正态分布的P值.pdf

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。

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