Одновыборочные и парные критерии для среднего (Z-тест и t-тест)
Содержание курса
Устойчивость критерия к нарушению нормальности
Предпосылка о строгой нормальности генеральной совокупности на практике выполняется не всегда. Сохраняет ли -тест декларируемый уровень ошибки I рода , если исходное распределение отклоняется от нормального?
Пусть — независимые одинаково распределенные случайные величины с математическим ожиданием и конечной положительной дисперсией . По центральной предельной теореме центрированное и нормированное среднее сходится по распределению к стандартному нормальному закону:
Одновременно выборочная дисперсия состоятельно сходится по вероятности к , поэтому . Если верна нулевая гипотеза , то по теореме Слуцкого статистика Стьюдента асимптотически сходится к стандартному нормальному распределению:
$$T = \frac{(\bar{X} - )}{S} = \frac{(\bar{X}
- )}{} \xrightarrow{d} \mathcal{N}(0, 1)$$
Однако асимптотическая сходимость описывает предельное поведение при и не гарантирует точного контроля ошибки первого рода на допредельных выборках, когда скошенность распределения искажает форму распределения статистики . Оценим фактический эмпирический размер теста (Type I error rate) методом Монте-Карло при повторений на двух распределениях с нулевым средним и единичной дисперсией:
- Стандартное нормальное ;
- Центрированное и нормированное гамма-распределение: , сдвинутое на и деленное на (коэффициент асимметрии равен ).
import numpy as np
from scipy import stats
rng = np.random.default_rng(2026)
B = 20_000
alpha = 0.05
for n in (10, 40):
# 1. Выборки из нормального распределения
norm_samples = rng.normal(size=(B, n))
# 2. Выборки из гамма-распределения с mean=0, var=1
gamma_samples = (rng.gamma(shape=4.0, scale=1.0, size=(B, n)) - 4.0) / 2.0
# Вычисляем p-value для каждого прогона по строкам (axis=1)
p_norm = stats.ttest_1samp(norm_samples, popmean=0.0, axis=1).pvalue
p_gamma = stats.ttest_1samp(gamma_samples, popmean=0.0, axis=1).pvalue
rate_norm = np.mean(p_norm <= alpha)
rate_gamma = np.mean(p_gamma <= alpha)
print(f"n = {n:2d} | Normal: {rate_norm:.5f} | Gamma: {rate_gamma:.5f}")
Вывод симуляции:
n = 10 | Normal: 0.05185 | Gamma: 0.06130
n = 40 | Normal: 0.05185 | Gamma: 0.05670
Посмотрим на результаты двух проверенных точек:
- Для нормальной выборки при и эмпирическая частота отклонений составляет . Разница с номиналом равна , что составляет около стандартной ошибки симуляции Монте-Карло () и полностью совместимо с обычным случайным шумом симуляции.
- Для стандартизованной гамма-модели при доля отклонений достигает , заметно превышая номинальный уровень .
- При увеличении размера выборки до превышение сокращается до . Тем не менее значение все еще статистически значимо отличается от номинала (примерно на стандартные ошибки Монте-Карло).
Этот численный эксперимент показывает динамику калибровки исключительно для одного конкретного закона при двух значениях . Он иллюстрирует работу асимптотики ЦПТ и теоремы Слуцкого, но не дает универсального порога выборки «достаточного объема»: скорость сходимости эмпирического размера теста к номиналу зависит от формы исходного распределения, величины асимметрии, тяжести хвостов и допустимой в конкретной задаче погрешности калибровки.
