1樓：月似當時
當sig大於0.05時就說明資料服從指定的分佈（如正態分佈），sig越大越能說明資料服從指定的分佈（如正態分佈）。sig值小於0.05說明資料不服從正態分佈。
從研究總體中抽取一個隨機樣本計算檢驗統計量的值計算概率sig值或者說觀測的顯著水平，即在假設為真時的前提下，檢驗統計量大於或等於實際觀測值的概率。
如果sig<0.01，說明是較強的判定結果，拒絕假定的引數取值。
如果0.01如果sig值》0.05，說明結果更傾向於接受假定的引數取值。
擴充套件資料
在很多應用中，特別是在可靠性和維修性方面，資料可能不符合正態分佈。可是，隨機變數的對數可能符合正態分佈，對此情況稱為對數正態分佈。如果應用對數正態分佈，在對數正態圖紙上資料的圖形將是一條直線。
繪圖的過程與其他分佈是相同的。其分析的過程包括計算對數值的平均值和標準差，以及對最終結果取反對數。
對數正態分佈與正態分佈很類似，除了它的概率分佈向右進行了移動。對數正態分佈從短期來看，與正態分佈非常接近。但長期來看，對數正態分佈向上分佈的數值更多一些。
更準確地說，對數正態分佈中，有更大向上波動的可能，更小向下波動的可能。
對數正態分佈用於半導體器件的可靠性分析和某些種類的機械零件的疲勞壽命。其主要用途是在維修性分析中對修理時間資料進行確切的分析。
已知對數正態分佈的密度函式，就可以根據可靠度與不可靠度函式的定義計算出該分佈的可靠度函式和不可靠度函式的表示式
2樓：
sig就是傳說中的p值。spss的k-s檢驗包括正態分佈、均勻分佈、泊松分佈和指數分佈四項，不能直接做對數正態分佈檢驗，只有在你的原始資料做了對數轉換之後你才能使用k-s檢驗測試是否服從正態分佈。k-s檢驗的原假設是資料服從指定的分佈（如正態分佈），因此當sig大於0.
05時就說明資料服從指定的分佈（如正態分佈），sig越大越能說明資料服從指定的分佈（如正態分佈）。
如果你的資料在對數分佈p-p圖上基本處於同一直線，那麼就可以認定符合對數正態分佈，這一點是沒有問題的。如果你想定量地證明這一點，就像我上面說的那樣，要對你的原始資料做對數轉換之後使用k-s檢驗測試是否服從正態分佈，如果服從正態分佈（sig大於0.05），就可以推斷你的原始資料服從對數正態分佈。
p值出現於統計學的檢驗假設（hypothesis test）中，其意思是當原假設（null hypothesis）成立的條件下，能夠出現至少你的實驗結果一樣大或更大的統計量的概率。以你的分析為例，你的p值越大，就表明在原假設（如服從正態分佈）成立的條件下，得到你這份資料結果的統計量的概率越大。一般情況下，當p值大於0.
05是就可以認為原假設成立。
你在我的空間中提供的p值的文章，它們的解釋是不完整的。p值的解釋必須跟原假設聯絡在一起在有意義，否則就不能完整地理解p值的意義。比如，在兩組樣本的t檢驗中，原假設一般是兩組之間無顯著差異。
如果跟根據你的兩組實驗結果算出的t值其對應的p值大於0.05，就可以認為原假設成立，兩組無顯著差異；反之則說明備擇假設（alternative hypothesis）成立，兩組有顯著差異。
如何判斷一組資料是不是正態分佈？能否用spss實現操作？
3樓：不是苦瓜是什麼
可以的，在探索裡有正態性檢驗的選擇打鉤。
1.輸入資料後，左擊最上方的analyze,選擇descriptive statistic,選擇左擊explore，出現如下：
2.將所選資料選入dependent list,左擊plot，出現如下。
3.點中間normallity plots with tests，左擊continue，就出現你要的正態檢驗結果了。
最後一個**中（即test of normality) sig.即p值=0.004，小於0.05，不服從正態分佈，反之服從。
正態分佈，也稱「常態分佈」，又名高斯分佈（gaussian distribution），最早由a.棣莫弗在求二項分佈的漸近公式中得到。c.
f.高斯在研究測量誤差時從另一個角度匯出了它。p.
s.拉普拉斯和高斯研究了它的性質。是一個在數學、物理及工程等領域都非常重要的概率分佈，在統計學的許多方面有著重大的影響力。
4樓：匿名使用者
輸入資料後，左擊最上方的analyze,選擇descriptive statistic,選擇左擊explore，出現如下：
將所選資料選入dependent list,左擊plot，出現如下
點中間normallity plots with tests，左擊continue，就出現你要的正態檢驗結果了。
最後一個**中（即test of normality) sig.即p值=0.004，小於0.05，不服從正態分佈，反之服從。
正態分佈（normal distribution），也稱「常態分佈」，又名高斯分佈（gaussian distribution），最早由a.棣莫弗在求二項分佈的漸近公式中得到。c.
f.高斯在研究測量誤差時從另一個角度匯出了它。p.
s.拉普拉斯和高斯研究了它的性質。是一個在數學、物理及工程等領域都非常重要的概率分佈，在統計學的許多方面有著重大的影響力。
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。
5樓：吮指原味冰淇淋
(1)正態分佈的形式是對稱的,對稱軸是經過平均數點的垂線.
(2)**點最高,然後逐漸向兩側下降,曲線的形式是先向內彎,再向外彎.
(3)正態曲線下的面積為1.正態分佈是一族分佈,它隨隨機變數的平均數、標準差的大小與單位不同而有不同的分佈形態.標準正態分佈是正態分佈的一種,其平均數和標準差都是固定的,平均數為0,標準差為1。
（4）正態分佈曲線下標準差與概率面積有固定數量關係.所有正態分佈都可以通過z分數公式轉換成標準正態分佈.
可以使用spss的explore，或pp圖，或qq圖，或one-sample kolmogorov-smirnov test，或histogram圖來考察你的資料的正態分佈情況（推薦histogram圖）。
一些常見的統計方法（如t檢驗、方差分析等）對資料背離正態分佈有較好的穩健性，因此你的資料只要大致滿足、或不嚴重背離正態分佈就可以使用這些統計方法。如果你的資料實在背離正態分佈太多，你應該改用非引數檢驗。如果你只需要知道一個大致的情況，僅需要histogram圖來考察你的資料的正態分佈情況就可以了
6樓：匿名使用者
可以的，在探索裡有正態性檢驗的選擇打鉤
7樓：精神伴侶海鷗
對於這種事情要客觀的來進行認知的。
請問哪位大神知道spss軟體裡檢驗資料是否服從正態分佈的kolmogorov-smirnov（k-s檢驗）檢驗的結果怎麼看
8樓：匿名使用者
表5.2的結果p=0.940，說明資料服從正態分佈。
表5.4的結果p=0.014，說明原假設被拒絕，資料不服從正態分佈。
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。
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%。
9樓：
spss將其歸入非引數檢驗中，按以下步驟：analyze > nonparametric tests > legacy dialogs（低版本spss這一步不存在） > 1-sample k-s。可以同時分析四個分佈。
10樓：曹桐浩
p大於0.05是正態分佈
spss如何對資料重新分組，如何用SPSS進行資料分組
1 組距分組 變數值較多的情況下，資料分組採用組距分組，就是將全部變數值依次劃分為若干個區間。兩個問題 分組數目確定 與資料本身的特點和資料個數有關，組數確定的原則是能夠清楚的顯示資料分佈特徵和規律為原則，組數太少資料分佈過於集中，組數太多使資料過於分散，按照sturdes提出的公式確定組數。組距的...
用名字做對聯，用名字做對聯
扔小磚了 風自橫舟隨浪去 花 獨吹笛帶 霞 歸 舟系長天送 霞 照 月垂高樹等 花 燈 高臥雲山聽花語 深居川穀伴霞光 洗硯荷池霞 作書蘭葉花 萬紫千紅，花是群芳首 走南串北，霞為眾鶴先 月展銀箋霞動筆 谷藏綠澗花彈箏 似帶春江，繫住流霞幾許？如紗雲霧，籠遮山花一程 如思煙霞，牽留別緒無邊。似花笑靨...
怎樣用spss做因子分析，怎麼用SPSS做因子分析 具體的步驟是什麼 哪位大神來詳細解答下啊
spss 分析 資料縮減 因子分析 選擇自變數和因變數 描述裡面選擇kmo檢驗和球型檢驗 旋轉選擇最大方差旋轉法 確定 結果 可以在factor裡做的 怎麼用spss做因子分析 具體的步驟是什麼 哪位大神來詳細解答下啊 可以使用 baispssau完成因子分析du，可結合幫助手冊的案例zhi懂的更快...