如何獲得非正態分佈的 95/99 公差區間？你好，
我有當前的數據集，它通過了 SHASH 和 Weibull 分佈的擬合優度。 我正在計算該數據集的 95/99 容差區間。 我有其他屬性的類似數據集，這些屬性可能會傳遞其他非正態分佈。 有沒有一種簡單的方法可以在 JMP 中計算這些非正態公差區間。
謝謝，
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 |
基礎數據分析和建模數據探索和可視化視窗回复：如何獲得非正態分佈的 95/99 公差區間？我就是這樣做的。
步驟 1：將分佈擬合到數據。 例如，使用威布爾分佈，您將獲得參數 alpha 和 beta。
第 2 步：假設我想要雙面 99% 的容差。對於分佈的每一面，我希望 0.5% 位於外側。
第 3 步：我使用 JSL 腳本編輯器作為計算器：
lower = Weibull Quantile( 0.995, beta, alpha);
upper = Weibull Quantile( 0.005, beta, alpha);
show(lower,upper)
回复：如何獲得非正態分佈的 95/99 公差區間？這是我看到的選項。
第一的，分銷平台。 選擇“公差區間”項，然後選擇“非參數”方法。 請參閱接下來的兩個屏幕截圖。
第二，生命分發平台。 該平台並不是專門為回答公差區間問題而設計的。 但我已經解釋瞭如何通過置信區間重新調整它的用途。
1.首先啟動平台，該項目位於Analyze > Reliability and Survival > Life Distribution下。 配置對話框，您的數據列將進入 Y。
2. 將置信水平更改為 0.975。 （由於顯示舍入，忽略標題顯示 98%，這是我現在剛剛注意到的一個錯誤。 如果列標題組織在您的版本中可能看起來不同，請忽略，JMP17 中的佈局發生了變化。）
3. 如果需要威布爾，首先擬合威布爾，並且看起來您的數據很好地符合分佈。
4. 從分配結果的菜單中選擇“自定義估計”。
5. 在下面的菜單中選擇“降低”。
6. 在概率中輸入 0.005。 記錄下限。
7.現在更改為“上”
8. 在概率中輸入 0.995。 記錄上限。 您可能需要考慮使用適合您的樣本大小的似然類型。
這兩個界限是我在之前回复的第 4 項中解釋的。
回复：如何獲得非正態分佈的 95/99 公差區間？感謝您的回复。 我的查詢是找到 99% 總體的公差區間，對非正態數據集的置信度為 95%。對於上面的數據集，我正在尋找兩側區間
另一個統計平台（我只有一個演示版本）能夠很容易地給出這個解決方案。 但是，假設我想在 JMP 中獲得相同的結果，我想知道如何做到這一點。 我嘗試將數據轉換為威布爾分佈（對於上述數據集），但是以原始數據格式反向計算限制變得越來越具有挑戰性。 我有大量的屬性，並且不同的非正態分佈傳遞不同屬性的擬合優度。 因此，我正在尋找可以幫助我在 JMP 中計算這些非正態公差區間的步驟。
回复：如何獲得非正態分佈的 95/99 公差區間？公差區間不是一個簡單的主題。 正常的答案可能很容易找到，但其他人則不然。 我的答案可能並不容易。
據我所知，包含該主題的最全面的書是“統計區間“第二版，作者：Meeker、Hahn 和 Escobar。
當我們談論這個話題時，有一些事情需要明確：
- 兩個百分比數字的含義。 我不確定 95/99 的約定是什麼意思。 但一個數字應該表示該區間應包含的總體比例，另一個數字表示置信水平。 以下假設 95 表示置信度，99 表示其他。
- 一側邊界或兩側間隔。 不同類型的答案和背後的推理是截然不同的。 值得指出的一件事是，儘管有約定，但兩側間隔並不是唯一定義的。 僅當定義了兩個尾部比例時，它們才是唯一定義的。 等比例可能是一種慣例，但如果兩條尾部犯錯的風險成本不同，那麼在實踐中這可能是錯誤的。
- 如果擔心的是單方面的界限，則以 95% 置信水平包含至少 99% 的總體的容差下限與 (1-99%)=1 的 95% 置信下限相同% 分位數估計。參見本書第 2.4 節。 公差上限的定義類似。
- 如果關注的是尾部概率相等的兩側區間，則下限和上限的近似值包括 0.5% 分位數估計的 97.5% 置信下限和 99.5% 分位數估計的 97.5% 置信上限。 參見本書第 12.7 節。
