КОНСПЕКТ ЛЕКЦИЙ КОДЭИ

Расчетное значение

D = 0,104.

Количество наблюдений 20. Табличное значение D = 0,265 при 10% уровне значимости. Имеем

D(20; 0,1) = 0,265 >= 0,104 , т.е.

можно сделать вывод, что гипотеза нормального распределения принимается на достаточно «жестком» 10 %- ном уровне.

Критерий Шапиро-Уилка

Наиболее предпочтительным, особенно при небольших выборках (n = 3 - 50) является использование критерия Шапиро-Уилка, поскольку он обладает наибольшей мощностью в сравнении с другими критериями (т.е. чаще выявляет различия между распределениями в тех случаях, когда они действительно есть).

Значение статистики ШапироУилка оказалось равным 0,972 с уровнем значимости P=0,798. Поскольку уровнь значимости более 5% (табличное значение 0,868 при Р=0,01 ), то мы принимаем нулевую гипотезу о том, что распределение признака РОСТ подчиняется нормальному закону.

Домашнее задание № 1

ГОСТ Р ИСО 5479-2002. Статистические методы. Проверка отклоне­ния распределения вероятностей от нормального распределения

Законспектировать:

4.4 Критическая область критерия

4.5.Мощность критерия

4.6.Направленный критерий, многосторонний критерий

8.2.Критерий Шапиро-Уилка

Домашнее задание № 2

Львовский Е.Н.

Статистические методы построения эмпирических формул: Учеб. пособие для втузов. - 2-е изд., перераб. и доп. - М.: Высш. шк.,

1988.- 339 с.

Алгоритм и блок-схема алгоритма предварительной обработки экспериментальных данных. С. 37 ―

40

Преобразования переменных

Очень часто приходится преобразовывать переменные для того, чтобы удовлетворить требованиям предполагаемых статистических методов.

Переменная может иметь не нормальное распределение, не отвечая обязательному требованию для множества различных видов анализа.

Наблюдения в исследовании могут не подчиняться требованиям предполагаемого статистического анализа.

Мы превращаем наши исходные данные в преобразованные, применяя одно и то же математическое преобразование для каждого наблюдения.

Предположим, что у нас есть n наблюдений (у1, y2, ... yn) с переменной у, и мы решили, что

нам подходит логарифмическое преобразование. Мы берем логарифм каждого наблюдения для того, чтобы образовать ln у1, ln y2, ...ln уn. Если мы назовем преобразованную переменную z,

тогда zi = ln уi для каждой i (i = 1,2, ...,n), и

наше преобразование данных можно записать z1, z2, ... zn.