Bonferroni校正:如果在同一数据集上同时检验n个独立的假设,那么用于每一假设的统计显著水平,应为仅检验一个假设时的显著水平的1/n http://baike.baidu.com/view/1217813.htm?fr=aladdin Bonferroni校正法: 此方法是在进行两两比较时对检验水准进行调整的办法,但是该方法在比较的次数较多时,就不太适合,因为校正后的检验水准会过小.此时可采用sidark法进行多重比较(仍然是对检验水准进行调整). 统计学中一般以小概率作为判断差异是否显著

总结起来就三句话: (1)当同一个数据集有n次(n>=2)假设检验时,要做多重假设检验校正 (2)对于Bonferroni校正,是将p-value的cutoff除以n做校正,这样差异基因筛选的p-value cutoff就更小了,从而使得结果更加严谨 (3)FDR校正是对每个p-value做校正,转换为q-value.q=p*n/rank,其中rank是指p-value从小到大排序后的次序. 举一个具体的实例: 我们测量了M个基因在A,B,C,D,E一共5个时间点的表达量,求其中的差异基因,具体

1.什么是Familywise Error Rate(FWE or FWER) 定义:在一系列假设检验中,至少得出一次错误结论的概率. 换句话说,是造成至少一次Type I Error的概率.术语FWE来自测试系列,这是一系列数据测试的技术定义 2.估计FWE的公式 αIT:一个独立测试的显著水平 c : 对比次数 举个例子,对于一个10次试验的的序列,显著水平5%,FWE = ≤ 1 – (1 – .05)^10 = 0.401 ,这意味着Type I Error 发生的概率超过了40%,对于

如何用SPSS分析学业情绪量表数据 1.数据检验.由于问卷.量表的题目是主观判断和选择,因而难免有些人不认真填,所以,筛选出有效.高质量的数据非常关键.通常需要作如下检查:(1)是否有人回答互相矛盾,比如A1与A2不应该都同意,结果却都同意了:在学业情绪问卷中体现为积极体验和消极体验的题目得分应该互斥,不应该具有相同体验:(2)是否有人没有明显态度偏向,例如大多数题目都选了完全同意或完全不同意或中立:(3)是否有人应答率太低,例如在很多题目上都没有填写:(4)是否有人故意回答出有规律的题目,例如

把内表的行列转换,网上的例子很多,但是新人想看懂,几乎很难,所以总结下我是怎么完成的. 比如:你的内表如图: 你想让内表最后展示成这样:如图: 那么完成之后会是这样: 完成这个过程,得用到动态内表.看代码: , bezei LIKE zchannel-bezei, "销售办事处 zdate LIKE zchannel-zdate, "日期 salesamount LIKE zchannel-salesamount, "总额 END OF itab8. 先排序: SORT it

上回我们介绍了两种有穷自动机模型——确定性有穷自动机DFA和非确定性有穷自动机,以及从正则表达式经过NFA最终转化为DFA的算法.有些同学表示还是难以理解NFA到底怎么转化为DFA.所以本篇开头时我想再多举一个例子,看看NFA转化为DFA之后到底是什么样.首先我们看下面的NFA,它是从一组词法分析所用的正则表达式转换而来的.这个NFA合并了IF.ID.NUM.error这四个单词的NFA.因此,它的四个接受状态分别代表遇到了四种不同的单词. 用上一篇学到的方法,我们需要求出一个DFA,它的每个状

我感觉CodeSmith对于我的最大用途是不用我手动创建每个表的Model.BLL和DAL了,那些繁琐的工作真的让我很无语. CodeSmith要读取数据库中的表就要先连接数据库. 新建一个数据库连接,会让你输入数据库名.数据库类型和连接字符串.我经常用到的两个连接设置如下: 数据库 连接类型 连接字符串 MySql MySqlShemaProvider server=localhost;database=;User Id=root;Password=123; SqlServer SqlShem

1.看代码不解释: ds.Relations.Add("fk", ds.Tables[0].Columns["Id"], ds.Tables[1].Columns["ParentCardId"], false); 将父表和子表放到dataset中通过设置外键关联,这样就会自动绑定上.由于某些原因表不允许自动生成列,这是子表就要手动在后台设置: band[1]就是指的子表: protected void UltraWebGrid1_Initiali

DATA: DY_TABLE TYPE REF TO DATA, DY_WA TYPE REF TO DATA. FIELD-SYMBOLS: <DYN_TABLE> TYPE TABLE, "是一个标志,可以理解为一个指针,将来创建的内表就要通过它们来访问 <DYN_WA> TYPE ANY, <FS> TYPE ANY. DATA: L_SCRFNAME TYPE SCRFNAME, LS_LAYOUT TYPE LVC_S_LAYO, LT_FIELDC

引自:http://blog.csdn.net/xvshu/article/details/39187779 最近的一个项目有一个需求,有N个考核单位,要对每个考核单位生成一张考核情况表,这样做的目的是横切数据库,这这个需求的实现中,我的组员遇到了一个技术问题,我将我的解决办法和整个思考过程与大家分享, 思路: 用一个配置文件,一个类去映射多个表,(每个表的结构相同).按照平时的做法,有多少个表就要 写多少个配置文件,岂不是很麻烦.怎样才能只写一个配置文件就能达到上述目的呢? 经过研究,发现hi

http://blog.csdn.net/wangbingcsu/article/details/48340479 C++编译器符号表有哪些内容? 很早就想写一篇关于符号表的学习小结,可是迟迟不能下笔.其一是因为符号表在编译器的设计中占有举足轻重的地位[我们在学习编译原理的时候更多的是注重principles,而没有关心一个编译器的实现,所以符号表讲解的也比较少],编译阶段的每“遍”都会和符号表打交道,本人只做过一个Mini C的编译器的前端部分,感觉功底不够:其二是因为我想在原来C语言的基础上

sklearn实战-乳腺癌细胞数据挖掘(博主亲自录视频) https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share 医药统计项目联系:QQ231469242 # -*- coding: utf-8 -*- # Import standard packages impor

近期的一个项目有一个需求,有N个考核单位,要对每一个考核单位生成一张考核情况表.这样做的目的是横切数据库,这这个需求的实现中,我的组员遇到了一个技术问题,我将我的解决的方法和整个思考过程与大家分享, 思路: 用一个配置文件.一个类去映射多个表,(每一个表的结构同样).依照平时的做法.有多少个表就要 写多少个配置文件,岂不是非常麻烦.如何才干仅仅写一个配置文件就能达到上述目的呢? 经过研究,发现Hibernate中的NamingStrategy能够达到这个目的. 它是用来定义表名和列名映射规 则的

目录 多对多三种创建方式 1.全自动(用ManyToManyField创建第三张表) 2.纯手写 3.半自动 form组件 引入 form组件的使用 forms组件渲染标签 form表单展示信息 form组件自定义校验 内置的校验器(RegexValidator) 钩子函数(HOOK) Django Form所有内置字段 多对多三种创建方式 1.全自动(用ManyToManyField创建第三张表) class Book(models.Model): title = models.CharFie

最近,又遇到了慢 SQL,简单的看了下,又是因为 MySQL 本身优化器还有查询计划估计不准的问题.SQL 如下: select * from t_pay_record WHERE (( user_id = 'user_id1' AND is_del = 0 )) ORDER BY id DESC LIMIT 20 这个 SQL 执行了 20 分钟才有结果.但是我们换一个 user_id,执行就很快.从线上业务表现来看,大部分用户的表现都正常.我们又用一个数据分布与这个用户相似的用户去查,还是比

P122, 这是IQR method课的第一次作业,需要统计检验,x和y是否显著的有线性关系. Assignment 1 1) Find a small bivariate dataset (preferably from your own discipline) and produce a scatterplot (this is easy using any spreadsheet) 2) Use any statistics tool (a calculator, spreadsheet

原文地址:http://www.cnblogs.com/ylhome/archive/2009/08/26/1554195.html ANSYS动力学分析中提供了各种的阻尼形式,这些阻尼在分析中是如何计算,并对分析有什么影响呢?本文将就此做一些说明何介绍. 一． 首先要清楚,在完全方法和模态叠加法中定义的阻尼是不同.因为前者使用节点坐标,而后者使用总体坐标. 1． 在完全的模态分析.谐相应分析和瞬态分析中,振动方程为: 阻尼矩阵为下面的各阻尼形式之和: α为常值质量阻尼(α阻尼)(ALPHAD命

时至今日,“Big data”(大数据)时代的来临已经毋庸置疑,尤其是在电信.金融等行业,几乎已经到了“数据就是业务本身”的地步.这种趋势已经让很多相信数据之力量的企业做出改变.恰逢此时,为了让更多的人了解和使用分析大数据,CSDN独家承办的大数据技术大会于今日在北京中旅大厦召开.本次大会汇集Hadoop.NoSQL.数据分析与挖掘.数据仓库.商业智能以及开源云计算架构等诸多热点话题.包括百度.淘宝.新浪等业界知名专家与参会者齐聚一堂,共同探讨大数据浪潮下的行业应对法则以及大数据时代的抉择. 淘

Problem Description The expression N!, read as "N factorial," denotes the product of the first N positive integers, where N is nonnegative. So, for example, N N! 0 1 1 1 2 2 3 6 4 24 5 120 10 3628800 For this problem, you are to write a program

监控SQL 1.监控事例的等待: select event,sum(decode(wait_time,0,0,1)) prev, sum(decode(wait_time,0,1,0)) curr,count(*) from v$session_wait group by event order by 4; 2.回滚段的争用情况: select name,waits,gets,waits/gets ratio from v$rollstat a,v$rollname b where a.usn=