p演算法

❶ 在線等！！！求卡方值和P演算法

別誤會 怎麼算都好 我是說我不會用SPSS算 研究幾個小時都沒弄明白 只好懸賞了
求平均值的數值或引用單元格（區

❷ CSMA技術的P—堅持演算法規則是什麼

P—堅持演算法規則為：(1)監聽匯流排，如果匯流排空閑，則以P的概率發送，而以(1-P)的概率延遲一個時間單位(最大傳播時延的2倍)。(2)延遲了一個時間單位後，再重復步驟(1)。(3)如果匯流排是忙的，繼續監聽直至匯流排空閑並重復步驟(1)。

❸ PID演算法中的動態P是什麼意思

1，PID增量式演算法：是PID控制演算法的一種，有濾波的選擇，系統的動態過程加速的功能。（1）濾波的選擇：可以對輸入加一個前置濾波器，使得進入控制演算法的給定值不突變，而是有一定慣性延遲的緩變數。（2）系統的動態過程加速：如果被控量繼續偏離給定值，則這兩項符號相同，而當被控量向給定值方向變化時，則這兩項的符號相反。由於這一性質，當被控量接近給定值的時候，反號的比例作用阻礙了積分作用，因而避免了積分超調以及隨之帶來的振盪，這顯然是有利於控制的。但如果被控量遠未接近給定值，僅剛開始向給定值變化時，由於比例和積分反向，將會減慢控制過程。2，PID增量演算法的飽和作用及其抑制：在PID增量演算法中，由於執行元件本身是機械或物理的積分儲存單元，如果給定值發生突變時，由演算法的比例部分和微分部分計算出的控制增量可能比較大，如果該值超過了執行元件所允許的最大限度，那麼實際上執行的控制增量將時受到限制時的值，多餘的部分將丟失，將使系統的動態過程變長，因此，需要採取一定的措施改善這種情況。

❹ 假設檢驗中的P值的計算方法

P值的計算：

一般地，用X 表示檢驗的統計量，當H0為真時，可由樣本數據計算出該統計量的值C，根據檢驗統計量X的具體分布，可求出P值。具體地說：

左側檢驗的P值為檢驗統計量X 小於樣本統計值C 的概率，即：P = P{ X < C}

右側檢驗的P值為檢驗統計量X 大於樣本統計值C 的概率：P = P{ X > C}

雙側檢驗的P值為檢驗統計量X 落在樣本統計值C 為端點的尾部區域內的概率的2 倍：P = 2P{ X > C} (當C位於分布曲線的右端時) 或P = 2P{ X< C} (當C 位於分布曲線的左端時) 。若X 服從正態分布和t分布，其分布曲線是關於縱軸對稱的，故其P 值可表示為P = P{| X| > C} 。

(4)p演算法擴展閱讀：

假設檢驗的意義：

假設檢驗是抽樣推斷中的一項重要內容。它是根據原資料作出一個總體指標是否等於某一個數值，某一隨機變數是否服從某種概率分布的假設。

然後利用樣本資料採用一定的統計方法計算出有關檢驗的統計量，依據一定的概率原則，以較小的風險來判斷估計數值與總體數值(或者估計分布與實際分布)是否存在顯著差異，是否應當接受原假設選擇的一種檢驗方法。

用樣本指標估計總體指標，其結論有的完全可靠，有的只有不同程度的可靠性，需要進一步加以檢驗和證實。

通過檢驗，對樣本指標與假設的總體指標之間是否存在差別作出判斷，是否接受原假設。這里必須明確，進行檢驗的目的不是懷疑樣本指標本身是否計算正確，而是為了分析樣本指標和總體指標之間是否存在顯著差異。從這個意義上，假設檢驗又稱為顯著性檢驗。

❺ 簡述CSMA技術的P-堅持演算法規則

5.1.1 CSMA退避演算法

CSMA（載波偵聽多路訪問）技術也稱為LBT（Listen Before Talk，先聽後說），也就是先偵聽要訪問的介質，在發現介質空閑時再進行數據發送。

CSMA介質爭用技術適用於匯流排型和樹型拓撲結構，主要解決如何共享一條公用匯流排介質。其原理是：在網路中任何一個工作站在發送信息前，要先偵聽網路中有無其他站點在發送信號，如無則立即發送；如有其他站點正在發送數據，則此站點要先避讓一下，等一段時間後再偵聽，直到介質空閑才發送。

在CSMA技術中，採用了一些退避演算法來決定避讓的時間。常用的退避演算法有三種：非堅持、1-堅持、P-堅持。下面是這些演算法的具體解釋。

1．"非堅持"演算法

"非堅持"退避演算法的關鍵點就在於"非堅持"這三個字上。"非堅持"就是在發生介質處於忙的狀態（也就是正在傳送其他站點數據）時，本站點不堅持繼續發送，而是在一個隨機延遲後繼續偵聽介質，發現介質空閑時本站點才可發送數據。

總結起來，這種演算法的演算法規則如下：

（1）如果介質是空閑的，則可以立即發送數據。

（2）如果介質是忙的，則等待一個隨機延遲的時間後，再繼續偵聽，直到介質為空閑才發送數據。

在這種方式中，採用隨機的重發延遲時間（也就是說這個等待的時間是隨機的，而不是固定的）可以減少沖突發生的可能性。但是這種演算法有一個致命的缺點，那就是在有多個站點發送數據時，可能會由於大家都在延遲等待過程中，致使介質即使當前已處於空閑狀態，也沒有站點發送數據，這樣一來，介質的利用率就可能很低。所以這種演算法主要適用於小型的匯流排，或者樹型拓撲結構網路中，不適用於像現在大型的星型結構乙太網中。

2．"1-堅持"演算法

"1-堅持"退避演算法與前面介紹的"非堅持"演算法有些類似，但仍有些本質區別。這里的"1-堅持"演算法的"1"是指當一個站點發現介質是空閑時，它的數據傳輸成功率為1，也就是100%。當然這是開發這種退避演算法的作者自己的觀點，事實這種演算法不可能達到這種效果。具體將在下面介紹本演算法的缺點時解釋。

前面介紹的"非堅持"演算法是在發現介質忙後，即隨機等待一個延遲，然後繼續偵聽；而此處的"1-堅持"演算法中，在發現介質是忙時，不等待一個延遲，而是繼續偵聽，一旦發現空閑即立即發送，在數據傳送過程中發生沖突時放棄當前的數據傳送任務，等待一個延遲後再繼續偵聽。

"1-堅持"演算法的演算法避讓規則如下：

（1）如果介質空閑的，則可以立即發送數據。

（2）如果介質是忙的，則繼續偵聽，直至檢測到介質是空閑，立即發送數據。

（3）如果在發送數據過程中發生了沖突（因為可能有多個站點在同一時間檢測到介質為空閑，並立即進行了數據發送），則放棄當前的數據傳送任務，等待一個隨機的延遲時間，再重復上述步驟（1）～（2）。

很明顯，這種演算法相對前面介紹的"非堅持"演算法來說的優點就是提高了介質的利用率，因為在沒有發生沖突時無須等待一個隨機延遲就立即進行繼續偵聽，不會出現介質處於空閑狀態仍沒有站點發送數據的情況。但是，該演算法仍有致命的弱點，也就是在有多個站點發送數據的情況下，這種毫不等待的演算法也就使得沖突時常發生。原因就是前面所說的，可能在網路中同時有多個站點在同一時間檢測到介質空閑（因為中間沒有一個延遲，也就是一直在偵聽介質狀態），而立即進行了數據發送。也就是說在這種演算法下，發生沖突的機率比起"非堅持"演算法來說要大許多。所以這種演算法也僅適用於小型的匯流排型或者樹型拓撲結構網路，不適用於像現在大型的星型結構乙太網中。

3．"P-堅持"演算法

既然前面介紹的兩種演算法都存在明顯的不足，自然就會有人繼續後面的開發，於是就生產了新的"P-堅持"退避演算法。

理解"P-堅持"退避演算法的關鍵就是其中的"P"。P是指站點可以發送數據的概率，相當於前面介紹的"1-堅持"演算法中的"1"。這里的P是小於1的，也就是不是在一發現介質空閑時就發送數據，而是以一個概率來決定當前站點是否馬上發送數據。其目的就是為了避免與其他站點發生沖突。

"P-堅持"退避演算法是一種既能像"非堅持"演算法那樣減少沖突，又能像"1-堅持"演算法那樣減少介質空閑時間的折中方案，也就是綜合了前面所介紹的兩種演算法的優點，以實現缺點互補。

在"P-堅持"退避演算法中，關鍵是如何選擇P值，這要考慮到避免重負載下系統（如網路規模大，網路應用復雜）處於不穩定狀態。假如在介質處於忙狀態時有n個站在等待發送數據，則將要試圖傳輸的站點的總期望數設為nP。如果選擇P值選擇過大（也就是每個站點在介質空閑時可以發送數據的概率過高），則可能使nP>1，則表明有多個站點在試圖發送數據，這樣沖突就很難避免。最壞的情況是，隨著沖突概率的不斷增大，而使吞吐量降低到零。所以必須選擇適當的P值，使nP<1。當然P值選得過小，則介質利用率又會大大降低，因為這樣一來，即使介質處於空閑狀態，大家仍可能都會"謙讓"。

"P-堅持"演算法的規則如下：

（1）如果介質空閑，則以P概率發送數據（注意，只是一種概率，而不是馬上發送數據），而以（1-P）的概率延遲一個時間單位t，t等於最大信號傳播時延的兩倍。

（2）站點的發送已被延遲一個時間單位t後，則重復上述步驟（1），當然這時的P值可能不一樣。

（3）如果介質是忙的，繼續偵聽直到介質處於空閑狀態，然後重復上述步驟（1）。

從一個站點開始發送數據到另一個站點開始接收數據，即載波信號從一端傳播到另一端所需要的時間，稱為信號傳播時延。

信號傳播時延（μs）=兩站點間的距離（m）÷信號傳播速度（200m/μs）

數據幀從一個站點開始發送，到該數據幀發送完成所需的時間稱為"數據傳輸時延"；同理，數據傳輸時延也表示一個接收站點開始接收數據幀，到該數據接收完畢所需的時間。

數據傳輸時延（s）= 數據幀長度（bit）÷數據傳輸速率（b/s）

若不考慮中繼器引入的延遲，數據幀從一個站點開始發送，到該數據幀被另一個站點全部接收的總時間等於上述介紹的"數據傳輸時延"和"信號傳播時延"之和。

❻ 1、有6個節點的圖，其無向距離矩陣如下所示，用P演算法求最小生成樹(從V1點開始)。(寫出最小元素W

摘要 您好，很高興為您解答。最小生成樹的性質：

❼ 求排列組合（P、C）的演算法

Pm n=m！/n！=m*（m-1）*（m-2）*...*（m-n+1），m下標，n上標
Cm n=Pm n/（m-n）！，m下標，n上標
！表示階乘，n！的意思是從1乘自然數到n即1*2*3*4*...*n

❽ CSMA技術中的P-堅持演算法

就如果你發送過程中會概率出錯一樣，按你這說法，會可能永遠出錯？
沒有什麼東西能保證百分百，P的值決定了發送的可能次數，P的值越大，發送所需的平均次數就越少，但同時沖突的概率也會相對提高，P的值越小，發送所需的平均次數就越多，沖突的概率卻會減少。
這主要取決於你的局域中機器的多少，機器越多，因同時發送而造成沖突的可能性就越大，相對地取較小的P值可以有效地降低沖突。

❾ P概率的計算方法

P(8,6)=8*7*6*5*4*3=20160

從8開始連續遞減的6個自然數的積

--------------------------------
P上面6,下面8 就是 A上面6,下面8
也可以寫成P(8,6)
是8取6的排列數（從8個不同元素中取出6個元素的所有排列的個數）

❿ 什麼是G-p演算法

遺傳編程（GP）屬於進化計算（Evolutionary Computation，EC）模型的一種。EC是一種借鑒自然界進化機制而產生的並行隨機搜索演算法。進化演算法的基本原理是選擇和改變，它區別於其他搜索方法有兩個顯著特徵：首先這些演算法都是基於種群（population）的；其次在種群中個體（indvial）之間存在競爭。 為搜索特定的（感興趣的）查詢需要一種工具，這種工具可智能生成一組查詢並以它們是否能導出與用戶給定的同樣的對象集來進行評價。GP演算法對這一類問題是很實用的。
1 函數集與端點集
一般GP中可生成的程序集是使用者定義的函數集和端點集。表1給出了相應的函數集和端點集，其中函數集由1.3中定義的查詢運算元、邏輯運算運算元以及比較運算元所組成。
函數集 {SEL，REL，G-REL，RES}，{UNI，INT，DIF}，{AND，OR，NOT}， {>，>=，=，<，<=} 端點集類集，屬性集，值集
表1 函數集和端點集
在我們的應用中還有一些具有不同句法的查詢運算元。每個運算元具有不同的句法且假定的資料庫是面向對象的。因此，它具有為創建個體而使用的特別的函數集（或運算元集）和端點集。從而，構成種群的所有個體的創建必然受到每個運算元的約束[3]。約束可以是運算元的句法和查詢的類型，或者是為創建查詢選擇適當屬性值的領域知識。比較運算元和邏輯運算元只使用於查詢的謂詞。當比較符號操作數時，僅使用'='。
端點集由CLASS-SET、SLOT-SET和VALUE-SET組成。CLASS-SET由1.2中定義的類名組成，SLOT-SET由每個類的所有屬性構成，VALUE-SET由數值和符號值所構成（它們均為屬性值）。數值由整型或實型數構成，其數值范圍由所用資料庫模式定義。符號值由字元串表示的符號屬性值構成。
[編輯本段]
2 創建初始種群
為了創建一個個體（查詢），首先必須確定特定查詢所返回的對象類型。結果類型被選擇後，從所選類型返回例子的運算元集中隨機地選擇一個運算元，這個過程對查詢的每個參數遞歸地進行。最初，那些句法正確的預定義數量的查詢被隨機地產生，形成初始種群。
[編輯本段]
3 選擇屬性值
由於可選擇范圍大，要從某個查詢的值集中選擇一個屬性值（數值或符號常數）是相當困難的。對於一個范圍為[1，10000]的整數集，隨機選到一個特定整數的概率僅為1/10000。而對於符號常數，則需要很強的背景知識。因此，我們僅就發生在資料庫里的范圍選擇屬性值。
[編輯本段]
4 繁殖新一代種群
每個個體用預定義的適應函數來進行評價。較適應的查詢有較高的概率被選來繁殖新種群，這個過程用三個遺傳運算元：選擇、雜交和變異來完成。為了產生下一代，選擇運算元根據個體的適應值來選擇個體。我們用一個樹來表示一個查詢，雜交運算元用交換兩個父輩的子樹來創建兩個後代。變異運算元用一個新的子樹來代替一個父輩的子樹，從而產生一個新的後代。選擇-雜交-變異循環反復地進行直到終止標准被滿足。
[編輯本段]
5 評價（適應函數測量）
我們使用如下的適應函數f來評價種群中的個體查詢i ：
f ( ni , hi ) = T - ( hi * hi ) / ni ,
其中：ni > 0 ， T ≥ hi ， 且 i = 1 ，2 ，… ，種群的大小（T是被確定的對象集的勢，hi是一個個體查詢i 被選中的次數，ni是查詢 i 結果集的勢）。
上述適應函數依賴於hi和ni ，如果一個查詢沒有被選中（hi=0），則函數的值為T，這是最差的一個適應值。另一方面，如果查詢結果能夠很好地匹配提交給系統的對象集，那麼它的適應值為0（在這種情況下hi = ni = T ）。如果種群中出現個體適應值遠遠超過種群平均適應值，該個體很快就會在群體中佔有絕對的比例，從而出現過早收斂的現象。另一方面，在搜索過程的後期，群體的平均適應值可能會接近群體的最優適應值，從而導致搜索目標難以得到改善，出現停滯現象[4]。為了防止上述情況的發生，我們將對一個個體查詢的例子個數 ni 作為分母。