1-표본 평균에 대한 랜덤화 검정에 대한 관측 표본 통계량

해석

Minitab은 관측 표본 평균과 부트스트랩 분포 평균 이렇게 두 평균 값을 표시합니다. 관측 표본의 평균은 모평균의 추정치입니다. 부트스트랩 분포 평균은 보통 귀무 가설 평균에 가깝습니다. 이 두 값의 중심 간 차이가 클수록 귀무 가설에 대해 예상하는 증거를 더 많이 얻을 수 있습니다.

해석

데이터가 평균을 중심으로 퍼져 있는 정도를 확인하려면 표준 편차를 사용합니다. 표준 편차 값이 클수록 데이터가 더 퍼져 있다는 것을 나타냅니다. 정규 분포에 대한 일반 규칙은 대략 68%의 값이 평균으로부터 1 표준 편차 거리 내에 있고, 95%의 값이 2 표준 편차 거리 내에 있고, 99.7%의 값이 3 표준 편차 거리 내에 있다는 것입니다.

또한 공정의 전체 변동을 추정하기 위한 벤치마크를 설정하기 위해 표준 편차를 사용할 수 있습니다.

병원 1

병원 2

해석

분산이 클수록 데이터의 범위가 더 커집니다.

분산(σ²)은 제곱된 양으로, 단위도 제곱되기 때문에 실제로 사용하기 어려울 수도 있습니다. 표준 편차는 데이터와 단위가 같기 때문에 일반적으로 더 쉽게 해석할 수 있습니다. 예를 들어, 버스 정류장에서 대기 시간의 표본을 추출한 결과 평균이 15분이고 분산은 9분²입니다. 분산은 데이터와 단위가 같지 않기 때문에 보통 제곱근(표준 편차)으로 표시됩니다. 9분²의 분산은 3분의 표준 편차와 동일합니다.

해석

가능한 특이치 또는 데이터 입력 오류를 식별하려면 최소값을 사용합니다. 데이터의 산포를 평가하는 가장 간단한 방법은 최소값과 최대값을 비교하는 것입니다. 최소값이 아주 작은 경우에는 데이터의 중심, 산포, 모양 외에 극단값의 원인도 조사하십시오.

해석

중위수와 평균 모두 중심 위치를 측정합니다. 그러나 특이치라고 하는 비정상적인 값은 평균보다 중위수에 덜 영향을 미칠 수 있습니다. 데이터가 대칭인 경우 평균과 중위수가 유사합니다.

대칭

비대칭

해석

가능한 특이치 또는 데이터 입력 오류를 식별하려면 최대값을 사용합니다. 데이터의 산포를 평가하는 가장 간단한 방법은 최소값과 최대값을 비교하는 것입니다. 최대값이 아주 큰 경우에는 데이터의 중심, 산포, 모양 외에 극단값의 원인도 조사하십시오.