सामान्यता परीक्षण

सामान्यता परीक्षण क्या है?

कई सांख्यिकीय विधियाँ — जिनमें कंट्रोल चार्ट, क्षमता सूचकांक (Cpk/Ppk), t-परीक्षण और ANOVA शामिल हैं — यह मानकर चलती हैं कि अंतर्निहित डेटा सामान्य (Gaussian) वितरण का पालन करता है। सामान्यता परीक्षण इन विधियों को लागू करने से पहले इसी अनुमान को सत्यापित करता है। सामान्यता का उल्लंघन गलत विश्वास अंतराल, गलत क्षमता आकलन और गलत परिकल्पना परीक्षण निष्कर्षों को जन्म दे सकता है।

Shapiro-Wilk परीक्षण छोटे से मध्यम आकार के नमूनों (n < 5000) के लिए सबसे शक्तिशाली सामान्यता परीक्षण है। Anderson-Darling परीक्षण पुच्छों (tails) के विचलन के प्रति संवेदनशील है, जिससे यह विश्वसनीयता और चरम मान संबंधी अनुप्रयोगों के लिए उपयोगी बनता है। Jarque-Bera परीक्षण विषमता (skewness) और कर्टोसिस की जाँच करता है और बड़े नमूनों के लिए अच्छा काम करता है।

सभी परीक्षणों की परिकल्पना संरचना एक जैसी है: H₀ (शून्य परिकल्पना) = डेटा सामान्य रूप से वितरित है; H₁ = डेटा सामान्य नहीं है। यदि p-मान < α (सामान्यतः 0.05) हो, तो सामान्यता को अस्वीकार करें। QQ-प्लॉट दृश्य पुष्टि देता है: विकर्ण रेखा पर स्थित बिंदु सामान्यता दर्शाते हैं; व्यवस्थित विचलन गैर-सामान्यता की प्रकृति उजागर करते हैं।

Formula: Shapiro-Wilk: W = (Σ aᵢ x(ᵢ))² / Σ(xᵢ - x̄)² Anderson-Darling: A² = -n - Σ[(2i-1)/n](ln F(x(ᵢ)) + ln(1-F(x(n+1-i)))) reported as A*² = A²(1 + 0.75/n + 2.25/n²) Jarque-Bera: JB = (n/6)(S² + K²/4) where S = skewness, K = excess kurtosis Reject normality if p-value < α (typically 0.05)

गणना उदाहरण

20 मापों का परीक्षण: Shapiro-Wilk W = 0.965, p = 0.42; Anderson-Darling A² = 0.31, p = 0.52; Jarque-Bera JB = 1.2, p = 0.55। सभी p-मान > 0.05 — सामान्यता अस्वीकार नहीं होती। QQ-प्लॉट में बिंदु विकर्ण का निकटता से अनुसरण करते हैं। डेटा को सामान्य रूप से वितरित माना जा सकता है।

इस कैलकुलेटर का उपयोग कब करें

• Cpk या Ppk गणना से पहले — प्रक्रिया क्षमता सूचकांक सामान्य डेटा मानते हैं; गैर-सामान्य डेटा को रूपांतरण या वैकल्पिक विधियों की आवश्यकता है
• t-test या ANOVA करने से पहले — ये parametric परीक्षण सामान्य रूप से वितरित residuals मानते हैं
• SPC नियंत्रण चार्ट स्थापित करते समय — मानक नियंत्रण चार्ट सीमाएँ सामान्यता मानती हैं
• आवक निरीक्षण के दौरान जब डेटा असामान्य दिखता है — सामान्यता परीक्षण यह निर्धारित करने में मदद करता है कि वितरण बदल गया है या भिन्न वितरण model आवश्यक है
• regression विश्लेषण के लिए डेटा तैयार करते समय — residuals की सामान्यता जांच regression model के अंतर्निहित assumptions को मान्य करती है

बचने योग्य सामान्य गलतियाँ

• बहुत बड़े नमूनों के साथ केवल p-value के आधार पर सामान्यता अस्वीकार करना — n > 500 के साथ, परीक्षण बिना व्यावहारिक प्रभाव के सामान्यता से तुच्छ विचलन का पता लगाते हैं; दृश्य निर्णय के लिए हमेशा QQ-plot का उपयोग करें
• छोटे नमूने (n < 20) के साथ बिना जांच के सामान्यता स्वीकार करना — छोटे नमूनों के साथ परीक्षणों में कम power होता है
• पूर्णांक या भारी गोलाकृत डेटा पर सामान्यता परीक्षण लागू करना — discrete डेटा सामान्यता परीक्षण विफल हो सकता है भले ही अंतर्निहित प्रक्रिया सामान्य हो
• जब residuals का परीक्षण करना चाहिए तब कच्चे डेटा का परीक्षण — regression और ANOVA के लिए, residuals को सामान्य रूप से वितरित होना चाहिए, कच्चे डेटा को नहीं

परिणामों की व्याख्या कैसे करें

• सभी परीक्षण p > 0.05 दिखाते हैं और QQ-plot रैखिक है — डेटा सामान्यता के अनुरूप है; parametric विधियों के साथ आगे बढ़ें
• परीक्षण p < 0.05 दिखाते हैं लेकिन QQ-plot लगभग रैखिक दिखता है — बड़े नमूनों के साथ मामूली विचलन महत्वपूर्ण p-values उत्पन्न कर सकते हैं; अधिकांश व्यावहारिक उद्देश्यों के लिए सामान्यता पर्याप्त है
• QQ-plot S-आकार की वक्र दिखाता है — डेटा में सामान्य से भारी पूंछें (leptokurtic) हैं; t-distribution या robust विधियों पर विचार करें
• QQ-plot व्यवस्थित वक्रता (अवतल या उत्तल) दिखाता है — डेटा विषम है; log या Box-Cox रूपांतरण आज़माएं
• विभिन्न परीक्षण असहमत हैं — Shapiro-Wilk सामान्य उपयोग के लिए सबसे विश्वसनीय है; Anderson-Darling पूंछों के महत्वपूर्ण होने पर सर्वोत्तम है; दृश्य मध्यस्थ के रूप में QQ-plot का उपयोग करें

संबंधित मानक और संदर्भ

• ISO 5479 — डेटा की सांख्यिकीय व्याख्या: सामान्य वितरण से विचलन के परीक्षण, सामान्यता परीक्षण पद्धति को कवर करने वाला अंतरराष्ट्रीय मानक
• Shapiro & Wilk (1965), Biometrika — यहां लागू W सांख्यिकी को प्रस्तुत करने वाला मूल शोधपत्र
• NIST/SEMATECH e-Handbook §1.3.5 — Anderson-Darling परीक्षण और सामान्य प्रायिकता (Q-Q) प्लॉटिंग के लिए संदर्भ प्रक्रियाएं
• Jarque & Bera (1987), International Statistical Review — बड़े नमूनों के लिए प्रयुक्त तिरछापन-कुर्टोसिस आधारित सामान्यता परीक्षण
• AIAG SPC Reference Manual — Cpk और Ppk जैसे क्षमता सूचकांकों की गणना से पहले सामान्यता सत्यापित करने की अपेक्षा करता है

अक्सर पूछे जाने वाले प्रश्न

यदि मेरा डेटा सामान्यता परीक्षण में विफल हो जाए तो मुझे क्या करना चाहिए?

विकल्पों में शामिल हैं: (1) सामान्यता प्राप्त करने के लिए log, Box-Cox या Johnson रूपांतरण से डेटा को रूपांतरित करें। (2) ऐसी गैर-प्राचलिक (non-parametric) विधियाँ अपनाएँ जो सामान्यता नहीं मानतीं (जैसे t-परीक्षण के स्थान पर Mann-Whitney)। (3) कोई भिन्न वितरण (Weibull, lognormal आदि) फिट करें जो डेटा का बेहतर वर्णन करता हो। (4) बड़े नमूनों (n > 30) में केंद्रीय सीमा प्रमेय के कारण माध्य-आधारित परीक्षणों पर सामान्यता के उल्लंघन का असर प्रायः कम रह जाता है।

अलग-अलग सामान्यता परीक्षण अलग-अलग परिणाम क्यों देते हैं?

प्रत्येक परीक्षण गैर-सामान्यता के भिन्न पहलुओं के प्रति संवेदनशील है। विभिन्न प्रकार के विचलनों का पता लगाने में Shapiro-Wilk की समग्र शक्ति सबसे अच्छी है। Anderson-Darling पुच्छ विचलनों पर जोर देता है (विश्वसनीयता के लिए महत्वपूर्ण)। Jarque-Bera विषमता और कर्टोसिस पर केंद्रित है। सीमांत डेटा के साथ एक परीक्षण अस्वीकार कर सकता है जबकि अन्य नहीं। ऐसी स्थिति में QQ-प्लॉट को दृश्य निर्णायक के रूप में उपयोग करें।