6. ПРОВЕРКА ДАННЫХ НА ПРИНАДЛЕЖНОСТЬ К НОРМАЛЬНОМУ ЗАКОНУ РАСПРЕДЕЛЕНИЯ

alpha <- 0.05 # Уровень статистической значимости

gagData <- GAGurine$GAG # Создаем вектор, содержащий концентрацию

# GAG

samplData <- length(gagData) # Определяем количество измерений

# концентрации GAG

# Результаты вычислений средней мощности теста Крамера–фон Мизеса для

# фактических данных

powerKFMtest <- power_KFM_Weibull(resp = repl, alpha = alpha, dataAnaliz = gagData, sample = samplData)

# Построение графика зависимости средней мощности

# критерия Крамера–фон Мизеса от количества исследований

plot(powerKFMtest$samples, powerKFMtest$power, type = “l”,

xlab = “Количество исследований, шт”,

ylab = “Средняя мощность критерия”,

main = “Зависимость средней мощности критерия Крамера–фон Мизеса от количества исследований”, col = “blue”, lwd = 4)

Результат расчета средней мощности критерия Крамера–фон Мизеса в зависимости от количества исследований представлен на рисунке 32.

Рисунок 32 – Результаты вычислений средней мощности теста Крамера–фон Мизеса в зависимости от количества исследований, содержащихся в наборе данных GAGurine из пакета MASS

Анализ результатов вычисления мощности теста Крамера–фон Мизеса на наборе данных GAGurine из пакета MASS показывает, что данный тест обладает 100-процентной мощностью при проведении исследований на нормальность.