如何获得非正态分布的 95/99 公差区间？你好，
我有当前的数据集，它通过了 SHASH 和 Weibull 分布的拟合优度。 我正在计算该数据集的 95/99 容差区间。 我有其他属性的类似数据集，这些属性可能会传递其他非正态分布。 有没有一种简单的方法可以在 JMP 中计算这些非正态公差区间。
谢谢，
阿布德
| 52.5 |
| 54.7 |
| 57.5 |
| 52.5 |
| 65.3 |
| 64.1 |
| 67.2 |
| 75.0 |
| 67.5 |
| 60.0 |
| 65.6 |
| 69.1 |
| 63.1 |
| 62.2 |
| 64.1 |
| 66.3 |
| 66.3 |
| 66.3 |
| 67.5 |
| 62.5 |
| 59.4 |
| 64.7 |
| 63.4 |
| 66.3 |
| 70.9 |
| 66.9 |
| 66.3 |
| 64.4 |
| 63.4 |
| 62.8 |
基础数据分析和建模数据探索和可视化视窗回复：如何获得非正态分布的 95/99 公差区间？我就是这样做的。
步骤 1：将分布拟合到数据。 例如，使用威布尔分布，您将获得参数 alpha 和 beta。
第 2 步：假设我想要双面 99% 的容差。对于分布的每一面，我希望 0.5% 位于外侧。
第 3 步：我使用 JSL 脚本编辑器作为计算器：
lower = Weibull Quantile( 0.995, beta, alpha);
upper = Weibull Quantile( 0.005, beta, alpha);
show(lower,upper)
回复：如何获得非正态分布的 95/99 公差区间？这是我看到的选项。
第一的，分销平台。 选择“公差区间”项，然后选择“非参数”方法。 请参阅接下来的两个屏幕截图。
第二，生命分发平台。 该平台并不是专门为回答公差区间问题而设计的。 但我已经解释了如何通过置信区间重新调整它的用途。
1.首先启动平台，该项目位于Analyze > Reliability and Survival > Life Distribution下。 配置对话框，您的数据列将进入 Y。
2. 将置信水平更改为 0.975。 （由于显示舍入，忽略标题显示 98%，这是我现在刚刚注意到的一个错误。 如果列标题组织在您的版本中可能看起来不同，请忽略，JMP17 中的布局发生了变化。）
3. 如果需要威布尔，首先拟合威布尔，并且看起来您的数据很好地符合分布。
4. 从分配结果的菜单中选择“自定义估计”。
5. 在下面的菜单中选择“降低”。
6. 在概率中输入 0.005。 记录下限。
7.现在更改为“上”
8. 在概率中输入 0.995。 记录上限。 您可能需要考虑使用适合您的样本大小的似然类型。
这两个界限是我在之前回复的第 4 项中解释的。
回复：如何获得非正态分布的 95/99 公差区间？感谢您的回复。 我的查询是找到 99% 总体的公差区间，对非正态数据集的置信度为 95%。对于上面的数据集，我正在寻找两侧区间
另一个统计平台（我只有一个演示版本）能够很容易地给出这个解决方案。 但是，假设我想在 JMP 中获得相同的结果，我想知道如何做到这一点。 我尝试将数据转换为威布尔分布（对于上述数据集），但是以原始数据格式反向计算限制变得越来越具有挑战性。 我有大量的属性，并且不同的非正态分布传递不同属性的拟合优度。 因此，我正在寻找可以帮助我在 JMP 中计算这些非正态公差区间的步骤。
回复：如何获得非正态分布的 95/99 公差区间？公差区间不是一个简单的主题。 正常的答案可能很容易找到，但其他人则不然。 我的答案可能并不容易。
据我所知，包含该主题的最全面的书是“统计区间“第二版，作者：Meeker、Hahn 和 Escobar。
当我们谈论这个话题时，有一些事情需要明确：
- 两个百分比数字的含义。 我不确定 95/99 的约定是什么意思。 但一个数字应该表示该区间应包含的总体比例，另一个数字表示置信水平。 以下假设 95 表示置信度，99 表示其他。
- 一侧边界或两侧间隔。 不同类型的答案和背后的推理是截然不同的。 值得指出的一件事是，尽管有约定，但两侧间隔并不是唯一定义的。 仅当定义了两个尾部比例时，它们才是唯一定义的。 等比例可能是一种惯例，但如果两条尾部犯错的风险成本不同，那么在实践中这可能是错误的。
- 如果担心的是单方面的界限，则以 95% 置信水平包含至少 99% 的总体的容差下限与 (1-99%)=1 的 95% 置信下限相同% 分位数估计。参见本书第 2.4 节。 公差上限的定义类似。
- 如果关注的是尾部概率相等的两侧区间，则下限和上限的近似值包括 0.5% 分位数估计的 97.5% 置信下限和 99.5% 分位数估计的 97.5% 置信上限。 参见本书第 12.7 节。
