# Тутор по таблицам сопряжённости: хи-квадрат, точный Фишер, V Крамера

Пошаговая проверка гипотез для таблиц 2×2 и R×C: хи-квадрат Пирсона, поправка Йейтса, G-тест (отношение правдоподобия), точный тест Фишера при малых ожидаемых, меры связи (V Крамера / фи / коэффициент сопряжённости), стандартизованные остатки Хабермана для локализации ячеек, предупреждение BH-FDR о множественных сравнениях и оценка Чепмена (capture-recapture).

> Каноническая страница: https://test.elysiatools.com/ru/tools/contingency-table-chi-square-fisher-exact-cramer-v-tutor

- **Категория:** Data Analysis

- **Ключевые слова:** хи квадрат, таблица сопряжённости, точный фишер, v крамера, йейтс, g тест

## Обзор

Формулы и численные методы: χ² = Σ(O−E)²/E (E = сумма строки × сумма столбца / N, df=(R−1)(C−1)); Йейтс только 2×2: Σ(|O−E|−0.5)²/E; G = 2ΣO·ln(O/E) (члены с O=0 равны 0). p-значение — регуляризованная неполная гамма-функция Q(k/2, χ²/2) (ряд и цепная дробь, точность ~1e-7; самопроверки df=1 → erfc(√(χ²/2)), df=2 → e^(−χ²/2)). Точный тест Фишера через lgamma (Ланцош g=7), двусторонний по соглашению SciPy (сумма таблиц с P ≤ P_набл.); эталон — чайный эксперимент [[3,1],[1,3]] → p = 34/70 = 0.4857. Меры: V = √(χ²/(N·min(R−1,C−1))), фи = √(χ²/N) (2×2), C = √(χ²/(χ²+N)); пороги Коэна 0.1/0.3/0.5. Остатки d = (O−E)/√(E(1−p_стр)(1−p_стб)), |d|>1.96 (α=.05) / >2.58 (α=.01) с предупреждением BH-FDR. Правило Кокрена: все E ≥ 5 (или ≤20% ячеек с E<5 и ни одной <1), иначе Фишер/симуляция. Оценка Чепмена (2×2): N̂ = (a+1)(b+1)/(c+1) − 1. Векторы: [[30,20],[20,30]] → χ²=4, p=0.0455, Йейтс 3.24, G=4.0271, V=0.2, остатки ±2.

## Входные данные

- **Таблица сопряжённости (строки на отдельных линиях, ячейки через запятую/пробел/таб)** (textarea): 30, 20 20, 30
- **Поправка Йейтса на непрерывность** (select)
- **Уровень значимости α** (number)
- **Оценка Чепмена capture-recapture (2×2)** (checkbox): For 2×2 mark-recapture data: N̂ = (a+1)(b+1)/(c+1) − 1.

## Когда использовать

- Чтобы проверить связь между двумя категориальными признаками по таблице сопряжённости.
- Чтобы выбрать точный тест Фишера при малых ожидаемых частотах.
- Чтобы оценить силу связи и определить ячейки, сильнее всего отклоняющиеся от ожидаемых значений.

## Как это работает

- Введите строки таблицы в поле «Таблица сопряжённости», разделяя ячейки запятыми, пробелами или табуляцией.
- Инструмент рассчитывает ожидаемые частоты, χ² Пирсона, степени свободы и p-значение.
- Для таблиц 2×2 можно включить или отключить поправку Йейтса; при малых ожидаемых частотах приводится точный тест Фишера.
- В результате отображаются G-тест, V Крамера, фи, коэффициент сопряжённости, остатки Хабермана и предупреждение о множественных сравнениях.

## Сценарии использования

- Анализ связи между группой респондентов и ответом в социологических или маркетинговых опросах.
- Проверка различий в частотах категорий между двумя или несколькими группами.
- Локализация ячеек, которые вносят наибольший вклад в зависимость, с помощью стандартизованных остатков.

## Частые вопросы

### Какие таблицы поддерживаются?

Поддерживаются таблицы 2×2 и R×C, заданные строками с числовыми частотами.

### Когда применяется поправка Йейтса?

Только для таблиц 2×2. В режиме «Авто» она применяется, если ожидаемая частота меньше 5.

### Когда нужен точный тест Фишера?

Он рекомендуется при малых ожидаемых частотах, когда нарушается правило Кокрена для χ².

### Что показывает V Крамера?

V Крамера оценивает силу связи между категориальными признаками; для ориентировочной интерпретации используются пороги 0,1, 0,3 и 0,5.

### Для чего нужна оценка Чепмена?

Она оценивает размер совокупности по данным capture-recapture в таблице 2×2 и включается отдельно.

## Связанные инструменты

- [Построитель критической разности Nemenyi и рангов Фридмана](https://test.elysiatools.com/ru/tools/nemenyi-critical-difference-friedman-rank-plotter): Тесты Фридмана и Имана-Дэвенпорта с точными p-значениями, средние ранги, критическая разность Неймени и классическая CD-диаграмма с кликами — плюс опциональный оверлей Bonferroni-Dunn против контрольной модели.
- [Коуч по cycle time и пропускной способности канбана](https://test.elysiatools.com/ru/tools/kanban-cycle-time-throughput-coach): Импортируйте метки создан→начат→завершён из CSV (Jira-стиль или простой) и получите метрики потока глазами agile-коуча: перцентили lead/cycle time, возраст WIP, пропускную способность по дням/неделям/месяцам, накопительную диаграмму потока и проверку закона Литтла.
- [Анализатор Эксцесса](https://test.elysiatools.com/ru/tools/kurtosis-analyzer): Анализировать эксцесс данных для измерения "хвостости" распределения и обнаружения паттернов тяжелых или легких хвостов
- [Разделение train/test со стратификацией](https://test.elysiatools.com/ru/tools/train-test-split-with-stratification): Читает датасет CSV/JSON и делит на train/validation/test со стратификацией по целевому столбцу (по умолчанию 70/15/15, воспроизводимое зерно) или стратифицированный k-fold; отчёт о распределении классов по сплитам с полосами отклонения, проверка утечек через дубликаты строк, предпросмотр SMOTE (интерполяция ближайших соседей на train) и экспорт CSV в ZIP.
- [AI-генератор идей доменов](https://test.elysiatools.com/ru/tools/ai-domain-name-idea-generator): Введите ключевые слова бренда — ИИ сгенерирует до 10 идей доменов, отфильтровав занятые через DNS + RDAP. Для стартапов и разработчиков.
- [Анализатор APNG: чанки IDAT/fdAT, повтор deflate и методы disposal с таймингом кадров](https://test.elysiatools.com/ru/tools/apng-idat-fdat-chunk-streaming-deflate-replay-and-disposal-method-analyzer): Загрузите PNG/APNG и разберите структуру анимации: подпись PNG и проверка CRC32 каждого чанка, IHDR (глубина/тип цвета/интерлейс), acTL (число кадров и повторов, обязан стоять до первого IDAT), fcTL (порядковый номер, ограничение области x+y+w+h ≤ холста, нормализация delay_num/delay_den, dispose_op none/background/previous, blend_op source/over), первый кадр IDAT + последующие через fdAT; общие номера fcTL+fdAT должны расти без пропусков с нуля; поток deflate каждого кадра воспроизводится с проверкой размера распаковки = высота × (1 + байтов на строку), повреждённый zlib фиксируется; симуляция disposal предупреждает о previous в первом кадре (трактуется как background), кадрах с нулевой задержкой и т. п.
- [Проверка безопасности слуха](https://test.elysiatools.com/ru/tools/audio-hearing-safety-checker): Оцените риск звуковой экспозиции по NIOSH (85 дБА/8 ч, обмен 3 дБ), OSHA (90 дБА/8 ч, 5 дБ) и недельной норме WHO-ITU H.870 — введите уровень, время и число сессий или загрузите сам аудиофайл.
- [Симулятор пороговых подписей BLS (Boneh–Lynn–Shacham) + распределённой генерации ключей](https://test.elysiatools.com/ru/tools/bls-boneh-lynn-shacham-threshold-signature-aggregation-distributed-key-gen-simulator): Полный цикл BLS12-381: церемонии Joint-Feldman DKG, пороговые подписи t-of-n с интерполяцией Лагранжа, атака мошенническим ключом и защита доказательством владения, агрегация аттестаций Ethereum 2.

## Примеры

- [Примеры Обработки Изображений Android Java](https://test.elysiatools.com/ru/samples/android-image-processing-java): Примеры обработки изображений Android Java включая чтение/сохранение, масштабирование и преобразование формата
- [Примеры Обработки Изображений Android Kotlin](https://test.elysiatools.com/ru/samples/android-image-processing-kotlin): Примеры обработки изображений Android Kotlin включая чтение/сохранение, масштабирование и преобразование формата
- [Примеры Обработки Изображений Web Python](https://test.elysiatools.com/ru/samples/web-image-processing-python): Примеры обработки изображений Web Python используя PIL/Pillow включая чтение, сохранение, изменение размера и преобразование формата
- [Примеры Обработки Изображений Web Rust](https://test.elysiatools.com/ru/samples/web-image-processing-rust): Примеры обработки изображений Web Rust включая чтение/запись, масштабирование и преобразование форматов
