产品
解释概率图的主要结果
请完成以下步骤来解释概率分布图。主要输出包括 p 值、拟合分布线和估计的百分位数。
关于本主题
步骤 1：确定数据是否不服从分布
要确定数据是否服从分布，请将 p 值与显著性水平进行比较。通常，显著性水平（用 α 或 alpha 表示）为 0.05 即可。显著性水平 0.05 表示当数据实际上服从分布时，判定数据不服从分布的风险为 5%。
P 值 ≤ α：数据不服从分布（否定 H0）
如果 p 值小于或等于显著性水平，则决策为否定原假设并得出数据不服从分布的结论。
P 值 > α：无法得出数据不服从分布的结论（无法否定 H0）
如果 p 值大于显著性水平，则决策为无法否定原假设，因为没有足够的证据得出数据不服从分布的结论。但是，您无法得出数据服从分布的结论。
在这些结果中，原假设声明数据服从正态分布。由于 p 值为 .463，大于显著性水平 .05，因此决策为无法否定原假设。您无法得出数据不服从正态分布的结论。
警告
样本数量影响检验功效。极小的样本可能会因功效不足而无法从分布中检测到显著的偏移。极大的样本可能因功效太大而从分布中检测到不重要的小偏移。因此，使用概率图上的直观结果以及 p 值可评估分布拟合，如步骤 2 中所示。
步骤 2：对分布的拟合程度进行可视化处理
检查概率图并评估数据点与拟合分布线的服从程度。如果指定的理论分布能够很好地拟合数据，则点将沿着直线紧密分布。例如，下面的正态概率图上的点沿拟合线分布。正态分布似乎能够很好地拟合数据。
注意
拟合分布线是图中间的直线。图上的外层实线是各个百分位数（而不是整个分布）的置信区间，不应当用来评估分布的拟合情况。
步骤 3：显示总体估计百分位数
在 Minitab 中，将指针放在拟合分布线上可查看百分位数和值表。
例如，下面的概率图显示检验对象在跑步机上走步时的脉搏率。对于均值和标准差等于该数据的正态分布，预计总体中有 5% 的脉搏率为 54.76 或更少。
注意
只有当数据紧密服从分布时，估计的总体百分位数才准确。
获取概率图点的方法
概率图通过根据其估计累积概率标绘每个观测值（包括重复的值），从样本创建估计的累积分布函数 (CDF)。
Minitab 通过使用以下公式之一，根据在文件 > 选项 > 单个图形 > 概率图中选择的内容（默认情况下选择中位数秩）计算估计的累积概率。对于每个公式，使 n 等于观测值个数，使 i 等于每个观测值的秩顺序，这样 i = 1 表示最小值，而 i = n 表示最大值。
中位数秩 (Benard)
均值秩 (Herd-Johnson)
修正后 Kaplan-Meier (Hazen)
Kaplan-Meier
注意
Kaplan-Meier 方法导致最大观测值的 p = 1。由于所得到的值不能用在图中，因此 Minitab 改为将最大的 p 计算为上一个 p 与 1 之间距离的 90%。
拟合分布线表示具有所指参数（估计参数或历史参数）的所选理论分布的 CDF。如果未提供历史参数，则 Minitab 将使用最小二乘估计（正态分布或对数正态分布）或极大似然估计（其他分布）来估计参数。
Y 值（在某些情况下是 X 值）将变换，以使拟合线为线性。但是，刻度标签始终与未变换值保持一致。因此，当所选分布与数据达到完全拟合的程度时，标绘点形成一条直线。
下表显示了对每种分布使用的变换。
重要信息
如果标绘未针对阈值调整的数据，则分布拟合不是由直线表明。
表示法
项说明数据观测值的数据值In(x)x 的自然对数
(p)标准正态分布的逆 CDF 为 p 返回的值。G-1(p),kGamma 分布（形状 = k 且尺度 = 1）的逆 CDF 为 p 返回的值。除非输入历史值，否则 Minitab 不会使用估计的形状参数。
免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删
155-2731-8020
