Câu hỏi này cũng dựa trên lý thuyết thống kê - việc kiểm tra tính quy tắc với dữ liệu hạn chế có thể là câu hỏi (mặc dù tất cả chúng ta đã làm điều này theo thời gian).
Thay vào đó, bạn có thể xem xét các hệ số kurtosis và xiên. Từ Hahn và Shapiro: Các mô hình thống kê trong kỹ thuật, một số nền tảng được cung cấp trên các thuộc tính Beta1 và Beta2 (trang 42 đến 49) và Hình 6-1 của trang 197. Có thể tìm thấy lý thuyết bổ sung đằng sau điều này trên Wikipedia (xem Phân phối Pearson).
Về cơ bản, bạn cần tính toán các thuộc tính được gọi là Beta1 và Beta2. Beta1 = 0 và Beta2 = 3 cho thấy tập dữ liệu tiếp cận tính quy tắc. Đây là một thử nghiệm sơ bộ nhưng với dữ liệu hạn chế, có thể lập luận rằng bất kỳ thử nghiệm nào cũng có thể được coi là thử nghiệm thô.
Beta1 có liên quan đến khoảnh khắc 2 và 3, hoặc phương sai và độ lệch tương ứng. Trong Excel, đây là VAR và SKEW. Trong đó ... là mảng dữ liệu của bạn, công thức là:
Beta1 = SKEW(...)^2/VAR(...)^3
Beta2 có liên quan đến khoảnh khắc 2 và 4, hoặc phương sai và kurtosis , tương ứng. Trong Excel, đây là VAR và KURT. Trong đó ... là mảng dữ liệu của bạn, công thức là:
Beta2 = KURT(...)/VAR(...)^2
Sau đó, bạn có thể kiểm tra các giá trị này tương ứng với các giá trị 0 và 3. Điều này có lợi thế là có khả năng xác định các phân phối khác (bao gồm Phân phối Pearson I, I (U), I (J), II, II (U), III, IV, V, VI, VII). Ví dụ: nhiều phân phối thường được sử dụng như Đồng phục, Bình thường, Sinh viên t, Beta, Gamma, Hàm mũ và Log-Bình thường có thể được chỉ định từ các thuộc tính này:
Where: 0 <= Beta1 <= 4
1 <= Beta2 <= 10
Uniform: [0,1.8] [point]
Exponential: [4,9] [point]
Normal: [0,3] [point]
Students-t: (0,3) to [0,10] [line]
Lognormal: (0,3) to [3.6,10] [line]
Gamma: (0,3) to (4,9) [line]
Beta: (0,3) to (4,9), (0,1.8) to (4,9) [area]
Beta J: (0,1.8) to (4,9), (0,1.8) to [4,6*] [area]
Beta U: (0,1.8) to (4,6), [0,1] to [4.5) [area]
Impossible: (0,1) to (4.5), (0,1) to (4,1] [area]
Undefined: (0,3) to (3.6,10), (0,10) to (3.6,10) [area]
Values of Beta1, Beta2 where brackets mean:
[ ] : includes (closed)
( ) : approaches but does not include (open)
* : approximate
Những điều này được minh họa trong Hahn và Shapiro Hình 6-1.
Cấp này là một thử nghiệm rất khó khăn (với một số vấn đề) nhưng bạn có thể muốn xem nó như một kiểm tra sơ bộ trước khi đi đến một phương pháp nghiêm ngặt hơn.
Ngoài ra còn có các cơ chế điều chỉnh để tính toán Beta1 và Beta2 nơi dữ liệu bị hạn chế - nhưng điều đó nằm ngoài bài viết này.