Непараметрические методы проверки гипотез

К непараметрическим методам проверки гипотез относят методы, не основанные на допущении о виде распределения и определении его параметров, что является преимуществом непараметрических методов. Их недостаток -меньшая по сравнению с параметрическими методами мощность. Применение большинства непараметрических критериев требует небольшого объема вычислений и их удобно применять для быстрого опровержения нулевой гипотезы, например, отличия полученных результатов от ранее известных. [c.227]

Целью выравнивания статистических распределений является установление по экспериментальным данным теоретического закона распределения для рассматриваемых характеристик ремонтопригодности. Для решения задачи используются методы проверки гипотезы о виде закона распределения. Обычно для этой цели используются непараметрические критерии (критерий Пирсона) и X (критерий Колмогорова). При наличии достаточного объема наблюдений (например, п > 40+50) следует отдавать предпочтение х Критерию, который позволяет получать более достоверные суждения о виде закона распределения случайной величины. [c.341]

Рассмотренный способ оценки типа распределения страдает субъективизмом и успех его использования в значительной мере зависит от опыта исследователя. К объективным, с этой точки зрения, методам относятся методы проверки гипотез на основе непараметрических статистик. Для этого, используя 1,. . ., х , вычисляют некоторое число, инвариантное к параметрам сдвига и масштаба и называемое критерием согласия. Затем определяется вероятность получения вычисленного критерия при условии, что модель распределения выбрана правильно. Если вероятность получить вычисленное значение критерия оказывается мала, то исходная статистическая модель отвергается. В инженерной практике малой вероятностью обычно считают 0,10 0,05 и реже 0,01 или 0,001. Для этих значений составляются необходимые статистические таблицы. Заметим, что если вероятность получения вычисленного критерия не мала, то это еще не дает основания считать, что принятый тип распределения является таковым на самом деле. Другими словами, подобная методика позволяет только отвергнуть модель как неправильную, но она не доказывает, что принятая модель верна. Исход проверки гипотез, как и любого статистического испытания, в значительной мере зависит от количества имеющихся данных чем больше данных, тем больше шансов отвергнуть неправильную модель. Если данных очень мало, то часто невозможно установить неадекватность даже двух существенно различных моделей. [c.412]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...