怎样判断数据是否服从正态分布 原发布者：段波段波正态性检验简介生成正态概率图并进行假设检验，以检查观测值是否服从正态分布。对于正态性检验，假设为H0：数据服从正态分布与H1：数据不服从正态分布图形中的垂直尺度类似于正态概率图中的垂直尺度，水平轴为线性尺度，此线形成数据所来自总体的累积分布函数的估计值。图中会显示总体参数的数字估计（均值和标准差）、正态性检验值以及关联的p值。正态性检验的方法很多，但具体原理是不相同的，有些是拟合优度检验，有些是偏峰度检验。用Minitab作数据的正态性检验的方法：统计>；基本统计量>；正态性检验(stat>；BasicStatistic>；Normalitytest)最后都是看P值，P>；0.05就基本可以认为数据正态有如下三种检验方法：(1Anderson-Daling，缺省状态即为此检验法，AD法最灵敏。AD检验是很准确的判断方法，表面上在直线附近，但很可能被拒绝。(2Ryan-Joiner(它实际上与W检验很相似，ISO将它定为标准检验方法，中国国标也采用此法)。(3Kolmogorov-Smirnov方法。Anderson-Darling和Kolmogorov-Smirnov检定方法是基于经验分布函数，Ryan-Joiner(类似Shapiro-Wilk)是基于相关与回归的，一般而言都选Anderson-Darling。三种检验方法的详细解释如下：Anderson-Darling检验（A-D。
minitab正态性检验时，符合正态分布的P值的要求是什么 推荐P>；0.05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。
用SPSS做对数正态分布检验，sig值>0.05或<0.05说明什么问题？ （sig值由分析-非参-K-S检验得出的） 当sig大于0.05时就说明数据服从指定的分布（如正态分布），sig越大越能说明数据服从指定的分布（如正态分布）。sig值小于0.05说明数据不服从正态分布。从研究总体中抽取一个随机样本计算检验统计量的值计算概率sig值或者说观测的显著水平，即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。如果sig，说明是较强的判定结果，拒绝假定的参数取值。如果0.01值，说明较弱的判定结果，拒绝假定的参数取值。如果sig值>；0.05，说明结果更倾向于接受假定的参数取值。扩展资料在很多应用中，特别是在可靠性和维修性方面，数据可能不符合正态分布。可是，随机变量的对数可能符合正态分布，对此情况称为对数正态分布。如果应用对数正态分布，在对数正态图纸上数据的图形将是一条直线。绘图的过程与其他分布是相同的。其分析的过程包括计算对数值的平均值和标准差，以及对最终结果取反对数。对数正态分布与正态分布很类似，除了它的概率分布向右进行了移动。对数正态分布从短期来看，与正态分布非常接近。但长期来看，对数正态分布向上分布的数值更多一些。更准确地说，对数正态分布中，有更大向上波动的可能，更小向下波动的可能。对数正态分布用于半导体器件的。
