- 综合排序
- 最热优先
- 最新优先
- 来自专栏啄木鸟软件测试
随机化算法与素性测试
也就是说这是本人算法系列倒数第3篇，感谢大家的指正，今天是说明随机化算法。 随机数发生器 真正的随机性在计算机上，是不可能的！因为这些数的生成依赖于算法，从而不可能是随机的。 举例说明A和M选值的重要性 M=11，A=7，x0=1，所生成的随机数为： 7,5,2,3,10,4,6,9,8,1,7，... 在M-1=10后，该序列将重复。 所以M必须为非常大的素数 A的选择也将影响随机性，例如A=5，M=11，x0=1 将有一个短周期： 5,3,4,9,1,5，... seed.compareAndSet(oldseed, nextseed)); return (int)(nextseed >>> (48 - bits)); } 随机化算法应用之素性测试 素性测试介绍 素性测试宣称一个数不是素数，那么可以肯定这个数不是素数，若宣称一个数是素数，那么这个数将以高概率是素数。 素数测试依赖于两个定理，下面介绍。
87230发布于 2019-12-12 - 来自专栏全栈程序员必看
2×3卡方检验prism_SPSS之卡方检验
在介绍卡方检验之前，我们先了解一下非参数检验： 非参数检验是指在母体不服从正态分布或分布情况不明确时，即不依赖母体分布的类型，用以检验数据是否来自同一个母体假设的一类检验方法，又称分布自由检验。 【缺失值】栏，可在此栏内设置处理默认值的方式：【按检验排除个案】为系统默认选项，指在进行检验时，只排除参与检验的变量的默认值；【按列表排除个案】选项，表示剔除所有含有缺失值的个案。 3. 在主对话框中单击【精确】按钮，打开图3所示的【精确检验】对话框。 图3 选择计算显著性水平Sig.值的几种方法，包括以下三个选项： ▪ 仅渐进法，这是系统默认的计算显著性水平的方法。 (3) 执行菜单栏中的【分析】→【非参数检验】→【旧对话框】→【卡方】命令。 (4) 将变量Number作为检验变量选入【检验变量列表】框中。 表3 卡方检验表 表3中x2=4.627，渐进方法的概率p值为0.866，远大于显著性水平0.05，因此可以接受原假设，证明该20面体是均匀的。
3.8K00编辑于 2022-08-29 - 来自专栏福大大架构师每日一题
2020-09-20：如何判断一个数是质数？
2.费尔马素性测试法法。费马小定理：假如p是质数，a是整数，且a、p互质，那么a的(p-1)次方除以p的余数恒等于1，即：a^(p-1)≡1(mod p)。 3.米勒拉宾素性检验法。 试除法+米勒拉宾素性检验。 5.AKS算法。暂时无代码。 因为用到了大整数，所以用python语言编写。 米勒拉宾素性检验是一种概率算法 可能会把合数误判为质数。 Args: num: 大于等于2并且是整数。 综合算法:试除法+米勒拉宾素性检验 可能会把合数误判为质数。 Args: num: 大于等于2并且是整数。 ") print("----------------------") print(is_prime_miller_rabin(num), "米勒拉宾素性检验") print("-
1.1K10发布于 2020-09-20 - 来自专栏旅途散记
素数检验---跨越2000年的人类智慧
更大的缺陷在于有卡迈克尔数（如合数561），按费马素性检验会得出这是个质数的错误结论。 米勒-拉宾检验，无 卡迈克尔数，并且时间复杂度最优可以到（以2为底n的对数）的平方——这也是目前计算机应用最广的质数检验方法。 AKS检验算法：方法2，3均为概率算法，无法确凿判断某数一定是质数。 实践 费马素性检验 费马素性检验是一种用于判断一个数是否为素数的方法。 与费马素性检验相比，米勒-拉宾检验更加可靠，因为它对于所谓的“伪素数”（即那些能通过费马检验但实际上是合数的数）的鉴别能力更强。 Kayal[3]与Nitin Saxena[4]提出的算法。
1K10编辑于 2024-02-05 - 来自专栏温安适的blog
随机化算法与素性测试
也就是说这是本人算法系列倒数第3篇，感谢大家的指正，今天是说明随机化算法。 随机数发生器 真正的随机性在计算机上，是不可能的！因为这些数的生成依赖于算法，从而不可能是随机的。 举例说明A和M选值的重要性 M=11，A=7，x0=1，所生成的随机数为： 7,5,2,3,10,4,6,9,8,1,7，... 在M-1=10后，该序列将重复。 所以M必须为非常大的素数 A的选择也将影响随机性，例如A=5，M=11，x0=1 将有一个短周期： 5,3,4,9,1,5，... 素性测试介绍 近似确定一个大数是否是素数。 代码地址 github地址 仿Java实现随机化算法 素性测试地址 码云地址 仿Java实现随机化算法 素性测试地址
1.2K60发布于 2018-05-17 - 来自专栏十二惊惶的网络安全研究记录
RSA公钥密码体系的Python实现
(mod n) 实验环境： 实验环境为： Python3.7 版本 Pycharm 编译器 Random拓展库及gmpy2拓展库 难点分析： RSA的具体实现存在一定难点，在秘钥生成阶段有：大数生成和素性检测 素性验证： 实现素性验证的算法均为 概率性算法，即如果素性验证为真则不一定为真，若素性验证为假则一定为假。 根据费马小定理p是素数 用某种概率性算法（如Miller-Rabin算法）对n进行一次素性检验，如果n没有通过检验，则重新生成随机数 重复步骤1足够多次，如果n都通过了检测，则认为n为素数 Miller-Rabin 算法 Miller-Rabin方法是一种随机化算法，设n为待检验的整数；k为选取a的次数。 实现代码： # 费马检验，n为待检验的整数，rounds为检验的重复轮数 # 返回值为1时代表通过检验 def fermat_test(n, rounds): for i in range(rounds
1.2K10编辑于 2024-02-28 - 来自专栏数据分析师小熊
3分钟，看懂假设检验
今天来说说假设检验。这是个古老的方法，近年ABtest大行其道，使假设检验方法迎来了新一波文艺复兴，搞得很多小伙伴都在问：如何做假设检验？那一堆似懂非懂的统计符号啥意思？ 一、假设检验是干什么的？ 假设检验最常见的场景有两个： 总之是吵架必备，怼人利器。 二、什么时候适合用假设检验？ 当错误很明显的时候，不需要做假设检验。 此时必须做抽样检测，就得用到假设检验方法。 在论证新点子很好的时候，也需要先把新点子做出来，再做小范围测试。此时也要用假设检验方法。总之，假设检验方法适合于抽样检验/小范围测试的场景。 得到假设后，需要选择合适的检验统计量，代入参数，计算是否属于小概率事件。 检验统计量，和要检验的假设有关系。 以上检验均值/比例的方法，统称参数检验，还有非参数检验，比如检验身高和体重之间是否有关系。这些方法在实际工作中有不同的应用场景，之后再慢慢介绍吧。
1.2K10发布于 2021-09-15 - 来自专栏python3
Python3并发检验代理池地址
【用线程池并发检验代理有效性】 #encoding=utf-8 #author: walker #date: 2016-04-14 #summary: 用线程池并发检验代理有效性 import os , 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko', } #检验单个代理的有效性 None #声明 exMsg = None try: r = requests.get(url=desturl, headers=Headers, proxies=proxies, timeout=3) feature = 'xxx' #目标网页的特征码 validProxyPool = GetValidProxyPool(rawProxyPool, desturl, feature) 【用协程并发检验代理有效性 #encoding=utf-8 #author: walker #date: 2017-03-28 #summary: 用协程并发检验代理有效性 #Python sys.version：3.6.1 (v3.6.1
63030发布于 2020-01-03 - 来自专栏全栈程序员必看
t检验和u检验_均匀性检验界值表
因此，这时候二者检验效果完全相同。T 检验和 ANOVA 检验对于所要求的条件也相同： 1)各个组的样本数据内部要相互独立， 2)各组皆要正态分布 3)各总体的方差相等。 上述这3个条件完全相同。 ，对立假设可以是下面3种中的任何一种. (3)两独立样本t检验 两独立样本t 检验(two independent samples t-test)，又称成组 t 检验。 (3)两独立样本t检验 两独立样本t 检验(two independent samples t-test)，又称成组 t 检验。 很多人习惯于用t检验取代一切方差分析。 不能用t检验取代方差分析的情况①单因素k(k≥3)水平设计时的情形。为了便于理解，举例说明。
3.6K30编辑于 2022-11-15 - 来自专栏连享会
稳健性检验！稳健性检验！
什么是稳健性检验？ 论文中，我们常常要求要做稳健性检验，那么什么是稳健性检验呢？ 如果我们发现 A 不成立，那么我们则应该在稳健性检验中用 E 方法重新检验. 本例中所提及的稳健性检验方法就是我们下文将要介绍的「补充变量法」。 --- - -- 下面，我们介绍文献中在稳健性检验部分常用的一些应对方法。 --- - -- 3. 在稳健性检验中，我们可以通过扩宽时间长度或者缩短时间长度来检验我们的结论。 Stata：一行代码实现安慰剂检验-permute acreg：允许干扰项随意相关的稳健性标准误 aoeplacebo：地理安慰剂检验 专题：倍分法DID 多期DID之安慰剂检验、平行趋势检验 专题：内生性
4.9K30编辑于 2022-05-12 - 来自专栏诡途的python路
Task3：常见分布与假设检验
思维导图 单样本T检验 目的：利用来自某总体的样本数据，推断该总体的均值是否能与制定的检验值之间存在显著的差异 要求：样本来自的总体服从正态分布 步骤： 1、提出原假设：总体均值与检验值之间不存在显著差异 备择假设：总体均值与检验值之间存在显著差异 2、选择检验统计量 3、P<0.05，拒绝原假设，总体均值与检验值之间存在差异 P>0.05，接受原假设，总体均值与检验值之间不存在显著差异 独立样本T检验 目的：利用来自两个总体的独立样本，推测两个总体的均值是否存在显著差异 要求： 1）两组数据互相独立互不相干 2）两组样本来自的总体符合正态分布 3）方差齐性，即两组样本的方差没有显著性差异 步骤： 1、提出T检验原假设：两总体均值无显著性差异 T检验备择假设：两总体均值有显著性差异 2.选择检验统计量 3.F检验（方差齐检验）原假设：两总体方差无显著性差异 F检验备择假设 备择假设，两总体均值有显著性差异 2.选择检验统计量 4、T 检验结果 P<0.05,接受备择假设，两总体均值有显著性差异 T 检验结果 P>0.05,接受原假设，两总体均值不存在显著性差异
85610编辑于 2022-05-09 - 来自专栏Linux基础入门
SPSS参数检验 | 假设检验
当总体分布已知的情况下，利用样本数据对总体包含的参数进行推断的问题就是参数检验问题，参数检验不仅能够对一个总体的参数进行推断，还能比较两个或多个总体的参数。 在参数检验这章主要介绍平均值检验、单样本t检验、两独立样本t检验和配对样本t检验。 ? 在正式介绍本章内容之前，我们先来了解一下关于假设检验的相关内容： 两个样本某变量的均值不同，其差异是否具有统计意义，能否说明总体之间存在的差异，这些都是研究工作中经常提出的问题，解决它们就需要进行假设检验 3.假设检验的一般步骤： ①提出零假设（H0） 根据检验的目标，对需要检验的最终结果提出一个零假设。例如，需要检验一个班同学的平均身高是否等于170，即可以做出零假设，H0:h=170。 ②选择检验统计量 假设检验中，总是通过计算检验统计量的概率值进行判断，这些统计量服从或近似服从已知的某种分布，常用的有t分布、F分布等。
2.2K30发布于 2020-09-01 - 来自专栏福大大架构师每日一题
2020-09-22：已知两个数的最大公约数,如何...
sqrt == (1, 2): return False, 0 exp += 1 return False, 0 # 米勒-拉宾素性检验是一种概率算法 米勒拉宾素性检验是一种概率算法 可能会把合数误判为质数。 Args: num: 大于等于2并且是整数。 综合算法:试除法+米勒拉宾素性检验 可能会把合数误判为质数。 Args: num: 大于等于2并且是整数。 prime * prime >= num: return True else: return False # 米勒拉宾素性检验 quotient = lcm // gcd # 3.判断【商】是否是质数，如果是，直接返回false。这个步骤可以不要。
1.2K10发布于 2020-09-22 - 来自专栏下落木
T检验
什么是T检验？ T检验是假设检验的一种，又叫student t检验（Student’s t test），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。 确定α 令α=0.05(α的值通常为0.01,0.05,0.1，视具体问题而定) 3. 检验和双总体t检验 单总体t检验 检验一个样本平均数与一个已知的总体平均数差异是否显著。 双总体t检验 检验两个样本各自所代表的总体的均值差异是否显著，包括独立样本t检验和配对样本t检验。 独立样本t检验 检验两个独立样本所代表的总体均值差异是否显著。 适用条件： 1.两样本均来自于正态总体 2.两样本相互独立 3.满足方差齐性（两总体方差相等） 统计量： 其中 x¯——第一个样本均值 y¯——第二个样本均值 m——第一个样本容量 n——第二个样本容量
2.9K21发布于 2021-10-13 - 来自专栏数说工作室
【学点统计学·非参数检验汇总】3. 多独立样本的非参数检验
飞扬 / 撰写 整理 数说君 / 编辑 ---- 本系列为【学点统计学·非参数检验汇总】 1. 回顾 单样本非参数检验 两独立样本非参数检验 2. 方法包括：中位数检验、Kruskal-Wallis检验、Jonckheere-Terpstra检验等。 比如，对北京、上海、成都、广州四个城市的码农月收入进行比较。 （1）中位数检验 中位数检验通过对多组独立样本的分析，检验它们来自的总体的中位数是否存在显著差异。 其原假设是：多个独立样本来自的多个总体的中位数无显著差异。 （2）Kruskal-Wallis检验 Kruskal-Wallis检验实质是两独立样本的曼-惠特尼U检验在多个样本下的推广（什么是曼-惠特尼U检验？ （3）Jonckheere-Terpstra检验 Jonckheere-Terpstra检验也是检验多个独立样本来自的多个总体的分布是否存在显著差异的非参数检验方法.
3.1K121发布于 2018-04-08 - 来自专栏医学和生信笔记
R语言线性趋势检验：Cochran Armitage 检验
Cochran Armitage检验是一种线性趋势检验，常用于自变量是有序分类变量，而因变量是二分类变量的资料，可以用来检验自变量和因变量存不存在线性趋势。 注意和Cochran-Mantel-Haenszel检验区分，CMH检验是研究两个分类变量之间关联性的一种检验方法。 counts_to_cases(df) psych::headTail(df1) ## Dose effect ## 1 50 Yes ## 2 50 Yes ## 3 Dose, family = binomial(), data = df1) ## ## Deviance Residuals: ## Min 1Q Median 3Q 下面是CMH检验的一个补充。 默认的CMH检验只能进行3个变量的检验，vcdExtra中的CMHtest()可以进行两个变量的CMH检验。
1.9K20编辑于 2023-02-14 - 来自专栏Linux基础入门
SPSS参数检验 | 平均值检验
前言： 平均值检验是通过比较两个样本的均值来判断两个总体的均值是否相等。还可以执行单因素方差分析和相关分析。 零假设：两个样本的均值没有显著差异。 ? 操作过程： 1.数据输入格式 ? ? 3.单击上图中“选项”按钮，弹出“平均值：选项”对话框，设置输出的统计量。设置完成后，点“继续”返回主对话框。 （3）第一层的统计： ①Anova表和eta：选择此项，即对第一层次进行方差方差分析，显示单因素方差分析表，可以得出第一层次的分组的均值之间是否存在显著差异。 ②线性相关度检验：选择此项，即对第一层次进行线性检验，计算与线性和非线性成分相关联的平方和、自由度和均方，以及F比、R和R方。 ? ? 4.完成所有设置后，单击“确定”按钮执行命令。 查看平均值检验的结果分析： ①个案数为400，其中男性的个案为166，储蓄金额的平均值为198239.97，标准偏差为100439.918，女性的个案为234，储蓄金额的平均值为192834.38，标准偏差为
4K20发布于 2020-09-02 - 来自专栏MiningAlgorithms
机器学习3--过拟合：交叉检验与正则化
目录 1，如何判断欠拟合与过拟合：学习曲线 2，欠拟合； 3，过拟合； 4，对抗过拟合； 5，方差--偏差分解. 1，如何判断欠拟合与过拟合：学习曲线 在训练模型时，涉及到选择与比较不同的模型在训练集和测试集的预测结果 3，过拟合： 模型过于复杂，把样本的部分随机误差当作了总体的数据规律，并用模型进行解释。这部分解释并不能推广到总体分布的其他样本中。 high variance 减少不必要的模型复杂度 ? 4，对抗过拟合 交叉检验 正则化(regularization) L1 L2 3.1，交叉检验： 从验证训练结果入手 ?
1.3K40发布于 2019-08-08 - 来自专栏SAP供应链
SAP QM 源检验的检验批特殊之处
SAP QM 源检验的检验批特殊之处SAP QM里Source Inspection虽然在项目实践中极为不常用，但是以笔者的经验来看，在找项目参加技术面试的时候，却经常有面试官问到这个流程，用以考察候选者的 检验批# 10000000672是一个源检验（Source Inspection）流程里的检验批,它是根据采购订单4500001239使用事务代码QI07而触发的。 2, 这个Source Inspection的检验批的特殊之处：a), 它的System status: REL CALC, 没有SPRQ。b), 检验批上的Insp.Stock选项没有被勾选。 之所以有这3个特殊之处，是因为source inspection的检验批是根据采购订单单据来触发的，而非采购订单收货过账而触发的，所以它与质检库存无关。 3, 作为对比，如下是采购订单收货后自动触发的检验批，初始system status里有SPRQ,事务代码QA11的界面里有Inspection Lot Stock选项卡，-完-写于2023-2-3.
1.2K20编辑于 2023-02-03 - 来自专栏iSharkFly
如何用 Java 判断一个给定的数是不是素数
这个问题你可能需要了解下 米勒-拉宾检验（ Miller–Rabin primality test） 这个东西。 米勒-拉宾素性检验是一种素数判定法则，利用随机化算法判断一个数是合数还是可能是素数。 这个近似判断就使用了 米勒-拉宾素性检验。 在面试的时候，使用这个方法就可以了，因为有时候一些 online 的 code 平台不会提供第三方的工具让你使用。 int number = 10; BigInteger.valueOf(number).isProbablePrime(100); Apache Math3 这个方法就非常简单了，直接用就可以了。 也是所有方法中检验效果最好，速度最快的。 int number = 10; Primes.isPrime(number) 为什么呢？ 这是因为 Apache 的 Commons Math3 使用了一个数组，把一定范围内的素数都列出来了。 简单粗暴，所以效率最高。 范围就是 Java 整数不溢出的情况下进行判断的。
1.5K10发布于 2021-09-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号