Создайте два различных объекта нормального распределения вероятностей. Первое распределение имеет mu = 0 и sigma = 1, и второе распределение имеет mu = 2 | and |sigma = 1.

pd1 = makedist('Normal');
pd2 = makedist('Normal','mu',2,'sigma',1);

Создайте матрицу выборочных данных путем генерации случайных чисел от этих двух распределений.

rng('default'); % for reproducibility
x = [random(pd1,20,2),random(pd2,20,1)];

Первые два столбца x содержите данные, сгенерированные от первого распределения, в то время как третий столбец содержит данные, сгенерированные от второго распределения.

Протестируйте нулевую гипотезу что выборочные данные из каждого столбца в x прибывает из того же распределения.

p = kruskalwallis(x)

p = 3.6896e-06

Возвращенное значение p указывает на тот kruskalwallis отклоняет нулевую гипотезу, что все три выборки данных прибывают из того же распределения на 1%-м уровне значения. Таблица ANOVA обеспечивает дополнительные результаты испытаний, и диаграмма визуально представляет итоговую статистику для каждого столбца в x.

Создайте два различных объекта нормального распределения вероятностей. Первое распределение имеет mu = 0 и sigma = 1. Второе распределение имеет mu = 2 | and |sigma = 1.

pd1 = makedist('Normal');
pd2 = makedist('Normal','mu',2,'sigma',1);

Создайте матрицу выборочных данных путем генерации случайных чисел от этих двух распределений.

rng('default'); % for reproducibility
x = [random(pd1,20,2),random(pd2,20,1)];

Первые два столбца x содержите данные, сгенерированные от первого распределения, в то время как третий столбец содержит данные, сгенерированные от второго распределения.

Протестируйте нулевую гипотезу что выборочные данные из каждого столбца в x прибывает из того же распределения. Подавите выходные отображения и сгенерируйте структуру stats использовать в дальнейшем тестировании.

[p,tbl,stats] = kruskalwallis(x,[],'off')

p = 3.6896e-06

tbl=4×6 cell
  Columns 1 through 5

    {'Source' }    {'SS'        }    {'df'}    {'MS'        }    {'Chi-sq'  }
    {'Columns'}    {[7.6311e+03]}    {[ 2]}    {[3.8155e+03]}    {[ 25.0200]}
    {'Error'  }    {[1.0364e+04]}    {[57]}    {[  181.8228]}    {0x0 double}
    {'Total'  }    {[     17995]}    {[59]}    {0x0 double  }    {0x0 double}

  Column 6

    {'Prob>Chi-sq'}
    {[ 3.6896e-06]}
    {0x0 double   }
    {0x0 double   }

stats = struct with fields:
       gnames: [3x1 char]
            n: [20 20 20]
       source: 'kruskalwallis'
    meanranks: [26.7500 18.9500 45.8000]
         sumt: 0

Возвращенное значение p указывает, что тест отклоняет нулевую гипотезу на 1%-м уровне значения. Можно использовать структуру stats выполнять дополнительное последующее тестирование. Массив ячеек tbl содержит те же данные как графическая таблица ANOVA, включая метки строки и столбец.

Проведите последующий тест, чтобы идентифицировать, какая выборка данных прибывает из различного распределения.

c = multcompare(stats)

Note: Intervals can be used for testing but are not simultaneous confidence intervals.

c = 3×6

    1.0000    2.0000   -5.1435    7.8000   20.7435    0.3345
    1.0000    3.0000  -31.9935  -19.0500   -6.1065    0.0016
    2.0000    3.0000  -39.7935  -26.8500  -13.9065    0.0000

Результаты показывают, что существует значительная разница между группами 1 и 3, таким образом, тест отклоняет нулевую гипотезу, что данные в этих двух группах прибывают из того же распределения. То же самое верно для групп 2 и 3. Однако между группами 1 и 2 нет значительной разницы, таким образом, тест не отклоняет нулевую гипотезу, что эти две группы происходят из того же распределения. Поэтому эти результаты предлагают, чтобы данные в группах 1 и 2 прибыли из того же распределения, и данные в группе 3 прибывают из различного распределения.

Создайте вектор, strength, содержа измерения силы металлических лучей. Создайте второй вектор, alloy, указание на тип металлического сплава, из которого сделан соответствующий луч.

strength = [82 86 79 83 84 85 86 87 74 82 ...
            78 75 76 77 79 79 77 78 82 79];

alloy = {'st','st','st','st','st','st','st','st',...
         'al1','al1','al1','al1','al1','al1',...
         'al2','al2','al2','al2','al2','al2'};

Протестируйте нулевую гипотезу, что измерения силы луча имеют то же распределение через все три сплава.

p = kruskalwallis(strength,alloy,'off')

p = 0.0018

Возвращенное значение p указывает, что тест отклоняет нулевую гипотезу на 1%-м уровне значения.