Информация

Доказателство за еквивалентността между два начина за дефиниране на ESS

Доказателство за еквивалентността между два начина за дефиниране на ESS


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Заден план

Два общи начина за дефиниране на еволюционно стабилна стратегия (ESS):

Първо определение: Помислете за популация, съставена от популации, играещи две стратегии, $mathbf{p}$ и $mathbf{q}$. Нека означим $W(mathbf{p})$ средната годност на стратегията $mathbf{p}$. Популация, състояща се от индивиди, които играят $mathbf{p}$, ще бъде ESS, ако всеки път, когато малко количество девиантни индивиди, които играят $mathbf{q}$, старият тип $mathbf{p}$ се представя по-добре от новодошлите $mathbf{q}$. Това означава, че за всички $mathbf{p} eq mathbf{q}$, egin{equation} W(mathbf{p}) > W (mathbf{q}) end{equation}

Второ определение: $E(mathbf{p},mathbf{q})$ е печалбата за $mathbf{p}$-стратег срещу $mathbf{q}$-стратег. Стратегията $mathbf{p}$ е ESS, ако и само ако са изпълнени следните условия:

  1. $E(mathbf{p},mathbf{p})geq E(mathbf{q},mathbf{p}) quad forall mathbf{q}$

  2. Ако $mathbf{q} eq mathbf{p}$ и $E(mathbf{p},mathbf{p}) = E(mathbf{q},mathbf{p})$, тогава $ E(mathbf{p},mathbf{q})> E(mathbf{q},mathbf{q})$

Въпрос (по-кратка версия)

Горните два начина за дефиниране на какво трябва да бъде еквивалентна ESS. Как мога да докажа такава еквивалентност? Като алтернатива, знаете ли за книга (или хартия), която има това доказателство?

Въпрос (по-дълга версия)

Разбирам, че първото определение предполага второто. Според първото определение: egin{align*} W(mathbf{p}) - W (mathbf{q}) &>0 (1-epsilon) [E(mathbf{p}, mathbf{p}) - E(mathbf{q},mathbf{p})] + epsilon [E(mathbf{p},mathbf{q}) - E(mathbf{q},mathbf {q})] &>0 end{align*}, където $epsilon$ е честотата на индивидите, които играят $mathbf{q}$. Тъй като $0 E(mathbf{q},mathbf{p}) $), след това $W(mathbf{p}) > W (mathbf{q})$.


Трябва да покажем, че ако $mathbf{p}$ е строго равновесие на Неш, $E(mathbf{p},mathbf{p})> E(mathbf{q},mathbf{p})$ , след това $W(mathbf{p}) > W (mathbf{q})$ за някои достатъчно малки $epsilon$. Когато $E(mathbf{p},mathbf{q}) geq E(mathbf{q},mathbf{q})$, $mathbf{p}$ ясно доминира $mathbf{q}$ .По-малко очевидният случай е, когато $E(mathbf{p},mathbf{q}) < E(mathbf{q},mathbf{q})$.

Тъй като $E(mathbf{p},mathbf{p}) - E(mathbf{q},mathbf{p})>0$, трябва да има строго положително число $k$ такова, че $$k [E(mathbf{p},mathbf{p}) - E(mathbf{q},mathbf{p})]+ E(mathbf{p},mathbf{q}) - E( mathbf{q},mathbf{q})>0$$ е вярно. Каквото и да е това число, можем да запишем $k$ като $(1-epsilon)/epsilon$ за $0

Изглежда има някои вариации в нотацията: в проста линейна регресия обикновено съм виждал фразата „коефициент на корелация на извадката“ със символ $r$ като препратка към корелацията между наблюдаваните стойности на $x$ и $y$. Това е нотацията, която приех за този отговор. Също така видях същата фраза и символ, използвани за обозначаване на корелацията между наблюдавания $y$ и монтирания $hat y$ в моя отговор. Нарекох това като "множествен коефициент на корелация" и използвах символа $R$. Този отговор разглежда защо коефициентът на детерминация е както квадрат на $r$, така и квадрат на $R$, така че не трябва да има значение кое използване е предвидено.

Резултатът $r^2$ следва в един ред от алгебрата, след като се установят някои ясни факти за корелацията и значението на $R$, така че може да предпочетете да прескочите надолу към уравнението в кутия. Предполагам, че не е нужно да доказваме основните свойства на ковариацията и дисперсията, по-специално:

Обърнете внимание, че последното може да бъде извлечено от първото, след като знаем, че ковариацията е симетрична и че $ ext(X) = текст(X,X)$. Оттук извеждаме още един основен факт за корелацията. За $a eq 0$ и докато $X$ и $Y$ имат ненулеви дисперсии,

Тук $ ext(a)$ е функцията signum или sign: нейната стойност е $ ext(a) = +1$, ако $a>0$ и $ ext(a) = -1$, ако $a<0$. Също така е вярно, че $ ext(a) = 0$, ако $a=0$, но този случай не ни засяга: $aX+b$ ще бъде константа, така че $ ext(aX+b) = 0$ в знаменателя и не можем да изчислим корелацията. Аргументите на симетрията ни позволяват да обобщим този резултат за $a, , c eq 0$:

Няма да се нуждаем от тази по-обща формула, за да отговорим на текущия въпрос, но я включвам, за да подчертая геометрията на ситуацията: тя просто заявява, че корелацията е непроменена, когато една от променливите е мащабирана или преведена, но се обръща в знак, когато променлива е отразено.

Нуждаем се от още един факт: за линеен модел, включващ постоянен член, коефициентът на детерминация $R^2$ е квадратът на коефициента на множествена корелация $R$, който е корелацията между наблюдаваните отговори $Y$ и модела монтирани стойности $hat Y$. Това важи както за множествени, така и за прости регресии, но нека ограничим вниманието си до простия линеен модел $hat Y = hat eta_0 + hat eta_1 X$. Резултатът следва от наблюдението, че $hat Y$ е мащабирана, вероятно отразена и преведена версия на $X$:

$oxed( шапка Y, Y) = текст(hat eta_0 + hat eta_1 X, , Y) = ext(hat eta_1) , ext(X, Y) = текст(hat eta_1) , r>$

Така че $R = pm r$, където знакът съвпада със знака на изчисления наклон, което гарантира, че $R$ няма да е отрицателен. Очевидно $R^2 = r^2$.

Предходният аргумент беше опростен, като не се налагаше да се вземат предвид сумите от квадрати. За да постигна това, пропуснах детайлите на връзката между $R^2$, която обикновено мислим като суми от квадрати, и $R$, за която мислим за корелациите на приспособените и наблюдавани отговори. Символите правят връзката $R^2 = (R)^2$ да изглежда тавтологична, но това не е така и връзката се разпада, ако в модела няма термин за прихващане! Ще дам кратка скица на геометричен аргумент за връзката между $R$ и $R^2$, взет от различен въпрос: диаграмата е начертана в $n$-мерно предметно пространство, така че всяка ос (не е показана) представлява една единица за наблюдение, а променливите са показани като вектори. Колоните на матрицата за проектиране $mathbf$ са векторът $mathbf<1_n>$ (за константния член) и векторът на наблюденията на обяснителната променлива, така че пространството на колоните е двуизмерна плоскост.

Вградената $mathbf< шапка>$ е ортогоналната проекция на наблюдаваното $mathbf$ в пространството на колоните на $mathbf$. Това означава вектор на остатъци $mathbf = mathbf - mathbf< шапка>$ е перпендикулярна на плоската и следователно на $mathbf<1_n>$. Точковото произведение е = mathbf <1_n>cdot mathbf = sum_^n e_i$. Тъй като остатъците сумират до нула и $Y_i = hat + e_i$, след това $sum_^n Y_i = sum_^n шапка$, така че както монтираните, така и наблюдаваните отговори имат средно $ar$. Прекъснатите линии в диаграмата, $mathbf - armathbf<1_n>$ и $mathbf> - armathbf<1_n>$, следователно са центриран вектори за наблюдаваните и монтирани отговори, а косинусът на ъгъла $ heta$ между тях е тяхната корелация $R$.

Триъгълникът, който тези вектори образуват с вектора на остатъци, е правоъгълен, тъй като $mathbf> - armathbf<1_n>$ лежи в апартамента, но $mathbf$ е ортогонално към него. Прилагане на Питагор:

Това е само разлагането на сумите от квадрати, $SS_< ext> = SS_< текст> + SS_< текст>$. Конвенционалната формула за коефициента на детерминация е $1 - frac<>>><>>>$, което в този триъгълник е $1 - sin^2 heta = cos^2 heta$ наистина е квадратът на $R$. Може да сте по-запознати с формулата $R^2 = frac<>>><>>>$, което веднага дава $cos^2 heta$, но имайте предвид, че $1 - frac<>>><>>>$ е по-общо и (както току-що видяхме) ще се намали до $frac<>>><>>>$ ако в модела е включен постоянен член.


Формулата за R-квадрат е

Ключови изводи

  • R-Squared е статистическа мярка за съответствие, която показва колко вариация на зависима променлива се обяснява с независимата(ите) променлива(и) в регресионния модел.
  • При инвестирането R-квадратът обикновено се тълкува като процент от движенията на фонд или ценни книжа, които могат да бъдат обяснени с движенията в бенчмарк индекс.
  • R-квадрат от 100% означава, че всички движения на ценна книга (или друга зависима променлива) се обясняват напълно с движенията в индекса (или независимите променливи, които ви интересуват).

Дихибридният кръст

Грегор Мендел изследва наследяването на своите седем черти в граха не само един по един, но и в комбинация. Едно такова кръстосване включва двата независими признака цвят на семената и форма на семената, като един ген контролира всяка черта, както е показано в таблица 1.

Едно от родителските растения ще бъде хомозиготно доминантно и за двата признака, а другото родителско растение ще бъде хомозиготно рецесивно и за двете. П1 кръст така ще бъде

Когато родителските растения претърпят мейоза, всяко ще произвежда само един тип гамети:

Всички Ф1 следователно растенията ще получат GW от единия родител и gw от другата, така че всички F1 семената ще имат генотип GgWw и да бъде Жълта и Кръгла. Това са дихибридни семена, хетерозиготни за два гена и показващи двата доминантни фенотипа.

Двойно хетерозиготният F1 растенията ще се самооплодят (или ще бъдат кръстосани), за да произведат F2 поколение. Ф1 растенията образуват четири типа гамети в равни пропорции:

Площадът на Пунет за Ф2 следователно поколението ще има четири колони в квадрата и четири реда и общо 16 възможни комбинации след произволно оплождане (Фигура 1).

Квадрат на Пунет за F2 генериране на дихибридно кръстосване, показващо независимото наследяване на цвета на семената и формата на семената.

Квадрат на Пунет за F2 генериране на дихибридно кръстосване, показващо независимото наследяване на цвета на семената и формата на семената.

И двата гена показват пълно доминиране, което означава, че семената трябва да бъдат или жълти (доминиращи), или зелени (рецесивни), или кръгли (доминиращи) или набръчкани (рецесивни). Поради това ще има само четири комбинации от фенотипове в F2 поколение:

Това съотношение 9 към 3 към 3 към 1 е дихибридното съотношение на Мендел на фенотипите в F2 поколение.

След извършване на това кръстосване Мендел преброи следните фенотипове в F2 семена: 315 жълти и кръгли, 101 жълти и набръчкани, 108 зелени и кръгли и 32 зелени и набръчкани (Mendel, 1866). Това беше съотношение от 9,1 до 2,9 до 3,1 до 0,92, почти идентично с очакваното съотношение.

Дихибридното кръстосване може да бъде обобщено с помощта на А и Б за двата сегрегиращи гена и Dom и rec за двата фенотипа, както е показано на Фигура 2.

Диаграма на генерично дихибридно кръстосване, показваща наследяването на гените А и Б. (Обърнете внимание, че символът ⊗ показва самооплождане.)

Диаграма на генерично дихибридно кръстосване, показваща наследяването на гените А и Б. (Обърнете внимание, че символът ⊗ показва самооплождане.)


Основи на сравнителната геномика

Тази книга предоставя преглед на изчислителния анализ на гени и геноми, както и на някои най-забележителни открития, които произлизат от тази работа. Основи на сравнителната геномика представя историческа перспектива, като се започне с ранен анализ на отделни генни последователности, до днешно сравнение на генни репертоари, кодирани от напълно секвенирани геноми. Авторът обсъжда основните научни принципи на сравнителната геномика, твърди, че завършването на много геномни последователности е започнало нова ера в биологията и предоставя личен поглед върху няколко най-съвременни въпроса, като системна биология и филогенетика на целия геном реконструкции. Тази книга е основна справка за изследователи и студенти по изчислителна биология, еволюционна биология и генетика.

Тази книга предоставя преглед на изчислителния анализ на гени и геноми, както и на някои най-забележителни открития, които произлизат от тази работа. Основи на сравнителната геномика представя историческа перспектива, като се започне с ранен анализ на отделни генни последователности, до днешно сравнение на генни репертоари, кодирани от напълно секвенирани геноми. Авторът обсъжда основните научни принципи на сравнителната геномика, твърди, че завършването на много геномни последователности е започнало нова ера в биологията и предоставя личен поглед върху няколко най-съвременни въпроса, като системна биология и филогенетика на целия геном реконструкции. Тази книга е съществена справка за изследователи и студенти по изчислителна биология, еволюционна биология и генетика.


Каква е разликата между доказателство за концепция и прототип?

Четете Entrepreneur India, международен франчайз на Entrepreneur Media.

Често срещаме термините &ldquoДоказателство на концепцията&rdquo & &ldquoПрототип&rdquo и често те се използват взаимозаменяемо, въпреки че тези термини имат ясна разлика. Термините означават различни неща и имат различни функции. По време на жизнения цикъл на една инициатива продукт/проект ще попада в тези категории и за успешното прилагане на технологията е наложително продуктът да премине през тази трансформация.

Доказателството за концепция (POC) е малко упражнение за тестване на идеята или предположението за дизайн. Основната цел на разработването на POC е да се демонстрира функционалността и да се провери определена концепция или теория, която може да бъде постигната при разработката. Прототипирането е ценно упражнение, което позволява на иноватора да визуализира как ще функционира продуктът, това е работещ интерактивен модел на крайния продукт, който дава представа за дизайна, навигацията и оформлението. Докато POC показва, че продукт или функция могат да бъдат разработени, прототипът показва как ще бъде разработен.

Докато POC е проектиран само за проверка на функционалността на единична или набор от концепции, които да бъдат обединени в други системи. Използваемостта му в реалния свят дори не се взема предвид при създаването на доказателство за концепция, тъй като интеграцията с технологиите не само отнема време, но също така може да отслаби способността да се определи дали принципната концепция е жизнеспособна. Това упражнение е за идентифициране на характеристиките на продукта, преди да преминете към разработката. Прототипът е първият опит за създаване на работещ модел, който може да бъде използваем в реалния свят. Нещата се объркат в процеса, но идентифицирането на тези грешки и спънки е основна цел на изграждането на прототип. Прототипът има почти всички функционалности на крайния продукт, но като цяло няма да бъде толкова ефективен, художествено проектиран или издръжлив.

Фигура 1 - Интегриране на технологиите и потребителското изживяване създаде продукт

Методът POC позволява споделяне на вътрешни знания между екипа, изследване на нововъзникващите технологии и предоставяне на доказателство за концепция на клиента за техния продукт. Първо, разработчикът, назначен към POC, провежда проучване и започва да разработва функцията с цел да докаже, че това е осъществимо. След като това се докаже, POC се разширява, за да разработи интегриран работен модел, за да предостави фрагмент от крайния продукт. След това той&rsquos или представя на клиента и продуктовия екип, за да продаде идеята за предстоящ проект, или може да се използва вътрешно в екипите за разработка за споделяне на знания и стимулиране на иновациите.

Прототипирането е бърз и ефективен начин за оживяване на идеите на клиента&rsquos и служи за извадка за потенциалните потребители да оценят, тестват и споделят обратната си връзка, за да направят подобрения. Тази техника също помага при документирането и предоставя на екипа по-точна оценка колко време ще отнеме да завърши. В някои случаи POC може би е просто проучване, което допълнително ще доведе до концепция за предстоящия проект, или по-сложна концепция, като функция за плащане на мобилно приложение. Окончателният POC не трябва да е без грешки, но в крайна сметка трябва да показва функционалността на концепцията.

В заключение, доказателството за концепцията казва, че тя може да бъде разработена и потвърждава техническата осъществимост, докато прототипът показва потенциално бъгав, неусъвършенстван опит за крайния продукт. Все пак имате нужда от този всемогъщ клиент, за да определите успеха на вашия продукт.


Рискове от метанол

Въпреки че метанолът е алкохол, подобен на етанола, той е невероятно опасен в големи количества. Докато метанолът се образува в малки количества по време на ферментацията и е добър за консумация в неща като търговско произведено вино или бира, концентрацията, която намирате в неща като домашно приготвен джин, ром и други спиртни напитки, може да ви отрови. За разлика от етанола, когато се консумира, метанолът в човешкото тяло се превръща в мравчена киселина. Същото вещество се намира в отровата на мравки. Натрупването на мравчена киселина в резултат на това може да причини проблеми с кръвообращението, увреждане на черния дроб и редица други симптоми до и включително увреждане на нервите, трайна слепота и бъбречна недостатъчност.


4 отговора 4

Мисля, че по-фундаментален начин да се подходи към проблема е чрез обсъждане на геодезичните криви на повърхността, която наричате дом. Не забравяйте, че геодезичното уравнение, макар и еквивалентно на уравнението на Ойлер-Лагранж, може да се изведе просто чрез разглеждане на диференциали, а не на крайности на интегралите. Геодезичното уравнение се появява точно чрез намиране на ускорението, а оттам и силата по законите на Нютон, в обобщени координати.

Вижте ръководството на Шаум Lagrangian Dynamics от Dare A. Wells Ch. 3, или Векторен и тензорен анализ от Борисенко и Тарапов, задача 10 на стр. 181

Така че, задавайки силата на нула, се установява, че пътят е решението на геодезичното уравнение. Така че, ако дефинираме права линия като тази, която поема една частица, когато върху нея няма сили, или още по-добре, че обект без сили върху нея поема най-бързия и следователно най-краткия път между две точки, тогава walla, най-краткото разстояние между две точки е геодезическата в евклидовото пространство, права линия, каквато я познаваме.

Всъщност на стр. 51 Борисенко и Тарапов показват, че ако силата е навсякъде допирателна към кривата на движение, тогава частицата също ще пътува по права линия. Отново, дори ако върху него има сила, стига силата да няма компонент, перпендикулярен на пътя, частица ще пътува по права линия между две точки.

Освен това, що се отнася до интуицията, това също е пътят на най-малко работа.

Така че, ако сте съгласни с дефиницията на производна в даден показател, тогава можете да намерите геодезическите криви между точките. Ако дефинирате производните по различен начин и следователно координирате трансформациите по различен начин, тогава това е съвсем друга история.

Позволете ми да започна с това, че на ниво черво съм съгласен с всичко, което казахте. Но смятам, че все пак трябва да направя този аргумент, тъй като може да помогне на вас (и на мен!) да подредите идеите по въпроса.

Не изглежда непоследователно да се твърди, че моделът на евклидовото пространство (дефиниран от, да речем, аксиомите на Хилберт) като $Bbb R^n$ наистина заобикаля всички философски въпроси. Можем да попитаме защо $Bbb R$ и други подобни, но взет като обект сам по себе си, стандартният вътрешен продукт дефинира всичко - от геометрията до топологията до понятието размер.

В този изглед интегралът, който споменахте, може да се приеме като дефиниция на "дължина" на крива (мисля в $Bbb R^2$), като се наблюдава, че съвпада с мярката на Лебег, когато се дава разглежданата крива чрез афинна трансформация (въпреки че това е формално ирелевантно). Дефиницията е мотивирана не като разбита на прави линии, а по-скоро на вектори, които имат различна дефиниция на дължината (това не ме притеснява много: това е само пожелателно мислене, че използваме един и същ термин за всеки). Понятието за "линия" само по себе си възниква като доста естествен въпрос: каква е инфимума на дължината между две точки и ако е така, има ли всъщност крива, която го постига? След като видите, че не само отговорът е „да“, но и „и е уникален“, не е много трудно да мислим, че тези обекти си струва да добавим към основното ни разбиране за пространството.

Що се отнася до забележката при избора на разстоянието в Манхатън: нищо не ви пречи да направите това, но ако предпочитате това да бъде вашата норма (което е възможно поради причините, които описахте по-горе), тогава губите всички аспекти на геометрията, свързани с ъглите. Освен това губите уникалността на кривите с минимална дължина и може би тогава ставате по-малко заинтересовани от въпроса. От всезнаеща гледна точка можем да видим това като трагедия, приемлива загуба или дори като печалба. Това възражение, както и коментарът на Уил Джаги, изглежда само подчертават гъвкавостта, която имаме по отношение на това кои формализми да използваме.

Другият ви въпрос, разбира се, е много по-труден за отговор, но мисля, че едно хубаво намаляване на въпроса е "Какво прави $Bbb R^3$ най-физическия модел?" Въпросът е особено интересен в светлината на факта, че $Bbb R^3$ със сигурност е така не пълен модел на пространство за действителната физика! Но не мисля, че ще бъдете взети на сериозно, ако се опитате да аргументирате, че Вселената не е многообразна. По някаква причина (отворени подмножества на) $Bbb R^n$ е локално "почти правилно".

Това само аз говоря от вие-знаете-къде: може да е причината, поради която имаме толкова силни интуиции за праволинейността и разстоянието, е поради еволюционния натиск. Хората, които могат интуитивно да се придвижат от място на място ефективно, няма да изгорят ненужните калории, а в един по-малко защитен свят това може да им помогне да достигнат възрастта на сексуална жизнеспособност. След като започнем да мислим индуктивно, тогава ще ни бъде позволено да мислим за понятието правота като продължаващо завинаги и като обща конструкция, а не като ситуационна характеристика. Но дотогава би било твърде късно да се изправи смесването на праволинейност и линейност и ще трябва да чакаме дълго време, преди да можем да го направим с каквато и да е строгост.


Какво представлява еукариотната РНК полимераза?

Еукариотните РНК полимерази са три различни типа. Те транскрибират различни класове гени. И също така функционира при различни условия. Иницииращите и завършващите фактори (сигма и rho фактори) са напълно различни от прокариотните аналози на РНК полимераза. Трите различни РНК полимерази са наречени РНК полимераза I (транскрибира рРНК), РНК полимераза II (транскрибира иРНК) и РНК полимераза III (транскрибира тРНК). РНК полимераза I се намира в ядрото и ензимът изисква Mg 2+ за своята активност. РНК полимераза II е в нуклеоплазмата и се нуждае от АТФ за своята активност. РНК полимераза III също се намира в нуклеоплазмата.

Промоторите за тези РНК полимерази са различни. РНК полимераза I разпознава промоторите нагоре по веригата между -45 до +25 области в ДНК. РНК полимераза II разпознава промоторите нагоре между -25 до -100 области в ДНК като (TATA кутия, CAAT кутия и GC кутия). РНК полимераза III разпознава вътрешните промотори надолу по веригата.

Фигура 02: Еукариотна РНК полимераза

Еукариотните РНК полимерази са голям комплекс, изграден от протеини с множество субединици от 500 kDa или повече. Те имат различни транскрипционни фактори за процес на иницииране и процес на удължаване като, TFIIA, TFIIB, TFIID, TFIIE, TFIIF, TFIIH, TFIIJ. РНК полимеризацията завършва с РНК полимераза I след разпознаване на Sal box. Прекратяването на РНК полимеризацията чрез РНК полимераза II се случва след разпознаване на сигнали надолу по веригата, известни като полиА опашка. И РНК полимераза III разпознава дезоксиаденилатните остатъци върху шаблона и прекратява транскрипцията. Еукариотната иРНК винаги е моноцистронна.


Точен тест на Fisher’: определение, формула и пример

Точен тест на Fisher’ се използва, за да се определи дали има или не значителна връзка между две категорични променливи. Обикновено се използва като алтернатива на хи-квадратния тест за независимост, когато една или повече от броя на клетките в таблица 2×2 са по-малки от 5.

Точният тест на Fisher’ използва следните нулеви и алтернативни хипотези:

  • Х0: (нулева хипотеза) Двете променливи са независими.
  • Х1: (алтернативна хипотеза) Двете променливи са не независим.

Да предположим, че имаме следната таблица 2ࡨ:

Група 1 Група 2 Общо на редовете
Категория 1 а б а+б
Категория 2 ° С д c+d
Колона Общо a+c b+d a+b+c+d = n

Едностранната p стойност за точния тест на Fisher’ се изчислява като:

Това произвежда същата p стойност като CDF на хипергеометричното разпределение със следните параметри:

  • размер на популацията = n
  • население “успехи” = a+b
  • размер на извадката = a + c
  • пример “успехи” = a

Двустранната p стойност за точния тест на Fisher’ е по-малко проста за изчисляване и не може да бъде намерена чрез просто умножаване на едностранната p стойност по две. За да намерите двустранната p стойност, препоръчваме да използвате калкулатора за точен тест на Fisher’.

Точен тест на Fisher’: Пример

Да предположим, че искаме да знаем дали полът е свързан или не с предпочитанията на политическите партии. Взимаме проста произволна извадка от 25 избиратели и ги изследваме за предпочитанията им за политическа партия. Следната таблица показва резултатите от анкетата:

демократ републикански Обща сума
Мъжки 4 9 13
Женски пол 8 4 12
Обща сума 12 13 25

Стъпка 1: Дефинирайте хипотезите.

Ще извършим точен тест на Fisher’, използвайки следните хипотези:

  • Х0: Полът и предпочитанията на политическите партии са независими.
  • Х1: Полът и предпочитанията на политическите партии са не независим.

Стъпка 2: Изчислява се двустранната p стойност.

Можем да използваме калкулатора за точен тест на Fisher’ със следния вход:

Двустранната p стойност е 0.115239. Тъй като тази стойност е по-малка от 0,05, ние не успяваме да отхвърлим нулевата хипотеза. Нямаме достатъчно доказателства, за да кажем, че има някаква статистически значима връзка между пола и предпочитанията на политическите партии.

Допълнителни ресурси

Следните уроци обясняват как да извършите точен тест на Fisher’, използвайки различни статистически програми:



Коментари:

  1. Kimball

    cruel! very cruel.

  2. Gujora

    ох колко мило...



Напишете съобщение