Участник:Anton/Песочница

Материал из MachineLearning.

Перейти к: навигация, поиск

Критерии согласия - это критерии проверки гипотез о законе распределения вероятностей. Такие критерии подразделяются на два класса:

  1. Общие критерии согласия применимы к самой общей формулировке гипотезы, а именно к гипотезе о согласии наблюдаемых результатов с любым априорно предполагаемым распределением вероятностей.
  2. Специальные критерии согласия предполагают специальные нулевые гипотезы, формулирующие согласие с определенной формой распределения вероятностей.

Содержание

Общие критерии согласия

Нулевая гипотеза H_0: F_n(x) = F(x), где F_n(x) - эмпирическая функция распределения вероятностей; F(x) - гипотетическая функция распределения вероятностей.

Группы общих критериев согласия:

  • критерии, основанные на изучении разницы между теоретической плотностью распределения и эмпирической гистограммой;
  • критерии, основанные на расстоянии между теоретической и эмпирической функциями распределения вероятностей;

Критерии, основанные на сравнении теоретической плотности распределения и эмпирической гистограммы

Критерии, основанные на сравнении теоретической и эмпирической функций распределения вероятностей

Расстояние между эмпирической и теоретической функциями распределения вероятностей является весьма эффективной статистикой для проверки гипотез о виде закона распределения вероятностей случайной величины.

Критерии согласия, использующие различные варианты анализа расстояния между теоретической (\Phi(x)) и эмпирической (F(x)) функциями распределения:

Название критерия Функционал расстояния
Критерий Джини  \int | F(x) - \Phi(x) | dx
Критерий Крамера-фон Мизеса  \int \{ F(x) - \Phi(x) \}^2 dx
Критерий Колмогорова-Смирнова [4] [5]  \sup_{-\infty < x < \infty} |F(x) - \Phi(x)|
Критерий Реньи (R-критерий) [6]  \sup_{F(x) > a} \frac{|F(x) - \Phi(x)|}{F(x)}
Критерий Смирнова-Крамера-фон Мизеса (Критерий омега-квадрат) [7] [8]  \int \{ F(x) - \Phi(x) \}^2 d\Phi(x)
Критерий Андерсона-Дарлинга [9]  \int \frac{\{ F(x) - \Phi(x) \}^2}{\Phi(x)\{1 - \Phi(x)\}}d\Phi(x)
Критерий Купера [10]  \sup_{-\infty < x < \infty} \{F(x) - \Phi(x)\} + \sup_{-\infty < x < \infty} \{ \Phi(x) - F(x) \}
Критерий Ватсона [11]  \int \left\{ F(x) - \Phi(x)  - \int \left[ F(x) - \Phi(x) \right]d\Phi(x) \right\} d\Phi(x)
Критерий Фроцини  \int | F(x) - \Phi(x) | d\Phi(x)

Другие критерии:

Специальные критерии согласия

Нормальное распределение

Нормальный закон распределения вероятностей получил наибольшее распространение в практических задачах обработки экспериментальных данных. Большинство прикладных методов математической статистики исходит из предположения нормальности распределения вероятностей изучаемых случайных величин. Широкое распространения этого распределения вызвало необходимость разработки специальных критериев согласия эмпирических распределений с нормальным. Существуют как модификации общих критериев согласия, так и критерии, созданные специально для проверки нормальности.

Экспоненциальное распределение

Экспоненциальный закон распределения вероятностей является базовым законом, используемым в теории надежности. Его аналитическая простота делает его привлекательным для инженеров и исследователей.

Существует большое количество специальных критериев согласия для экспоненциального распределения:

  • Критерий Шапиро-Уилка для экспоненциального распределения [14]
  • Критерии типа Колмогорова-Смирнова [15] [16]
  • Критерии типа Смирнова-Крамера-фон Мизеса для цензурированных данных. [17]
  • Критерий Фроцини для экспоненциального распределения. [18]
  • Корреляционный критерий экспоненциальности [19]
  • Регрессионный критерий Брейна-Шапиро [20]
  • Критерий Кимбера-Мичела. [21]
  • Критерий Фишера для экспоненциального распределения. [22]
  • Критерий Бартлетта-Морана. [23]
  • Критерий Климко-Антла-Радемакера-Рокетта [24]
  • Критерий Холлендера-Прошана [25]
  • Критерий Кочара [26]
  • Критерий Эппса-Палли-Чёрго-Уэлча [27]
  • Критерий Бергмана [28]
  • Критерий Шермана [29]
  • Критерий наибольшего интервала [30]
  • Критерий Хартли [31]
  • Критерий показательных меток [32]
  • Ранговый критерий независимости интервалов [33]
  • Критерии, основанные на трансформации экспоненциального распределения в равномерное
    • Критерии  \overline{U}, \widetilde{U} [34]
    • Критерий Гринвуда [35]
  • Критерий Манн-Фертига-Шуера для распределения Вейбулла [36]
  • Критерий Дешпанде [37]
  • Критерий Лоулесса [38]

Равномерное распределение

Если x_1, \dots, x_n - выборка из распределения вероятностей с функцией F(x), то случайная величина  y_i = F(x_i) распределена равномерно на интервале [0,1]. Поэтому установление равномерности распределения является по существу критерием согласия наблюдаемых данных с любым теоретическим распределением. Этим и объясняется повышенный интерес к поиску простых в вычислительном отношении и эффективных критериев равномерности распределения.

  • Критерий Кимбела [39]
  • Критерий Морана [40]
  • Критерий омега-квадрат [41]
  • Критерий Шермана [42]
  • Критерий Ченга-Спиринга [43]
  • Критерий Саркади-Косика [44]
  • Энтропийный критерий Дудевича-ван дер Мюлена [45]
  • Критерий равномерности Хегахи-Грина [46]
  • Критерий Янга [47]
  • Критерии типа Колмогорова-Смирнова [48]
  • Критерий Фроцини для равномерного распределения [49]
  • Критерий Гринвуда-Кэсенберри-Миллера [50]
  • "Сглаженный" критерий Неймана-Бартона [51]

Критерии симметрии

Если отсутствуют предпосылки для проверки согласия эмпирического распределения с каким-либо теоретическим, то выявление даже самых общих свойств эмпирического распределения дает некоторую информацию для выбора приемов и методов обработки экспериментального материала.

Одним из таких практически важных свойств распределения является его симметричность относительно центра группирования значений случайной величины. Существует много критериев, проверяющих симметрию:

  • "Быстрый" критерий Кенуя [52]
  • Критерий симметрии Смирнова [53]
  • Знаковый критерий симметрии [54]
  • Одновыборочный критерий Вилкоксона

Примечания

  1. Karl Pearson. On the Criterion that a Given System of Deviations from the Probable in the Case of Correlated System of Variables is such that it can be Reasonably Supposed to have Arisen from Random Sampling, Philosophical Magazine, 50, 157-175, 1900.
  2. Идье В., Драйад Д., Джеймс Ф., Рус М., Садуле Б. Статистические методы в экспериментальной физике. — М.: Атомиздат, 1976.
  3. Barnett A., Eisen E. A quartile test for differences in distribution. JASA. 1982. V. 77, №377. P. 47-51
  4. Kolmogorov A. N. Confidence limits for an unknown distribution function. AMS. 1941. V. 12. P. 461-463.
  5. Смирнов Н.В. Оценка расхождения между эмпирическими кривыми распределений в двух независимых выборках. Бюллетенеь МГУ. Сер. А. Вып.2. 1939. С. 13-14.
  6. Renyi A. On the theory of order statistics. Acta Mathem. Acad. Scientarium Hungarical. 1953. V. 4. P. 191-232.
  7. Смирнов Н.В. О критерии Крамера-фон Мизеса. Успехи матем. наук (новая серия). 1949. Т. 4. №4(32). С. 196-197.
  8. Мартынов Г.В. Критерии омега-квадрат. - М.:Наука. 1978.
  9. Anderson T.W., Darling D.A. A test for goodness-of-fit. JASA. 1954. V. 49. P. 765-769.
  10. Kuiper N.H. Tests concerning random points on a circle. Proc. Konikl. Nederl. Akad. Van Wettenschappen. 1960. S. A. V. 63. P. 38-47.
  11. Watson G.S. Googness-of-fit tests on a circle. Biometrika. 1961. V. 48. № 1-2. P. 109-114.
  12. Darling J. The Kolmogorov-Smirnov, Cramer-von Mises tests. AMS. 1957. V. 28. P. 823-838.
  13. Durbin J. Some methods of constructing exact tests. Biometrika. 1961. V. 48. № 1-2. P. 41-57.
  14. Shapiro S.S., Wilk M.B. An analisys of variance test for the exponential distribution (complete samples). Technometrics. 1972. V. 14. P. 355-370.
  15. Spinelli J.J., Stephens M.A. Tests for exponentiality when origin and scale paramters are unknown. Technometrics. 1987. V. 29. № 4. P. 471-476.
  16. Spurrier J.D. On overview of tests of exponentiality. Commun. Stat.-Theor. Meth. 1984. V. 13. P. 1635-1654.
  17. Pettit A.N. Tests for the exponentionality distribution with censored data using Cramer-von Mises statistics. Biometrika. 1977. V. 64. № 3. P. 629-632.
  18. Frozini B. V. On the distribution and power of a goodness-of-fit statistic with parametric and nonparametric applications. "Goodness-of-fit". Ed. by Revesz P., Sarkadi K., Sen P.K., Amsterdam-Oxford- New York: North-Holland. Publ. Comp., 1987, P. 133-154.
  19. Spinelli J.J., Stephens M.A. Tests for exponentiality when origin and scale paramters are unknown. Technometrics. 1987. V. 29. № 4. P. 471-476.
  20. Brain C.W., Shapiro S.S. A regression test for exponentiality: censored and complete samples. Technometrics. 1983. V. 25. № 1. P. 69-76.
  21. Kimber A.C. Tests for the exponential, Weibull and Gumbel distributions based on the stabilized probability plot. Biometrika. 1985. V. 72. № 3. P. 661-663.
  22. Кобзарь А. И. Прикладная математическая статистика. — М.: Физматлит, 2006. Стр. 293.
  23. 309, 310
  24. 311
  25. 313, 314
  26. 315
  27. 322
  28. 324
  29. 327
  30. 140
  31. 330
  32. 310
  33. 296, 310
  34. Кобзарь А. И. Прикладная математическая статистика. — М.: Физматлит, 2006. Стр. 308.
  35. 331
  36. 95
  37. 334
  38. 336
  39. 338
  40. 339
  41. 340
  42. 327
  43. 343
  44. 344
  45. 345
  46. 249
  47. 347
  48. Кобзарь А. И. Прикладная математическая статистика. — М.: Физматлит, 2006. Стр. 330
  49. 239
  50. 350
  51. 346
  52. 121
  53. 354
  54. Кобзарь А. И. Прикладная математическая статистика. — М.: Физматлит, 2006. Стр. 337.

Литература

  1. Кобзарь А. И. Прикладная математическая статистика. — М.: Физматлит, 2006. — 816 с.
  2. Лагутин М. Б. Наглядная математическая статистика. В двух томах. — М.: П-центр, 2003. — 204-209 с.


Данная статья является непроверенным учебным заданием.
Студент: Участник:Anton
Преподаватель: Участник:Vokov
Срок: 8 января 2010

До указанного срока статья не должна редактироваться другими участниками проекта MachineLearning.ru. По его окончании любой участник вправе исправить данную статью по своему усмотрению и удалить данное предупреждение, выводимое с помощью шаблона {{Задание}}.

См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе.


Личные инструменты