vb机试考试成绩分析与统计,设计与实现(高数概率统计)-141-(代码+程序说明)


转载地址http://www.3q2008.com/soft/search.asp?keyword=141

前言:

为何口出狂言,作任何VB和ASP的系统, 这个就是很好的一个证明 :) 又有些狂了...

 数据库操作谁都会,接触的多了也没什么难的,VB编程难在哪?算法上,这个是一个算法题的毕业设计,里面涉及到对试卷的 平均分,最大值 最小值 难度 方差 区分度 效度 等一些算法

要求

机试考试成绩分析与统计系统的设计与实现

对各套题的数据进行统计,平均分、最高分、最低分、

方差等

方差是实际值与期望值之差平方的平均值,而标准差是方差平方根。

方差:是各个数据与平均数之差的平方的平均数,即 s^2=1/n[(x1-x_)^2+(x2-x_)^2+...+(xn-x_)^2] (北师大数学8下第5章第4节)

方差是实际值与期望值之差平方的平均值,而标准差是方差平方根。

方差:是各个数据与平均数之差的平方的平均数,即 s^2=1/n[(x1-x_)^2+(x2-x_)^2+...+(xn-x_)^2]

通俗点讲,就是和中心偏离的程度!用来衡量一批数据的波动大小(即这批数据偏离平均数的大小)。
在样本容量相同的情况下,方差越大,说明数据的波动越大,越不稳定

对每个小题进行统计

计算难度、

区分度

、效度

信度等

在计算整套题的难度、区分度、效度、和信度等

每套题之间的比较

形成word文档

信度和效度

当我们建构和评估测量时,我们通常使用信度和效度这两个技术性指标。

简单地说信度就是指测量数据和结论的可靠性程度,也就是说测量工具能否稳定地测量到它要测量的事项的程度。

我们可以举例说明信度的问题:如果想知道某人的体重,我们可以叫两个人来估计,一个人的估计为150镑,另一个人的估计为300镑,那么我们就可以认为,叫别人来估计体重是非常不可信的方法。如果用磅秤 ,连续测量两次的结果都是相同的,因而我们可以说,在测量体重方面,用磅秤的方法要比叫人来估计更可信。我们可以用信度系数来表示信度的大小。

我们知道在进行测量时,误差是难免的,这就使得真实值和测量值之间是不可能完全一致。我们可以这样来表示真实值和测量值之间的关系。

X=T+B+E

T表示真实值,B表示偏差即系统误差,E表示测量误差即随机误差。由于系统误差很难分解,因而有些书中的分解式将系统误差包括在真实值之中,因而X可以简单地概括为X=T+E

对于测量误差E,一般假定他的期望值是0,却与真实值相独立,在此假定下,可以证明: E(x)=E(T)实得分数和真分数的总体均值相等。    σ2x=σ2T+σ2E实得分的方差等于真分数的方差与误差方差之和。

信度一般规定是真分数的方差在总体方差中所占的比例,即:

信度系数Rxx=σ2T/σ2 X= 1-(σ2E/σ2X)

信度系数越大,表明测量的可信程度越大。在实际应用中,信度主要有以下几种类型:

(一) 重测信度

这种方法通常是重复同样的测量来检验信度信度系数可以用相关系数来表示。假如我们第一次测量时的观测值是X,第二次的观测值是Y,那么重测信度就等于X与Y的相关系数。

但重复测量时,我们要注意两次测量的时间间隔要恰当。如果时间间隔太久,可能会发生一些变故,影响到被调查者的态度,那么前后的测量就会有很大的差异。

(二)复本信度

复本是针对原本而言的,它使原本的复制品。

对一项调查的问题,让被调查者接受问卷测量,并同时接受调查问卷的副本的调查,然后根据结果计算原本和复本的相关系数,就得到复本信度。

(三)折半信度

通常是在无副本且不准备重测的情况下,我们就用折半信度来计算信度系数。

举例来说,如果有一份问卷,其中有十个问题涉及到女性歧视现象。利用折半信度时,可将是个问题随机分成两组,每组有五个问题,然后根据每组的测量结果来计算两组的相关系数,就是折半信度,Rhh。但整个问卷的信度需要用校正公式来得到:Rxx=2Rhh/(1+Rhh)   (变异性相等)Rxx=2(1-(Sa2+Sb2))  (两部分的变异性不等)。

(四)评分者信度

这种方法在测量工具的标准化程度较低的情况下进行的。不同评分者的判分标准也会影响测量的信度,要检验评分者信度,可计算一个评分者的一组评分以另一个评分者的一组评分的相关系数。

  

效度就是正确性程度,即测量工具在多大程度上反映了我们想要测量的概念的真实含义,效度越高,即表示测量结果越能显示出所要测量的对象的真正特征。类似于信度系数的公式,效度系数一般规定为与测量的目的相关的分数的方差 在总方差中所占的比例,即效度=   σ2Tx/σ2x=1-(σ2T0+σ2E)/ σ2x,Tx是通过分解真分数得到的。我们将T分成两部分,一部分是我们想要测量的特质Tx,另一部分是与测量目的不相关的T0, T=Tx+T0 。

效度类型

效度是一个多层面的概念,它是相对于特定的研究目的和研究侧面来言的。因而,检验效度必须针对其特定的目的功能及适用范围,从不同的角度收集各方面的资料分别进行。检验效度的方法大体有三种。

(一)              内容效度

考察内容效度旨在系统地检查测量内容的适当性,并根据我们对所研究的概念的了解去鉴别测量内容是否反映了这一概念的基本内容。检验内容效度就是检验由概念到指标的经验推演是否符合逻辑,是否有效。

内容效度实质上是一个判断问题。K.D贝利在《社会研究方法》中指出,内容效度必须考虑两个主要问题:

(1) 测量工具所测量的是否正是调查人员所想要测量的那种行为

(2) 测量工具是否提供了有关的那种行为的适当样品

(二)              准则效度

    准则效度是指被假设或定义为有效的测量标准,符合这种标准的测量工具是可以作为测量某一特定现象或概念的效标。当我们对同一现象的或概念进行测量时,我们可以使用多种的测量工具,每种测量方式与效标的一致性就成为准则效度。

(三)              建构效度

考察建构效度就是要了解测量工具是否反映了概念和命题的内部结构,这种方法常常在理论的研究中使用。由于它是通过与理论假设相比较来检验的,因此建构效度也被称为理论效度。

对建构效度的理解我们可以参考一下艾尔.巴比的《社会研究方法》的173页。

最后我们可以通过这样的图示来更清晰地理解三种效度类型

(1)内容效度    (2) 准则效度      (3)建构效度

概念层次      X 政治知识        X 学习能力      X工作积极性   Y闲暇时间利用


 

经验层次      Y政治成绩     X1      X2       X1工作主动性 Y1有效活动时间比率

                        预测学习成绩 实际学习成绩  X2工作动机

                                               

信度和效度的关系

信度和效度的关系我们可以参考一下艾尔。巴比的《社会研究方法》的173图示。这个图示很清晰地说明了二者的关系。

通过信度系数和效度系数的计算公式我们也可以从数理的方面来理解两者的关系:

由于σ2x=σ2T0+ σ2x,σ2T0可以理解是系统偏差的方差。σ2T大并不能保证σ2Tx   也大,也就是信度高不能说明效度高。

但σ2Tx相对于来说很大的话,即效度高,那么,σ2T /σ2x也较大,即效度高,信度一定高,也就是说信度是效度的必要条件,但不是充分条件。

最后我们可以这样概括两者的关系:

(1) 信度低,效度不可能高。因为如果测量的数据不准确,也并不能有效地说明所研究的对象

(2) 信度高,效度未必高。例如,如果我们准确地测量出某人的经济收入,也未必能够说明他的消费水平。

(3) 效度低,信度很可能高。例如,即是一项研究未能说明社会流动的原因,但它很有可能很精确很可靠地调查各个时期各种类型的人的流动数量。

(4) 效度高,信度也必然高。

其实也没什么难的,听着有些可怕, 公式出来了就是用编程实现公式了,里面涉及了很多算法,就不贴出来了,

贴出来一个C语言常用的排序问题 当时在VB里用到了就写了一个算法肯定不要当时只是为了实现功能

'数组排序 把无序数组给重新排列

生成的报表..

******************************

 报告生成日期:2006-6-8 0:05:15

数据表名称为: '5楼$ '
数据表总记录数为:1698
统计信息如下************************

当然试卷的套数为: 70
试卷的名称分别为: 5185;5186;5187;5188;5189;5190;5191;5192;5193;5194;5195;5196;5197;5198;5199;5200;5201;5202;5203;5204;5205;5206;5207;5208;5209;5210;5211;5212;5213;5214;5215;5216;5217;5218;5219;5220;5221;5222;5223;5224;5225;5226;5227;5228;5229;5230;5231;5232;5233;5234;5235;5236;5237;5238;5239;5240;5241;5242;5243;5244;5245;5246;5247;5248;5249;5250;5251;5252;5253;5254;


******************************当前试卷为 :5185
当前试卷人数为 :25
当前试卷题数为 :23
----------
当前为试卷5185 第 1题
平均分为:.68
最大值为:1
最小值为:0
难度为:.68
方差为:5.44
区分度为:0
效度为:.53
----------
----------
当前为试卷5185 第 2题
平均分为:.64
最大值为:1
最小值为:0
难度为:.64
方差为:5.76
区分度为:0
效度为:.56
----------
----------
当前为试卷5185 第 3题
平均分为:.72
最大值为:1
最小值为:0
难度为:.72
方差为:5.040001
区分度为:0
效度为:.44
----------
----------
当前为试卷5185 第 4题
平均分为:.56
最大值为:1
最小值为:0
难度为:.56
方差为:6.160001
区分度为:.01
效度为:.64
----------
----------
当前为试卷5185 第 5题
平均分为:.72
最大值为:1
最小值为:0
难度为:.72
方差为:5.040001
区分度为:0
效度为:.44
----------
----------
当前为试卷5185 第 6题
平均分为:.88
最大值为:1
最小值为:0
难度为:.88
方差为:2.64
区分度为:-.18
效度为:.18


转载地址http://www.3q2008.com/soft/search.asp?keyword=141

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/447536.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

AI编程已有公司纳入绩效,你的AI编程工具是什么?

自从ChatGPT带动全球AI热潮,AI席卷着各行各业。编程界也不例外,最出名的摸过OpenAI与GitHub联合开发的Github Copilot。Github Copilot带动了一大堆AI编程工具的出现。后来Github Copilot付费了,再加上网络方面的问题,在国内使用G…

基于PHP的店家服务与管理交互平台

目 录 摘 要 I Abstract II 引 言 1 1相关技术 3 1.1 PHP 3 1.2 ThinkPHP框架 3 1.2.1 Struts结构 3 1.2.2 MVC 3 1.2 Tomcat服务器 3 1.3 MySQL数据库 3 1.4 LayUI框架 4 1.5 ECharts 4 1.6 本章小结 4 2 系统分析 5 2.1 功能需求 5 2.2 用例分析 6 2.3 非功能需求 8 2.4 本章…

MySQL--索引类型详解

索引的类型 主键索引: PRIMARY KEY,当一张表的某个列是主键的时候,该列就是主键索引,一张表只允许有一个主键索引,主键所在的列不能为空。 创建主键索引的SQL语法: # 给user表中的id字段创建名为id_ind…

【Datawhale学习笔记】从大模型到AgentScope

从大模型到AgentScope AgentScope是一款全新的Multi-Agent框架,专为应用开发者打造,旨在提供高易用、高可靠的编程体验! 高易用:AgentScope支持纯Python编程,提供多种语法工具实现灵活的应用流程编排,内置…

数字化车间MES管理系统如何降低如何降低企业生产成本

数字工厂管理系统在降低制造企业生产成本方面发挥了重要的作用。通过优化物流和信息流,实现生产过程的自动化、智能化和可视化,数字工厂管理系统将从三个方面来降低生产成本。 1、数字工厂管理系统可以通过减少库存量来降低企业的生产成本。数字工厂管理…

GEE:计算一个遥感影像的空像素占比

作者:CSDN @ _养乐多_ 本文将介绍,如何在 Google Earth Engine (GEE) 平台计算一个遥感影像的空像素占比,其中,包含获取研究区内所有像素的总数的代码,以及获取非空像素的总数的代码。 结果如下图所示, 文章目录 一、核心函数1.1 获取研究区内所有像素的总数1.2 获取非…

【面试精讲】Java线程6种状态和工作原理详解,Java创建线程的4种方式

Java线程6种状态和工作原理详解,Java创建线程的4种方式 目录 一、Java线程的六种状态 二、Java线程是如何工作的? 三、BLOCKED 和 WAITING 的区别 四、start() 和 run() 源码分析 五、Java创建线程的所有方式和代码详解 1. 继承Thread类 2. 实现…

管理类联考-复试-管理类知识-其他常见词汇

文章目录 其他常见词汇营销4P、营销4C营销STP理论破窗效应价格歧视/区别定价定价策略——撇脂定价策略定价策略——渗透定价策略 心理账户机会成本看不见的手市场失灵马太效应鲶鱼效应禀赋效应(马克杯实验)羊群效应帕累托原则长尾理论 其他常见词汇 营销…

安装Mysql时报错[Warning] TIMESTAMP with implicit DEFAULT

win10安装mysql5.7.26(免安装版本)过程中 在执行mysqld --initialize命令时 报错: [Warning]解决方法: [Warning] TIMESTAMP with implicit DEFAULT value is deprecated. Please use --explicit_defaults_for_timestamp server option (see document…

LINE社群运营教学

LINE 社群就是一个大型的公开聊天室,通过LINE社群不需要将对方添加为好友就可以聊天。它主要是以「兴趣」作为区分,所以商家可以在社群中找到不少潜在客户。尤其是面向台湾、日本、泰国这些地区的商家,LINE在这些地区的普及度很高&#xff0c…

记录一个vue编辑的移动端页面

<template><div class"wrap"><el-form :model"queryParams" ref"queryForm" size"small" :inline"true" label-width"120px"><el-form-item label"班级" prop"classId"…

【MATLAB第98期】基于MATLAB的MonteCarlo蒙特卡罗结合kriging克里金代理模型的全局敏感性分析模型(有目标函数)

【MATLAB第98期】基于MATLAB的Monte Carlo蒙特卡罗结合kriging克里金代理模型的全局敏感性分析模型&#xff08;有目标函数&#xff09;【更新中】 PS:因内容涉及较多&#xff0c;所以一时半会更新不完 后期会将相关原理&#xff0c;以及多种功能详细介绍。 麻烦点赞收藏&#…

Buildroot 之一 详解源码及架构

在之前的博文中,我们学习了直接通过 Makefile 手动来进行构建 U-Boot 和 Linux Kernel 等,其实,目前存在多种嵌入式 Linux 环境的构建工具,其中,Buildroot 就是被广泛应用的一种。今天就来详细学习一个 Buildroot 这个自动化构建工具。 Buildroot Buildroot 是一个运行于…

HCIP---IS-IS协议

文章目录 前言一、pandas是什么&#xff1f;二、使用步骤 1.引入库2.读入数据总结 一.IS-IS协议概述 IS-IS是一种基于链路状态的内部网关协议&#xff08;IGP&#xff09;&#xff0c;它使用最短路径优先算法&#xff08;SPF或Dijkstra&#xff09;进行路由计算。这种协议在自治…

如果让你实现实时消息推送你会用什么技术?轮询、websocket还是sse

在日常的开发中&#xff0c;我们经常能碰见服务端需要主动推送给客户端数据的业务场景&#xff0c;比如_数据大屏的实时数据_&#xff0c;比如_消息中心的未读消息_&#xff0c;比如_聊天功能_等等。 本文主要介绍SSE的使用场景和如何使用SSE。 学习就完事了 服务端向客户端推…

使用 Logstash 丰富你的 Elasticsearch 文档

作者&#xff1a;来自 Elastic David Pilato 我们在上一篇文章中看到&#xff0c;我们可以使用摄取管道中的 Elasticsearch Enrich Processor 在 Elasticsearch 中进行数据丰富。 但有时&#xff0c;你需要执行更复杂的任务&#xff0c;或者你的数据源不是 Elasticsearch&#…

掌握这3种方法,mp3格式转换就是这么简单!

掌握MP3格式转换并不需要复杂的技术或专业知识。在数字化时代&#xff0c;我们有许多简单而有效的方法可以实现这一目标。无论是为了节省存储空间&#xff0c;提高音频文件的兼容性&#xff0c;还是其他需求&#xff0c;本文将介绍三种简单的方法&#xff0c;让您轻松掌握mp3格…

编程界的圣经:从Scheme到JavaScript构建你的计算思维

文章目录 适读人群目 录 《计算机程序的构造和解释》&#xff08;Structure and Interpretation of Computer Programs&#xff0c;简记为SICP&#xff09;是MIT的基础课教材&#xff0c;出版后引起计算机教育界的广泛关注&#xff0c;对推动全世界大学计算机科学技术教育的发…

掌握潮流,使用渐变色彩图标icon,打造独特风格!

渐变色图标icon非常抢眼&#xff0c;从日常使用频率最高的手机到街上随处可见的海报&#xff0c;通常色彩搭配出众&#xff0c;让人感觉很惊艳。对色彩搭配的不同理解会影响我们设计产品的最终性能。本文将带您了解在UI设计圈兴起的时尚色彩组合——什么是渐变色&#xff0c;如…

Docker进阶:深入理解 Dockerfile

Docker进阶&#xff1a;深入理解 Dockerfile 一、Dockerfile 概述二、为什么要学习Dockerfile三、Dockerfile 编写规则四、Dockerfile 中常用的指令1、FROM2、LABEL3、RUN4、CMD5、ENTRYPOINT6、COPY7、ADD8、WORKDIR9、 ENV10、EXPOSE11、VOLUME12、USER13、注释14、ONBUILD 命…