气候统计基本气候状态的统计检验参考.ppt

* * * * * 该检验只关心样本是否可以用Gaussian分布拟合，而并不强调分布参数如何估计得到，不考虑分布参数的精确性如何。 * * 。 * * * 位置有些类似于平均的含义。本书进给了关于位置的古典非参数检验方法。 * 即序列相关数据的方差较大，但实际应用公式为序列独立条件（方差比序列相关数据方差小） * Cloud-to-ground云对地；seed播撒。 * 如果采用t分布，则方差会很大，则即使两组数据间存在较大差异也可能不会被拒绝； * Pooled data组成零假设，来自于同一个全体。 * 适合用于分析正相关数据对 * 两地区接近，因此天气过程接近，序列对存在正相关，对于选择T-，计算结果相同，即不会拒绝零假设。 对于数据较为集中的数据样本，则lamda2的值较小，反之较为离散的数据样本lamda2的值较大。 * Bootstrap——单样本检验（举例） Bootstrap——双样本检验 对于上述permutation双样本检验方法，基于的假设是：在某个零分布下，对于播撒或非播撒产生的闪电的分布（所有特征均相同）来自相同的分布； 若两种情形分布特征存在差异，如中位数差异，则采用permutation检验并不合适； 可采用双样本bootstrap检验； Bootstrap——双样本检验 首先分别对2组样本进行bootstrap，若进行10000次，则得到10000对样本； 计算得到10000个检验统计量 原假设 原假设落入小概率范围，拒绝原假设； Bootstrap——双样本检验 Bootstrap distribution for the ratio of L-scales for lightning strikes in seeded and unseeded storms, Table 5.5. The ratio is greater than 1 for only 33 of 10,000 bootstrap samples, indicating that a null hypothesis of equal L-scales would be rejected. Also shown (grey arrows) is the 95% confidence interval for the ratio, which ranges from 008?075. * 对于第一类错误，alfa可以给定，但是对于第二类错误，beta通常不能给定。因为相对于零假设，备择假设可以有很多种具体的假设。通常，对于备择检验beta研究的是1-beta，，即下一张ppt中样本分布下垂直阴影外的部分。 * 备择假设与零假设并不一定是对立的，可能仅是互不相容的，且备择假设并不是唯一的，可以是多种的，因此，beta也不是唯一的。 * 备择假设与零假设并不一定是对立的，可能仅是互不相容的，且备择假设并不是唯一的，可以是多种的，因此，beta也不是唯一的。 * * * * * * * 许多参数化检验与高斯分布有关，这是基于中央极限定律，因此使得许多非高斯问题也近似在高斯框架下分析。上面的公式也是单样本检验的公式，见魏凤英书中的例子。 * 许多参数化检验与高斯分布有关，这是基于中央极限定律，因此使得许多非高斯问题也近似在高斯框架下分析。上面的公式也是单样本检验的公式，见魏凤英书中的例子。 * * Gaussian变量的任意线性组合也满足Gaussian分布。 * 事先不知道两组样本平均值的大小关系，则为双侧检验，否则则为单侧检验。n1和n2均较大时采用第一个z表达式 * 总体方差相等，分母部分是两个样本方差的权重平均 * * * * * 对于正相关关系，由一个数据推断另一个数据的不确定性较小，即减小了因为样本变化造成的两组数据之间差异的可能性，因此能说明这两组数据间存在显著差异的证据必须更加强，更严格，则两组数据仅在差异很小的情况下，才能认为两者之间不存在显著差异。 每日温度的一阶自相关约为0.6。 * * 注意：上述有效样本量的计算式仅适合于分析均值样本分布； 一阶自回归通常是对日气象数据持续性的合理近似。 * * * * * * 对于“位置”的古典非参数检验 对于位置差异的检验有两种古典非参数检验方法： 用于独立的双样本—— Wilcoxon-Mann-Whitney rank-sum test——类似于标准Gaussian分布检验统计量。 用于成对的双样本—— Wilcoxon signed-rank test——类似于上述检验统计量对应的成对检验统计量。 Wilcoxon-Mann-Whitney rank-sum test 在1940s分别由Wilcoxon，以及Mann和Whitney发现。 该检验即resist