p算法

❶ 在线等！！！求卡方值和P算法

别误会 怎么算都好 我是说我不会用SPSS算 研究几个小时都没弄明白 只好悬赏了
求平均值的数值或引用单元格（区

❷ CSMA技术的P—坚持算法规则是什么

P—坚持算法规则为：(1)监听总线，如果总线空闲，则以P的概率发送，而以(1-P)的概率延迟一个时间单位(最大传播时延的2倍)。(2)延迟了一个时间单位后，再重复步骤(1)。(3)如果总线是忙的，继续监听直至总线空闲并重复步骤(1)。

❸ PID算法中的动态P是什么意思

1，PID增量式算法：是PID控制算法的一种，有滤波的选择，系统的动态过程加速的功能。（1）滤波的选择：可以对输入加一个前置滤波器，使得进入控制算法的给定值不突变，而是有一定惯性延迟的缓变量。（2）系统的动态过程加速：如果被控量继续偏离给定值，则这两项符号相同，而当被控量向给定值方向变化时，则这两项的符号相反。由于这一性质，当被控量接近给定值的时候，反号的比例作用阻碍了积分作用，因而避免了积分超调以及随之带来的振荡，这显然是有利于控制的。但如果被控量远未接近给定值，仅刚开始向给定值变化时，由于比例和积分反向，将会减慢控制过程。2，PID增量算法的饱和作用及其抑制：在PID增量算法中，由于执行元件本身是机械或物理的积分储存单元，如果给定值发生突变时，由算法的比例部分和微分部分计算出的控制增量可能比较大，如果该值超过了执行元件所允许的最大限度，那么实际上执行的控制增量将时受到限制时的值，多余的部分将丢失，将使系统的动态过程变长，因此，需要采取一定的措施改善这种情况。

❹ 假设检验中的P值的计算方法

P值的计算：

一般地，用X 表示检验的统计量，当H0为真时，可由样本数据计算出该统计量的值C，根据检验统计量X的具体分布，可求出P值。具体地说：

左侧检验的P值为检验统计量X 小于样本统计值C 的概率，即：P = P{ X < C}

右侧检验的P值为检验统计量X 大于样本统计值C 的概率：P = P{ X > C}

双侧检验的P值为检验统计量X 落在样本统计值C 为端点的尾部区域内的概率的2 倍：P = 2P{ X > C} (当C位于分布曲线的右端时) 或P = 2P{ X< C} (当C 位于分布曲线的左端时) 。若X 服从正态分布和t分布，其分布曲线是关于纵轴对称的，故其P 值可表示为P = P{| X| > C} 。

(4)p算法扩展阅读：

假设检验的意义：

假设检验是抽样推断中的一项重要内容。它是根据原资料作出一个总体指标是否等于某一个数值，某一随机变量是否服从某种概率分布的假设。

然后利用样本资料采用一定的统计方法计算出有关检验的统计量，依据一定的概率原则，以较小的风险来判断估计数值与总体数值(或者估计分布与实际分布)是否存在显着差异，是否应当接受原假设选择的一种检验方法。

用样本指标估计总体指标，其结论有的完全可靠，有的只有不同程度的可靠性，需要进一步加以检验和证实。

通过检验，对样本指标与假设的总体指标之间是否存在差别作出判断，是否接受原假设。这里必须明确，进行检验的目的不是怀疑样本指标本身是否计算正确，而是为了分析样本指标和总体指标之间是否存在显着差异。从这个意义上，假设检验又称为显着性检验。

❺ 简述CSMA技术的P-坚持算法规则

5.1.1 CSMA退避算法

CSMA（载波侦听多路访问）技术也称为LBT（Listen Before Talk，先听后说），也就是先侦听要访问的介质，在发现介质空闲时再进行数据发送。

CSMA介质争用技术适用于总线型和树型拓扑结构，主要解决如何共享一条公用总线介质。其原理是：在网络中任何一个工作站在发送信息前，要先侦听网络中有无其他站点在发送信号，如无则立即发送；如有其他站点正在发送数据，则此站点要先避让一下，等一段时间后再侦听，直到介质空闲才发送。

在CSMA技术中，采用了一些退避算法来决定避让的时间。常用的退避算法有三种：非坚持、1-坚持、P-坚持。下面是这些算法的具体解释。

1．"非坚持"算法

"非坚持"退避算法的关键点就在于"非坚持"这三个字上。"非坚持"就是在发生介质处于忙的状态（也就是正在传送其他站点数据）时，本站点不坚持继续发送，而是在一个随机延迟后继续侦听介质，发现介质空闲时本站点才可发送数据。

总结起来，这种算法的算法规则如下：

（1）如果介质是空闲的，则可以立即发送数据。

（2）如果介质是忙的，则等待一个随机延迟的时间后，再继续侦听，直到介质为空闲才发送数据。

在这种方式中，采用随机的重发延迟时间（也就是说这个等待的时间是随机的，而不是固定的）可以减少冲突发生的可能性。但是这种算法有一个致命的缺点，那就是在有多个站点发送数据时，可能会由于大家都在延迟等待过程中，致使介质即使当前已处于空闲状态，也没有站点发送数据，这样一来，介质的利用率就可能很低。所以这种算法主要适用于小型的总线，或者树型拓扑结构网络中，不适用于像现在大型的星型结构以太网中。

2．"1-坚持"算法

"1-坚持"退避算法与前面介绍的"非坚持"算法有些类似，但仍有些本质区别。这里的"1-坚持"算法的"1"是指当一个站点发现介质是空闲时，它的数据传输成功率为1，也就是100%。当然这是开发这种退避算法的作者自己的观点，事实这种算法不可能达到这种效果。具体将在下面介绍本算法的缺点时解释。

前面介绍的"非坚持"算法是在发现介质忙后，即随机等待一个延迟，然后继续侦听；而此处的"1-坚持"算法中，在发现介质是忙时，不等待一个延迟，而是继续侦听，一旦发现空闲即立即发送，在数据传送过程中发生冲突时放弃当前的数据传送任务，等待一个延迟后再继续侦听。

"1-坚持"算法的算法避让规则如下：

（1）如果介质空闲的，则可以立即发送数据。

（2）如果介质是忙的，则继续侦听，直至检测到介质是空闲，立即发送数据。

（3）如果在发送数据过程中发生了冲突（因为可能有多个站点在同一时间检测到介质为空闲，并立即进行了数据发送），则放弃当前的数据传送任务，等待一个随机的延迟时间，再重复上述步骤（1）～（2）。

很明显，这种算法相对前面介绍的"非坚持"算法来说的优点就是提高了介质的利用率，因为在没有发生冲突时无须等待一个随机延迟就立即进行继续侦听，不会出现介质处于空闲状态仍没有站点发送数据的情况。但是，该算法仍有致命的弱点，也就是在有多个站点发送数据的情况下，这种毫不等待的算法也就使得冲突时常发生。原因就是前面所说的，可能在网络中同时有多个站点在同一时间检测到介质空闲（因为中间没有一个延迟，也就是一直在侦听介质状态），而立即进行了数据发送。也就是说在这种算法下，发生冲突的机率比起"非坚持"算法来说要大许多。所以这种算法也仅适用于小型的总线型或者树型拓扑结构网络，不适用于像现在大型的星型结构以太网中。

3．"P-坚持"算法

既然前面介绍的两种算法都存在明显的不足，自然就会有人继续后面的开发，于是就生产了新的"P-坚持"退避算法。

理解"P-坚持"退避算法的关键就是其中的"P"。P是指站点可以发送数据的概率，相当于前面介绍的"1-坚持"算法中的"1"。这里的P是小于1的，也就是不是在一发现介质空闲时就发送数据，而是以一个概率来决定当前站点是否马上发送数据。其目的就是为了避免与其他站点发生冲突。

"P-坚持"退避算法是一种既能像"非坚持"算法那样减少冲突，又能像"1-坚持"算法那样减少介质空闲时间的折中方案，也就是综合了前面所介绍的两种算法的优点，以实现缺点互补。

在"P-坚持"退避算法中，关键是如何选择P值，这要考虑到避免重负载下系统（如网络规模大，网络应用复杂）处于不稳定状态。假如在介质处于忙状态时有n个站在等待发送数据，则将要试图传输的站点的总期望数设为nP。如果选择P值选择过大（也就是每个站点在介质空闲时可以发送数据的概率过高），则可能使nP>1，则表明有多个站点在试图发送数据，这样冲突就很难避免。最坏的情况是，随着冲突概率的不断增大，而使吞吐量降低到零。所以必须选择适当的P值，使nP<1。当然P值选得过小，则介质利用率又会大大降低，因为这样一来，即使介质处于空闲状态，大家仍可能都会"谦让"。

"P-坚持"算法的规则如下：

（1）如果介质空闲，则以P概率发送数据（注意，只是一种概率，而不是马上发送数据），而以（1-P）的概率延迟一个时间单位t，t等于最大信号传播时延的两倍。

（2）站点的发送已被延迟一个时间单位t后，则重复上述步骤（1），当然这时的P值可能不一样。

（3）如果介质是忙的，继续侦听直到介质处于空闲状态，然后重复上述步骤（1）。

从一个站点开始发送数据到另一个站点开始接收数据，即载波信号从一端传播到另一端所需要的时间，称为信号传播时延。

信号传播时延（μs）=两站点间的距离（m）÷信号传播速度（200m/μs）

数据帧从一个站点开始发送，到该数据帧发送完成所需的时间称为"数据传输时延"；同理，数据传输时延也表示一个接收站点开始接收数据帧，到该数据接收完毕所需的时间。

数据传输时延（s）= 数据帧长度（bit）÷数据传输速率（b/s）

若不考虑中继器引入的延迟，数据帧从一个站点开始发送，到该数据帧被另一个站点全部接收的总时间等于上述介绍的"数据传输时延"和"信号传播时延"之和。

❻ 1、有6个节点的图，其无向距离矩阵如下所示，用P算法求最小生成树(从V1点开始)。(写出最小元素W

摘要 您好，很高兴为您解答。最小生成树的性质：

❼ 求排列组合（P、C）的算法

Pm n=m！/n！=m*（m-1）*（m-2）*...*（m-n+1），m下标，n上标
Cm n=Pm n/（m-n）！，m下标，n上标
！表示阶乘，n！的意思是从1乘自然数到n即1*2*3*4*...*n

❽ CSMA技术中的P-坚持算法

就如果你发送过程中会概率出错一样，按你这说法，会可能永远出错？
没有什么东西能保证百分百，P的值决定了发送的可能次数，P的值越大，发送所需的平均次数就越少，但同时冲突的概率也会相对提高，P的值越小，发送所需的平均次数就越多，冲突的概率却会减少。
这主要取决于你的局域中机器的多少，机器越多，因同时发送而造成冲突的可能性就越大，相对地取较小的P值可以有效地降低冲突。

❾ P概率的计算方法

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

从8开始连续递减的6个自然数的积

--------------------------------
P上面6,下面8 就是 A上面6,下面8
也可以写成P(8,6)
是8取6的排列数（从8个不同元素中取出6个元素的所有排列的个数）

❿ 什么是G-p算法

遗传编程（GP）属于进化计算（Evolutionary Computation，EC）模型的一种。EC是一种借鉴自然界进化机制而产生的并行随机搜索算法。进化算法的基本原理是选择和改变，它区别于其他搜索方法有两个显着特征：首先这些算法都是基于种群（population）的；其次在种群中个体（indvial）之间存在竞争。 为搜索特定的（感兴趣的）查询需要一种工具，这种工具可智能生成一组查询并以它们是否能导出与用户给定的同样的对象集来进行评价。GP算法对这一类问题是很实用的。
1 函数集与端点集
一般GP中可生成的程序集是使用者定义的函数集和端点集。表1给出了相应的函数集和端点集，其中函数集由1.3中定义的查询算子、逻辑运算算子以及比较算子所组成。
函数集 {SEL，REL，G-REL，RES}，{UNI，INT，DIF}，{AND，OR，NOT}， {>，>=，=，<，<=} 端点集类集，属性集，值集
表1 函数集和端点集
在我们的应用中还有一些具有不同句法的查询算子。每个算子具有不同的句法且假定的数据库是面向对象的。因此，它具有为创建个体而使用的特别的函数集（或算子集）和端点集。从而，构成种群的所有个体的创建必然受到每个算子的约束[3]。约束可以是算子的句法和查询的类型，或者是为创建查询选择适当属性值的领域知识。比较算子和逻辑算子只使用于查询的谓词。当比较符号操作数时，仅使用'='。
端点集由CLASS-SET、SLOT-SET和VALUE-SET组成。CLASS-SET由1.2中定义的类名组成，SLOT-SET由每个类的所有属性构成，VALUE-SET由数值和符号值所构成（它们均为属性值）。数值由整型或实型数构成，其数值范围由所用数据库模式定义。符号值由字符串表示的符号属性值构成。
[编辑本段]
2 创建初始种群
为了创建一个个体（查询），首先必须确定特定查询所返回的对象类型。结果类型被选择后，从所选类型返回例子的算子集中随机地选择一个算子，这个过程对查询的每个参数递归地进行。最初，那些句法正确的预定义数量的查询被随机地产生，形成初始种群。
[编辑本段]
3 选择属性值
由于可选择范围大，要从某个查询的值集中选择一个属性值（数值或符号常数）是相当困难的。对于一个范围为[1，10000]的整数集，随机选到一个特定整数的概率仅为1/10000。而对于符号常数，则需要很强的背景知识。因此，我们仅就发生在数据库里的范围选择属性值。
[编辑本段]
4 繁殖新一代种群
每个个体用预定义的适应函数来进行评价。较适应的查询有较高的概率被选来繁殖新种群，这个过程用三个遗传算子：选择、杂交和变异来完成。为了产生下一代，选择算子根据个体的适应值来选择个体。我们用一个树来表示一个查询，杂交算子用交换两个父辈的子树来创建两个后代。变异算子用一个新的子树来代替一个父辈的子树，从而产生一个新的后代。选择-杂交-变异循环反复地进行直到终止标准被满足。
[编辑本段]
5 评价（适应函数测量）
我们使用如下的适应函数f来评价种群中的个体查询i ：
f ( ni , hi ) = T - ( hi * hi ) / ni ,
其中：ni > 0 ， T ≥ hi ， 且 i = 1 ，2 ，… ，种群的大小（T是被确定的对象集的势，hi是一个个体查询i 被选中的次数，ni是查询 i 结果集的势）。
上述适应函数依赖于hi和ni ，如果一个查询没有被选中（hi=0），则函数的值为T，这是最差的一个适应值。另一方面，如果查询结果能够很好地匹配提交给系统的对象集，那么它的适应值为0（在这种情况下hi = ni = T ）。如果种群中出现个体适应值远远超过种群平均适应值，该个体很快就会在群体中占有绝对的比例，从而出现过早收敛的现象。另一方面，在搜索过程的后期，群体的平均适应值可能会接近群体的最优适应值，从而导致搜索目标难以得到改善，出现停滞现象[4]。为了防止上述情况的发生，我们将对一个个体查询的例子个数 ni 作为分母。