1楼：匿名用户
我不太清楚q值是咋算的，但是这个指标我经常用。一般的，当q值小于0.05时，可以认为两组数据之间有显著性差异。
所以一般科研数据中如果要说明两组数据之间有区别都会标明q<0.05。
另外，q值越小，比如q<0.01或者q<0.001，则表示两组数据显示出的差异性更加可信。
2楼：stop华崽
这个是不是两两比较的q统计量，如果是这样的话当然是越大越有统计学差异了，注意不是越大就差别越大。
lc谐振回路中的q值是大好还是小好啊？
3楼：欠一个吻
先说lc谐振电路的应用领域：
1、构成选频电路或选频放大器（如收音机、电视机、个各种正弦波谐振器等）
2、构成阻波器（对信号相位进行超前或滞后移动）
3、构成各种吸收器（用来在众多频率信号中将某一频率信号进行吸收，也就是进行衰减，即将某一频率信号从众多信号中去掉）
q值越大，谐振的通频带就越宽，也就是包含的频率范围更宽，如果需要宽一点的通频带，q值越大越好。
在选频电路（选用某一频率）、阻波电路（阻止某一频率）、吸收电路（衰减某一频率）、陷波电路（去掉某一频率）中都是利用或者去掉某一个频率f，此时q值越小越好，这是利用谐振电路在谐振时的频率f，当lc并联谐振电路发生谐振时，电路阻抗最大，相当于断路，使频率为f的频率信号不能通过，达到阻止此信号的目的。当lc串联谐振电路发生谐振时，阻抗最小，相当与短路，此时频率为f的频率很容易通过，而其它的信号频率被阻止，就能达到选频的目的。
所以q值的大小不能说越大越好还是越小越好，要看应用在哪个方面。
4楼：匿名用户
如果单纯是做谐振那当然是越大越好，但是如果是在实际中应用，那就要考虑了，q值越大他的选频就越精确，但是他的带宽就越小，q值越小他的带宽就越大，但是他的抗干挠就越差。
5楼：徐世锋
不一定，看用途了，是要带宽还是要q值，如果做振荡电路的选频网络，好像q值大一些好，如果用作通信电路的带通滤波，要小一些好，常并联电阻。
谐振电路的品质因数（简称q值）的大小在什么条件或实际应用方面是越大越好，越小越好
6楼：匿名用户
高频电子线路中的谐振
有串联谐振和并联谐振，串联谐振时，品质因数也即q值越高，选择性越好，但通频带越窄。选择性就是由于通频带很窄，就相当于带通滤波器，只能通过有用信号而滤除其它频率分量，当要求提高选择性时，就需较高的q值，当需要比较宽的通频带时，就需比较低的q值。
7楼：北极掠食者
所谓选择性说通俗一点，一个独木桥，只许100斤的人过，上下浮动范围只用10斤，选择性越强，上下浮动范围越小，并联与串联谐振用途有滤波器，陷波器等，仔细看看电工学吧
统计学中的“p”值是什么意思?怎么计算?
8楼：忘洛心
p值即概率，反映某一事件发生的可能性大小。
不同的p数值所表达的含义也是不一样的。
统计学根据显著性检验方法所得到的p 值，一般以p < 0.05 为有统计学差异， p<0.01 为有显著统计学差异，p<0.001为有极其显著的统计学差异。
其含义是样本间的差异由抽样误差所致的概率小于0.05 、0.01、0.
001。实际上，p值不能赋予数据任何重要性，只能说明某事件发生的几率。统计结果中显示pr > f，也可写成pr( >f)，p = p或p = p。
拓展资料：
计算p值的相关注意事项：
1、p的意义不表示两组差别的大小，p反映两组差别有无统计学意义，并不表示差别大小。因此，与对照组相比，c药取得p<0.05，d药取得p <0.01并不表示d的药效比c强。
2、p>0.05时，差异无显著意义，根据统计学原理可知，不能否认无效假设，但并不认为无效假设肯定成立。在药效统计分析中，更不表示两药等效。
哪种将“两组差别无显著意义”与“两组基本等效”相同的做法是缺乏统计学依据的。
3、统计学主要用上述三种p值表示，也可以计算出确切的p值，有人用p <0.001，无此必要。
4、显著性检验只是统计结论。判断差别还要根据专业知识。抽样所得的样本，其统计量会与总体参数有所不同，这可能是由于两种原因。
p值的其他含义：
1、 一种概率，一种在原假设为真的前提下出现观察样本以及更极端情况的概率。
2、拒绝原假设的最小显著性水平。
3、观察到的(实例的)显著性水平。
4、表示对原假设的支持程度，是用于确定是否应该拒绝原假设的另一种方法。
9楼：瑾
与“几率”不同，一个事件的几率（odds）是指该事件发生的概率与该事件不发生的概率的比值。
拓展资料：
关于统计定义
在一定条件下，重复做n次试验，na为n次试验中事件a发生的次数，如果随着n逐渐增大，频率na/n逐渐稳定在某一数值p附近，则数值p称为事件a在该条件下发生的概率，记做p(a)=p。这个定义成为概率的统计定义。
在历史上，第一个对“当试验次数n逐渐增大，频率na稳定在其概率p上”这一论断给以严格的意义和数学证明的是雅各布·伯努利（jacob bernoulli）。
从概率的统计定义可以看到，数值p就是在该条件下刻画事件a发生可能性大小的一个数量指标。
10楼：墨竹亲亲
统计学意义（p值）zt：
结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。
如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。
（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。
2.均值的计算：
在处理实验数据或采样数据时，经常会遇到对相同采样或相同实验条件下同一随机变量的多个不同取值进行统计处理的问题。此时，多数作者会不假思索地直接给出算术平均值和标准差。显然，这种做法是不严谨的。
在数理统计学中，作为描述随机变量总体大小特征的统计量有算术平均值、几何平均值和中位数等。
拓展资料：
何时用算术平均值？何时用几何平均值？以及何时用中位数？
1. 这不能由研究者根据主观意愿随意确定，而要根据随机变量的分布特征确定。反映随机变量总体大小特征的统计量是数学期望，而在随机变量的分布服从正态分布时，其总体的数学期望就是其算术平均值。
此时，可用样本的算术平均值描述随机变量的大小特征。
2. 如果所研究的随机变量不服从正态分布，则算术平均值不能准确反映该变量的大小特征。在这种情况下，可通过假设检验来判断随机变量是否服从对数正态分布。
3. 如果服从对数正态分布，则可用几何平均值描述该随机变量总体的大小。此时，就可以计算变量的几何平均值。
4. 如果随机变量既不服从正态分布也不服从对数正态分布，则按现有的数理统计学知识，尚无合适的统计量描述该变量的大小特征。退而求其次，此时可用中位数来描述变量的大小特征。
11楼：fu我若为王
统计学中p一般指概率。
以古典概率模型为例，概率的计算方法为：
古典定义
如果一个试验满足两条：
（1）试验只有有限个基本结果；
（2）试验的每个基本结果出现的可能性是一样的。
这样的试验便是古典试验。
其中n表示该试验中所有可能出现的基本结果的总数目。m表示事件a包含的试验基本结果数。
这里，仅仅举例了简单的古典概率，其还有很多种模型。你可以找统计学的相关书籍进行学习。
拓展内容：概率亦称“或然率”。它反映随机事件出现的可能性大小的量度。
随机事件是指在相同条件下，可能出现也可能不出现的事件。例如，从一批有**和次品的商品中，随意抽取一件，“抽得的是**”就是一个随机事件。设对某一随机现象进行了n次试验与观察，其中a事件出现了m次，即其出现的频率为m/n。
经过大量反复试验，常有m/n越来越接近于某个确定的常数。该常数即为事件a出现的概率，常用p (a) 表示，与“几率”不同，一个事件的几率（odds）是指该事件发生的概率与该事件不发生的概率的比值。
12楼：前行熊猫
p值即概率，反映某一事件发生的可能性大小。
统计学根据显著性检验方法所得到的p 值，一般以p < 0.05 为有统计学差异， p<0.01 为有显著统计学差异，p<0.
001为有极其显著的统计学差异。其含义是样本间的差异由抽样误差所致的概率小于0.05 、0.
01、0.001。实际上，p值不能赋予数据任何重要性，只能说明某事件发生的几率。
统计结果中显示pr > f，也可写成pr( >f)，p = p或p = p。
假设检验是推断统计中的一项重要内容。用sas、spss等专业统计软件进行假设检验，在假设检验中常见到p值( p-value，probability，pr)，p值是进行检验决策的另一个依据。
扩展资料：
p值由来
从某总体中抽
⑴、这一样本是由该总体抽出，其差别是由抽样误差所致；
⑵、这一样本不是从该总体抽出，所以有所不同。
如何判断是那种原因呢？统计学中用显著性检验来判断。其步骤是：
⑴、建立检验假设（又称无效假设，符号为h0）：如要比较a药和b药的疗效是否相等，则假设两组样本来自同一总体，即a药的总体疗效和b药相等，差别仅由抽样误差引起的碰巧出现的。
⑵、选择适当的统计方法计算h0成立的可能性即概率有多大，概率用p值表示。
⑶、根据选定的显著性水平（0.05或0.01），决定接受还是拒绝h0。
如果p>0.05，不能否定“差别由抽样误差引起”，则接受h0；如果p<0.05或p <0.
01，可以认为差别不由抽样误差引起，可以拒绝h0，则可以接受另一种可能性的假设（又称备选假设，符号为h1），即两样本来自不同的总体，所以两药疗效有差别。
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
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
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 (当c位于分布曲线的右端时) 或p = 2p (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 。
计算出p值后，将给定的显著性水平α与p 值比较，就可作出检验的结论：
如果α > p值，则在显著性水平α下拒绝原假设。
如果α ≤ p值，则在显著性水平α下接受原假设。
在实践中，当α = p值时，也即统计量的值c刚好等于临界值，为慎重起见，可增加样本容量，重新进行抽样检验。