Birkaç tip istatistiksel hipotez testi uyguladık, bunlardan biri ki kare uygun model testi - verilen olasılık dağılımının ters CDF'sinden belirlenen kutulardaki örnek sayısının ki kare testi. Örneğin, Cauchy dağıtım örneği oluşturmayı test etmek için,
with(Statistics):
infolevel[Statistics] := 1:
distribution := CauchyDistribution(2, 3):
sample := Sample(distribution, 10^6):
ChiSquareSuitableModelTest(sample, distribution, 'bins' = 100, 'level' = 0.001);
İstediğim kadar büyük bir örnek oluşturabildiğim için, oldukça küçük yapabilirim.α
Sonlu momentli dağılımlar için, bir yandan birkaç örnek moment hesaplarken, diğer yandan, karşılık gelen dağılım momentlerini ve standart hatalarını sembolik olarak hesaplıyorum. Örneğin, beta dağıtımı için:
with(Statistics):
distribution := BetaDistribution(2, 3):
distributionMoments := Moment~(distribution, [seq(1 .. 10)]);
standardErrors := StandardError[10^6]~(Moment, distribution, [seq(1..10)]);
evalf(distributionMoments /~ standardErrors);
Bu, sonuncusu 255.1085766 olan sayıların azalan bir listesini gösterir. Bu nedenle, 10. an için bile, anın değeri, boyutundaki bir numune için numune momentinin standart hata değerinin 250 katından fazladır . Bu, aşağıdaki gibi daha fazla veya daha az çalışan bir test uygulayabileceğim anlamına gelir:106
with(Statistics):
sample := Sample(BetaDistribution(2, 3), 10^6):
sampleMoments := map2(Moment, sample, [seq(1 .. 10)]);
distributionMoments := [2/5, 1/5, 4/35, 1/14, 1/21, 1/30, 4/165, 1/55, 2/143, 1/91];
standardErrors :=
[1/5000, 1/70000*154^(1/2), 1/210000*894^(1/2), 1/770000*7755^(1/2),
1/54600*26^(1/2), 1/210000*266^(1/2), 7/5610000*2771^(1/2),
1/1567500*7809^(1/2), 3/5005000*6685^(1/2), 1/9209200*157366^(1/2)];
deviations := abs~(sampleMoments - distributionMoments) /~ standardErrors;
Sayılar distributionMoments
ve standardErrors
yukarıdaki ilk çalıştırmadan gelir. Şimdi örnek üretimi doğruysa, sapma sayıları nispeten küçük olmalıdır. Yaklaşık normal olarak dağıldıklarını varsayıyorum (ki gerçekten değiller, ama yeterince yakın geliyorlar - bunların örneklerin kendilerinin değil, örnek anların ölçekli versiyonları olduğunu hatırlayın) ve böylece, örneğin, bir sapmanın olduğu bir durumu işaretleyebilirim 4'ten büyük - dağıtım momentinden standart hatanın dört katından fazla sapan bir örnek momentine karşılık gelir. Eğer numune üretimi iyi ise, rastgele meydana gelmesi pek olası değildir. Öte yandan, ilk 10 örnek an, dağılım momentlerini yüzde yarımdan daha az bir sürede eşleştiriyorsa, dağılımın oldukça iyi bir yaklaşımına sahibiz.