看來，當(dāng)前金融行業(yè)已進(jìn)入數(shù)智化的關(guān)鍵階段，以數(shù)字化轉(zhuǎn)型為基礎(chǔ)，以科技引領(lǐng)業(yè)務(wù)，將成為提升證券公司核心競爭力的關(guān)鍵工具。卡方科技將繼續(xù)以金融理解力、AI算法力和技術(shù)實現(xiàn)力為核心驅(qū)動，在保持自身高速發(fā)展的同時不斷壯大開放創(chuàng)新、合作共贏的產(chǎn)業(yè)生態(tài)，加

相關(guān)的特點，采用卡方檢驗剔除假目標(biāo)：文獻(xiàn)［6］將角度量測卡方檢驗與距離量測均值和方差聯(lián)合檢驗相結(jié)合，鑒別假目標(biāo)；文獻(xiàn)［7］將三坐標(biāo)雷達(dá)的量測值轉(zhuǎn)換至兩坐標(biāo)雷達(dá)所在的坐標(biāo)系，構(gòu)造卡方檢驗鑒別假目標(biāo)；文獻(xiàn)［8］將主動雷達(dá)的量測值轉(zhuǎn)換至被動雷達(dá)所在的坐標(biāo)系，通過點跡與航跡構(gòu)造卡方檢驗鑒別假目標(biāo)。但是，以上研究有兩大問題：一是組網(wǎng)結(jié)構(gòu)，異構(gòu)組網(wǎng)相比同構(gòu)組網(wǎng)對算法的適用性要求高，并且需要不斷調(diào)整；二是探測角度差異，在較遠(yuǎn)區(qū)域，各雷達(dá)相對目標(biāo)的角度差異較小時，假目標(biāo)分

3.1關(guān)于性別的卡方分析根據(jù)不同性別，從發(fā)質(zhì)、頭皮狀況、是否節(jié)食減肥、是否有撓頭行為和是否有家族脫發(fā)進(jìn)行了卡方分析。從表中數(shù)據(jù)：性別和是否有家族脫發(fā)的皮爾遜卡方顯著性是0.001<0.05，可以看出不同性別在是否有家族脫發(fā)情況上有顯著的相關(guān)關(guān)系。3.2關(guān)于發(fā)質(zhì)的卡方分析根據(jù)不同發(fā)質(zhì)，從頭皮狀況、是否節(jié)食減肥、是否有撓頭行為和是否有家族脫發(fā)進(jìn)行了卡方分析。從表中數(shù)據(jù)：發(fā)質(zhì)和頭皮狀況、是否節(jié)食減肥、是否有家族脫發(fā)的皮爾遜卡方顯著性分別是：0.000<0.05，

文建立了一個基于卡方分布函數(shù)(Chi-square Distribution Function，簡稱2分布)的模型，對符合傳統(tǒng)方法挑選標(biāo)準(zhǔn)的事例進(jìn)行二次篩選，以實現(xiàn)對電子蝴蝶狀分布的優(yōu)化判別.1.1節(jié)以Ni等(2016)中判別方法為例，通過具體電子投擲角分布事例闡述傳統(tǒng)方法的不足.1.2節(jié)詳細(xì)介紹了建模過程，2.1和2.2節(jié)則分別從具體事例、統(tǒng)計結(jié)果上驗證了傳統(tǒng)方法結(jié)合該模型后對輻射帶電子蝴蝶狀投擲角分布的判別效果的提升.1 蝴蝶狀投擲角分布判別方法1.1

構(gòu)造的復(fù)形Δχ（卡方復(fù)形），并證明了這些復(fù)形Δχ都是純復(fù)形且頂點可分解，因而是shellable純復(fù)形，進(jìn)而都是Cohen-Macaulay復(fù)形.Guo等［6-7］定義并研究了一類特殊的shellable復(fù)形，稱為強shellable復(fù)形.其優(yōu)于一般shellable復(fù)形之處在于強shellable純復(fù)形的極大面理想都具有線性商.單純復(fù)形與圖論有著非常緊密的聯(lián)系.對于一個有限簡單圖，可以定義其獨立復(fù)形，該復(fù)形以圖的頂點集作為基礎(chǔ)集，以圖的獨立點集作為面.若

清拉普拉斯變換在卡方分布中的應(yīng)用劉芝秀，賴伊清（南昌工程學(xué)院 理學(xué)院，江西 南昌 330099）本文利用拉普拉斯變換作為概率分布的特征函數(shù)，重新導(dǎo)出了卡方密度函數(shù), 并給出了計算卡方分位數(shù)的一種新算法，該算法可用于計算自由度為4的任意卡方分位數(shù)，基于自由度為4的任意卡方分位數(shù)的計算進(jìn)而改進(jìn)了教學(xué)評估的一種手段，即提高了五等級評價標(biāo)準(zhǔn)下學(xué)生成績占比異常情況的抽檢效率。拉普拉斯變換; 卡方分布; 卡方分位數(shù); 自由度; 教育質(zhì)量評估本文即基于這一思考，用拉普拉

兩個樣本率比較的卡方檢驗舉例：男童與女童腦積水的患病率的對比；腔鏡手術(shù)療法與開放手術(shù)療法治療化膿性闌尾炎痊愈率的對比。二、多個樣本率比較的卡方檢驗舉例：＜1歲、1～3歲與＞3歲兒童腦積水的患病率的對比；單純手術(shù)療法、單純藥物療法與手術(shù)聯(lián)合藥物療法治療化膿性闌尾炎痊愈率的對比。三、構(gòu)成比的比較舉例：某地城市、郊區(qū)兒童營養(yǎng)狀況構(gòu)成比較；美國、中國、挪威三種不同國籍兒童的ABO血型分布。四、配對四格表資料的卡方檢驗舉例：常規(guī)培養(yǎng)法與熒光抗體法檢驗檢測兒童尿路大腸

需要進(jìn)行的四格表卡方檢驗的統(tǒng)計方法，主要應(yīng)用于對陽性率、患病率、發(fā)病率等數(shù)據(jù)的分析，運用Excel軟件即可實現(xiàn)。相較于專業(yè)統(tǒng)計軟件，Excel具有操作簡單、易學(xué)易用、方便、圖形美觀和普及性高等優(yōu)點[1]。在此背景下，筆者采用目前運用廣泛的Microsoft Office Excel 2007開發(fā)的VBA宏程序，以實現(xiàn)四格表卡方檢驗，即根據(jù)不同數(shù)據(jù)智能計算出卡方檢驗、校正卡方檢驗和確切概率法的值與P值，自動判斷是否有統(tǒng)計學(xué)意義，簡化了繁瑣統(tǒng)計操作程序，達(dá)到計

卡方檢驗是計數(shù)資料統(tǒng)計推斷的重要方法，可用于兩個率或多個率的組間比較，兩組或多組間構(gòu)成比的比較等。卡方檢驗在應(yīng)用過程中有其應(yīng)用條件，而不是只要是計數(shù)資料就用卡方檢驗。卡方檢驗的應(yīng)用條件：(1) 樣本量≥ 40，且理論頻數(shù)T ≥ 5 時用卡方檢驗的基本公式，檢驗統(tǒng)計量為；(2) 樣本量≥ 40，但理論頻數(shù)1 ≤ T本刊編輯部

過創(chuàng)業(yè)的詳細(xì)流程卡方檢驗的顯著性概率小于0.05，不接受兩個變量相互獨立的零假設(shè)，表明不同學(xué)校學(xué)生在這些方面有明顯不同。2.2 不同性別的顯著性檢驗由表2中數(shù)據(jù)可以看出，受訪者擁有的企業(yè)類型，是否主動去了解過創(chuàng)業(yè)的詳細(xì)流程卡方檢驗的顯著性概率小于0.05，不接受兩個變量相互獨立的零假設(shè)，表明不同性別學(xué)生在這些方面有明顯不同。表2：不同性別創(chuàng)業(yè)情況卡方檢驗表2.3 不同年齡的顯著性檢驗由表3中數(shù)據(jù)可以看出，受訪者擁有的企業(yè)類型，繼續(xù)創(chuàng)業(yè)的可能性，是否存在創(chuàng)業(yè)

文提出了一種融合卡方統(tǒng)計和TF-IWF算法的特征提取和短文本分類方法，旨在解決TFIDF算法計算特征值權(quán)重范圍小的問題，提升短文本分類的準(zhǔn)確率。1 研究現(xiàn)狀相比較于長文本，短文本的內(nèi)容稀疏、信息單元難以準(zhǔn)確采集，將傳統(tǒng)的文本分類方法如支持向量機、樸素貝葉斯分類等直接應(yīng)用于短文本分類難以取得好的效果［4-5］。針對此問題，研究者提出了一系列對短文本進(jìn)行特征提取的辦法，由此達(dá)到提升短文本分類精準(zhǔn)率的目的。一部分研究者通過引入外部語料庫來彌補短文本語料集信息密度

Pearson 卡方檢驗結(jié)果為 p＞0.05，呈非顯著關(guān)系。也就是中國和韓國的攔網(wǎng)得分上并無太大差異，兩隊的得分能力相似，攔網(wǎng)的成功率也差不多。卡方檢驗卡方檢驗（二）扣球得分隊伍＊ 扣球得分 交叉制表通過以上數(shù)據(jù)我們可以得知，中國和韓國的扣球得分Pearson 卡方檢驗結(jié)果為 p＞0.05，呈非顯著關(guān)系。也就是中國和韓國的扣球得分上并無太大差異，兩隊的扣球得分能力相似，扣球的成功率也基本相同。三、2019女排世界杯中韓兩國主要數(shù)據(jù)對比分析-戰(zhàn)術(shù)層面（一）強

新的研究提出使用卡方檢驗的方法可以用于側(cè)信道泄漏檢測，并且具有更高的效率。本節(jié)主要介紹基于Welch t檢驗和卡方檢驗的兩種泄漏認(rèn)證方法。1.1 基于 Welch t檢驗的泄漏評估方法假如兩個樣本集是Q0和Q1，樣本量分別是n0和n1，樣本均值分別是μ0和μ1，方差分別是Welch t檢驗用于判斷兩個樣本總體的期望是否相等。在Welch t檢驗中，零假設(shè)和備用假設(shè)分別是：拒絕或者接受H0假設(shè)是由統(tǒng)計量t和自由度v決定，根據(jù)自由度，t分布的概率密度函數(shù)可以被

觀性。因此，利用卡方檢驗處理數(shù)據(jù)已經(jīng)成為一種趨勢。卡方檢驗是一種非連續(xù)性資料的假設(shè)檢驗方法，所涉及的數(shù)據(jù)比較簡單，計算過程也比較容易掌握，所以應(yīng)用較為廣泛。作為非參數(shù)檢驗的一種，卡方檢驗主要有三種用途，一是比較兩個及兩個以上樣本率（構(gòu)成比），即擬合度檢驗；二是兩個分類變量之間有無關(guān)聯(lián)性，即相關(guān)性分析；三是檢驗兩個或兩個以上總體的某一特性分布，也就是各“類別”的比例是否統(tǒng)一或相近，即統(tǒng)一性檢驗。對于進(jìn)行相關(guān)性分析的這一用途來說，在卡方檢驗中，要判斷兩個變量是

離更有實際意義，卡方散度和熵可以有效反映相對距離。相比于熵，卡方散度沒有對數(shù)和指數(shù)運算，其計算復(fù)雜度小，運算速度較快。此外，卡方散度還具有稀疏不變性和量化敏感性[41]，利于衡量不同分布間細(xì)微的差異。因此，有必要將卡方散度用于生成對抗網(wǎng)絡(luò)中展開研究。為了解決不同分布噪聲下網(wǎng)絡(luò)生成樣本質(zhì)量差異明顯、穩(wěn)健性差的問題，本文提出了一種噪聲穩(wěn)健性的卡方生成對抗網(wǎng)絡(luò)（CSGAN,chi-square generative adversarial network）。該網(wǎng)

步探析。同時利用卡方檢驗和SPSS 軟件對所得數(shù)據(jù)進(jìn)行處理，以驗證改變書寫條件與筆跡特征變化之間是否具有相關(guān)性。1 實驗設(shè)計選取某高校在校生25 人，其中男性12 人，女性13人。受試者分別在其他書寫條件相同的情況下進(jìn)行正常書寫和戴五種常見的不同種類手套的書寫條件下，在模擬銀行票據(jù)上書寫簽名、日期和電話號碼及背書信息。為避免偶然性和展現(xiàn)書寫多樣性，所有書寫材料均一式四份。實驗所用不同類型手套如圖1、圖2、圖3、圖4、圖5 所示。分別制作筆跡特征比對表，充分

何函數(shù)得到非中心卡方分布的特征函數(shù)和非中心F分布的高階矩[2]，推導(dǎo)廣義非中心卡方分布的精確表達(dá)式[3].本文基于非中心分布的三個重要結(jié)論給出了詳細(xì)的證明過程.引理1[4](非中心Gamma分布的可加性)：若X1～Ga(α1,λ,γ1)，X2～Ga(α2,λ,γ2)，且X1和X2相互獨立，則X1+X2～Ga(α1+α2,λ,γ1+γ2).1 結(jié)論1證明：FY(y)=Pr(Yy)等式兩邊同時求導(dǎo)，得到的密度函數(shù)為則由引理1的非中心Gamma分布的可加性，且X

1]提出通過兩次卡方檢驗對系統(tǒng)的判斷，在標(biāo)準(zhǔn)CKF，抗差濾波，和自適應(yīng)濾波進(jìn)行選擇，由于它至多只對一個參數(shù)進(jìn)行了調(diào)節(jié)，并不能處理觀測異常和噪聲不確定同時存在的情況。文獻(xiàn)[12]通過利用Doyle-Stein條件構(gòu)造的卡爾曼濾波對動力學(xué)模型誤差不敏感這一現(xiàn)象，來分離觀測異常與模型誤差，但是該方法只用于受控系統(tǒng)。針對組合導(dǎo)航系統(tǒng)在過程噪聲統(tǒng)計特性不確定和觀測值異常時魯棒性差的問題，本方法將魯棒性估計與自適應(yīng)算法結(jié)合，提出了基于卡方檢驗的自適應(yīng)魯棒CKF組合導(dǎo)航

分布分別指的是：卡方分布、t分布（也叫學(xué)生t分布）、F分布，在詳細(xì)敘述這三大分布之前，我們需要對伽馬分布有清晰的認(rèn)識，下面我們先簡單探討伽馬分布.二、預(yù)備知識如果一個隨機變量X服從形狀參數(shù)為α，尺度參數(shù)為β的伽馬分布，我們記X～Γ（α，β），那么其概率密度函數(shù)為f（x）=xα-1e-xββαΓ（α），α，β>0，x≥0，則E（X）=αβ，Var（X）=αβ2，其中Γ（α）為伽馬函數(shù)，且Γ（α）=∫∞0xα-1e-xdx，另外還有一個實用的結(jié)論，Γ12=π.

案例3采用四格表卡方檢驗，案例4采用分層卡方檢驗，此兩個案例的指標(biāo)變量均為計數(shù)資料，區(qū)別是后者在前者基礎(chǔ)上以性別分層。指標(biāo)變量為等級資料時通常采用秩和檢驗和Ridit分析[5]，在SPSS操作上，前者比后者簡單，故本文案例5采用前者。案例6和案例7皆有兩個因素：學(xué)院、組別，需進(jìn)行多元統(tǒng)計分析，前者指標(biāo)變量為二分類計數(shù)資料，故采用二分類Logistic回歸分析，還可以考察因素間的交互作用[3,6]；后者為等級資料，故采用有序Logistic回歸分析。Logi

兩組顯效例數(shù)對比卡方為9.642，P值為0.001；有效例數(shù)對比卡方為0.659，P值為0.416；無效例數(shù)對比卡方為9.016，P值為0.002；治療效果對比卡方為9.016，P值為0.002。2.2 不良反應(yīng) 觀察組患者30例，治療期間出現(xiàn)1例（3.33%）頭痛，2例（6.67%）惡心，2例（6.67%）腹瀉，不良反應(yīng)發(fā)生率為16.67%（5/30）。對照組患者30例，治療期間出現(xiàn)2例（6.67%）頭痛，1例（3.33%）惡心，3例（10.00%）腹瀉

育研究數(shù)據(jù)處理的卡方分析法筅華中師范大學(xué)數(shù)學(xué)與統(tǒng)計學(xué)學(xué)院劉曉燕徐章韜一、引言定量取向的實證教育、心理研究所處理的數(shù)據(jù)層次較低，大多是一些定類、定序變量，這些數(shù)據(jù)有時候也稱作質(zhì)性數(shù)據(jù).數(shù)據(jù)處理的精要之一是依據(jù)變量的不同特點而選用不同的處理方法，否則不僅得不到有益的結(jié)論，還誤導(dǎo)了人們的認(rèn)識.在數(shù)學(xué)教育研究中，人們常常會遇到各種分類變量，分類變量的不同取值表示個體所屬的不同類別.例如，性別變量，其取值為男和女，表示按性別劃分，研究對象的群體可分為兩類；又如，對于

19000）一、卡方分布的理論概述若n個相互獨立的隨機變量均服從標(biāo)準(zhǔn)正態(tài)分布，則這n個均服從標(biāo)準(zhǔn)正態(tài)分布的隨機變量的平方和構(gòu)成一個新的隨機變量，其分布規(guī)律稱為卡方分布。其中參數(shù)n稱為自由度，自由度不同卡方分布就不同。從以上的定義介紹中我們可以看出，卡方分布實際上是由正態(tài)分布構(gòu)造而成的一個新的分布，這也正說明了正態(tài)分布在數(shù)理統(tǒng)計中的重要作用。卡方分布是概率論和統(tǒng)計學(xué)中重要的一種開率分布。卡方分布常用于假設(shè)檢驗和置信區(qū)間的計算。二、卡方分布的性質(zhì)1.卡方分布的

16023)基于卡方距離改進(jìn)的WLAN室內(nèi)定位算法陶 崢1，2，王洪玉1(1.大連理工大學(xué)電子信息與電氣工程學(xué)部，遼寧大連 116024; 2.解放軍92124部隊，遼寧大連 116023)基于WLAN的定位服務(wù)現(xiàn)今已成為智慧城市中一個很有吸引力的研究領(lǐng)域。在各種定位算法中，經(jīng)典歐氏距離法的度量方式只考慮各實際位置點RSS向量之間的絕對距離，往往忽視各實際位置點RSS向量之間的相對距離;并且只能給各AP賦予相同的權(quán)重。為克服歐氏距離法的不足，提出了基于卡方

150001基于卡方距離度量的改進(jìn)KNN算法謝紅，趙洪野哈爾濱工程大學(xué)信息與通信工程學(xué)院，黑龍江哈爾濱 150001K-近鄰算法（K-nearestneighbor，KNN）是一種思路簡單、易于掌握、分類效果顯著的算法。決定K-近鄰算法分類效果關(guān)鍵因素之一就是距離的度量，歐氏距離經(jīng)常作為K-近鄰算法中度量函數(shù)，歐式距離將樣本的不同特征量賦予相同的權(quán)重，但是不同特征量對分類結(jié)果準(zhǔn)確性影響是不同的。采用更能體現(xiàn)特征量之間相對關(guān)系的卡方距離度量作為KNN算法的度

10041)基于卡方擬合度的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)復(fù)原匯聚方法孔貴琴， 李 智(四川大學(xué) 電子與信息學(xué)院，四川 成都 610041)在無線傳感器網(wǎng)絡(luò)(WSNs)中，現(xiàn)有的數(shù)據(jù)復(fù)原匯聚算法不能準(zhǔn)確判斷節(jié)點感知數(shù)據(jù)的受攻擊程度，數(shù)據(jù)復(fù)原精度偏低，故提出了一種基于卡方擬合度的分布式數(shù)據(jù)復(fù)原匯聚算法。該算法根據(jù)不同時刻節(jié)點感知數(shù)據(jù)的時間相關(guān)性特點來構(gòu)造各節(jié)點信任權(quán)值計算當(dāng)前時刻各簇數(shù)據(jù)樣本的估計值，并利用卡方擬合度來衡量此時各個簇的受攻擊程度，最后通過加權(quán)運算提高了算

其中計數(shù)資料通過卡方檢驗，計量資料通過標(biāo)準(zhǔn)差表示，通過t檢驗，如果差異明顯，則P＜0.05。Questionnaires (Table 2) were completed before and after training. The pre-training questionnaire addressed interest in and background knowledge about CPR: "Do you know what CPR is?",

8改進(jìn)的二維最小卡方散度圖像分割方法王晨1，2，樊養(yǎng)余1，熊磊21.西北工業(yè)大學(xué)電子信息學(xué)院，西安 7100722.空軍工程大學(xué)航空航天工程學(xué)院，西安 7100381 引言圖像分割作為圖像分析和圖像理解的基礎(chǔ)，其性能關(guān)系到圖像處理任務(wù)的成敗，因此是圖像處理領(lǐng)域研究的重要內(nèi)容之一[1-3]。然而由于自然界的復(fù)雜性，目前還沒有一種較為通用的圖像分割技術(shù)。針對不同應(yīng)用背景，相關(guān)研究人員先后提出了種類繁多的圖像分割方法。在這些方法中，基于圖像直方圖信息的閾值化方法

434020)卡方檢驗在醫(yī)學(xué)資料處理中的應(yīng)用文 婷 (長江大學(xué)荊州臨床醫(yī)學(xué)院 荊州市中心醫(yī)院ICU，湖北 荊州 434020)卡方(χ2)檢驗在醫(yī)學(xué)、藥學(xué)工作和研究中經(jīng)常用來對數(shù)據(jù)進(jìn)行統(tǒng)計分析。介紹了兩獨立樣本率的卡方檢驗的相關(guān)統(tǒng)計學(xué)的概念和方法,并通過Excel電子表格計算兩個實例, 具體地說明了四格表χ2檢驗方法在醫(yī)學(xué)研究中的應(yīng)用，分析方法詳盡清晰易懂，為專業(yè)人員進(jìn)行相關(guān)分析提供參考。獨立樣本；χ2檢驗；醫(yī)療系統(tǒng)醫(yī)學(xué)、藥學(xué)工作者在工作和研究中經(jīng)常需要

1 列聯(lián)表檢驗和卡方檢驗1.1 列聯(lián)表檢驗統(tǒng)計學(xué)中，對研究對象進(jìn)行分類并對樣本的頻數(shù)進(jìn)行統(tǒng)計并進(jìn)行探究。依據(jù)樣本分組的指標(biāo)變量，對其排序即得到列聯(lián)表。分析研究列聯(lián)表中的數(shù)據(jù)，來檢驗兩個變量的關(guān)系，應(yīng)用假設(shè)檢驗中的卡方檢驗研究列聯(lián)表中分類變量是否獨立，稱這種檢驗為列聯(lián)表檢驗［2］。列聯(lián)表分析法的應(yīng)用極為廣泛，它可以分析研究總體中個體的屬性之間是否相關(guān)，稱為獨立性檢驗。例如，帕金森與其性別是否有關(guān)?在以二者為研究對象所列出的列聯(lián)表中，以Pi.、Pj.和Pij代

列聯(lián)表可用來進(jìn)行卡方檢驗、做相關(guān)分析、給出相應(yīng)的關(guān)聯(lián)系數(shù)、計算特定的統(tǒng)計量等.本文通過列聯(lián)表考察CEO年齡組與企業(yè)規(guī)模關(guān)系兩個變量的期望頻數(shù)，運用卡方檢驗這兩個變量間的獨立性.1 交叉分組下的頻數(shù)分析交叉分組下的頻數(shù)分析又稱列聯(lián)表分析.編制交叉列聯(lián)表是交叉分組下頻數(shù)分析的第一個任務(wù).交叉列聯(lián)表是兩個或兩個以上的變量交叉分組后形成的頻數(shù)分布表.1.1 交叉分組下頻數(shù)分析的目的頻數(shù)分析能夠掌握單個變量的數(shù)據(jù)分布情況，在實際分析中，不僅要了解單個變量的分布特征，

-Haenzel卡方檢驗〔1-3〕進(jìn)行分析，但是目前通用的統(tǒng)計軟件大多沒有提供計算程序，而手工計算又十分復(fù)雜，本文就如何應(yīng)用SAS軟件對1:M配比資料的Mantel-Haenzel卡方檢驗的計算方法及對不同的方法計算OR可信區(qū)間進(jìn)行討論和比較。原理與方法當(dāng)1:M配對的病例-對照研究僅存在一個配比因素時可以采用分層分析，即 Mantel-Haenzel卡方檢驗，1:M配對的病例-對照研究資料可按照表1的格式整理，并按照計算公式計算χ2M-H和 ORMH。表1

，可以用Wald卡方檢驗，或以此為基礎(chǔ)的近似t檢驗。本文目的在于以Monte Carlo模擬評估樣本量和內(nèi)部相關(guān)系數(shù)對整群干預(yù)試驗中干預(yù)效應(yīng)的推斷的影響。干預(yù)效應(yīng)的推斷通過SAS PROC MIXED的Wald卡方檢驗和兩種不同自由度的t檢驗。本文對正態(tài)結(jié)局變量的線性混合效應(yīng)模型的干預(yù)效應(yīng)進(jìn)行假設(shè)檢驗和區(qū)間估計。模 型考慮下面不含協(xié)變量的簡單的混合效應(yīng)模型:對于干預(yù)效應(yīng)β1的推斷，SAS PROC MIXED提供以下統(tǒng)計量〔9〕:(2)t統(tǒng)計量:在SAS

70)蛋白質(zhì)修正卡方分布函數(shù)王人福，王 星，章社生(武漢理工大學(xué) 統(tǒng)計系，湖北 武漢 430070)利用統(tǒng)計分析和數(shù)據(jù)挖掘的知識，給出了蛋白質(zhì)殘基原子與其他原子的接觸距離和接觸數(shù)的定義，并根據(jù)蛋白質(zhì)的種類的不同，計算了接觸距離的數(shù)學(xué)期望和標(biāo)準(zhǔn)差，得到血紅蛋白、激素和肌蛋白殘基的概率分布，構(gòu)造出類蛋白質(zhì)ASP殘基接觸數(shù)的修正卡方分布函數(shù).蛋白質(zhì)；殘基；接觸數(shù)；卡方分布研究生命科學(xué)離不開蛋白質(zhì)，DNA的生理功能是以蛋白質(zhì)的形式表達(dá)，研究DNA必需研究蛋白質(zhì).在

更新過程，則3 卡方更新過程的更新函數(shù)定理 卡方更新過程的更新函數(shù)4 應(yīng)用實例[5]在公路橋梁上某一位置觀測車輛到達(dá)的時間間隔20個數(shù)據(jù)(秒)，從小到大排列為:3，4，4，6，6，6，8，8，10，11，13，21，29，42，45，48，49，55，59，68。用矩法估計χ2分布的參數(shù)k=[24.75]=24。經(jīng)k-s檢驗結(jié)果觀察值Dn=6.627 3×10-6。對α=0.05，查k-s表臨界值D20.005=0.294，有Dn=6.627 3×10-6