正态分布的P值.pdf
《正态分布的P值.pdf》由会员分享,可在线阅读,更多相关《正态分布的P值.pdf(3页珍藏版)》请在冰豆网上搜索。
![正态分布的P值.pdf](https://file1.bdocx.com/fileroot1/2022-10/11/482bc914-7253-4432-95f8-641747873f5f/482bc914-7253-4432-95f8-641747873f5f1.gif)
Minitab里里检验正态分布检验正态分布的的P值要大于多少才正态?
值要大于多少才正态?
0.05就可以。
但这也只是取决于你的风险承受度。
如果你能承受的只是0.005,那么大于0.005,就可以认为是正态。
这里的前提是先认为这个分布就是正态分布,大于0.05(或0.0005)时只是没有足够证据能证明它不是正态分布,所以就认为它是正态分布。
一点小技巧,p在进行正态性检验时越大越好(数据正泰的可能性越大),其他一般越小越好(因素的显著性越大)。
一般在minitabhelp都可以得到标准。
P值就是接受原假设时出错的概率值就是接受原假设时出错的概率在Minitab中,很多统计检验的结论是根据p值判断的,而不是根据拒绝或者不拒绝原假设判断的。
例如,在基本的t检验中,原假设是H0,备择假设是HA,一般情况下,H0:
,HA:
,(mu)是研究的总体均值,而是假设总体均值。
如果想判断一种新的汽油添加剂对里程油耗是否有影响。
已知某种汽车的里程油耗是25英里每加仑(m.p.g),原假设是H0:
,备择假设是HA:
。
检验35辆汽车,发现m.p.g的值从14.4到28.8不等。
将35辆汽车的m.p.g数值放到Minitab列MPG中,然后在Minitab运行的t检验(菜单选项,统计基本统计单样本t,或者会话命令TTEST),并得到以下的结果:
PDF文件使用pdfFactoryPro试用版本创建解释解释p值值结果显示,这35辆汽车的样本均值是23.754。
但是所有这种类型汽车的m.p.g均值可能是25我们需要了解是否有足够的证据来拒绝H0。
通常有两种方式可以判断,这两种方式都和显著性水平(alpha)相关。
是当H0为真时拒绝H0的概率。
在这里,它表示,当总体均值是25m.p.g,却得出总体均值不等于25m.p.g结论的概率。
第一种方式判断是否有足够的证据拒绝H0,是计算检验统计量的值,并将它和预先指定的值的合适的统计表中的统计值进行比较。
第二种方式是计算p值,通常称为获得检验的显著性水平,并将它和比较。
p值是样本证据拒绝H0程度的指标。
一般情况下,p值越小,拒绝H0的样本证据的权重就越大。
而且,p值是拒绝H0的最小值。
当p值时,则拒绝H0。
假定H0为真,p值是在具有相同样本量(从相同总体中抽取的样本)的样本检验统计量中产生更极端的检验统计量的值的概率。
在t检验的样例中,检验统计量是均值的函数,p值是0.026。
这意味着,在样本量为35、总体均值为25的的样本均值中,2.6%的样本均值将表明均值不等于25。
哪一种更可能呢:
抽取的几个样本刚好表明均值不等于25;还是均值不可能等于25%?
P值通常和进行比较,是小于0.05或者0.1,这需要根据我们研究的领域(我们的油耗数可能会改变!
)来决定。
可以查看我们所在领域alpha可接受的值。
在例子中,假定为0.05。
则p值0.026表明这种类型的所有汽车的m.p.g(不仅仅是本研究中35辆汽车的均值)很可能不等于25。
统计上更正确的方式陈述方式是“在0.05的显著性水平上,均值m.p.g统计上显著不等于25。
”其它检验中的其它检验中的p值值不同检验中的原假设会不同。
解释p值需要了解原假设和备择假设。
以回归分析的Minitab输出结果为例,包括估计,PDF文件使用pdfFactoryPro试用版本创建的假设检验。
在下面的例子中,变量DIAMETER是统计显著的,因为p值几乎等于0。
在正态性检验中,例如Anderson-Darling检验或者Kolmogorov-Smirnov检验,原假设是数据服从正态分布。
在独立变量的卡方检验中,原假设是研究中的两个因子例如,年龄和投票喜好是相互独立的。
如果检验结果的p值足够小,则有足够的证据来拒绝原假设,支持备择假设(“数据不服从正态分布”或者“因子不相互独立”)。
知道p值判断的两个关键点,p值判断就会变得简单:
此领域中可接受的值;检验中我们用到的原假设和备择假设。
PDF文件使用pdfFactoryPro试用版本创建