Параметрические критерии для средних, дисперсий и долей

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:

  1. Стандартное нормальное ;
  2. 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.

Начать заново?

Помощник начнёт новый диалог по этой задаче. Текущая переписка останется в истории до конца срока хранения.

О переписке

Можно приложить до трёх фото PNG, JPEG или WebP по 5 МБ.

Переписка и фото хранятся 90 дней после последнего принятого сообщения и доступны преподавателям курса. Чтобы попросить преподавателя подключиться, отправьте обращение из диалога.

Проверка решения остаётся отдельным действием.