- •Лекции по дисциплине курса «Теория вероятностей и математическая статистика»
- •Часть II
- •Введение
- •1. Закон больших чисел
- •1.2. Неравенства чебышева
- •1.3. Сходимость по вероятности
- •1.4.Теоремы чебышева
- •1.4.1.Первая теорема Чебышева.
- •1.4.2. Вторая теорема Чебышева:
- •1.5. Теорема бернулли
- •1.6. Центральная предельная теорема
- •1.7. Предельные теоремы
- •1.7.1. Локальная теорема Муавра-Лапласа.
- •1.7.2. Интегральная теорема Муавра-Лапласа.
- •2. Базовые понятия математической статистики
- •2.1. Эмпирическая функция распределения
- •2.2. Гистограмма
- •2.3. Оценки параметров распределения и их свойства
- •2.4. Оценки моментов и квантилей распределения
- •2.5. Точечная оценка параметров распределения
- •2.5.1. Сущность задачи точечного оценивания параметров
- •2.5.2. Метод максимального правдоподобия
- •2.5.3. Метод моментов
- •2.5.4. Метод квантилей
- •3. Проверка статистических гипотез
- •3.1. Сущность задачи проверки статистических гипотез
- •3.2. Типовые распределения
- •3.2.1. Нормальное распределение
- •3.2.2. Распределение χ2 (хи-квадрат)
- •3.2.3. Распределение Стьюдента
- •3.3.4. Распределение Фишера
- •3.3. Проверка гипотез о законе распределения
- •3.3.1. Критерий хи-квадрат к. Пирсона
- •3.3.2. Критерий а.Н. Колмогорова
- •3.3.3. Критерий р. Мизеса
- •4. Интервальная оценка параметров распределения
- •4.1. Сущность задачи интервального оценивания параметров
- •4.2. Общий метод построения доверительных интервалов
- •4.3. Доверительный интервал для математического ожидания
- •4.4. Доверительный интервал для дисперсии
- •4.5. Доверительный интервал для вероятности
- •5. Аппроксимация закона распределения экспериментальных данных
- •5.1. Задачи аппроксимации
- •5.2. Аппроксимация на основе типовых распределений
- •6. Обработка однотипных выборок
- •6.1. Однотипные выборки эд и задачи их обработки
- •6.2. Объединение выборок
- •6.2.1. Объединение однородных выборок
- •6.2.2. Объединение неоднородных выборок
- •6.3. Однофакторный дисперсионный анализ
- •6.3.1. Задачи дисперсионного анализа
- •6.3.2. Проверка однородности совокупности дисперсий
- •6.3.3. Сравнение факторной и остаточной дисперсий
- •7. Корреляционный и регрессионный анализ
- •7.1. Матрица данных
- •7.2. Корреляционный анализ
- •7.3. Регрессионный анализ
- •7.3.1. Постановка задачи
- •7.3.2. Выбор вида уравнения регрессии
- •7.3.4. Вычисление коэффициентов уравнения регрессии
3.3.3. Критерий р. Мизеса
В качестве меры различия теоретической функции распределения F(x) и эмпирической F*n(x) по критерию Мизеса (критерию w2) выступает средний квадрат отклонений по всем значениям аргумента x
. (3.12)
Статистика критерия
(3.13)
При неограниченном увеличении n существует предельное распределение статистики nwn2. Задав значение вероятности a можно определить критические значения nwn2(a). Проверка гипотезы о законе распределения осуществляется обычным образом: если фактическое значение nwn2 окажется больше критического или равно ему, то согласно критерию Мизеса с уровнем значимости a гипотеза Но о том, что закон распределения генеральной совокупности соответствует F(x), должна быть отвергнута.
Пример 3.3. Проверить с помощью критерия Мизеса гипотезу о том, что ЭД, представленные вариационным рядом в табл. подчиняются нормальному распределению при уровне значимости a = 0,1.
Решение.Исходные данные и результаты вычислений представлены в табл. 3.1.
i |
xi |
Fn(xi) |
F(xi) |
Di |
i |
xi |
Fn(xi) |
F(xi) |
Di |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 |
25,79 25,98 25,98 26,12 26,13 26,49 26,52 26,60 26,66 26,69 26,74 26,85 26,90 26,91 26,96 27,02 27,11 27,19 27,21 27,28 27,30 27,38 |
0,011 0,034 0,057 0,080 0,102 0,125 0,148 0,171 0,193 0,216 0,237 0,261 0,284 0,307 0,330 0,352 0,375 0,398 0,421 0,443 0,466 0,489 |
0,036 0,055 0,055 0,073 0,075 0,144 0,151 0,170 0,188 0,196 0,211 0,246 0,263 0,267 0,284 0,305 0,337 0,371 0,378 0,406 0,412 0,447 |
0,618 0,429 0,003 0,047 0,726 0,378 0,009 0,000 0,025 0,409 0,742 0,231 0,439 1,572 2,071 2,243 1,467 0,717 1,790 1,391 2,866 1,755 |
23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 |
27,40 27,49 27,64 27,66 27,71 27,78 27,89 27,89 28,01 28,10 28,11 28,37 28,38 28,50 28,63 28,67 28,90 28,99 28,99 29,03 29,12 29,28 |
0,511 0,534 0,557 0,580 0,602 0,625 0,648 0,671 0,693 0,716 0,739 0,761 0,784 0,807 0,830 0,852 0,875 0,898 0,921 0,943 0,966 0,989 |
0,456 0,492 0,555 0,561 0,583 0,610 0,656 0,656 0,701 0,731 0,735 0,817 0,819 0,851 0,879 0,888 0,928 0,939 0,940 0,944 0,954 0,968 |
3,103 1,765 0,003 0,332 0,374 0,216 0,063 0,213 0,067 0,238 0,013 3,090 1,230 1,908 2,461 1,271 2,791 1,737 0,381 0,001 0,149 0,432 |
В этой таблице:
Fn(xi)=(i–0,5)/44 – значение эмпирической функции распределения;
F(xi) – значение теоретической функции распределения, соответствует значению функции нормального распределения в точке xi;
Di =1000[Fn(xi) – F(xi)]2 . Здесь масштабный множитель 1000 введен для удобства отображения данных в таблице, при расчетах он не используется.
Критическое значение статистики критерия Мизеса при заданном уровне значимости равно 0,347, (таблица приведена в приложении в разделе «Практика»). Фактическое значение статистики
что меньше критического значения. Следовательно, гипотеза Н0 не противоречит имеющимся данным.
Достоинством критерия Мизеса является быстрая сходимость к предельному закону, для этого достаточно не менее 40 наблюдений в области часто используемых на практике больших значений nwn (а не несколько сот, как для критерия хи-квадрат).
Сопоставляя возможности различных критериев, необходимо отметить следующие особенности. Критерий Пирсона устойчив к отдельным случайным ошибкам в ЭД. Однако его применение требует группирования данных по интервалам, выбор которых относительно произволен и подвержен противоречивым рекомендациям. Критерий Колмогорова слабо чувствителен к виду закона распределения и подвержен влиянию помех в исходной выборке, но прост в применении. Критерий Мизеса имеет ряд общих свойств с критерием Колмогорова: оба основаны непосредственно на результатах наблюдения и не требуют построения статистического ряда, что повышает объективность выводов; оба не учитывают уменьшение числа степеней свободы при определении параметров распределения по выборке, а это ведет к риску принятия ошибочной гипотезы. Их предпочтительно применять в тех случаях, когда параметры закона распределения известны априори, например, при проверке датчиков случайных чисел.
При проверке гипотез о законе распределения следует помнить, что слишком хорошее совпадение с выбранным законом распределения может быть обусловлено некачественным экспериментом («подчистка» ЭД) или предвзятой предварительной обработкой результатов (некоторые результаты отбрасываются или округляются).
Выбор критерия проверки гипотезы относительно произволен. Разные критерии могут давать различные выводы о справедливости гипотезы, окончательное заключение в таком случае принимается на основе неформальных соображений. Точно также нет однозначных рекомендаций по выбору уровня значимости.
Рассмотренный подход к проверке гипотез, основанный на применении специальных таблиц критических точек распределения, сложился в эпоху "ручной" обработки ЭД, когда наличие таких таблиц существенно снижало трудоемкость вычислений. В настоящее время математические пакеты включают процедуры вычисления стандартных функций распределений, что позволяет отказаться от использования таблиц, но может потребовать изменения правил проверки. Например, соблюдению гипотезы Н0 соответствует такое значение функции распределения критерия, которое не превышает значение доверительной вероятности 1– a (оценка статистики критерия соответствует доверительному интервалу).