1樓：匿名使用者
額。。我估計你說的是老師要求你們的試驗資料要最好達到這個要求吧。。所以請不要理解錯了，資料並不一定要滿足正態分佈，只是你可以讓實驗資料儘量達到正態分佈而通過試驗測試的目的（因為資料是你選擇的）。
2樓：隔江猶唱潘多拉
沒要要求資料滿足正態分佈的說法啊，是在**看到的？資料滿足什麼分佈是一個客觀事情，沒法主觀要求的。只是自然界很多資料滿足或接近正態分佈罷了。
3樓：月洗鉛塵
你的問題是什麼，在什麼模型的前提下錯誤項正態分佈嗎？
如果一組資料滿足正態分佈，請問意義是什麼，資料有什麼特點
4樓：醉意撩人殤
正態分佈的意義和特點：
1、正態分佈有兩個引數，即均數μ和標準差σ，可記作n（μ，σ）：均數μ決定正態曲線的中心位置；標準差σ決定正態曲線的陡峭或扁平程度。σ越小，曲線越陡峭；σ越大，曲線越扁平。
2、對稱性：正態曲線以均數為中心，左右對稱，曲線兩端永遠不與橫軸相交。
3、均勻變動性：正態曲線由均數所在處開始，分別向左右兩側逐漸均勻下降。
4、集中性：正態曲線的高峰位於正**，即均數所在的位置。
5、u變換：為了便於描述和應用，常將正態變數作資料轉換。
5樓：我是一個麻瓜啊
1、集中性：正態曲線的高峰位於正**，即均數所在的位置。
2、對稱性：正態曲線以均數為中心，左右對稱，曲線兩端永遠不與橫軸相交。
3、均勻變動性：正態曲線由均數所在處開始，分別向左右兩側逐漸均勻下降。
4、正態分佈有兩個引數，即均數μ和標準差σ，可記作n（μ，σ）：均數μ決定正態曲線的中心位置；標準差σ決定正態曲線的陡峭或扁平程度。σ越小，曲線越陡峭；σ越大，曲線越扁平。
5、u變換：為了便於描述和應用，常將正態變數作資料轉換。
擴充套件資料
正態分佈的應用
1、估計頻數分佈 一個服從正態分佈的變數只要知道其均數與標準差就可根據公式即可估計任意取值範圍內頻數比例。
2、制定參考值範圍
（1）正態分佈法 適用於服從正態（或近似正態）分佈指標以及可以通過轉換後服從正態分佈的指標。
（2）百分位數法 常用於偏態分佈的指標。表3-1中兩種方法的單雙側界值都應熟練掌握。
3、質量控制：為了控制實驗中的測量（或實驗）誤差，常以 作為上、下警戒值，以 作為上、下控制值。這樣做的依據是：正常情況下測量（或實驗）誤差服從正態分佈。
4、正態分佈是許多統計方法的理論基礎。檢驗、方差分析、相關和迴歸分析等多種統計方法均要求分析的指標服從正態分佈。許多統計方法雖然不要求分析指標服從正態分佈，但相應的統計量在大樣本時近似正態分佈，因而大樣本時這些統計推斷方法也是以正態分佈為理論基礎的。
綜合素質研究
教育統計學統計規律表明，學生的智力水平，包括學習能力，實際動手能力等呈正態分佈。因而正常的考試成績分佈應基本服從正態分佈。考試分析要求繪製出學生成績分佈的直方圖，以「中間高、兩頭低」來衡量成績符合正態分佈的程度。
其評價標準認為：考生成績分佈情況直方圖，基本呈正態曲線狀，屬於好，如果略呈正（負）態狀，屬於中等，如果呈嚴重偏態或無規律，就是差的。
從概率統計規律看，「正常的考試成績分佈應基本服從正態分佈」是正確的。但是必須考慮人與物的本質不同，以及教育的有所作為可以使「隨機」受到干預，用曲線或直方圖的形狀來評價考試成績就有失偏頗。
許多教育專家（如上海顧泠沅、美國布魯姆等）已經通過實踐論證，教育是可以大有作為的，可以做到大多數學生及格，而且多數學生可以得高分，考試成績曲線是偏正態分佈的。但是長期受到「中間高、兩頭低」標準的影響，限制了教師的作為，抑制了多數學生能夠學好的信心。這是很大的誤會。
通常正態曲線有一條對稱軸。當某個分數（或分數段）的考生人數最多時，對應曲線的最高點，是曲線的頂點。該分數值在橫軸上的對應點與頂點連線的線段就是該正態曲線的對稱軸。
考生人數最多的值是峰值。我們注意到，成績曲線或直方圖實際上很少對稱的，稱之為峰線更合適。
6樓：匿名使用者
正太分佈的特點及意義：
1、正態分佈有兩個引數，即均數μ和標準差σ，可記作n（μ，σ）：均數μ決定正態曲線的中心位置；標準差σ決定正態曲線的陡峭或扁平程度。σ越小，曲線越陡峭；σ越大，曲線越扁平。
2、對稱性：正態曲線以均數為中心，左右對稱，曲線兩端永遠不與橫軸相交。
3、均勻變動性：正態曲線由均數所在處開始，分別向左右兩側逐漸均勻下降。
4、集中性：正態曲線的高峰位於正**，即均數所在的位置。
5、u變換：為了便於描述和應用，常將正態變數作資料轉換。
正態分佈的曲線特徵：
1、集中性：正態曲線的高峰位於正**，即均數所在的位置。
2、對稱性：正態曲線以均數為中心，左右對稱，曲線兩端永遠不與橫軸相交。
3、均勻變動性：正態曲線由均數所在處開始，分別向左右兩側逐漸均勻下降。
7樓：匿名使用者
首先你要了解你要這些資料是幹什麼用的啊，
有了這樣的一組符合正態分佈的資料，可以得到中心的一個區間，得到的結果是否是你所需要的啊。
比如說你要對班級成績的資料進行抽樣調查，得到的就是班級成績的一個整體分佈，重心在一個大的區間還是一個小的區間都是可以從一定的程度上反應出班級的整體的收教育的程度的。如果得到的是這個班級的成績主要都是在70到80分之間（100的滿分），和主要成績在60到90之間是不是可以反應出一個不同的結論呢？
8樓：匿名使用者
正態分佈完全由它的數學期望值和方差覺得，所以，得到一個正態分佈就可以瞭解它的數學期望和方差，再去分析數學期望和方差的對你研究方向的價值
為什麼樣本量很大，但還是不滿足正態分佈
統計學上為什麼p值大於0.05我們可認為該組資料是符合正態分佈？
9樓：匿名使用者
是的。大於0.05表示無差異，小於0.05表示有差異。大於0.05表明與正態分佈無差異，故符合正態分佈。
由於「小概率事件」和假設檢驗的基本思想 「小概率事件」通常指發生的概率小於5%的事件，認為在一次試驗中該事件是幾乎不可能發生的。
由此可見x落在（μ-3σ,μ+3σ）以外的概率小於千分之三，在實際問題中常認為相應的事件是不會發生的，基本上可以把區間（μ-3σ,μ+3σ）看作是隨機變數x實際可能的取值區間，這稱之為正態分佈的「3σ」原則。
集中性：正態曲線的高峰位於正**，即均數所在的位置。
對稱性：正態曲線以均數為中心，左右對稱，曲線兩端永遠不與橫軸相交。
均勻變動性：正態曲線由均數所在處開始，分別向左右兩側逐漸均勻下降。
曲線與橫軸間的面積總等於1，相當於概率密度函式的函式從正無窮到負無窮積分的概率為1。即頻率的總和為100%。
10樓：匿名使用者
簡單講一般可以這樣理解：統計學裡在差異性的比較中，大於0.05表示無差異，小於0.05表示有差異。大於0.05表明與正態分佈無差異，故符合正態分佈。
p值不代表顯著不顯著，只是代表我們下錯誤結論的機率。
11樓：千影水妖
不知道。。。等高人指點下。。學習ing
當資料不符合正態分佈，且希望能符合正態分佈時候可以用哪些方法
12樓：遊俠
正態分佈法：x服從一個數學期望為μ、方差為σ^2的正態分佈，記為n(μ，σ^2)。其概率密度函式為正態分佈的期望值μ決定了其位置，其標準差σ決定了分佈的幅度。
當μ = 0，σ = 1時便符合正態分佈了。
正態曲線呈鍾型，兩頭低，中間高，左右對稱因其曲線呈鐘形，因此人們又經常稱之為鐘形曲線。
擴充套件資料
由於一般的正態總體其影象不一定關於y軸對稱，對於任一正態總體，其取值小於x的概率。只要會用它求正態總體在某個特定區間的概率即可。
為了便於描述和應用，常將正態變數作資料轉換。將一般正態分佈轉化成標準正態分佈。
若服從標準正態分佈,通過查標準正態分佈表就可以直接計算出原正態分佈的概率值。故該變換被稱為標準化變換。
13樓：匿名使用者
科學合理的取樣，資料是應當符合正態
分佈的。如資料不符合正態分佈，應當考慮：
資料**是否是一個樣本；
樣本中，資料取得數量是否充足；
統一樣本中，過程是否穩定；
重新計算樣本分佈的統計中線，縮小座標間隔，增大數值計數範圍。
做原始分佈圖時，不要人為剔除資料，即使是超出控制界限。
14樓：匿名使用者
沒有明白你的意思？ 不符合正態分佈的資料，你為什麼強要他們符合？ 做**？
在Excel中,要求資料清單中小於60的數值用紅色顯示,大於
在excel中,要求資料清單中小於60的數值用紅色顯示,大於等於60的數值用藍色顯示,則應運用 操作來實現.選中要顏色標識的區域，在工具欄 開始 條件格式 新建格式規則對話方塊中選 只為包含以下內容的單元格設定格式 下拉框單元格值 小於 60格式設定紅色 同理新建一個大於等於60的藍色 在excel...
人為什麼總是不滿足呢，人為什麼總是不滿足
人總是不安於現狀的，一直在尋求新的突破 人是會隨著環境不斷的改變 人的慾望總是永無止盡的，你放心，這都是正常的心理。人的心裡總有一種渴望心，種種感覺你越是去想它，他就會越強烈，隨之你就會覺得自己的心裡有問題，總感覺到不滿足，人類的慾望是貪婪的，是永遠也滿足不了的，這樣說，你懂嗎？我的意思就是，你不要...
資料探勘對聚類的資料要求是什麼，資料探勘中 聚類演算法 資料集在什麼地方獲取的
1.可擴充套件性 scalability 大多數來自於機器學習和統計學領域的聚類演算法在處理數百條資料時能表現出高效率 2.處理不同資料型別的能力 數字型 二元型別，分型別 標稱型，序數型,比例標度型等等3.發現任意形狀的能力 基於距離的聚類演算法往往發現的是球形的聚類，其實現實的聚類是任意形狀的4...