stats::equiprobableCells

Разделите действительную линию на равновероятные интервалы

Блокноты MuPAD® будут демонтированы в будущем релизе. Используйте live скрипты MATLAB® вместо этого.

Live скрипты MATLAB поддерживают большую часть функциональности MuPAD, хотя существуют некоторые различия. Для получения дополнительной информации смотрите, Преобразуют Notebook MuPAD в Live скрипты MATLAB.

Синтаксис

stats::equiprobableCells(k, q, <NoWarning>)

Описание

stats::equiprobableCells служебная функция для классического теста хи-квадрата, реализованного stats::csGOFT. Вызов stats::equiprobableCells(k, q) создает список интервалов (“ячейки”), которые равновероятны относительно статистического распределения, соответствующего функции квантиля q.

Критерию согласия Хи-квадрат нужно разделение ячейки действительной линии, чтобы сравнить эмпирические частоты данных, попадающих в ячейки с ожидаемыми частотами, соответствующими предполагавшемуся статистическому распределению. Рекомендуется использовать равновероятные ячейки в этом тесте. stats::equiprobableCells служебная функция должна вычислить такое разделение.

Границы ячейки b i возвращенного разделения ячейки [[b 0, b 1], …, [b k - 1, b k]] вычисляются через. Математически, каждая ячейка [b i - 1, b i] соответствует полуоткрытому интервалу.

Если q функция квантиля непрерывного статистического распределения, все ячейки имеют ту же вероятность ячейки.

Функциональный q может быть процедура квантиля, предоставленная MuPAD® stats- библиотека.

Функции квантиля, не обеспеченные stats- пакет может быть реализован легко пользователем. Определяемая пользователем процедура квантиля q может соответствовать любому статистическому распределению. Функции квантиля должны принять один числовой параметр с плавающей точкой x, удовлетворяющий 0,0 ≤ x ≤ 1.0. Вызов q(x) должен произвести действительное значение. В частности, возвращаемые значения q(0.0) = -infinity и q(1.0) = infinity позволены.

Функции квантиля должны монотонно увеличиваться. stats::equiprobableCells выдает предупреждения, если вычисленные значения квантиля не действительны или, или если эти значения не увеличиваются монотонно.

stats::equiprobableCells также принимает функции квантиля дискретных распределений, такие как stats::empiricalQuantile(data) или stats::binomialQuantile(n, p).

Примечание

Обратите внимание, однако, что в целом, нет никаких равновероятных разделений ячейки для дискретных распределений. Следовательно, кривая равных вероятностей ячеек, возвращенных stats::equiprobableCells не гарантируется, если q не будет непрерывной функцией.

В частности, это может произойти для большого k, который совпадает с, т.е. соответствующая ячейка пуста. Это будет всегда происходить, когда k превысит количество возможных дискретных значений, случайная переменная может достигнуть.

В таком случае выдано предупреждение. Передача такого разделения ячейки к stats::csGOFT повышает ошибку.

В дополнение к примерам на этой странице справки см. также примеры на странице справки stats::csGOFT.

Взаимодействия среды

Функция чувствительна к переменной окружения DIGITS который определяет числовую рабочую точность.

Примеры

Пример 1

Мы делим действительную линию на 4 интервала, которые равновероятны относительно стандартного нормального распределения:

k:= 4: q := stats::normalQuantile(0, 1):
cells := stats::equiprobableCells(k, q)

Мы проверяем кривую равных вероятностей путем применения функционального stats::normalCDF(0, 1) к границам ячейки:

cdf := stats::normalCDF(0, 1):
p := map(cells, map, cdf)

Вероятности ячейки даны различиями функции CDF, применился к границам ячейки:

(p[i][2] - p[i][1]) $ i = 1..k

Мы используем эти ячейки в тесте хи-квадрата для нормальности некоторых случайных данных:

r := stats::normalRandom(0, 1, Seed = 0):
data := [r() $ i = 1..1000]:
stats::csGOFT(data, cells, CDF = cdf)

С наблюдаемым уровнем значения данные проходят этот тест хорошо. Мы экспериментируем с другими равновероятными разделениями ячейки:

for k in [20, 30, 40, 50] do
    cells := stats::equiprobableCells(k, q);
    print(stats::csGOFT(data, cells, CDF = cdf));
end_for:

delete k, cells, p, cdf, r, data:

Пример 2

Мы создаем выборку 1 000 случайных целых чисел между 0 и 100:

SEED := 10^2: r := random(0 .. 100): 
data := [r() $ i = 1..1000]:

Мы создаем 'равновероятное' разделение ячейки 10 ячеек с помощью (дискретного) эмпирического распределения данных. Т.е. каждая из следующих ячеек должна содержать приблизительно то же количество данных из случайной выборки:

k := 10:
quantile := stats::empiricalQuantile(data):
cells := stats::equiprobableCells(k, quantile)

Для дискретных распределений 'кривая равных вероятностей' может только быть достигнута приблизительно. Мы вычисляем вероятности ячейки относительно эмпирической кумулятивной функции распределения (CDF) путем вычитания значения CDF левого контура от значения CDF правильного контура:

cdf := stats::empiricalCDF(data):
map(cells, cell -> cdf(cell[2]) - cdf(cell[1]))

Фактическая эмпирическая частота данных в каждой ячейке является временами вероятности ячейки объем выборки (1000):

map(cells, cell -> 1000*(cdf(cell[2]) - cdf(cell[1])))

При вычислении вероятности ячейки [b[i-1], b[i]] через cdf (b i) - cdf (b i - 1), ячейка рассматривается как полуоткрытый интервал математически. Поэтому точки данных 0 содержавшийся в выборке не считаются, и частоты ячейки действительно не совсем составляют в целом объем выборки:

_plus(op(%))

Для Символа:: тест chi^2, это не имеет значения, потому что он заменяет левый контур первой ячейки -infinity, так или иначе. С наблюдаемым уровнем значения данные проходят тест для равномерного распределения на уровнях настолько же высоко как:

stats::csGOFT(data, cells, CDF = stats::uniformCDF(0, 100))

Мы тестируем ли совпадение данных нормальное распределение с эмпирическим средним значением и отклонением:

[m, v] := [stats::mean(data), stats::variance(data)];
stats::csGOFT(data, cells, CDF = stats::normalCDF(m, v))

С наблюдаемым уровнем значения ясно должна быть отклонена гипотеза нормального распределения.

delete r, data, k, quantile, cells, cdf, m, v:

Пример 3

Мы считаем биномиальное распределение 'испытательным параметром' n = 100 и 'параметром вероятности'. Это - распределение количества успехов в n = 100 независимых Бернуллиевых экспериментов, каждый с вероятностью успеха. Эта случайная переменная может достигнуть дискретных значений 0, 1, …, 100. Мы создаем разделение ячейки 4 ячеек:

n := 100: p := 1/2:
quantile := stats::binomialQuantile(n, p):
cells := stats::equiprobableCells(4, quantile)

Из-за дискретности не существует точное равновероятное разделение ячейки. Мы вычисляем ожидаемые частоты ячейки таким же образом как в предыдущем примере:

cdf := stats::binomialCDF(n, p):
map(cells, cell -> n*(cdf(cell[2]) - cdf(cell[1])))

Мы создаем случайную выборку и применяем Символ:: тест chi^2:

r := stats::binomialRandom(n, p, Seed = 123):
data := [r() $ i = 1..100]:
stats::csGOFT(data, cells, CDF = cdf)

Наблюдаемый уровень значения не мал, т.е. данные проходят тест хорошо.

'Испытательный параметр' n = 100 является достаточно большим для биномиального распределения, которое будет аппроксимировано нормальным распределением со средним np и отклонение np   (1 - p). Данные проходят тест для нормального распределения, также:

cdf := stats::normalCDF(n*p, n*p*(1 - p)):
stats::csGOFT(data, cells, CDF = cdf)

Мы повторяем тест с другим разделением ячейки:

quantile :=  stats::normalQuantile(n*p, n*p*(1 - p)):
cells := stats::equiprobableCells(4, quantile)

stats::csGOFT(data, cells, CDF = cdf)

delete k, quantile, cells, cdf, r, data:

Пример 4

Мы демонстрируем пользовательские функции квантиля. Мы считаем следующее распределение случайной переменной X поддерживаемый на интервале [0, 1]:

Функцией квантиля q дают для 0 ≤ x ≤ 1:

quantile := x -> sqrt(x):

Мы тестируем гипотезу, что следующие данные распределяются, как задано выше.

cells := stats::equiprobableCells(6, quantile)

data := [sqrt(frandom()) $ i = 1..10^3]:
cdf := proc(x)
       begin
         if x <= 0 then return(0)
         elif x <= 1 then return(x^2)
         else return(1)
         end_if
       end_proc:
stats::csGOFT(data, cells, CDF = cdf)

Данные проходят тест хорошо. На самом деле, для универсальной формы отклоняют Y на интервале [0, 1] (как произведено frandom), кумулятивная функция распределения действительно дана cdf.

delete quantile, cells, data, cdf:

Параметры

k

Количество ячеек: положительное целое число

q

Процедура, представляющая функцию квантиля статистического распределения. Как правило, q одна из функций квантиля stats- пакет, такой как stats::normalQuantile(m, v), stats::empiricalQuantile(data) и т.д. В качестве альтернативы определяемые пользователем процедуры могут быть переданы если stats- пакет не обеспечивает подходящую функцию квантиля.

Опции

NoWarning

stats::equiprobableCells выдает предупреждения, если вычисленное разделение ячейки не подходит для stats::csGOFT. Эти предупреждения могут быть выключены с этой опцией.

Возвращаемые значения

Список k “ячейки”

со значениями с плавающей точкой. Это 'разделение ячейки' подходит как входной параметр для stats::csGOFT.

Смотрите также

Функции MuPAD

Для просмотра документации необходимо авторизоваться на сайте