正态分布检验NormalTest

//  正态分布检验
//NormalTest:正态分布检验
//ZF:正态分布累积函数
//varK(dList,k):k阶样本矩

int NormalTest(double* dList,int nDataCount,double alpha,bool* pbRes)
{
double sig1,sig2,mu2,A1,A2,A3,A4,B2,B3,B4,g1,g2,u1,u2;

if((NULL == dList) || (NULL == pnRes)) return -1;

if(nDataCount<100) return -2;

if((alpha < 0) || (alpha >= 1.0) ) return -3;

sig1=sqrt(6.0*(n-2)/(n+1)/(n+3));
sig2=sqrt(24.0*n*(n-2)*(n-3)/(n+1)/(n+1)/(n+3)/(n+5));
mu2=3.0-6.0/(n+1);

A1=varK(dList,1);
A2=varK(dList,2);
A3=varK(dList,3);
A4=varK(dList,4);
B2=A2-A1*A1;
B3=A3-3.0*A2*A1+2.0*A1*A1*A1;
B4=A4-4.0*A3*A1+6.0*A2*A1*A1-3.0*A1*A1*A1*A1;

if(fabs(B2)<1e-9)
return -4;

g1=B3/B2/sqrt(B2);
g2=B4/B2/B2;
u1=g1/sig1;
u2=(g2-mu2)/sig2;

if( (fabs(u1) >= ZF(alpha/4.0)) || (fabs(u2) >= ZF(alpha/4.0)) )
{
*pbRes = false;
}
else
{
*pbRes = true;
}

return 1;
}

时间: 2024-10-09 21:02:00

正态分布检验NormalTest的相关文章

正态分布与正态分布检验

一.正态分布 正态分布是最常见也是最重要的一种连续型数据分布,标准正态分布是正态分布的一种, 当 μ=0,σ=1时的正态分布为标准正态分布,为了应用方便,常将正态分布通过Z分数转换为标准正态分布,这种转换后的分布也称为u分布或z分布. 正态分布的主要特征: 1.集中性:正态曲线的高峰位于正中央,即均数所在的位置,正态分布的均值.中位数.众数都相等 2.对称性:正态曲线以均数为中心,左右对称,曲线两端永远不与横轴相交. 3.均匀变动性:正态曲线由均数所在处开始,分别向左右两侧逐渐均匀下降. 4.正

写R脚本:以对多分组数据进行正态分布检验为例

问题提出 正态分布检验一次只能检验一个分组,如果有多组数据需要检验,则需要运行多次 解决思路 使用循环命令可以实现按一定规则计算. 如果以后也经常需要使用,写成脚本调用更方便些,需要使用的时候直接调用即可. 脚本针对的场景相对直接使用循环命令更广泛写,如果仅使用循环命令,很多参数与类型定义直接使用数据对应的即可,因此写脚本难度相对高一些,但是设计出可以通用的脚本也是小小的成就. 设计框架 函数名与参数 从分组是否符合生态分布需要输入数据出发,定义的函数设计以下内容: 函数名,这个无所谓,只要不是

统计学常用概念:T检验、F检验、卡方检验、P值、自由度

1,T检验和F检验的由来 一般而言,为了确定从样本(sample)统计结果推论至总体时所犯错的概率,我们会利用统计学家所开发的一些统计方法,进行统计检定. 通过把所得到的统计检定值,与统计学家建立了一些随机变量的概率分布(probability distribution)进行比较,我们可以知道在多少%的机会下会得到目前的结果.倘若经比较后发现,出现这结果的机率很少,亦即是说,是在机会很 少.很罕有的情况下才出现:那我们便可以有信心的说,这不是巧合,是具有统计学上的意义的(用统计学的话讲,就是能够

T检验与F检验的区别_f检验和t检验的关系

1,T检验和F检验的由来 一般而言,为了确定从样本(sample)统计结果推论至总体时所犯错的概率,我们会利用统计学家所开发的一些统计方法,进行统计检定. 通过把所得到的统计检定值,与统计学家建立了一些随机变量的概率分布(probability distribution)进行比较,我们可以知道在多少%的机会下会得到目前的结果.倘若经比较后发现,出现这结果的机率很少,亦即是说,是在机会很少.很罕有的情况下才出现:那我们便可以有信心的说,这不是巧合,是具有统计学上的意义的(用统计学的话讲,就是能够拒

通俗理解T检验与F检验的区别【转】

转自:http://blog.sina.com.cn/s/blog_4ee13c2c01016div.html1,T检验和F检验的由来一般而言,为了确定从样本(sample)统计结果推论至总体时所犯错的概率,我们会利用统计学家所开发的一些统计方法,进行统计检定. 通过把所得到的统计检定值,与统计学家建立了一些随机变量的概率分布(probability distribution)进行比较,我们可以知道在多少%的机会下会得到目前的结果.倘若经比较后发现,出现这结果的机率很少,亦即是说,是在机会很少.

通俗理解T检验与F检验的区别

声明:此文内容来源于网络,本文只作用个性化标注和解释说明. 1.T检验和F检验的由来    一般而言,为了确定从样本(sample)统计结果推论至总体时所犯错的概率,我们会利用统计学家所开发的一些统计方法,进行统计检定.    通过把所得到的统计检定值[1],与统计学家建立了一些随机变量的概率分布(probability distribution)进行比较,我们可以知道在多少%的机会下会得到目前的结果.倘若经比较后发现,出现这结果的机率很少,亦即是说,是在机会很少.很罕有的情况下才出现:那我们便

python_数据分析_正态分布

Kolmogorov-Smirnov 与 Shapiro-Wilk 模型正态分布检验 Spss stata R语言正态分布 R中stats包中内置的ks.test(),可以用于检验标准分布,但这个检验方法效率并不高,且需要在大样本情形下,lz20个数据,.. 这....当时这个ks.test就是最原始的KS检验,至于lz想要在SPSS中得到相同的结果,please choose 非参检验,当然如果lz想要在R中得到与你之前spss中相同的结果, please 加载nortest包,使用lilli

建设检验

假设检验 https://wiki.mbalib.com/wiki/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C H0 记忆方法 采用标准或无差异做为H0 α 拒真的概率 b 弃伪的概率 分类 正态分布检验.正态总体均值分布检验.非参数检验. 正态分布检验包括三类:JB检验.KS检验.Lilliefors检验,用于检验样本是否来自于一个正态分布总体. 正态总体均值检验检验分析方法和分析结果的准确度,考察系统误差对测试结果的影响.从统计意义上来说,各样本均值之差应在随机

R语言正态性检验

R语言正态性检验 用R语言做正态分布检验 (2012-02-29 10:59:54)转载▼ 摘自:吴喜之:<非参数统计>(第二版),中国统计出版社,2006年10月:P164-165 1.ks.test() 例如零假设为N(15,0.2),则ks.test(x,"pnorm",15,0.2).如果不是正态分布,还可以选"pexp", "pgamma"等.2.shapiro.test() 可以进行关于正态分布的Shapiro-Wilk检