Menjalankan ujian Runs untuk rawak dalam Python

Pengenalan

Konsep rawak memainkan peranan penting dalam pelbagai bidang seperti cerapan, kriptografi dan simulasi. Menentukan sama ada urutan maklumat benar-benar tidak teratur atau memaparkan beberapa reka bentuk asas adalah asas dalam banyak aplikasi. Ujian boleh diukur yang biasa digunakan untuk tujuan ini ialah ujian larian rawak. Dalam artikel ini, kami menyelam lebih mendalam ke dalam menjalankan ujian untuk rawak dan menerangkan cara menguji menggunakan Python, bahasa pengaturcaraan fleksibel yang digunakan secara meluas untuk analisis statistik. Dengan memanfaatkan kuasa Python dan modul scipy.stats, ujian yang dijalankan boleh digunakan dengan cekap untuk menilai rawak set data yang diberikan.

Memahami pemeriksaan berjalan

Ujian Runs ialah ujian bukan parametrik yang meneliti pengelompokan nilai dalam set data untuk menentukan sama ada ia tidak sekata atau menunjukkan beberapa corak yang sah. Ia berdasarkan konsep "lari", iaitu peristiwa berturut-turut yang nilainya sama ada melebihi atau jatuh di bawah ambang tertentu. Dengan menganalisis bilangan larian dalam kumpulan, kita boleh menilai kerawak maklumat.

Kecurigaan asas ujian jangka larian ialah dalam kumpulan yang benar-benar rawak, bilangan larian akan cenderung berlaku selepas perambatan tertentu. Jika bilangan larian yang dilihat menyimpang dengan ketara daripada spread yang dijangkakan, ini menunjukkan kedekatan atau berat sebelah yang direka bentuk dalam maklumat.

Z ujian persamaan statistik

Pengukuran ujian-Z boleh digunakan dalam ujian teori untuk menentukan bilangan titik maklumat yang hilang dalam min populasi atau berapa banyak sisihan piawai yang terdapat dalam min ujian. Ia biasanya digunakan apabila sisihan piawai populasi diketahui. Persamaan yang diukur oleh Z−test ialah:

Z = (X − µ) / (σ / √n)

Di mana:

Z ialah nilai terukur bagi ujian Z−,

X ialah purata ujian,

μ ialah min keseluruhan,

σ ialah sisihan piawai populasi, dan

n ialah saiz ujian.

Formula ini membolehkan kami menukar min ujian kepada skor Z, yang membantu menentukan kebarangkalian memperoleh min ujian sedemikian jika hipotesis nol adalah benar. Dengan membandingkan ukuran ujian-Z dengan nilai kritikal taburan normal piawai, kita boleh membuat keputusan untuk menerima atau menolak hipotesis nol.

Melaksanakan ujian Runs dalam Python

Algoritma

Langkah 1: Masukkan urutan maklumat.

Langkah 2: Faktor permulaan: num_runs = 1, n = panjang jujukan mesej.

Langkah 3: Jalankan nombor melalui jujukan maklumat dengan membandingkan unsur jujukan.

Langkah 4: Gunakan expected_runs untuk mengira markah yang dijangkakan.

Langkah 5: Gunakan sisihan_std untuk mengira sisihan piawai.

Contoh

Contoh

def run_test(data):
    n = len(data)
    num_runs = 1  

    for i in range(1, n):
        if data[i] != data[i - 1]:
            num_runs += 1

    expected_runs = (2 * n - 1) / 3
    std_deviation = ((16 * n - 29) / 90) ** 0.5

    z_score = (num_runs - expected_runs) / std_deviation

    return num_runs, expected_runs, std_deviation, z_score

if __name__ == "__main__":
    
    data = [12, 10, 8, 9, 7, 5, 4, 6, 8, 10]

    num_runs, expected_runs, std_deviation, z_score = run_test(data)

    print("Data:", data)
    print("Number of Runs:", num_runs)
    print("Expected Runs:", expected_runs)
    print("Standard Deviation:", std_deviation)
    print("Z-Score:", z_score)
    print("Conclusion:")
    
    
    if abs(z_score) <= 1.96:
        print("The Run Test result is not statistically significant.")
    else:
        print("The Run Test result is statistically significant.")

Output

Data: [12, 10, 8, 9, 7, 5, 4, 6, 8, 10]
Number of Runs: 10
Expected Runs: 6.333333333333333
Standard Deviation: 1.2064640713902572
Z-Score: 3.039184301975457
Conclusion:
The Run Test result is statistically significant.

Sekatan dan Nota

Walaupun Ujian Runs of Randomness boleh menjadi alat de facto yang berharga, terdapat batasan dan pertimbangan yang perlu diambil perhatian semasa menjalankan Ujian Runs Python. Berikut ialah beberapa perkara penting untuk memastikan semasa menjalankan ujian Runs:

• Anggaran Sampel: Menjalankan ujian memerlukan anggaran ujian yang cukup besar untuk memberikan hasil yang boleh dipercayai. Jika set data terlalu kecil, ujian mungkin tidak cukup sensitif untuk mengenal pasti penyimpangan daripada rawak dengan tepat. Pengukuran ujian sekurang-kurangnya 20 disyorkan untuk mendapatkan keputusan yang boleh dipercayai.

• Andaian Autonomi: Jalankan ujian untuk menerima bahawa persepsi dalam set data adalah bebas antara satu sama lain. Jika tumpuan maklumat tidak berautonomi atau mempamerkan beberapa bentuk autokorelasi, keputusan ujian berjalan mungkin berat sebelah atau boleh dipersoalkan. Dengan cara ini, adalah penting untuk memastikan kebebasan maklumat mengenai ujian permohonan baru-baru ini.

• Penentuan Ambang: Menjalankan ujian termasuk mencirikan ambang untuk mengenal pasti nilai berjalan di atas dan di bawah had. Pilihan tepi boleh menjejaskan keputusan ujian sepenuhnya. Tepi yang sesuai mesti dipilih yang konsisten dengan sifat maklumat yang dianalisis. Margin tidak boleh terlalu melampau atau terlalu longgar kerana ini boleh membawa kepada kesimpulan yang mengelirukan.

• Tafsiran keputusan: Semasa menjalankan ujian memberikan sedikit pengetahuan tentang rawak set data, adalah penting untuk mentafsir keputusan dengan berhati-hati. Ujian ini tidak secara konklusif membuktikan rawak atau tidak rawak, sebaliknya menyiasat sejauh mana kerawak berlepas. Ambil perhatian bahawa nilai p− mencadangkan penyimpangan daripada rawak, tetapi ia tidak memberikan maklumat tentang sifat maklumat atau reka bentuk khusus.

• Perbandingan dengan Jangkaan Jumlah Penghantaran: Ujian larian membandingkan bilangan larian yang diperhatikan dengan serakan yang dijangka berdasarkan rawak. Walau apa pun, perlu diperhatikan bahawa serakan yang dijangkakan mungkin berbeza-beza bergantung pada ciri-ciri maklumat dan variasi khusus dalam ujian larian yang digunakan. Oleh itu, adalah penting untuk mempertimbangkan pulangan jangkaan yang sesuai semasa mentafsir keputusan.

KESIMPULAN

Menjalankan ujian untuk rawak boleh menjadi alat penting untuk menilai rawak jujukan data. Dengan menganalisis bilangan larian dalam set data, kami dapat menentukan sama ada maklumat itu menunjukkan sebarang corak atau sisihan asas. Python, dengan persekitaran perpustakaannya yang kaya, menyediakan platform yang berguna untuk melaksanakan ujian statistik (seperti menjalankan ujian). Dalam artikel ini, kami meneroka konsep menjalankan ujian dan menggariskan langkah untuk melakukannya dalam Python menggunakan modul scipy.stats. Perlu diingat bahawa ujian statistik tidak berfungsi sebagai bukti konklusif tentang rawak atau tidak rawak, tetapi ia berfungsi sebagai alat penting untuk menganalisis maklumat.

Atas ialah kandungan terperinci Menjalankan ujian Runs untuk rawak dalam Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!