Лабораторная работа №2. Анализ остатков от прогнозов

Цель работы: Освоение процедуры проверки гипотез о принадлежности остатков от прогнозов нормальному распределению(Интерактивное обучение -150 минут)

Для правильно построенных (адекватных) моделей остатки от прогнозов должны подчиняться нормальному распределению.

. Однако это предположение не всегда верно. Поэтому необходима проверка гипотезы о принадлежности случайной величины нормальному распределению.

Качественные методы проверки этой гипотезы основаны на сравнении статистической функции распределения с теоретической кривой. Для этой же цели применяются оценки моментов высших порядков:

- коэффициента ассиметрии;

- коэффициента эксцесса,

сравнивается логорифм статистической функции распределения с прямой линией и т. д.

Чтобы получить какую-либо количественную оценку отклонения эмпирического распределения от теоретического ( не обязательно нормального) следует ввести некоторую меру отклонения и затем проверить гипотезу: значимо ли отличается вычисленное значение меры ( для конкретной выборки) от нуля.

Рассмотрим дискретную случайную величину Х,принимающую значения: х1 , х2 , …,хк .

Пусть проведено n независимых опытов. На основе этих опытов составлен статистический ряд распределения случайной величины Х :

 

 

Х1 Х2 . . . Хi . . . Хk
P1* P2* . . . Pi* . . . Pk*

 

Где Pi* = ni / n – частота события , ni число опытов, в которых появилось это событие.

Выдвигаем гипотезу H0 :случайная величина Х имеет ряд распределений

 

Х1 Х2 . . . Хi . . . Хk
P1 P2 . . . Pi . . . Pk

 

Отклонение ( Pi*- Pi) вызвано случайными причинами.

Выбираем меру Rрасхождения между гипотетическим распределением и статистическим

Коэффициенты Сi – веса, учитывающие вклад каждого из отклонений.

При больших вероятностях Рi отклонения ( Pi*- Pi) также будут большими, при малых – малыми. Чтобы уравнять вклады отклонений в сумму, следует взять веса обратно пропорциональными вероятности.

К. Пирсон показал, что, если положить Ci = n /pi то при большом n закон распределения величины Rобладает следующими свойствами:

1. он не зависит от закона распределения случайной величины Х;

2. он мало зависит от n;

3. он при увеличении n приближается к распределению c2 , т.е.

(1)

Внесем n под знак суммы. Учитывая, что ( ni число значений в i – м разряде),

Получим (2)

 

c2 – распределение зависит от числа степеней свободы – r.

R = k – l , l – число связей.

 

Если мы сравниваем наш статистический ряд с гипотетическим распределением, параметры которого известны, то , l = 1, так как наложено одно ограничение

.

Если параметры распределения оцениваются по выборке, то l = 1+ q , где q - число оцениваемых параметров.

Вычислив R – статистику и выбрав уровень значимости a , процедуру проверки гипотезы можно применить к проверке соответствия закона распределения некоторому гипотетическому распределению.

Для непрерывных случайных величин Х критерий согласия c2 можно применить, группитуя полученный статистический ряд и заменяя непрерывную случайную величину Х дискретной со значениями , , где - середина i – го разряда.

 

. . . . . .
P1* P2* . . . Pi* . . . Pk*

 

Рi* - частота попадания в I – ый разряд. .

 

Задание на работу

 

1. Сгенерировать выборку “ остатков от прогнозов” , считая , что они подчиняются нормальному распределению. ( Объем выборки N и СКО -s заданы в таблице, математическое ожидание m равно нулю).

2. Получить МНК- оценки математического ожидания и дисперсии .

3. Проверить гипотезу о равенстве полученных оценок параметров распределения заданным значениям.

4. При заданных уровнях значимости a1= 0,1 и a2 = 0,05 проверить гипотезу о том , что сгенерированные данные распределены по нормальному закону с заданными параметрами.

 

Варианты работы.

 

 

N
s
N
s

Методика выполнения работы

Пусть остатки от прогнозов подчиняются нормальному распределению с нулевым математическим ожиданием и средним квадратическим отклонением s. Генерация массивов в системе MATHCAD производится с помощью оператора Y:=rnorm(N,m,s). Данные, полученные в процессе генерации, упорядочены по возрастанию и разбиты на классы(разряды).

Результаты сведены в таблицу:

 

Разряды (-4)¸(-3) (-3)¸(-2) (-2)¸(-1) (-1)¸ 0 0 ¸ 1 1 ¸ 2 2 ¸ 3 3 ¸ 4
Частоты Рi* 0,012 0,05 0,144 0,266 0,240 0,176 0,092 0,02
Число попаданий в I –ый разряд

 

 

Пользуясь критерием согласия c2 определить, не противоречит ли опытным данным гипотеза о том, что случайная величина Х распределена по нормальному закону с теми же параметрами ( mx = 0.168 ; sx = 1.448) .

Составим таблицу вероятностей попадания случайной величины Х, подчиненной нормальному закону ( 0,168 ; 1,448 ) в каждый из разрядов.

 

 

Разряды (-4)¸(-3) (-3)¸(-2) (-2)¸(-1) (-1)¸ 0 0 ¸ 1 1 ¸ 2 2 ¸ 3 3 ¸ 4
Частоты Рi 0,0126 0,0522 0,1422 0,2433 0,2668 0,1789 0,0770 0,0212
Частоты Рi* 0,012 0,05 0,144 0,266 0,240 0,176 0,092 0,02
Число попаданий в I –ый разряд

 

Вероятности Рiвычисляем следующим образом:

 

Вычисляем:

 

Так как нормальное распределение симметрично, то

 

.

 

Находим по таблицам нормального распределения

 

 

 

( В таблице Рi = 0,0126 . Расхождение связано с погрешностями округления. )

Таким образом, npi = 500*0,0126 = 6,3.

Аналогичным образом проводим вычисления для всех разрядов.

Так как по выборке оценивалось 2 параметра : , то r = 8 – 1– 2 = 5

Вычисляем статистику

Критическое значение

Lt; 9.236

Гипотеза о нормальности принимается !

 

 








Дата добавления: 2016-02-09; просмотров: 974;


Поиск по сайту:

При помощи поиска вы сможете найти нужную вам информацию.

Поделитесь с друзьями:

Если вам перенёс пользу информационный материал, или помог в учебе – поделитесь этим сайтом с друзьями и знакомыми.
helpiks.org - Хелпикс.Орг - 2014-2024 год. Материал сайта представляется для ознакомительного и учебного использования. | Поддержка
Генерация страницы за: 0.021 сек.