假设某一样本符合正态分布 一般最小样本量为多少呢

最小样本量为4组。

无论是否独立，无论参数是否相同，正态分布的随机数相加必然还是正态分布。

有一组X1, X2, ....., Xn是一组独立同分布的样本，服从正态分布；而Y1, Y2, ....., Yn是另一组独立同分布的样本，服从另一个正态分布。

那么X1+Y1, ....., Xn+Yn必然也服从某种正态分布。X1+Y1, X2+Y2,.....之间是独立的。X1与Y2,....,Yn都是独立的，以此类推。在这样的情况下，可以保证X1+Y1, ....., Xn+Yn也是一组独立同分布的样本，服从某个正态分布。

扩展资料：

正态分布具有两个参数μ和σ^2的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ^2是此随机变量的方差，所以正态分布记作N（μ,σ2）。

μ是正态分布的位置参数，描述正态分布的集中趋势位置。概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X=μ为对称轴，左右完全对称。正态分布的期望、均数、中位数、众数相同，均等于μ。

σ描述正态分布资料数据分布的离散程度，σ越大，数据分布越分散，σ越小，数据分布越集中。也称为是正态分布的形状参数，σ越大，曲线越扁平，反之，σ越小，曲线越瘦高。

参考资料来源：百度百科-正态分布

1、检验正态分布的办法,在spss菜单中选择分析——描述统计——探索,将需要检验的变量放入因变量里面,选择“绘制——带检验的正态图,看一下tests of normality就可以,如果成正态,sig不会小于临界值
如果是正态,QQ图里的散点回呈直线,normal qq图的横坐标是实际的数据从小到大排列,纵坐标是正态分布的期望值,所以如果实际的和正态的期望相符,散点图就会呈一条直线；detrended qq图的横坐标是实际观测值,纵坐标是实际观测值减去期望值,如果数据符合正态,那么散点应当在中央横线附近
2、方差是否一样就是看方差齐性检验了,方差齐性问题只存在于独立样本t检验中,独立样本t检验自带方差齐性检验,你只要按照独立样本t检验的步骤做出结果,那在t检验的报表里面就有方差齐性检验的结果,就是那个F检验,只要F检验的sig>0.05,就代表两组数据方差相同.
理论上来说,t检验需要满足正态分布和方差齐性,首先,t检验的结果要判断是否显著,是根据t分布表,如果你的数据不是正态的（正态分布的小样本分布为t分布）,那查表就必然有偏误,所以需要数据是正态分布.再说方差齐性,独立样本t检验计算t值的时候需要合并方差,合并方差的前提是两组数据的方差来自同一总体,如果不满足这个条件,等于相加的两个方差单位不同,而单位不同的数据是不可以直接相加的.所以方差齐性也必须满足.
但t检验实际上对于方差齐性和正态分布是有一定稳健性的,也就是一定程度上的违反不太影响t检验结果的准确性,所以基本上你可以放心用t检验.
如果严重违反正态性和方差齐性,可以考虑做给数据做一下正态转换,它可以解决正态性问题,并一定程度上改善方差齐性问题.
spss的变量正态转换步骤：工具栏transform-Rank cases,将左边你要进行正态化的变量拖入右边“变量”框中；点选rank types对话窗,选中normal scores选项（共四种计算方法,系统默认的是bloom计算方法,可根据你的需要进行改进）,点击continue,ok,此时spss页面上会生成两列新变量,第一个变量,N打头的那个就是正态化后的新变量
转换后可以用新的正态化变量做t检验,