<\/p>\n
Test Shapiro-Wilka<\/strong> jest testem normalno\u015bci. S\u0142u\u017cy do okre\u015blenia, czy pr\u00f3bka pochodzi z rozk\u0142adu normalnego<\/a> .<\/span><\/p>\n Aby wykona\u0107 test Shapiro-Wilka w Pythonie, mo\u017cemy u\u017cy\u0107 funkcji scipy.stats.shapiro()<\/a> , kt\u00f3ra wykorzystuje nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119:<\/span><\/p>\n scipy.stats.shapiro(x)<\/strong><\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Ta funkcja zwraca statystyk\u0119 testow\u0105 i odpowiadaj\u0105c\u0105 jej warto\u015b\u0107 p.<\/span><\/p>\n Je\u017celi warto\u015b\u0107 p jest poni\u017cej pewnego poziomu istotno\u015bci, w\u00f3wczas mamy wystarczaj\u0105ce dowody, aby stwierdzi\u0107, \u017ce dane pr\u00f3bki nie pochodz\u0105 z rozk\u0142adu normalnego.<\/span><\/p>\n W tym samouczku przedstawiono kilka przyk\u0142ad\u00f3w wykorzystania tej funkcji w praktyce.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105ce przyk\u0142adowe dane:<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak przeprowadzi\u0107 test Shapiro-Wilka na tej pr\u00f3bie 100 warto\u015bci danych, aby okre\u015bli\u0107, czy pochodz\u0105 one z rozk\u0142adu normalnego:<\/span><\/p>\n Z wyniku widzimy, \u017ce statystyka testowa wynosi 0,9927<\/strong> , a odpowiadaj\u0105ca jej warto\u015b\u0107 p wynosi 0,8689<\/strong> .<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 p jest nie mniejsza ni\u017c 0,05, nie mo\u017cemy odrzuci\u0107 hipotezy zerowej. Nie mamy wystarczaj\u0105cych dowod\u00f3w, aby stwierdzi\u0107, \u017ce przyk\u0142adowe dane nie pochodz\u0105 z rozk\u0142adu normalnego.<\/span><\/p>\n Wynik ten nie powinien by\u0107 zaskakuj\u0105cy, poniewa\u017c przyk\u0142adowe dane wygenerowali\u015bmy za pomoc\u0105 funkcji rann()<\/strong> , kt\u00f3ra generuje losowe warto\u015bci zgodne ze standardowym rozk\u0142adem normalnym.<\/span><\/p>\n Za\u0142\u00f3\u017cmy teraz, \u017ce mamy nast\u0119puj\u0105ce przyk\u0142adowe dane:<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak przeprowadzi\u0107 test Shapiro-Wilka na tej pr\u00f3bie 100 warto\u015bci danych, aby okre\u015bli\u0107, czy pochodz\u0105 one z rozk\u0142adu normalnego:<\/span><\/p>\n Z wyniku widzimy, \u017ce statystyka testowa wynosi 0,9582<\/strong> , a odpowiadaj\u0105ca jej warto\u015b\u0107 p wynosi 0,00299<\/strong> .<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 p jest mniejsza ni\u017c 0,05, odrzucamy hipotez\u0119 zerow\u0105. Mamy wystarczaj\u0105ce dowody, aby stwierdzi\u0107, \u017ce przyk\u0142adowe dane nie pochodz\u0105 z rozk\u0142adu normalnego.<\/span><\/p>\n Wynik ten r\u00f3wnie\u017c nie powinien by\u0107 zaskakuj\u0105cy, poniewa\u017c przyk\u0142adowe dane wygenerowali\u015bmy za pomoc\u0105 funkcji Poisson()<\/strong> , kt\u00f3ra generuje losowe warto\u015bci zgodne z rozk\u0142adem Poissona<\/a> .<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne testy normalno\u015bci w r\u00f3\u017cnych programach statystycznych:<\/span><\/p>\n Jak wykona\u0107 test Shapiro-Wilka w R<\/a> Test Shapiro-Wilka jest testem normalno\u015bci. S\u0142u\u017cy do okre\u015blenia, czy pr\u00f3bka pochodzi z rozk\u0142adu normalnego . Aby wykona\u0107 test Shapiro-Wilka w Pythonie, mo\u017cemy u\u017cy\u0107 funkcji scipy.stats.shapiro() , kt\u00f3ra wykorzystuje nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119: scipy.stats.shapiro(x) Z\u0142oto: x: tabela przyk\u0142adowych danych. Ta funkcja zwraca statystyk\u0119 testow\u0105 i odpowiadaj\u0105c\u0105 jej warto\u015b\u0107 p. Je\u017celi warto\u015b\u0107 p jest poni\u017cej pewnego poziomu istotno\u015bci, w\u00f3wczas […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-984","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Przyk\u0142ad 1: Test Shapiro-Wilka na danych o rozk\u0142adzie normalnym<\/strong><\/span><\/h3>\n
from<\/span> numpy.random import<\/span> seed\nfrom<\/span> numpy.random import<\/span> randn\n\n#set seed (eg make this example reproducible)<\/span>\nseed(0)\n\n#generate dataset of 100 random values that follow a standard normal distribution\n<\/span>data = randn(100)<\/strong><\/pre>\n from<\/span> scipy.stats import<\/span> shapiro\n\n#perform Shapiro-Wilk test<\/span>\nshapiro(data)\n\nShapiroResult(statistic=0.9926937818527222, pvalue=0.8689165711402893)\n<\/strong><\/pre>\n Przyk\u0142ad 2: Test Shapiro-Wilka na danych o rozk\u0142adzie normalnym<\/strong><\/span><\/h3>\n
from<\/span> numpy.random import<\/span> seed\nfrom<\/span> numpy.random import<\/span> fish\n\n#set seed (eg make this example reproducible)<\/span>\nseed(0)\n\n#generate dataset of 100 values that follows a Poisson distribution with mean=5\n<\/span>data = fish(5, 100)<\/strong><\/pre>\n from<\/span> scipy.stats import<\/span> shapiro\n\n#perform Shapiro-Wilk test<\/span>\nshapiro(data)\n\nShapiroResult(statistic=0.9581913948059082, pvalue=0.002994443289935589)\n<\/strong><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 test Andersona-Darlinga w Pythonie<\/a>
Jak wykona\u0107 test Ko\u0142mogorowa-Smirnowa w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"