Comment utiliser les parcelles quantile pour vérifier la normalité de données dans r
Histogrammes laissent beaucoup à l'interprétation du spectateur. Une manière graphique mieux dans R de dire si vos données sont réparties normalement est de regarder un prétendu complot quantile-quantile (QQ).
Sommaire
Avec cette technique, vous tracez quantiles uns contre les autres. Si vous comparez deux échantillons, par exemple, vous comparez simplement les quantiles de deux échantillons. Ou, pour le dire un peu différemment, R effectue les opérations suivantes pour construire un terrain de QQ:
On trie les données des deux échantillons.
Il trace ces valeurs rangés les uns contre les autres.
Si les deux échantillons ne contiennent pas le même nombre de valeurs, R calcule par interpolation des valeurs supplémentaires pour le plus petit échantillon afin de créer deux échantillons de la même taille.
Comment comparer deux échantillons de données
Bien sûr, vous n'êtes pas obligé de le faire par vous-même, vous pouvez simplement utiliser la qqplot () fonction pour cela. Donc, pour vérifier si les températures au cours de l'activité et au repos sont répartis de manière égale, vous faites simplement ce qui suit:
> Qqplot (beaver2 $ temp [beaver2 $ activ == 1], + beaver2 $ temp [beaver2 $ activ == 0])
Cela crée un terrain où les valeurs ordonnées sont portées contre l'autre.
Entre les crochets, vous pouvez utiliser un vecteur logique de sélectionner les cas que vous voulez. Ici vous sélectionnez tous les cas où la variable activ égal à égal 1 pour le premier échantillon, et tous les cas où cette variable est égal à 0 pour le second échantillon.
Comment utiliser un complot R QQ pour vérifier la normalité des données
Dans la plupart des cas, vous ne voulez pas de comparer deux échantillons uns avec les autres, mais comparer un échantillon avec un échantillon théorique qui vient d'une certaine distribution (par exemple, la distribution normale).
Pour faire un QQ plot de cette façon, R a la spéciale qqnorm () fonction. Comme son nom l'indique, cette fonction trace votre échantillon contre une distribution normale. Vous donnez simplement l'échantillon que vous voulez tracer comme premier argument et ajouter des paramètres graphiques que vous aimez.
R crée ensuite un échantillon avec des valeurs provenant de la standard distribution normale, ou une distribution normale avec une moyenne de zéro et un écart type de un. Avec ce deuxième échantillon, R crée le QQ plot comme expliqué précédemment.
R a également une qqline () fonction, ce qui ajoute une ligne à votre QQ plot normal. Cette ligne rend beaucoup plus facile d'évaluer si vous voyez une nette déviation de la normalité. Le plus proche de tous les points se trouvent à la ligne, plus la répartition de votre échantillon provient de la distribution normale. La qqline () fonction prend également l'échantillon comme un argument.
Maintenant, vous voulez faire cela pour les températures pendant la fois l'actif et la période inactive du castor. Vous pouvez utiliser le qqnorm () fonctionner deux fois pour créer deux parcelles. Pour les périodes d'inactivité, vous pouvez utiliser le code suivant:
> Qqnorm (beaver2 $ temp [beaver2 $ activ == 0], principales = «inactif»)> qqline (beaver2 $ temp [beaver2 $ activ == 0])
Vous pouvez faire de même pour la période active en changeant la valeur 0 à 1.
-
Les tests graphiques de données aberrantes -
Quantile-quantile (QQ) parcelles: technique graphique pour les données statistiques -
Comment comparer deux échantillons de données avec r - Comment comparer deux échantillons de données avec le test t de r
- Comment extraire les résultats des tests de données avec r
- Comment tester la normalité des données de façon formelle dans r
Comment tester la normalité des données graphiquement dans r Vous pouvez, bien sûr, tracer un histogramme avec R pour chaque échantillon de données que vous voulez regarder. Vous pouvez utiliser le histogramme () fonctionner assez facilement tracer des histogrammes pour les différents groupes.Utilisation…
Econométrie et la distribution de t La t distribution est utilisée un peu en économétrie. Vous avez probablement utilisé la t Répartition largement lorsqu'ils traitent avec des moyens à votre classe de statistiques, mais en économétrie vous aussi l'utiliser pour les…
La distribution chi-carré en économétrie En économétrie, vous utilisez la distribution chi-carré abondamment. La distribution chi-carré est utile pour comparer les valeurs de variance estimées à partir d'un échantillon de ces valeurs fondées sur des hypothèses théoriques. Par…
Comment une distribution normale affecte la forme d'une distribution d'échantillonnage Dans les statistiques, lorsque la distribution originale pour une population X est normal, alors vous pouvez aussi supposer que la forme de la distribution d'échantillonnage, ousera également normal, quelle que soit la taille de l'échantillon…
Comment une distribution d'échantillonnage est affectée lorsque la distribution est pas normal Dans les statistiques, si une population X a toute distribution qui est pas normale, ou si sa distribution est inconnu, vous ne pouvez pas dire automatiquement la distribution des moyennes d'échantillona une distribution normale. Mais…
Comment taille de l'échantillon affecte erreur standard La taille (n) D'un échantillon statistique affecte l'erreur-type pour cet échantillon. Car n est dans le dénominateur de la formule standard d'erreur, l'erreur-type diminue à mesure que n augmente. Il est logique que d'avoir plus de données…
Comment le théorème central limite est utilisée dans les statistiques La distribution normale est utilisée pour aider à mesurer la précision de nombreuses statistiques, dont la moyenne d'échantillon, en utilisant un résultat important appelé le Théorème central limite. Ce théorème vous donne la possibilité…
Comment convertir une distribution d'échantillonnage à une variable aléatoire normale standard utilisant le théorème central limite Vous pouvez utiliser le théorème central limite pour convertir une distribution d'échantillonnage à une variable aléatoire normale standard. Basé sur le théorème central limite, si vous dessinez des échantillons à partir d'une population…
Comment trouver la distribution d'échantillonnage d'une proportion d'échantillon Si vous utilisez une taille suffisante de l'échantillon statistique, vous pouvez appliquer le théorème central limite (CLT) à une proportion de l'échantillon pour les données catégorielles pour trouver sa distribution d'échantillonnage. La…
Comment dire à un z-distribution à partir d'une distribution de t Bien que la normale (Z-) Distribution et t-la distribution sont similaires, ils regardent différents les uns des autres et sont utilisées à des fins statistiques différentes. La distribution normale est que la distribution en forme de cloche…
Comment les valeurs z sont utilisés dans les statistiques Si un ensemble de données statistiques a une distribution normale, il est coutumier de normaliser toutes les données pour obtenir des scores classiques connues comme z-valeurs ou z-scores. La distribution de z-valeurs prend une distribution…
Distributions statistiques: binomiale, et t-distribution normale Une distribution statistique est une liste des valeurs possibles d'une variable (ou intervalles de valeurs), et combien de fois (ou à ce que la densité) ils se produisent. Il peut prendre plusieurs formes, y compris binomiale, normale, et…
Distributions de probabilité continue Lorsque vous travaillez avec des distributions de probabilités continues, les fonctions peuvent prendre de nombreuses formes. Ceux-ci comprennent uniforme continue, exponentielle, normale, normale standard (Z), approximation binomiale, Poisson…
Formules pour les limites de confiance dans les grands échantillons La plupart des méthodes approximatives pour déterminer les limites de confiance sont basées sur l'hypothèse que votre échantillon statistique a une distribution d'échantillonnage qui est (au moins approximativement) distribué normalement.…