数据的正态性检验
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了数据的正态性检验相关的知识,希望对你有一定的参考价值。
参考技术A 对于我们得到的一组数据,我们日常生活中遇到最多的,应用范围最广的就是正态分布。如果要确定数据是否为正态分布,就要进行正态性检验。检验数据分布常用的检验方法有χ²检验,偏度-峰度检验以及夏皮罗-威尔克法较为有效。随机变量X的偏度和峰度是指的是X的标准化变量[X-E(X)]/D(X)½的三阶矩和四阶矩。
(PS:关于数据的描述:随机变量的0阶矩为总概率1,1阶矩为数据的期望,2阶矩为表示方差,3阶矩表示偏度,4阶矩表示峰度)
设X1,X2,.....,Xn是来自总体X的样本,则v1,v2的矩估计量分别是,若总体X为正态变量,则可证明当n充分大时,近似的有
相关正态性检验方法有K-S检验,明日再补充
相关软件包在python scipy.stats.kstest中
KS检验是基于样本累积分布函数来进行判断的。可以用于判断某个样本集是否符合某个已知分布,也可以用于检验两个样本之间的显著性差异。KS检验是基于累积分布函数的,如果要进行分布检验,以正态分布为例,首先会画出典型正态分布的累积分布图。然后绘制出数据的累积分布图,通过比较二者最大差值是否大于边界值来判断边界值和D的关系, 如果D小于边界值,则可以认为样本的分布符合已知分布,否则不可以。
除KS检验方法外,还有AD检验和W检验可以用来检测数据的分布特性:
如何判断数据是否符合正态分布?
常见正态性检验方法总结
R语言-数据的正态性检验
关注我
不迷路
R语言-数据的正态性检验
R语言-数据的正态性检验
数据的分布形势是进行统计学处理的基础,在没有掌握数据结构的情况下进行统计学分析,极有可能得出不可靠的结论,因此对于数据分布的检验就显得非常重要。正态分布是几种常见的数据分布形势,在体育学研究中也较为常见,使用R语言进行数据的正态性的检验非常简单。欲知详情,请点赞关注!
1
01
数据
数据如下,这是一份根据真实数据改编的改编数据。
02
读入数据到RStudio
1
方式一
给出文件的相对路径,首先设置R-Studio的工作目录,然后打开数据文件。设置工作目录为“数据”文件夹。
>setwd(dir="C:\Users\admin\Desktop\正在处理\体育统计代码\数据")
读取数据,将数据存放在df数据框里
> read.csv("正态性检验数据.csv",header=T)
2
方式二
给出文件的绝对路径,无需设置工作目录。
df<-read.csv("C:\Users\admin\Desktop\正在处理\体育统计代码\数据\正态性检验数据.csv",header=T)
3
查看数据
03
绘制条形图
1
绘制彩色条形图
> h <- hist(df$身高,breaks = 12,col=rainbow(10),xlab="身高",ylab="频率",main = "身高频数分布图")
> x <- df$身高
> xfit <- seq(min(x),max(x),length=40)
> yfit <- dnorm(xfit,mean = mean(x),sd = sd(x))
> yfit <- yfit*diff(h$mids[1:2])*length(x)
> lines(xfit,yfit,col="black",lwd=2)
> rug(jitter(df$身高))#添加轴虚图
> shapiro.test(df$身高)
04
正态性检验
Shapiro-Wilk (SW) 检验,用于验证一个随机样本数据是否来自正态分布。
1
结果解读
H0:该样本数据服从正态分布。
H1:该样本数据不服从正太分布。
SW检验结果为:p>0.05,因此接受原假设,认为该样本符合正态分布。
04
参考资料
[1]https://blog.csdn.net/zzminer/article/details/8858469
以上是关于数据的正态性检验的主要内容,如果未能解决你的问题,请参考以下文章
R语言使用wilcox.test函数进行两组数据的Wilcoxon符号秩检验wilcox.test函数添加paired参数则为Wilcoxon signed rank,当t检验需要的正态性条件不满足