資料結構
網路
關係型資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究Minitab 中的正態性檢驗：帶統計功能的 Minitab
正態性是統計學中的一個關鍵概念，它被用於各種統計程式中。正態性檢驗用於確定資料是否服從正態分佈。正態分佈是以其均值為中心的對稱鐘形曲線。由於在許多物理、生物和社會測量情況下，正態性會自發出現，因此正態分佈是最常見的統計分佈。許多統計研究需要來自正態分佈總體的數
可以使用 Minitab 進行正態性檢驗。Minitab 具有可輕鬆進行統計計算的統計工具。讓我們看看如何在 Minitab 中進行正態性檢驗。
什麼是正態性檢驗？
正態性檢驗，也稱為 Anderson-Darling 檢驗，是一種統計檢驗，用於確定資料集是否正態分佈。正態分佈通常被稱為“鐘形曲線”。資料分佈是否正態決定了可以使用哪些檢驗或函式。
如何在 Minitab 上進行正態性檢驗？
在對給定資料進行任何統計分析之前，確定它是否遵循正態分佈至關重要。如果給定資料呈正態分佈，則可以使用引數檢驗（均值檢驗）來進行進一步的統計分析。如果提交的資料不呈正態分佈，則必須進行非引數檢驗（中位數檢驗）。引數檢驗比非引數檢驗更強大。因此，檢查提交資料的正態性變得更加重要。
提出假設 - 提出假設是開始任何統計研究的一種明智方法。正態性檢驗的原假設是“資料服從正態分佈”，而備擇假設是。
選擇資料 - 從您希望進行正態性檢驗的電子表格中複製資料。
將資料複製並貼上到 Minitab 電子表格中 - 開啟 Minitab 並將資料複製並貼上到 Minitab 電子表格中。
在 Minitab 的選單欄中，單擊“統計”。
單擊“基本統計”。
單擊“正態性檢驗”
選擇資料 - 螢幕上會出現一個小視窗，標題為“正態性檢驗”。在實際選擇項上的白色框內單擊，然後單擊“選擇”。
請注意，所選資料的名稱將顯示在“變數”選項卡上。
此外，請記住“Anderson-Darling”已在“正態性檢驗”下選中。最常用的正態性檢驗是Anderson-Darling。因此，Minitab 中正態性檢驗的預設選擇是“Anderson-Darling”。
單擊“確定”。
識別正態機率圖中顯示的 p 值 - 螢幕上會出現一個正態機率圖。
請檢查正態機率圖中顯示的 p 值是大於還是小於 0.05。
得出結論 - 如果我們未能拒絕原假設（如起草階段所示），則推論將是“資料服從正態分佈”。如果拒絕原假設，則結論將是“資料不服從正態分佈”。現在讓我們將 p 值與書面假設聯絡起來。
如果 p 值大於 0.05，則不拒絕原假設 - 如果在正態機率圖中找到的 p 值大於 0.05，則不拒絕原假設。因此，結論是“資料服從正態分佈”。
如果 p 值小於 0.05，則拒絕原假設 - 如果正態機率圖中的 p 值小於 0.05，則我們拒絕原假設。因此，結論是“資料不服從正態分佈”。
圖形方法
可以將樣本資料的直方圖與正態機率曲線進行比較，作為評估正態性的非正式方法。資料的經驗分佈（直方圖）應呈鐘形，並且與正態分佈相似。如果樣本量很小，這可能不容易觀察到。在這種情況下，將資料與具有與樣本相同的均值和方差的正態分佈的分位數進行迴歸可能是合適的。與迴歸線的擬合不足表明偏離正態性（參見 Anderson Darling 係數和 Minitab）。
正態機率圖，即標準化資料相對於標準正態分佈的分位數-分位數圖 (QQ 圖)，是一種用於檢驗正態性的圖形工具。在這種情況下，樣本資料與正態分位數之間的相關性（擬合優度度量）表明正態分佈描述資料的程度。正態資料的 QQ 圖中顯示的點應大致落在一條直線上，表明高度正相關。這些圖表易於閱讀，並且還具有突出異常值的額外好處。
粗略估計檢驗
68-95-99.7 規則指出，如果正態分佈包含一個三事件（準確地說是 3s 事件）並且樣本少於 300 個或 4s 事件，尤其是在 15,000 個樣本中更罕見，則它將低估偏差的最大幅度。一個簡單的粗略估計檢驗使用樣本最大值和最小值來計算其 z 分數，或者更準確地說，是 t 統計量。
正態性檢驗示例
一家加工食品製造商的科學家試圖確定該公司瓶裝醬汁中包含多少脂肪。標稱百分比為 15%。在 20 個隨機樣本中，科學家計算了脂肪的比例。
在進行假設檢驗之前，科學家希望驗證正態性假設的有效性。
描述結果
擬合的正態分佈線和資料點非常接近。p 值高於 0.05 的顯著性閾值。因此，科學家無法證明資料不服從正態分佈。
606 次瀏覽
