Загребаев Методы обработки статистической информации в задачах контроля 2008
.pdfH1 : альтернативное предположение
2. Формируется некоторая функция k = fn (X1, ..., Xn ) от результатов наблюдения. Эта функция называется критерием. Так как величины X1 , …, Xn – случайные, то k является случайной величиной. Обязательным является, чтобы закон распределения f (k) был хорошо изучен и затабулирован в предположении справедли-
вости H0 .
Принцип построения критерия k: величиной критерия опре-
деляется мера расхождения имеющихся в распоряжении выборочных данных с высказанной гипотезой H0 .
3. Задается величина уровня значимости α. Величина априорного значения α зависит от тех потерь, которые мы понесем, отвергнув правильную гипотезу. Чем больше потери, тем меньше величина α. Обычно значения α выбираются из следующего ряда:
0,1 |
0,05 |
0,025 |
0,005 |
0,001. |
4. Из таблиц, где затабулирована |
f (k) |
– плотность распределе- |
ния k, при заданном уровне значимости находим точки, разделяющие всю область мыслимых значений k в зависимости от выбранной альтернативной гипотезы на три или две части (рис. 1.23).
Рис. 1.23. Плотность распределения критерия при справедливости нулевой гипотезы
(I – область неправдоподобно малых значений k; II – область правдоподобных значений k;
III– область неправдоподобно больших значений k)
5.В функцию k = fn (x1, ..., xn ) подставляем выборочные значения x1, ..., xn . Если окажется, что число k = fn (x1, ..., xn ) попадает во вторую область, то считают, что гипотеза H0 не противоречит
экспериментальным данным. Если же в первую или третью область, то, скорее всего, случайная величина k не подчиняется из-
81
вестному закону f (k) и это несоответствие объясняется неверностью гипотезы H0 , и мы от нее отказываемся.
Критические области. Мощность критерия
Критическая область – совокупность значений критерия, при котором отвергается гипотеза H0 .
Мощность критерия – вероятность принятия альтернативной гипотезы H1 , если она верна, или вероятность попадания критерия
в критическую область при условии правильности гипотезы H1 , т.е. мощность критерия – вероятность того, что H0 отвергнута, если H1 верна. Если β – вероятность совершить ошибку второго ро-
да, т.е. события «принята нулевая гипотеза, причем справедлива конкурирующая», то мощность критерия 1 −β .
Таким образом, чем больше мощность критерия, тем меньше вероятность совершить ошибку второго рода.
Проверка гипотезы о равенстве центров распределения двух нормальных генеральных совокупностей при известном σ
Пусть две случайные величины X и Y подчинены нормальному закону. Имеется две независимые выборки n и m. Необходимо проверить нулевую гипотезу о том, что статистическое ожидание этих двух генеральных совокупностей совпадают относительно альтернативной гипотезы – математические ожидания не равны.
В соответствии с общей логической схемой статистической проверки статистических гипотез, реализуем следующие шаги.
1. Выдвигаем гипотезу H0 и альтернативную ей гипотезу H1 .
H0 : M [X ] = M [Y ] .
H1 : M[X ] − M[Y ] > 0 .
2. Задаемся критерием проверки выдвинутой гипотезы H0 :
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
X |
−Y |
|
|
|
|
|
|
1 |
|
|
1 |
m |
|
|
|||||||
Z = |
|
|
|
|
|
|
|
|
|
, где |
X = |
|
∑Xi , Y = |
|
∑Yi . |
|||||||
|
|
|
|
|
|
|
|
|
n |
m |
||||||||||||
σ X −Y |
||||||||||||||||||||||
|
|
|
|
|
i=1 |
i=1 |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
82
Ясно, что M X = M [X ],
иY распределены нормально. Понятно, что
|
|
|
|
|
M Y |
|
= M [Y ], причем величины X |
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
D[X ] D[Y ] |
|||||||||
σ X |
−Y |
= |
D X −Y |
= |
D X |
+ D Y |
= |
|
|
|
+ |
|
. |
||||||||||||||||||
|
|
|
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
m |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Если справедлива H |
|
|
, т.е. если |
|
|
|
= M |
|
|
|
, |
то величина Z |
|||||||||||||||||||
0 |
M Y |
Y |
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
распределена по нормальному закону с параметрами: M [Z ]= 0 и
σ[Z ]=1, т.е. f (Z) = |
1 |
l− |
Z 2 |
||
2 |
. |
||||
2π |
|||||
|
|
|
|
3. Задаемся величиной уровня значимости α, т.е. вероятностью отвергнуть истинную гипотезу, если она верна, что в геометрическом плане означает попасть в критическую область
α = P( Z > Zk ) (рис. 1.24).
Рис. 1.24. Иллюстрация к проверке гипотезы о равенстве центров распределения двух генеральных совокупностей
4. Из таблиц, где затабулирована f (z) – плотность распределе-
ния z, находим точки, разделяющие всю область мыслимых значений критерия на три части.
В силу симметрии нормального закона распределения имеем
P(0 < Z < Zk ) = 12 .
83
Эта вероятность есть сумма вероятности того, что случайная величина Z попадет в области 0 < Z < Zk и Zk < Z < ∞ , т.е.
12 = P(0 < Z < Zk ) + P(Zk < Z < ∞) .
С другой стороны, это соотношение можно записать, используя функцию Лапласа, определяющую вероятность попадания нормированной случайной величины Z в интервал (0 < Z < Zk ) :
12 = P(0 < Z < Zk ) + P(Zk < Z < ∞) = Φ(Zk ) + α2 ,
откуда Φ(Zk ) = 1−2α . Обратным интерполированием по таблицам функции Лапласа определяем величину Zk , т.е. критическую об-
ласть |
|
−1 |
|
1− α |
|
Zk = Φ |
|
|
|
. |
|
|
2 |
||||
|
|
|
|
|
5. По экспериментальным данным вычислим:
1 |
|
n |
|
1 m |
|
||||
|
|
∑xi − |
|
|
∑yi |
|
|||
|
|
|
|
|
|||||
Zэксп = |
n i=1 |
|
m i=1 |
. |
|||||
|
|
|
|||||||
|
|
|
D[x] |
+ |
D[y] |
|
|
||
|
|
|
n |
|
|
||||
|
|
|
|
|
|
m |
|
Если Zнабл попадает в критическую область, то гипотезу о равенстве центров распределения следует отвергнуть. В противном случае можем сказать, что H0 не противоречит имеющимся экспе-
риментальным данным.
Рассмотрим случай, когда выдвигается другая альтернативная гипотеза.
1.H0 : M [X ]= M [Y ], H1 : M [X ]> M [Y ].
|
|
|
|
|
|
|
|
|
|
|
2. Критерий выберем тот же самый: Z = |
X |
−Y |
|
|
. |
|||||
|
|
|
|
|
|
|
|
|
||
|
σ X |
−Y |
|
|||||||
|
|
|
|
|
84
3. |
Выбор альтернативной гипотезы определяет форму матема- |
||||||||||||||||||||
тической записи P(Z − Zk ) = α . |
|
|
|
|
|
|
|||||||||||||||
4. |
Выбор критической области при этом находится из условия |
||||||||||||||||||||
|
|
P(0 < Z < Z |
k |
) + P(Z |
k |
< Z < ∞) = |
1 |
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
||
или |
1 = P(0 < Z < Zk ) + P(Zk < Z < ∞) = Φ(Zk ) + α , |
||||||||||||||||||||
|
|||||||||||||||||||||
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Φ(Zk ) = |
1− 2α |
, тогда Zk = Φ |
−1 |
|
1− 2α |
||||||||||||||
откуда получим |
|
|
|
|
|
|
|
|
|
|
. |
||||||||||
|
2 |
|
|
2 |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
5. |
Если Zэксп |
= |
X |
−Y |
|
> Zk , то H0 отвергаем. |
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
σ X |
−Y |
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Проверка гипотезы о равенстве центров распределения двух нормальных генеральных совокупностей
при неизвестном, но одинаковым σ
Пусть X и Y подчинены нормальному закону. Будем считать, что дисперсии этих случайных величин неизвестны, но одинаковы
σ2x = σ2y = σ2 . Пусть n и m – объемы выборок из генеральных сово-
купностей X и Y соответственно. Необходимо проверить нулевую гипотезу о равенстве математических ожиданий:
H0 : M [X ] = M [Y ]
относительно альтернативной
H1 : M [X ] ≠ M [Y ] ,
|
|
|
1 |
n |
|
|
1 |
m |
|
|
|
|
|
|
|
||||||
X = |
|
∑Xi , Y = |
|
∑Yi . |
||||||
|
|
|||||||||
|
|
|
n i=1 |
m i=1 |
В качестве оценки для дисперсии выберем несмещенную оцен-
ку:
|
1 |
n |
|
|
1 |
m |
|
|
|
Sx2 = |
∑(Xi − X |
)2 , Sy2 = |
∑(Yi −Y |
)2 . |
|||||
|
|
||||||||
|
n −1i=1 |
m −1i=1 |
85
Так как по условию σ2x = σ2y = σ2 , то для оценки σ2 целесооб-
разно использовать эту информацию и в качестве оценки дисперсии взять взвешенное значение от обеих выборок:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
S2 = |
Sx2 (n −1) + Sy2 (m −1) |
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n + m − 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
Если гипотеза |
|
|
H0 справедлива, то случайная величина |
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
X |
−Y |
|||||||||||||||||||||||||||||||||||||||||||||||||||||
подчинена нормальному |
|
|
закону |
|
|
с параметрами |
|
|
|
|
|
|
] = 0 , |
||||||||||||||||||||||||||||||||||||||||||||
|
|
M[X |
−Y |
||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
2 |
|
1 |
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
D[X −Y ] = σ |
|
|
|
|
+ |
|
|
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
Действительно, |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M[X |
−Y ] = M[X ] − M[Y ] = 0 , |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
D[X] |
|
|
D[Y] |
|
|
|
1 |
|
1 |
|
2 |
1 |
|
|
|
1 |
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
D[X −Y ] = D[X ]+ D[Y ] = |
|
|
|
|
|
+ |
|
|
|
|
= D |
|
|
+ |
|
|
=σ |
|
|
+ |
|
|
|
, |
||||||||||||||||||||||||||||||||
|
|
|
n |
|
|
|
|
m |
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
m |
|
|
n |
|
|
m |
величина σ2 неизвестна. Понятно, что в этом случае оценка дисперсии разности средних значений может быть выражена формулой:
2 |
|
|
|
|
1 |
|
|
|
1 |
2 |
|
|
|
1 |
|
|
|
|
|
1 |
|
Sx2 (n −1) + Sy2 (m −1) |
|
||||||||||||||||||||||||
SX |
|
|
= |
|
|
+ |
|
|
|
|
S |
|
= |
|
|
|
+ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
. |
|||||||||||
−Y |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n + m − 2 |
||||||||||||||||||||||||||||
|
|
|
|
n |
|
|
m |
|
|
|
n |
|
|
|
|
|
m |
|
|
|
|
|
|
||||||||||||||||||||||||
При этом легко показать, что |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
2 |
|
1 |
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
M[SX |
|
|
|
] |
= σ |
|
|
|
|
|
|
+ |
|
|
|
|
|
= D[X −Y ]. |
|
|||||||||||||||||||||||
|
|
|
|
−Y |
|
|
|
|
|
|
|
m |
|
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
||||||||||||||||||
Известно, что, если величина |
|
|
|
|
|
|
|
|
|
подчинена нормальному |
|||||||||||||||||||||||||||||||||||||
|
|
|
X |
−Y |
|
||||||||||||||||||||||||||||||||||||||||||
закону, то статистика |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
= |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
t = |
X |
|
−Y |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
X |
−Y |
|
|
|
|
||||||||||||||||||||||
|
SX |
|
|
|
|
|
|
1 |
|
|
1 Sx2 (n −1) + Sy2 (m −1) |
|
|||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||
|
|
|
|
−Y |
|
|
|
|
|
|
|
|
+ |
|
|||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n + m − 2 |
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
m |
|
|
|
|
|
|
|
|
|
|
подчиняется распределению Стьюдента с числом степеней свободы k = n + m − 2 .
86
При заданном α по таблицам функции Стьюдента находим tкр , такое, что P( t > tкр) = α . Далее вычисляем по экспериментальным
данным T = |
x − y |
|
nm(n + m − 2) |
, и если его мо- |
|
|
|||
эксп |
(n −1)sx2 + (m −1)s2y |
|
n + m |
|
|
|
дуль больше tкр , то гипотеза H0 отвергается, в противном случае она принимается.
Сравнение двух дисперсий нормальных генеральных совокупностей
Пусть генеральные совокупности X и Y распределены нормально и по независимым выборкам из этих совокупностей, соответственно, объемом n и m получены исправленные выборочные дис-
персии sx и sY . Понятно, что в силу ограниченности выборок зна-
чения этих величин могут не совпадать, даже если дисперсии генеральных совокупностей одинаковы. Возникает вопрос: случайно это расхождение, значимо ли оно? Иначе говоря, требуется при заданном уровне значимости α проверить нулевую гипотезу о том, что дисперсии генеральных совокупностей совпадают.
|
1 |
n |
|
|
1 |
m |
|
|
|
Так как Sx2 = |
∑( Xi − X |
)2 и Sy2 = |
∑(Yi −Y |
)2 являются, |
|||||
|
|
||||||||
|
n −1 i=1 |
m −1 i=1 |
соответственно, несмещенными оценками дисперсий генеральных совокупностей X и Y, то выполняются соотношения:
M[S2 |
] = D |
X |
и M[S2 |
] = D . |
X |
|
Y |
Y |
Тогда нулевую гипотезу о равенстве дисперсий генеральных совокупностей X и Y можно записать следующим образом:
H0 : M[SX2 ] = M[SY2 ] ,
или
H0 : DX = DY .
Вкачестве критерия в данном случае выбирают отношение
большей дисперсии к меньшей F = Sб2 . Показано, что при спра-
Sм2
87
ведливости нулевой гипотезы величина F подчиняется распределе- |
|||||||||||
нию Фишера |
– |
Снедекора |
со степенями |
свободы k1 = n1 −1 и |
|||||||
k2 = n2 −1. При этом n1 |
– объем выборки, по которой вычислена |
||||||||||
большая исправленная дисперсия, а n2 – меньшая. Оказывается, |
|||||||||||
что распределение Фишера – Снедекора зависит только от числа |
|||||||||||
степеней свободы k1 и k2 |
и не зависит от других параметров. |
||||||||||
Распределение Фишера – Снедекора. Если U и V – независи- |
|||||||||||
мые случайные величины, |
распределенные по закону χ2 |
со степе- |
|||||||||
нями свободы k1 и k2 , то величина |
|
|
|
|
|||||||
|
|
|
|
|
|
U / k1 |
|
|
(1.3.1) |
||
|
|
|
|
|
|
F = V / k2 |
|
|
|||
имеет распределение, называемое F-распределением, или распре- |
|||||||||||
делением Фишера – Снедекора (рис. 1.25). Плотность распределе- |
|||||||||||
ния Фишера – Снедекора определяется выражением: |
|
||||||||||
|
|
|
0 |
|
|
|
|
|
|
при x ≤ 0; |
|
|
|
|
|
|
|
x(k1−2)/2 |
|
|
|
(1.3.2) |
|
|
|
f (x) = |
|
|
|
|
|
||||
|
|
|
C0 |
(k |
|
+ k x) |
(k +k |
2 |
)/2 |
при x > 0, |
|
|
|
|
|
2 |
1 |
|
|
|
|||
|
|
|
|
1 |
|
|
|
|
|
||
Г |
k1 |
+ k2 kk1/2kk2 /2 |
|
|
|
|
|
|
|||
|
|
2 |
1 |
2 |
|
|
|
|
|
|
|
где C = |
|
|
|
|
; Γ – гамма функция. |
|
|||||
0 |
Г(k1 /2)Г(k2 /2) |
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
||||
f ( x) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
Рис. 1.25. Плотность распределения Фишера – Снедекора |
|
88
Критическая область строится, исходя из вида конкурирующей гипотезы.
Рассмотрим пример. Пусть
H1 : D[ X ] > D[Y ] .
Необходимо вычислить отношение большей исправленной дисперсии к меньшей, т.е.
Fэксп = sб2 .
sм2
Затем по таблице критических точек распределения Фишера – Снедекора по заданному уровню значимости α и числам степеней свободы k1 и k2 ( k1 – число степеней свободы большей исправ-
ленной дисперсии) найти критическую точку Fкр , исходя из усло-
вия:
P(F > Fкр) = α .
Если Fэксп > Fкр , то гипотезу H0 отвергаем.
При данной конкурирующей гипотезе критическая область – односторонняя.
Проверка гипотезы о законе распределения. Критерий Пирсона
Ранее рассматривались способы проверки гипотез о различных параметрах закона распределения, причем сам закон распределения считался известным. Однако во многих задачах именно сам закон распределения неизвестен, и предположение о его виде является гипотезой, требующей проверки. Пусть высказывается предположение, что ряд наблюдений X1, ..., Xn образует случайную выбор-
ку, извлеченную из генеральной совокупности, имеющей плотность распределения вида f (x; θ1, ..., θs ) , где параметры θ1, ..., θs неизвестны. В этом случае для проверки гипотезы о том, что плотность распределения случайной величины X есть f (x; θ1, ..., θs ) ,
применяется критерий Пирсона.
Критерий Пирсона. Суть состоит в том, что сравниваются эмпирические и теоретические (в предположении справедливости ги-
89
потезы H0 : f = f (x; θ1, ..., θs ) ) частоты. Например, получены следующие данные:
Эмпирические |
6 |
13 |
38 |
74 |
106 |
85 |
30 |
10 |
4 |
|
частоты |
||||||||||
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
Теоретические |
3 |
14 |
42 |
82 |
99 |
76 |
37 |
11 |
2 |
|
частоты |
||||||||||
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
Возникает вопрос: случайно ли расхождение частот? С одной стороны, расхождение частот может быть случайным и объясняется малым числом измерений и ошибками при измерении. С другой стороны, возможно, что закон распределения, который мы выбрали для описания случайной величины и на основании которого рассчитаны теоретические частоты, не соответствует действительности. На эти вопросы и отвечает критерий распределения Пирсона. Для применения критерия Пирсона сделаем следующие шаги.
1. Разобьем область изменения случайной величины X на l интервалов 1, ..., l и подсчитаем по экспериментальным данным количество попаданий случайной величины в каждый из этих интервалов mi . При этом обычно разбиение на интервалы подчиняет
следующим условиям:
общее количество интервалов l должно быть не менее восьми (предполагается, что число неизвестных параметров распределения s не превосходит семи (на практике s ≤ 3 ));
в каждый интервал группировки должно попасть не менее 7 – 10 выборочных значений xi .
2. На основании выборочных данных x1, ..., xn строятся оценки
неизвестных параметров θ1*, ..., θ*s .
3. Вычислим вероятности событий, что значение случайной ве-
личины X попадет в |
i |
интервал: |
|
|
|
|
||
P = F |
(x ; θ*, ..., θ* ) − F |
(x |
; θ*, ..., θ* ) , |
|||||
i |
M |
i |
1 |
s |
M |
i−1 |
1 |
s |
где xi и xi−1 – правый и левый концы интервала |
i . |
90