论文数据正态转化
2023-01-14阅读(679)
问：如何把标准正态分布化成正态分布我在做一篇数模论文
- 答：一般正态分布的x值减去其均值再除以其西格玛水平所得的z值就是对应标准正态分布的x值。再通过标准正态分布表就可以算出其概率。这时候的z值也是这个一般正态分布在这个概率下的西格玛水平。
求证：假设X～N(μ,σ^2),则Y=(X-μ)/σ～N(0,1).
证明：因为X～N(μ,σ^2),
所以P(x)=(2π)^(-1/2)*σ^(-1)*exp{[-(x-μ)^2]/(2σ^2)}.
(注：F(y)为Y的分布函数,Fx(x)为X的分布函数）
而 F(y)=P(Y≤y)=P((X-μ)/σ≤y)
=P(X≤σy+μ)=Fx(σy+μ)
所以 p(y)=F'(y)=F'x(σy+μ)*σ=P(σy+μ)*σ
=[(2π)^(-1/2)]*e^[-（x^2)/2].
从而,N(0,1).
问：非正态分布的数据怎么在论文上表格
- 答：做spss分析，数据不符合正态分布，如何将非正态数据转为正态分布数据，可以采用以下步骤来转换：
先将原始分数的频数转化为相对累积频数（百分等级），将它视为正态分布的概率，然后通过查正态分布表中概率值相对应的z值，将其转化为z分数，达到正态化的目的。
在spss上的操作方法：工具栏transform-rank
cases，将左边你要进行正态化的变量拖入右边“变量”框中；点选rank
types对话窗，选中normal
scores选项（共四种计算方法，系统默认的是bloom计算方法，可根据你的需要进行改进），点击continue，ok。
spss会在数据观察表中生成两列新变量，其中n总分变量就是你想要的正态化结果。
注：尊重知识，请提问者尽快采纳答案。
问：当数据不符合正态分布，且希望能符合正态分布时候可以用哪些方法
- 答：正态分布法：X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0，σ = 1时便符合正态分布了。
故必须认定这二者之一（算术平均的优良性，误差的正态性） 为出发点。但算术平均到底并没有自行成立的理由，以它作为理论中一个预设的出发点，终觉有其不足之处。拉普拉斯的理论把这断裂的一环连接起来，使之成为一个和谐的整体，实有着极重大的意义。
其实，他提出的形式有相当大的局限性：海根把误差设想成个数很多的、独立同分布的“元误差” 之和，每只取两值，其概率都是1/2，由此出发，按棣莫弗的中心极限定理，立即就得出误差（近似地）服从正态分布。
拉普拉斯所指出的这一点有重大的意义，在于他给误差的正态理论一个更自然合理、更令人信服的解释。因为，高斯的说法有一点循环论证的气味：由于算术平均是优良的，推出误差必须服从正态分布；反过来，由后一结论又推出算术平均及最小二乘估计的优良性。 - 答：正态分布法：X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0，σ = 1时便符合正态分布了。
正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。
扩展资料
由于一般的正态总体其图像不一定关于y轴对称，对于任一正态总体，其取值小于x的概率。只要会用它求正态总体在某个特定区间的概率即可。
为了便于描述和应用，常将正态变量作数据转换。将一般正态分布转化成标准正态分布。
若
服从标准正态分布,通过查标准正态分布表就可以直接计算出原正态分布的概率值。故该变换被称为标准化变换。
参考资料来源： - 答：科学合理的取样，数据是应当符合正态分布的。如数据不符合正态分布，应当考虑：
数据来源是否是一个样本；
样本中，数据取得数量是否充足；
统一样本中，过程是否稳定；
重新计算样本分布的统计中线，缩小坐标间隔，增大数值计数范围。
做原始分布图时，不要人为剔除数据，即使是超出控制界限。 - 答：没有明白你的意思？ 不符合正态分布的数据，你为什么强要他们符合？ 做论文？
