Minitab相关概念选编.docx

Minitab中相关概念 偏度 偏度指缺乏对称性。如果一端比另一端长，则分布就是偏斜的。偏度的值包括在图形化汇总中： ?????接近于 0 的值表示对称数据 ?????负值表示偏斜方向为负向/向左 ?????正值表示偏斜方向为正向/向右 下面的分布向右偏斜，且偏度值为 1.308。 峰度 峰度指分布的尖峰程度。峰度的值包括在图形化汇总中： ?????接近于 0 的值表示正态峰值数据。 ?????负值表示分布比正态平稳。 ?????正值表示分布的波峰比正态波峰更尖锐。 此分布比正态分布平稳，峰度值为 ?1.253。此分布比正态分布尖锐，峰度值为 3.804。 索引和标记 对图形 X 轴上的刻度记号做出标记。索引以观测值在工作表列中的顺序对刻度做出标记。标记根据在一个或多个列中您所指定的特定值（如日期/时间值）对刻度做出标记。 例如，质量小组使用控制图跟踪精密机械部件重量的变异。如果对 X 尺度编制索引，则其观测值将按顺序编号。如果用一列日期对 X 尺度做出标记，则 Minitab 将以日期按其在工作表列中所显示的相同格式（例如，2006-3-6）对 X 轴上的刻度记号做出标记。 对 X 尺度编制索引时，1 表示工作表列中的第一个观测值，2 表示第二个观测值，依此类推。标记 X 尺度时，刻度标记指示工作表中一列或多列的值，如日期/时间。标记和索引是时间序列图、区域图和控制图的 X 尺度选项。 Alpha (a) Alpha (?) 用在假设检验中，是指拒绝真实原假设（类型 I 错误）的最大可接受风险水平，并用 0 到 1 之间的概率表示。Alpha 经常用来表示显著性水平。您应在开始分析之前设置 ??，然后将 p 值与 ??相比较以确定显著性： ?? ? ???如果 p 值小于或等于 ? 水平，则否定原假设，而接受备择假设。 ? ???如果 p 值大于 ? 水平，则不能否定原假设。 最常用的 ? 水平为 0.05。在此水平下，发现实际并不存在的效应的几率仅为 5%。? 值越小，错误地否定原假设的几率就越小。但是，? 值越小也意味着会降低检测到确实存在的效应的几率（功效越低）。 有时为 ? 选择一个较小值会更好。例如，要检验来自一台新铣床的样本以决定是否要为工厂采购一批这样的铣床。您希望能够凭借更精确的新铣床来减少不合格产品数量，进而节省大量资金。但是，购买和安装一批机器的成本非常高。购买前需要确信新机器更加精确。在此情况下，可能需要选择更低的 ? 值，如 0.001。这样，当新机器与原机器并无差别时，只有 0.1% 的几率会将新机器判断为更精确。 另一方面，有时选择较大的 ??值会更好。例如，假设您是一家喷气引擎制造商并要检验较便宜的滚珠轴承的强度。如果轴承强度较差，则少量的资金节约并不足以抵消潜在的灾难效应。因此，可能需要选择较高的 ? 值，如 0.1。尽管这意味着很可能会否定一个真实的原假设，但更重要的是，这也增加了检测到强度确实较弱的廉价轴承的几率。 P 值 确定否定假设检验中原假设的适当性。?P 值范围介于 0 到 1 之间。如果原假设成立，p 值就是获得至少与计算值一样极端的检验统计量的概率。进行任何分析之前，请先确定 alpha (?) 水平。常用值为 0.05。如果检验统计量的 p 值小于 alpha，则可否定原假设。 由于 p 值是假设检验中的基本项，因此，p 值被用于许多统计领域，包括许多其他领域内的基本统计量、线性模型、可靠性和多元分析。关键是要了解每个检验中原假设和备择假设所代表的内容，然后使用 p 值来帮助做出否定原假设的决定。 例如，考虑一个双样本 t 检验，其中要根据随机样本检验来自两台铣床的钢材的平均强度之间的差值。在此例中，原假设认为两个总体均值相等，而备择假设则认为这两个均值不相等。如果 p 值低于截止值水平，则表明总体均值不同。 假设还要对钢材强度进行回归分析，温度是其中的一个解释变量。可以看到每个回归系数的 p 值。在此，默认检验用于确定温度的系数是否为零。因此，原假设认为该系数等于零，而备择假设认为该系数不等于零。如果 p 值低于截止值水平，则表明温度的系数显著不等于零。 p 值根据观测的样本来计算，它表示当原假设实际为真时错误否定原假设的概率（类型 I 错误）。换句话说，它是仅通过随机误差获得至少与观测值和假设值之间的差值一样大的差值的概率。 假设检验 评估有关总体的两个互斥语句的过程。假设检验使用样本数据来确定数据对哪个语句提供最佳支持。?这两个语句被称为原假设和备择假设。?它们始终是有关总体属性的语句，如参数值、多个总体的对应参数之间的差异，或能够最好地描述总体的分布类型。可以使用假设检验回答的问题的示例包括： ? ???女大学生的平均身高是否等