统计检验：为了使检验数据正态化，对granger指数 先开平方根 然后双样本T检验

实验组内 明显变化的边是  LBG-LPPC

可以这样解释吗：  基底神经节负责增强学习：基底神经节通过增加与皮层连接强度，负责增强学习

问题：与global network连接方向相反

但是文献中也提到不同任务  NETWORK是不同的

我觉得与global network连接方向相反 不是问题，老师觉得呢？

控制组内存在多条明显变化的边  ：编号1和3 是小脑与大脑皮层之间的连接   方向相反 变化值一个变大一个变小  相互抵消   同理编号  4和5相互抵消

控制组内 明显变化的边是  2   LCERE-LDLPFC

可以这样解释吗：  小脑负责监督学习：小脑通过增加与皮层连接强度，负责监督学习

问题：与global network连接方向相反，但是文献中也提到不同任务  NETWORK是不同的， 我觉得与global network连接方向相反 不是问题，老师觉得呢？

实验组2D-控制组2D，组间明显变化的边是  LBG-LPPC

预期还应该有  小脑与皮层之间的连接存在明显变化  但是不存在   这样能否解释呢？

时间： 2024-08-25 16:34:00

统计检验：为了使检验数据正态化，对granger指数 先开平方根 然后双样本T检验的相关文章

SciPy - 正态性 与 KS 检验

假设检验的基本思想 若对总体的某个假设是真实的,那么不利于或者不能支持这一假设的事件A在一次试验中是几乎不可能发生的:如果事件A真的发生了,则有理由怀疑这一假设的真实性,从而拒绝该假设: 假设检验实质上是对原假设是否正确进行检验,因此检验过程中要使原假设得到维护,使之不轻易被拒绝:否定原假设必须有充分的理由.同时,当原假设被接受时,也只能认为否定该假设的根据不充分,而不是认为它绝对正确 ks 检验 ks 检验分为 单样本 和两样本 检验: 单样本检验 用于 检验 一个数据的观测分布 是否符合 某

《spss统计分析与行业应用案例详解》：实例九 单一样本t检验

单一样本t检验的功能与意义 spss的单一样本t检验过程是瑕设检验中最基本也是最常用的方法之一,跟所有的假没检验一样,其依剧的基木原理也是统计学中的‘小概率反证法”原理.通过单一样本t检验.我们可以实现样本均值和总体均值的比较,所以单一样本t检验过程也属于均值比较这一体系 例: 高校体检第一次体检男生平均体重是65.6kg,再次体检新的体重表.用单一样本t检验比较两者是否有显著性差异 SPSS分析过程 分析-比较均值-单样本t检验 选项: 结果: 50个样本,均值67.328,标准差7.3555

z检验用于检验正态样本均值是否等于某个假设值

    z检验用于检验正态样本均值是否等于某个假设值,不过需要事先知道总体方差,得到的统计量服从正态分布,有的教材上又叫u检验       t检验与z检验相似,t检验不需要知道总体方差,它用样本方差替代总体方差,得到的统计量服从t分布.实践应用中,t检验比z检验常用,因为不容易知道总体的方差.t检验来源于戈斯特的笔名student.     f检验主要用于方差分析,方差分析中,组间均方比上组内均方服从F分布,它是为了纪念费雪(此人对统计学贡献巨大)     卡方检验主要为了检验某个样本是否服从某

数据特征分析：4.正态分布与正态性体验

1.正态分布 期望值u(均值)决定位置,标准差决定它的分布幅度,可以验证分布曲线的高矮胖瘦,越胖代表它的离中趋势越明显,越高代表它集中的值越高. 2. 正太性检验 利用观测数据判断总体是否服从正态分布的检验称为正态性检验,它是统计判决中重要的一种特殊的拟合优度假设检验. 直方图初判 / QQ图判断 / K-S检验 2.1直方图初判 import numpy as np import pandas as pd import matplotlib.pyplot as plt % matplotlib

【CS229笔记一】监督学习，线性回归，LMS算法，正态方程，概率解释和局部加权线性回归

监督学习 对于一个房价预测系统,给出房间的面积和价格,以面积和价格作坐标轴,绘出各个点. 定义符号: \(x_{(i)}\)表示一个输入特征\(x\). \(y_{(i)}\)表示一个输出目标\(y\). \((x_{(i)},y_{(i)})\)表示一个训练样本. \(\left\{(x_{(i)},y_{(i)});i=1,\dots,m\right\}\)代表m个样本,也称为训练集. 上标\((i)\)代表样本在训练集中的索引. \(\mathcal{X}\)代表输入值的空间,\(\mat

【程序员眼中的统计学（7）】正态分布的运用：正态之美

正态分布的运用:正态之美 作者 白宁超 2015年10月15日18:30:07 摘要:程序员眼中的统计学系列是作者和团队共同学习笔记的整理.首先提到统计学,很多人认为是经济学或者数学的专利,与计算机并没有交集.诚然在传统学科中,其在以上学科发挥作用很大.然而随着科学技术的发展和机器智能的普及,统计学在机器智能中的作用越来越重要.本系列统计学的学习基于<深入浅出统计学>一书(偏向代码实现,需要读者有一定基础,可以参见后面PPT学习).正如(吴军)先生在<数学之美>一书中阐述的,基于统

曲线拟合——（2）拉普拉斯/瑞利/对数正态 曲线

作者:桂. 时间:2017-03-15  21:12:18 链接:http://www.cnblogs.com/xingshansi/p/6556517.html 声明:欢迎被转载,不过记得注明出处哦~ 本文为拟合系列中的一部分,主要介绍拉普拉斯曲线 .瑞利曲线.对数正态曲线的拟合,并给出理论推导. 一.理论分析 A-拉普拉斯(Laplace) 对于拉普拉斯分布: $f(x) = \frac{1}{{2b}}{e^{ - \frac{{\left| {x - \mu } \right|}}{b}

在opencv3中实现机器学习之：利用正态贝叶斯分类

opencv3.0版本中,实现正态贝叶斯分类器(Normal Bayes Classifier)分类实例 #include "stdafx.h" #include "opencv2/opencv.hpp" using namespace cv; using namespace cv::ml; int main(int, char**) { int width = 512, height = 512; Mat image = Mat::zeros(height, wi

Effective Item 9 - 尽量使可访问性最小化

模块设计是否良好,有个重要的因素在于,相对外部模块是否隐藏内部数据以及实现细节. 设计良好的模块会隐藏实现细节,并将API与其实现隔离开来. 模块之间通过API进行通信,对于内部工作情况互不可见. 即,封装(encapsulation)--软件设计的基本原则之一. 为什么要封装? 通过封装可以有效地接触各个模块之间的耦合关系,使这些模块可以独立地开发.测试.优化.使用.理解和修改. 即: ·可以增加开发效率,模块可以并行开发. ·封装可以减轻维护的负担,可以更有效的进行优化,且不会影响其他模块的