Статистический критерий проверки нулевой гипотезы. Наблюдаемое значение критерия

Для проверки нулевой гипотезы используют специально подобранную случайную величину, точное или приближённое распределение которой известно. Обозначим эту величину в целях общности через .

Статистическим критерием (или просто критерием) называют случайную величину , которая служит для проверки нулевой гипотезы.

Например, если проверяют гипотезу о равенстве дисперсий двух нормальных генеральных совокупностей, то в качестве критерия принимают отношение исправленных выборочных дисперсий: .

Эта величина случайная, потому что в различных опытах дисперсии принимают различные, наперёд неизвестные значения, и распределена по закону Фишера-Снедекора.

Для проверки гипотезы по данным выборок вычисляют частные значения входящих в критерий величин и таким образом получают частное (наблюдаемое) значение критерия.

Наблюдаемым значением называют значение критерия, вычисленное по выборкам. Например, если по двум выборкам найдены исправленные выборочные дисперсии и , то наблюдаемое значение критерия .

После выбора определённого критерия множество всех его возможных значений разбивают на два непересекающихся подмножества: одно из них содержит значения критерия, при которых нулевая гипотеза отвергается, а другая – при которых она принимается.

Критической областью называют совокупность значений критерия, при которых нулевую гипотезу отвергают.

Областью принятия гипотезы (областью допустимых значений) называют совокупность значений критерия, при которых гипотезу принимают.

Основной принцип проверки статистических гипотез можно сформулировать так: если наблюдаемое значение критерия принадлежит критической области – гипотезу отвергают, если наблюдаемое значение критерия принадлежит области принятия гипотезы – гипотезу принимают.

Поскольку критерий - одномерная случайная величина, все её возможные значения принадлежат некоторому интервалу. Поэтому критическая область и область принятия гипотезы также являются интервалами и, следовательно, существуют точки, которые их разделяют.

Критическими точками (границами) называют точки, отделяющие критическую область от области принятия гипотезы.

Различают одностороннюю (правостороннюю или левостороннюю) и двустороннюю критические области.

Правосторонней называют критическую область, определяемую неравенством > , где - положительное число.

Левосторонней называют критическую область, определяемую неравенством < , где - отрицательное число.

Односторонней называют правостороннюю или левостороннюю критическую область.

Двусторонней называют критическую область, определяемую неравенствами где .

В частности, если критические точки симметричны относительно нуля, двусторонняя критическая область определяется неравенствами (в предположении, что >0):

, или равносильным неравенством .

 

7.4. Критерий c ² как критерий согласия

Критерий c ² как критерий согласия используют при про­верке принадлежности эмпирического распределения к тео­ретическому, например, к нормальному, биноминальному, распределению Пуассона и т. п.

В этом случае значение критерия c ² определяют, исходя из частот (f) эмпирического распределения и частот (f_o) теоретического распределения:

.

При этом возможны случаи, когда теоретические частоты заранее известны и когда неизвестны. Во втором случае тео­ретические частоты определяют на основе теоретического распределения исходя из численности выборки.

При проверке гипотезы о соответствии эмпирического рас­пределения теоретическому сравнивают фактическое значе­ние критерия с табличным . Если меньше , следовательно, эмпирическое распределение соответст­вует теоретическому. В противном случае эмпирическое рас­пределение не соответствует теоретическому, распределение частот в нем носит другой характер.

Рассмотрим методику применения критерия c ² как крите­рия согласия.

Пример. В результате учета яйценоскости 50 кур-несушек, содер­жащихся на птицеферме, был построен интервальный вариационный ряд (табл. 8). Средняя арифметическая ряда равна 228,8, а выборочное среднее квадратическое отклонение – 7,95.

Т а б л и ц а 8

Распределение поголовья

№ п/п	Группа кур-несушек по величине яйценоскости	Фактическое распределение поголовья (эмпирические частоты)	Середина интервала	Нормированное отклонение	Плотность нормального распределения	Теоретическое распределение поголовья (теоретические частоты)	Взвешенные квадраты разностей
x min	x max	f
				214,5	-1,8214	0,0096	2,39	2,86
				219,5	-1,1924	0,0246	6,16	0,11
				224,5	-0,5635	0,0428	10,70	0,27
				229,5	0,0654	0,0501	12,52	0,18
				234,5	0,6943	0,0394	9,86	1,51
				239,5	1,3233	0,0209	5,23	1,47
				244,5	1,9522	0,0075	1,87	0,40
Итого		х	х	х	48,72	c ^2 = 6,80

Требуется установить соответствие данного распределения нормальному с уровнем вероятности 0,95.

Проверка гипотезы о соответствии теоретическому распределению предполагает расчет теоретических частот этого распределения.

Для нормального распределения порядок расчета этих частот следующий:

1) по эмпирическим данным рассчитывают среднюю арифметическую ряда и среднее квадратическое отклонение s;

2) находят нормированное отклонение t каждого эмпирического значения от средней арифметической:

;

3) по формуле или с помощью таблиц интеграла вероятностей Лапласа находят значение плотности нормального распределения φ (t):

,

где s – выборочное среднее квадратическое отклонение;

π = 3,141593 – постоянное число (отношение длины окружности к ее диаметру);

e = 2,718282 – основание натурального логарифма;

4) вычисляют теоретические частоты f₀ по формуле:

,

где n − число вариант (сумма частот);

h – величина интервала.

Фактическое значение критерия равно 6,8. Табличное значение критерия при заданном уровне значимости и сте­пенях свободы вариации равно 12,592 (таблица «Значение χ ² при уровне значимости 0,10, 0,05 и 0,01»).

Поскольку фактическое значение критерия меньше таб­личного, то нулевая гипотеза о соответствии эмпирического распределения теоретическому принимается. Распределение яйценоскости кур-несушек соответствует нормальному распределению.

Технология решения задачи втабличном процессоре Microsoft Excel следующая.

1. Введите исходные данные в соответствии с рис. 43.

 

Р и с. 43

 

2. Рассчитайте плотность нормального распределения поголовья.

2.1. Выделите ячейку F3.

2.2. Щелкните левой кнопкой мыши на панели инструментов на кнопке <Вставка функции> или выполните команду Вставка, f_x Функция, щелкнув поочередно левой кнопкой мыши.

2.3. В диалоговом окне Мастер функций - шаг 1 из 2 с помощью левой кнопки мыши установите: Категория ® <Статистические>, Выберете функцию ® <НОРМРАСП> (рис. 44).

Р и с. 44

 

2.4. Щелкните левой кнопкой мыши на кнопке <ОК>.

2.5. На вкладке НОРМРАСП установите параметры в соответствии с рис. 45.

Р и с. 45

 

2.6. Щелкните левой кнопкой мыши на кнопке <ОК>.

2.7. Скопируйте ячейку F3 в ячейки F4:F9.

3. Рассчитайте теоретическое распределение поголовья.

3.1. Введите в ячейку G3 формулу =$D$10*(C3-B3)*F3.

3.2. Скопируйте ячейку G3 в ячейки G4:G9.

3.3. Выделите ячейку G10.

3.4. Щелкните левой кнопкой мыши на панели инструментов на букве S кнопки <Автосумма > .

3.5. Выделите ячейки G3:G9.

3.6. Нажмите клавишу <Enter>.

4. Рассчитайте степени свободы вариации. Введите в ячейку Е15 формулу =(2-1)*(A9-1).

5. Рассчитайте фактический уровень значимости.

5.1. Выделите ячейку Е16.

5.2. Щелкните левой кнопкой мыши на панели инструментов на кнопке <Вставка функции> или выполните команду Вставка, f_x Функция, щелкнув поочередно левой кнопкой мыши.

5.3. В диалоговом окне Мастер функций - шаг 1 из 2 с помощью левой кнопки мыши установите: Категория ® <Статистические>, Выберете функцию ® <ХИ2ТЕСТ> (рис. 46).

 

Р и с. 46

 

5.4. Щелкните левой кнопкой мыши на кнопке <ОК>.

5.5. На вкладке ХИ2ТЕСТ установите параметры в соответствии с рис. 47.

Р и с. 47

 

5.6. Щелкните левой кнопкой мыши на кнопке <ОК>.

6. Рассчитайте фактическое значение критерия .

6.1. Выделите ячейку Е17.

6.2. Щелкните левой кнопкой мыши на панели инструментов на кнопке <Вставка функции> или выполните команду Вставка, f_x Функция, щелкнув поочередно левой кнопкой мыши.

6.3. В диалоговом окне Мастер функций - шаг 1 из 2 с помощью левой кнопки мыши установите: Категория ® <Статистические>, Выберете функцию ® <ХИ2ОБР> (рис. 48).

 

Р и с. 48

 

6.4. Щелкните левой кнопкой мыши на кнопке <ОК>.

6.5. На вкладке ХИ2ОБР установите параметры в соответствии с рис. 49.

Р и с. 49

6.6. Щелкните левой кнопкой мыши на кнопке <ОК>.

7. Определите табличное значение критерия , используя статистическую функцию ХИ2ОБР. Для этого вставьте в ячейку Е18 функцию =ХИ2ОБР(E14;E15). Порядок вставки изложен в пункте 6.

Результаты решения выводятся на экран дисплея в следующем виде (рис. 50).

 

Р и с. 50

 

8. Постройте полигон фактического и теоретического распределения поголовья по яйценоскости.

8.1. Щелкните левой кнопкой мыши на панели инструментов на кнопке <Мастер диаграмм > .

8.2. В диалоговом окне Мастер диаграмм (шаг 1 из 4) с помощью левой кнопки мыши установите: Стандартные ® <График> (рис. 51).

Р и с. 51

8.3. Щелкните левой кнопкой мыши на кнопке <Далее>.

8.4. В диалоговом окне Мастер диаграмм (шаг 2 из 4) установите параметры в соответствии с рис. 52.

Р и с. 52

8.5. Щелкните левой кнопкой мыши на кнопке <Далее>.

8.6. В диалоговом окне Мастер диаграмм (шаг 3 из 4) введите названия диаграммы и ос Y (рис. 53).

Р и с. 53

 

8.7. Щелкните левой кнопкой мыши на кнопке <Далее>.

8.8. В диалоговом окне Мастер диаграмм (шаг 4 из 4) установите параметры в соответствии с рис. 54.

Р и с. 54

 

8.9. Щелкните левой кнопкой мыши на кнопке <Готово>.

Результаты выводятся на экран дисплея в следующем виде (рис. 55).

Р и с. 55

9. Вставьте на графике подписи данных.

9.1. Щелкните правой кнопкой мыши на диаграмме и на появившейся вкладке нажмите кнопку <Исходные данные>.

9.2. В диалоговом окне Исходные данные измените подписи оси Х. Для этого выделите ячейки Е64:Е70 (рис. 56).

 

Р и с. 56

9.3. Нажмите клавишу <Enter>.

Результаты выводятся на экран дисплея в следующем виде (рис. 57).

Р и с. 57