Критерий Андерсона-Дарлинга
возвращает тестовое решение для нулевой гипотезы что данные в векторном h
= adtest(x
)x
от населения с нормальным распределением, с помощью Критерия Андерсона-Дарлинга. Альтернативной гипотезой является тот x
не от населения с нормальным распределением. Результат h
1
если тест отклоняет нулевую гипотезу на 5%-м уровне значения или 0
в противном случае.
возвращает тестовое решение для Критерия Андерсона-Дарлинга с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение". Например, можно задать пустое распределение кроме нормального, или выбрать альтернативный метод для вычисления p - значение.h
= adtest(x
,Name,Value
)
Загрузите выборочные данные. Создайте вектор, содержащий первый столбец данных о классах экзамена студентов.
load examgrades
x = grades(:,1);
Протестируйте нулевую гипотезу, что классы экзамена прибывают из нормального распределения. Вы не должны задавать значения для параметров населения.
[h,p,adstat,cv] = adtest(x)
h = logical
0
p = 0.1854
adstat = 0.5194
cv = 0.7470
Возвращенное значение h = 0
указывает на тот adtest
сбои, чтобы отклонить нулевую гипотезу на 5%-м уровне значения по умолчанию.
Загрузите выборочные данные. Создайте вектор, содержащий первый столбец данных о классах экзамена студентов.
load examgrades
x = grades(:,1);
Протестируйте нулевую гипотезу, что классы экзамена прибывают из распределения экстремума. Вы не должны задавать значения для параметров населения.
[h,p] = adtest(x,'Distribution','ev')
h = logical
0
p = 0.0714
Возвращенное значение h = 0
указывает на тот adtest
сбои, чтобы отклонить нулевую гипотезу на 5%-м уровне значения по умолчанию.
Загрузите выборочные данные. Создайте вектор, содержащий первый столбец данных о классах экзамена студентов.
load examgrades
x = grades(:,1);
Создайте объект нормального распределения вероятностей со средним mu = 75
и стандартное отклонение sigma = 10
.
dist = makedist('normal','mu',75,'sigma',10)
dist = NormalDistribution Normal distribution mu = 75 sigma = 10
Протестируйте нулевую гипотезу что x
прибывает из предполагавшегося нормального распределения.
[h,p] = adtest(x,'Distribution',dist)
h = logical
0
p = 0.4687
Возвращенное значение h = 0
указывает на тот adtest
сбои, чтобы отклонить нулевую гипотезу на 5%-м уровне значения по умолчанию.
x
— Выборочные данныеВыборочные данные в виде вектора. Недостающие наблюдения в x
, обозначенный NaN
, проигнорированы.
Типы данных: single
| double
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
'Alpha',0.01,'MCTol',0.01
проводит тест гипотезы на 1%-м уровне значения и определяет p-значение, p
, использование симуляции Монте-Карло стандартная погрешность Монте-Карло имеющая для p
из 0,01.Distribution
— Предполагавшееся распределение'norm'
(значение по умолчанию) | 'exp'
| 'ev'
| 'logn'
| 'weibull'
| объект вероятностного распределенияПредполагавшееся распределение вектора данных x
В виде разделенной запятой пары, состоящей из 'Distribution'
и одно из следующих.
'norm' | Нормальное распределение |
'exp' | Экспоненциальное распределение |
'ev' | Распределение экстремума |
'logn' | Логарифмически нормальное распределение |
'weibull' | Распределение Weibull |
В этом случае вы не должны задавать параметры населения. Вместо этого adtest
оценивает параметры распределения от выборочных данных и тестирует x
против сложной гипотезы, что это происходит из выбранной семьи распределения незаданными параметрами.
В качестве альтернативы можно задать любой непрерывный объект вероятностного распределения для пустого распределения. В этом случае необходимо задать все параметры распределения, и adtest
тесты x
против простой гипотезы, что это прибывает из данного распределения своими заданными параметрами.
Пример: 'Distribution','exp'
Alpha
— Уровень значения
(значение по умолчанию) | скалярное значение в области значений (0,1)Уровень значения гипотезы тестирует в виде разделенной запятой пары, состоящей из 'Alpha'
и скалярное значение в области значений (0,1).
Пример: 'Alpha',0.01
Типы данных: single
| double
MCTol
— Максимальная стандартная погрешность Монте-КарлоМаксимальная стандартная погрешность Монте-Карло для p - значение, p
В виде разделенной запятой пары, состоящей из 'MCTol'
и значение положительной скалярной величины. Если вы используете MCTol
, adtest
определяет p
использование симуляции Монте-Карло и аргумента пары "имя-значение" Asymptotic
должен иметь значение false
.
Пример: 'MCTol',0.01
Типы данных: single
| double
Asymptotic
— Метод для вычисления p - значениеfalse
(значение по умолчанию) | true
Метод для вычисления p - значение Критерия Андерсона-Дарлинга в виде разделенной запятой пары, состоящей из 'Asymptotic'
и любой true
или false
. Если вы задаете 'true'
, adtest
оценивает p - значение с помощью ограничивающего распределения статистической величины Критерия Андерсона-Дарлинга. Если вы задаете false
, adtest
вычисляет p - значение на основе аналитической формулы. Для объемов выборки, больше, чем 120, ограничивающая оценка распределения, вероятно, будет более точной, чем метод приближения размера небольшой выборки.
Если вы задаете семейство распределений неизвестными параметрами для Distribution
пара "имя-значение", Asymptotic
должен быть false
.
Если вы используете MCTol
вычислить p - значение с помощью симуляции Монте-Карло, Asymptotic
должен быть false
.
Пример: 'Asymptotic',true
Типы данных: логический
h
— Результат испытаний гипотезы
| 0
Результат испытаний гипотезы, возвращенный как логическое значение.
Если h
= 1
, это указывает на отклонение нулевой гипотезы в
Alpha
уровень значения.
Если h
= 0
, это указывает на отказ отклонить нулевую гипотезу в
Alpha
уровень значения.
p
— p - значениеp- Критерия Андерсона-Дарлинга, возвращенного как скалярное значение в области значений [0,1]. p
вероятность наблюдения тестовой статистической величины как экстремальное значение как, или более экстремальный, чем, наблюдаемая величина по нулевой гипотезе. p
вычисляется с помощью одного из этих методов:
Если предполагавшееся распределение является полностью заданным объектом вероятностного распределения, adtest
вычисляет p
аналитически. Если 'Asymptotic'
true
, adtest
использует асимптотическое распределение тестовой статистической величины. Если вы задаете значение для 'MCTol'
, adtest
использует симуляцию Монте-Карло.
Если предполагавшееся распределение задано как семейство распределений неизвестными параметрами, adtest
получает критическое значение из таблицы и использует обратную интерполяцию, чтобы определить p - значение. Если вы задаете значение для 'MCTol'
, adtest
использует симуляцию Монте-Карло.
adstat
— Тестовая статистическая величинаПротестируйте статистическую величину на Критерий Андерсона-Дарлинга, возвращенный как скалярное значение.
Если предполагавшееся распределение является полностью заданным объектом вероятностного распределения, adtest
вычисляет adstat
использование заданных параметров.
Если предполагавшееся распределение задано как семейство распределений неизвестными параметрами, adtest
вычисляет adstat
использование параметров оценивается от выборочных данных.
cv
— Критическое значениеКритическое значение для Критерия Андерсона-Дарлинга на уровне значения Alpha
, возвращенный как скалярное значение. adtest
определяет cv
путем интерполяции в таблицу на основе заданного Alpha
уровень значения.
Критерий Андерсона-Дарлинга обычно используется, чтобы протестировать, прибывает ли выборка данных из нормального распределения. Однако это может использоваться, чтобы протестировать на другой, выдвинул гипотезу распределение, даже если вы не полностью задаете параметры распределения. Вместо этого тест оценивает любые неизвестные параметры от выборки данных.
Тестовая статистическая величина принадлежит семейству квадратичных статистических данных функции эмпирического распределения, которые измеряют расстояние между предполагавшимся распределением, F (x) и эмпирическим cdf, Fn (x) как
по упорядоченным демонстрационным значениям , где w (x) является функцией веса, и n является количеством точек данных в выборке.
Функция веса для Критерия Андерсона-Дарлинга
который помещает больший вес в наблюдения в хвостах распределения, таким образом делая тест более чувствительным к выбросам и лучше при обнаружении отклонения от нормальности в хвостах распределения.
Статистическая величина Критерия Андерсона-Дарлинга
где упорядоченные точки выборочных данных, и n является количеством точек данных в выборке.
\in adtest
, решение отклонить или не отклонить нулевую гипотезу основано на сравнении p - значение для теста гипотезы с заданным уровнем значения, не при сравнении тестовой статистической величины с критическим значением.
Стандартная погрешность Монте-Карло является ошибкой из-за симуляции p - значение.
Стандартная погрешность Монте-Карло вычисляется как
где предполагаемый p - значение теста гипотезы и mcreps
количество выполняемых репликаций Монте-Карло.
adtest
выбирает количество репликаций Монте-Карло, mcreps
, достаточно большой, чтобы совершить стандартную ошибку Монте-Карло для меньше, чем значение заданы для MCTol
.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.