浅尝辄止_数学建模(笔记_对数据进行正态分布检验)
文章目录
- 对数据进行正态分布检验
- 一、正态分布 J B JB JB检验(大样本 n > 30 n>30 n>30)
- 1.偏度
- 2.峰度
- 3.Matlab中偏度和峰度的计算
- 4. J B JB JB检验实操步骤
- 5.Matlab中进行** J B JB JB**检验的语法:
- 二、夏皮洛-威尔克检验(小样本3≤n≤50)
- 1.理论介绍
- 2.实操步骤
- 3.如何利用SPSS计算威尔克统计量?
- 三、Q-Q图(要求样本数据数量非常大)
- 1.实操步骤
对数据进行正态分布检验
对数据进行正态分布检验,即判断数据是否满足皮尔逊相关系数假设检验的第一个条件。
一、正态分布 J B JB JB检验(大样本 n > 30 n>30 n>30)
对于一个随机变量 { X i X_i Xi},假设其偏度为 S S S,峰度为 K K K,那么可以构造 J B JB JB统计量:
可以证明,如果{ X i X_i Xi}是正态分布,那么在大样本的情况下 J B JB JB服从于一个自由度为2的卡方分布。
1.偏度
- 百度百科 — 偏度
- 对于正态分布来说,其偏度为0
2.峰度
- 百度百科 — 峰度
- 对于正态分布来说,按照图中第一个式子定义,其峰度为3。按照第二个式子定义,其峰值为0。
3.Matlab中偏度和峰度的计算
举例:
x = normrnd(2,3,100,1);
%生成100*1的随机向量,所有元素是均值为2,标准差为3的正态分布
skewness(x) %偏度
kurtosis(x) %峰度
4. J B JB JB检验实操步骤
- 设置原假设和备择假设
原假设 H 0 : H_0: H0:该随机变量服从正态分布
备择假设 H 1 : H_1: H1:该随机变量不服从正态分布 - 计算该变量的偏度和峰度,得到检验值 J B ∗ JB^* JB∗
- 计算其对应的 p p p值
- 将 p p p值与0.05比较,如果小于0.05则拒绝原假设,否则无法拒绝原假设(默认置信水平为95%)
5.Matlab中进行** J B JB JB**检验的语法:
[h , p] = jbtest (x , alpha)
- x是需要检验的随机变量,其只能是向量
- alpha是显著性水平,一般选取0.05,此时置信水平为0.95(1-alpha)
- 当h输出等于1时,表示拒绝原假设;当h输出等于0时,表示无法拒绝原假设
- jbtest函数只能一列一列单独检验,无法同时检验多列数据
代码演示:
1.检验第一列数据是否为正态分布
[h , p] = jbtest(Test(:,1),0.05)
2.用循环检验所有列的数据
n_c = size(Test,2);
%求列数
H = zeros(1,6);
P = zeros(1,6);
%初始化数据
for i = 1;n_c[h , p] = jbtest(Test(:,1),0.05);H(i)=h;P(i)=p;
end
disp(H)
disp(P)
二、夏皮洛-威尔克检验(小样本3≤n≤50)
1.理论介绍
统计学习:夏皮罗-威尔克检验(Shapiro–Wilk test)
2.实操步骤
- 设置原假设和备择假设
原假设 H 0 : H_0: H0:该随机变量服从正态分布
备择假设 H 1 : H_1: H1:该随机变量不服从正态分布 - 利用SPSS计算出威尔克统计量(即检测值),得到对应的p值
- 将 p p p值与0.05比较,如果小于0.05则拒绝原假设,否则无法拒绝原假设(默认置信水平为95%)
3.如何利用SPSS计算威尔克统计量?
SPSS — 分析 — 描述统计 — 探索 — 转移数据 — 图 — 勾选“含检验的正态图“ — 完成
生成图的最后一列,即显著性,就是p值
三、Q-Q图(要求样本数据数量非常大)
在统计学中,Q-Q图(Q代表分位数Quantile)是一种通过比较两个概率分布的分位数对这两个概率分布进行比较的概率图方法。
对比前两种方法,第三种方法不建议使用,因为需要巨大的样本数量
1.实操步骤
- 利用Matlab自带的函数 qqplot,输出图像
- 分析判断Q-Q图上的点是否近似的在一条直线上(正态分布的图像上,各点近似分布在同一条直线上)
浅尝辄止_数学建模(笔记_对数据进行正态分布检验)相关推荐
- python数学建模可视化_数学建模之流程图和数据可视化
数学建模之流程图及数据可视化 前言:数学建模比赛中,最吸引评审老师的就是figure了,figure分为开篇的流程图[模型思路].数据统计图[折线图.柱状图.扇形图.拟合图-].地图[热力分布图].恰 ...
- python三次样条插值拟合的树行线_数学建模笔记——插值拟合模型(一)
啊好像距离上次写作又过了七天,啊好像我之前计划的一周两三篇,啊辣鸡小说毁我青春,啊我是一只可怜的鸽子. 不管怎样,我又回来了,并坚定地更新着hhh.再过两三天就是我们学校数学建模选拔,再过八九天就是期 ...
- spss数据预处理步骤_数学建模准备必备的十个数据分析软件(数学建模从入门到精通)...
前几天咋们聊了很多关于数学建模的干货,比如怎么样去前期准备学习数学建模,又比如数学建模需要哪些疾病软件?再比如数学建模论文摘要写作技巧.昨天那篇更是直接把数学建模常用的思维导图.流程图软件全部统统介绍 ...
- 图书销量时间序列预测_数学建模_Prophet实现
图书销量时间序列预测_数学建模_Prophet实现 前言 主要参考 代码 库导入与函数设置 导库 展示函数 取数据函数 训练函数 评估函数 数据预处理 数据集划分 数据分布查看 销售曲线查看 销售预测 ...
- 数学建模笔记之一起读论文2019年C题——机场的出租车问题
数学建模笔记之一起读论文--机场的出租车问题 2021-8-28 全国大学生数学建模竞赛 2019年C题 B站链接--国赛C题真题解析 1 赛题阅读与分析 原题再现: 问题C 机场的出租车问题 大多数 ...
- 数学建模笔记——插值拟合模型(二)
今天是8月21日,距离上次写文章好像将近一个月了--这段时间经历了建模校内选拔赛,考试周,以及与网络小说的斗智斗勇--好吧,其实也没干什么,除了考试就是荒废-- 我最近有在思考一个问题,就是我所关注的 ...
- 浅尝辄止_数学建模(笔记_时间序列分析及其SPSS实现)
本文多是广泛的概念和SPSS运用,没有具体的推导过程和深入的探究 文章目录 一.时间序列分析 1.具体步骤: 二.基本知识 1.时间序列数据 2.时间序列的基本概念 3.时间序列分解 4.叠加模型和乘 ...
- 浅尝辄止_数学建模(笔记_斯皮尔曼相关系数)
文章目录 一.斯皮尔曼spearman相关系数 1.定义(1) 2.定义(2) 3.Matlab中计算斯皮尔曼相关系数 4.斯皮尔曼相关系数的假设检验 小样本情况,即n≤30n≤30n≤30 大样本情 ...
- 如何用matlaab把csv转为mat文件_数学建模竞赛学习笔记:用TOPSIS模型进行综合评价
笔记整理来自清风老师的数学建模课程(可以在B站里搜索到,头条无法放站外链接,我就不放了):TOPSIS教程 目录 1. 层次分析法的局限性(主观求权重方法) 2. TOPSIS法引入 2.1 一个指标 ...
最新文章
- python上海培训哪里比较好-上海哪个python培训机构好
- 树根c语言,03-树1 树的同构 (C语言链表实现)
- VC++之自定义消息
- 客制化NVRAM的以太网地址
- 基于h5的跳一跳游戏的开发与实现_「南宁小程序开发」企业开发小程序有哪些好处?...
- 你都知道么?Android中21种drawable标签大全
- 笔记(2015-07-24)
- python可以处理矩阵吗_Python 稀疏矩阵处理
- Docker 安装 Tomcat
- [转载] python difference用法_set.difference() 的用法(python3)_python3 set集合,三元运算以及
- 人脸对齐(二十一)--A Recurrent Encoder-Decoder Network for Sequential Face Alignment
- HTTP协议详解(真的很经典)(转载)
- 黑马程序员 Python学习笔记之PyCharm 的初始设置
- 利用anaconda 下载python所依赖的文件包
- 微信公众平台开发1-OAuth2.0网页授权(含源码)
- 明源地产ERP实施五步法
- Nginx神来之笔,提高并发原来如此简单
- 微信小程序中使用emoji表情相关说明
- Android三方依赖冲突及Gradle的exclude使用
- 架构设计:系统存储(2)——块存储方案(2)