大学数学概率统计非参数假设检验.pptVIP

大学数学概率统计非参数假设检验.ppt

  1. 1、本文档共12页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
* * §7.4 非参数假设检验 分布拟合优度检验 概率图纸法 χ2-拟合优度检验 柯尔莫洛夫-斯米尔诺夫检验 7-4-1 概率图纸法 1.正态概率图纸的构造原理 设总体ξ有分布函数 F ( x ) ,{N( μ,?2)} 表示正态颁布族,需要检验假设 (7-4-1) 在原假设 H0 为真时,通过中心化变换 即 而函数 u( x ) 是 x 的线性函数, 在 ( x , u ( x ) ) 直角坐标平面上是一条直线,这条直线过点 (μ, 0 ),且斜率为 1/? 图 7-1 在平面上直接标出 ( xi, Fi ) ,我们以横轴上的刻度表示 x ; 在纵轴上先刻出 u 的刻度(均匀),而后根据 u 的值,从正态 N( 0, 1 )分布表中查出对应的分布函数值φ(u) ,刻在 u 的位置上,然后把 u 的刻度抹去,留下 x 与 F(%)的刻度就构成一张 正态概率图纸。 -3 -2 -1 0 1 μ 2 3 4 4 3 2 1 0 -1 -2 -3 -4 F(%) 99.87 97.72 84.13 15.87 2.28 0.13 x u 2. 检验步骤 由格里汶科定理知道子样的经验分布函数Fn(x) 依概率收敛于总体分布函数 F(x) 。因此若 为真,则点 ( xi , Fn(xi)), i=1, 2, …, n 在正态概率图纸上也应该近似地在一条直线附近。根据上述想法,用正态概率图纸检验假设 H0的具体步骤如下: 1)整理数据:把样本观察值按大小排列。假如 n 次观察值中有 m 个不同的值,则按大小次序列入下表。 1 … Fn(x) rm … r2 r1 频数 x(1) … x(1) x(1) 观察值 由于 ( x(m) , 1 ) 在正态概率图纸上无法标出,不少统计学家建议对 Fn 的值作如下两种修正: 这种修正对小样本是必要的; 2)描点:把点 ( x(k) , Fn(x(k))) 描在正态概率图纸上; (7-4-2) 3)目测这些点的位置,若这一列点挖地在一条直线附近,我们就可以接受原假设,否则就拒绝原假设。 3. 未知参数μ与?2的估计 若通过概率图纸检验已经知道总体服从正态分布,我们就凭目测在概率图纸上画出最靠近各点 ( x(i) , Fn(x(i))) , i=1, … , n 的一条直线 l。在概率图纸上画一条 F=0.5 的水平直线,这条直线与直线 l 的交点的横坐标 x 0.5 就可作为参数μ的估计。 其次,我们还可用 x 0.8413 – x 0.5 来估计? 例7-4-1 参见P336。 7-4-2 χ2 – 拟合检验法 设总体ξ的分布函数为具有明确表达式的 F(x) ,我们把随机变量ξ的值域 R 分成 k 个互不相容的区间 A1=[a0, a1), A2=[a1 , a2), …, Ak=[a k-1, ak ], 这些区间不一定有相同的长度 设 是容量为 n 的样本观测值,ni 为样本观测值 中落入 Ai 的频数。则在 n 次试验中事件 Ai 出现的频率为 我们现在检验原假设 H0: F(x)=F0(x). 设在原假设 H0 成立下,总体ξ落入 Ai 的概率为 pi ,即 此时,n 个观测值中,恰有 n1 个观测值落入 A1 由,n2 个观测值落入 A2 内,… , nk 个观测值落入 Ak 内的概率应为 这是一个多项分布。 由大数定律,在 H0 为真时,频率 ni/n 与概率 pi 的差异不应太大。根据这个思想,Person 构造了一个统计量 (7-4-3) (7-4-4) 定理 7-4-1:当 H0 为真时,即 为总体的真实概率时,由(8-3-4)式所定义的统计量的渐近分布是自由度为 k-1 的χ2-分布,即其密度函数为 (7-4-5) 如果原假设 H0 只确定总体分布的类型,而分布中还含有未知参数θ,… , θm , 则下面的 Fisher 定理解决了含未知参数情形的分布检验问题。 *

文档评论(0)

wuhuaiyu002 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档