Идентифицировать закон распределения генеральной совокупности. Идентифицировать методом проб закон распределения генеральной совокупности, определив его параметрыИдентифицировать методом проб закон распределения генеральной совокупности, определив его параметры. Для каждой пробы необходимо проверить гипотезу о соответствии предполагаемого закона распределения исходной выборке с помощью двух критериев: Колмогорова-Смирнова, “омега-квадрат” Мизеса. Уровень значимости выбрать α= 0,05. Для начальной ориентировки в выборе закона использовать вид гистограммы, соотношения между моментами и полученные значения коэффициентов асимметрии и эксцесса. Нанести поверх гистограммы идентифицированный закон распределения. Рис.5 Наложение гипотетического закона распределения на выборочную функцию распределения Рис.6 Наложение идентифицированного закона распределения на гистограмму На основании вида гистограммы и того, что коэффициенты ассиметрии и эксцесса равны соответственно -0,0471 и 3,0355 мы можем выдвинуть гипотезу о том, что предполагаемый закон распределения является законом распределения нормального вида. Для проверки гипотезы о соответствии предполагаемого закона распределения исходной выборке с помощью критерия Колмогорова – Смирнова было определено: Значение плотности распределения вероятности в Matlab с помощью функции normpdf(X(i),m1,mC2.^(1/2)). Значение функции распределения вероятности можно вычислить в Matlab с помощью функции normcdf(X(i),m1,mC2.^(1/2)), где m1 – мат. ожидание, а mC2 – дисперсия. Максимальная разница между гипотетической функцией распределения и выборочной функцией распределения для оценки по критерию Колмогорова-Смирнова должна быть меньше критического значения, рассчитываемого по формуле: =0,0950 Сама максимальная разница получилась равна 0,0392, что меньше критического значения. Из этого следует, что у нас нет достаточных оснований отвергнуть выдвинутую гипотезу. Для оценки по критерию Мизеса нам необходимо рассчитать значение Ω по формуле: =0,0415 и сравнить его с критическим взятым из таблицы критических значений Ωα статистики Мизеса для уровня значимости (вероятности ошибки I рода) α для любых значений объема выборки n, и который равен Ωα = 0,4610, что существенно выше полученного нами значения. Следовательно, у нас так же недостаточно оснований отвергнуть выдвинутую гипотезу.
Приложение 1
Исходный код расчетов в инженерной системе MatLab clear all; X = importdata('data2.txt'); x = X(1:20); %выборка 20 значений X = sort(X);%сортировка исходных данных n = 201;%общее количество случайных значений в выборке xn = 20;%количество значений части выборки for i = 1:201,%массив значений i/201 y(i)=i/201; end;
%1.1 stairs(X,y);%построение выборочной функции распределения ylabel('F(X)');%подписи осей xlabel('X'); hold on;
%1.2 k=9; delta=(max(X)-min(X))/k; for j = 1:k, center(j) = min(X)+delta*(j-1+0.5); end; Z=hist(X,k); Z1=Z/n*delta; bar(center,Z1,1);% построение гистограммы ylabel('Phi*(X)'); xlabel('X'); hold on;
%2.1 m1 = 1/n*sum(X); %среднее арифметическое(математическое ожидание) med =(X(100)+X(101))/2; %выборочная медиана medX = median(X);% выборочная медиана по функции MatLab Xp =(X(1)+X(n))/2; %середина размаха
%2.2 mC2 = 1/n*sum((X-m1).^2); %дисперсия(2-й центральный момент) mC3 = 1/n*sum((X-m1).^3); %3-й центральный момент mC4 = 1/n*sum((X-m1).^4); %4-й центральный момент
%2.3 As = mC3/(mC2).^(3/2); %Выборочная ассиметрия AsX = skewness(X); %Выборочная ассиметрия по функции MatLab
Ex = mC4/mC2.^2; %выборочный эксцесс ExX = kurtosis(X); %выборочный эксцесс по функции MatLab
%2.4 %Интерквантильный промежуток Jp=[ -3,2315; -1,1173]
%2.5 xm1 = (1/xn)*sum(x); %среднее арифметическое(математическое ожидание) для выборки из 20 значений xmed = x(10)/2; %выборочная медиана для выборки из 20 значений xmedX = median(x);%выборочная медиана по функции MatLab для выборки из 20 значений xXp = (x(1)+x(xn))/2; %середина размаха для выборки из 20 значений
xmC2 = 1/20*sum((x-xm1).^2); %дисперсия для выборки из 20 значений xmC3 = 1/20*sum((x-xm1).^3); %3-й центральный момент для выборки из 20 значений xmC4 = 1/20*sum((x-xm1).^4); %4-й центральный момент для выборки из 20 значений
xAs = xmC3/(xmC2).^(3/2); %Выборочная ассиметрия для выборки из 20 значений xAsX = skewness(x); %Выборочная ассиметрия по функции MatLab для выборки из 20 значений xEx = xmC4/(xmC2).^2; %выборочный эксцесс для выборки из 20 значений xExX = kurtosis(x); %выборочный эксцесс по функции MatLab для выборки из 20 значений
%3.1 Q = 0.8;%доверительная вероятность sigma1 = sqrt((1/(n-1))*sum((X-m1).^2)); %эффективная оценка с.к.о. k1 = tinv((1+Q)/2, n-1);% коэффициент Стьдента IOMO = [m1-k1*(1/n)*sigma1,m1+k1*(1/n)*sigma1];%Интервальная оценка для математического ожидания
xsigma1 = sqrt((1/(xn-1))*sum((x-xm1).^2)); %эффективная оценка с.к.о. для выборки из 20 значений xk1 = tinv((1+Q)/2, xn-1);%коэффициент Стьдента для выборки из 20 значений xIOMO = [xm1-xk1*(1/xn)*xsigma1,xm1+xk1*(1/xn)*xsigma1];%Интервальная оценка математического ожидания для выборки из 20 значений
sigma2 = (1/(n-1))*sum((X-m1).^2);%эффективная оценка дисперсии k21 = chi2inv((1+Q)/2, n-1);%квантили распределения хи-квадрат k22 = chi2inv((1-Q)/2, n-1); IOD = [(sigma2*(n-1))/k21,(sigma2*(n-1))/k22];%интервальная оценка для дисперсии
xsigma2 = (1/(xn-1))*sum((x-xm1).^2);%эффективная оценка дисперсии для выборки из 20 значений xk21 = chi2inv((1+Q)/2, xn-1);%квантили распределения хи-квадрат для выборки из 20 значений xk22 = chi2inv((1-Q)/2, xn-1); xIOD = [(xsigma2*(xn-1))/xk21,(xsigma2*(xn-1))/xk22];%интервальная оценка для дисперсии для выборки из 20 значений
%3.2 nptp = [X(2), X(n-2)];%непараметрические толерантные пределы K=3; %следовательно непараметрическим толерантным пределам мы %имеем право взять 1, n-2 и n-1 и отбросить %3.3 kp = 2.3637;%параметрический толерантный множитель ptp = [xm1-kp*xsigma1, xm1+kp*xsigma1];%параметрические толерантные пределы %Согласно таблице "Минимально необходимый объем выборки %для нахождения непараметрических толерантных пределов, %накрывающих с доверительной вероятностью Q %интерквантильный промежуток вероятностной меры 0,95.
%4 alf = 0.05;%уровень значимости D = sqrt(-(log(alf/2))/(2*n))-1/(6*n);%критическое значение для критерия Колмогорова-Смирнова omega = 1/(12*n); for i = 1:n,
ff(i) = normpdf(X(i),m1,mC2.^(1/2)); %плотность распределения вероятности F(i) = normcdf(X(i),m1,mC2.^(1/2)); %функция распределения вероятности omega = omega+(F(i)-(2*i-1)/(2*n))^2;%критерий "омега-квадрат" Мизеса end;
plot(X,ff,'r');%построение плотности распределения вероятности plot(X,F,'r');%построение функции распределения вероятности
f1 = (1:201)/201; f2 = (0:200)/201; d1 = max(abs(F-f1)); d2 = max(abs(F-f2));
Dp = max([d1,d2]);%максимальная разница между %гипотетической функцией распределения и выборочной функцией %распределения для оценки по критерию Колмогорова-Смирнова
|