前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >R-正太分布,检验

R-正太分布,检验

作者头像
学到老
发布2018-03-16 13:17:42
1.3K0
发布2018-03-16 13:17:42
举报
文章被收录于专栏:深度学习之tensorflow实战篇

什么是正太分布检验? 判断一样本所代表的背景总体与理论正态分布是否没有显著差异的检验。 方法一 概率密度曲线比较法 看样本与正太分布概率密度曲线的拟合程度,R代码如下:

#画样本概率密度图 s <- rnorm(100) #产生样本 d <- density(s) plot(d, col="green", ylim=c(0, 0.5)) #添加正太分布概率密度图 s2 <- seq(from=-4, to=4, length.out=100) lines(s2, norm_expression(s2), col="red")

画图结果如下:

方法二 正太Q-Q图法

使用Q-Q图来判断数据是否服从正太分布,R代码如下:

代码语言:javascript
复制
s <- rnorm(100) #产生样本
qqnorm(s)
qqline(s)

画图结果如下,可见数据分布集中在对角线上,可以认为总体服从正太分布:

方法三 经验法则

约68.3%数值分布在距离平均值有1个标准差之内的范围,约95.4%数值分布在距离平均值有2个标准差之内的范围,以及约99.7%数值分布在距离平均值有3个标准差之内的范围。称为“68-95-99.7法则”或“经验法则”。

代码语言:javascript
复制
使用R的验证代码如下:

s <- rnorm(10000) #产生样本
sum(abs(s - mean(s)) < sd(s)) / length(s)
sum(abs(s - mean(s)) < 2*sd(s)) / length(s)

程序结果:

> s <- rnorm(10000) #产生样本 > sum(abs(s - mean(s)) < sd(s)) / length(s) [1] 0.6871 > sum(abs(s - mean(s)) < 2*sd(s)) / length(s) [1] 0.9538

方法四 统计检验方法

使用样本偏度和样本峰度来估计总体偏度和峰度,在正太分布的假定下,样本偏度和峰度均服从均值为零、方差分别为6/T和24/T的正太分布,可以分别检验偏度和峰度,也可以将两个统计量结合起来生成一个服从自由度为2的卡方分布的统计量,再进行检验【参见《金融时间序列分析》第三版P8~P9】。理论方面的东西略...

可以使用夏皮罗-威尔克(Shapiro-Wilk)检验,代码如下:

代码语言:javascript
复制
s <- rnorm(1000) #产生样本
shapiro.test(s)

检验结果:

> shapiro.test(s) Shapiro-Wilk normality test data: s W = 0.9987, p-value = 0.6716

shapiro.test函数输出一个p值,照惯例,p<0.05说明总体不太可能是正太分布,否则不能提供这么个证据,也就是说这个检验比较保守,倾向于错误的过分证明正态性。

R的nortest包能提供其他正太检验方法【参见《R语言经典实例》P221】。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档