Você pode transformar seus dados para se ajustarem a uma distribuição normal a fim de satisfazer aos pressupostos para a análise.
- Nenhuma
transformação: Não use uma transformação se os seus dados já seguem uma distribuição normal. Para determinar a distribuição de seus dados ou se uma transformação será eficaz caso seus dados sejam não-normais, use Identificação de distribuição
individual.
- Transformação de poder
de Box-Cox (W = Y^λ): Use a transformação Box-Cox, se os dados não-normais forem todos positivos (0>) e quiser obter estimativas de capacidade dentro do subgrupo (potencial), bem como capacidade global. A transformação Box-Cox é uma transformação simples e fácil de entender.
Selecione o valor lambda (λ) que Minitab usa para transformar os dados.
- Usar λ
ideal: Use o lambda ideal, que deve produzir a melhor transformação de ajuste. O Minitab arredonda o lambda ideal para 0,5 ou o número inteiro mais próximo.
Observação
Para usar um valor exato em vez de um valor arredondado para λ ideal, escolha e desmarque Usar valores arredondados para transformações Box-Cox quando possível.
- λ = 0 (ln): Use o log natural de seus dados.
- λ = 0,5 (raiz
quadrada): Use a raiz quadrada de seus dados.
- Outro (insira um valor
entre −-5 e 5): Use um valor especificado para lambda. Outras transformações comuns são o quadrado (λ = 2), a raiz quadrada inversa (λ = −0,5) e inversa (λ = −1). Na maioria dos casos, você não deve usar um valor fora do intervalo de −2 e 2.
- Transformação de
Johnson (somente para análise global): Use a transformação de Johnson se seus dados não-normais contêm valores negativos (ou 0) ou se a transformação de Box-Cox não for eficaz.A função de transformação de Johnson é mais complicada que a Box-Cox, mas é muito poderosa para encontrar uma transformação apropriada.
- Valor-P para
selecionar o melhor ajuste:
-
Insira um valor entre 0 e 1. O valor que você inserir define o nível de significância para um teste de normalidade dos dados antes e depois da transformação. Um valor mais alto torna os critérios de normalidade mais rigorosos. Um valor mais baixo torna os critérios de normalidade menos rigorosos.