Участник:Пасконова Ольга/Песочница

Материал из MachineLearning.

< Участник:Пасконова Ольга(Различия между версиями)
Перейти к: навигация, поиск
(→Формула замены переменных в неопределенном интеграле)
Текущая версия (11:10, 16 декабря 2009) (править) (отменить)
(→История)
 
(163 промежуточные версии не показаны)
Строка 1: Строка 1:
-
<tex> </tex>
+
== Двухфакторная непараметрическая модель ==
-
== Формула замены переменных в неопределенном интеграле ==
+
* [[Двухфакторная непараметрическая модель]]: [[критерий Фридмана]] [Лапач, 203], [[критерий Пейджа]]. Примеры: сравнение эффективности методов производства, агротехнических приёмов.
-
Рассмотрим свойство неопределенного интеграла, часто оказывающееся полезным при вычислении первообразных элементарных функций.
+
 
-
Пусть функции <tex> f(x)</tex> и <tex> \phi(x) </tex> определены соответственно на промежутках <tex> \Delta_x </tex> и <tex> \Delta_y </tex> причем <tex> \phi(\Delta_t) \subset \Delta_x </tex>. Если функция <tex> f </tex> имеет на <tex> \Delta_x </tex> первообразную <tex> F{x)</tex> и, следовательно,
+
'''Данные.'''
-
+
 
-
а функция <tex> \phi(x) </tex> дифференцируема на <tex> \Delta_t </tex>, то функция
+
В каждом из <tex>n</tex> блоков содержится по одному наблюдению <tex>x_{ij}</tex>
-
<tex> f(\phi(t))\phi^`(t))) </tex> имеет на <tex> \Delta_t </tex>, первообразную <tex> F(\phi(t)) </tex> и
+
на каждуб из <tex>k</tex> обработок. Будем считать наблюдения реализацией случайных велечин
 +
<tex>X_{ij}</tex> в модели
 +
 
 +
<tex>X_{ij} = \mu + \alpha_i + \beta_j + \epsilon_{ij}</tex>,
 +
где <tex>1 \le i \le n, 1 \le j \le k, </tex>.
 +
 
 +
Здесь <tex>\mu</tex> - неизвестное общее среднее,
 +
<tex>\alpha_i</tex> - эффект блока <tex>i</tex> (неизвестный мешающий параметр),
 +
<tex>\beta_j</tex> - эффект блока <tex>j</tex> (интересующий нас параметр),
 +
<tex>\epsilon_{ij}</tex> - случайная ошибка
 +
<tex>j</tex>
 +
 
 +
'''Допущения.'''
 +
 
 +
'''1.''' Все ошибки <tex>\epsilon_{ij}</tex> независимы.
 +
 
 +
'''2.''' Все <tex>\epsilon_{ij}</tex> имеют одинаковое непрерывное (неизвестное) распределение.
 +
 
 +
==Критерий Фридмана==
 +
 
 +
Для проверки гипотезы
 +
 
 +
<tex> H_0: \beta_1 = \dots = \beta_k </tex>
 +
 
 +
против альтернативы
 +
 
 +
<tex> H_1 </tex>: не все <tex> \beta_j </tex> равны между собой
 +
 
 +
применяется [[Критерий Фридмана]] [Холлендер М., Вульф Д.А., 155; Лагутин М. Б., 260]
 +
 
 +
===Пример===
 +
Д. Хебб и К.Уильямс разработали тест эстакадного лабиринта для сравнительной оценки "сообразительности" животных. Он состоит из 12 заданий. Есть данные средних чисел ошибок при выполнении этих заданий крысами, кроликами и кошками. Есть ли животные, которые значимо различаются?
 +
 
 +
==Критерий Пейджа==
 +
 
 +
Нередко условия эксперимента таковы, что обработки упорядочены естественным образом, например, по интенсивности стимулов, сложности заданий и т.п. Критерий Пейджа учитывает информацию, содержащуюся в предпологаемой ''упорядоченности'' (в отличие от критерия Фридмана, статистика которого принимает одно и то же значение для всех перенумераций обработок).
 +
 
 +
Для проверки гипотезы
 +
 
 +
<tex> H_0: \beta_1 = \dots = \beta_k </tex>
 +
 
 +
против альтернативы возрастания эффектов обработок
 +
 
 +
<tex> H_2: \beta_1 \leq \dots \leq \beta_k </tex>,
 +
 
 +
где хотя бы одно из неравенств строгое,
 +
 
 +
выполняется [[Критерий Пейджа|статистика критерия Пейджа]] [Холлендер М., Вульф Д.А., 163; Лагутин М. Б., 263]
 +
 
 +
===Пример===
 +
'''Прочность волокон хлопка.'''
 +
 
 +
Проведен опыт, в котором изучалось влияние колличества калорий удобрения, вносимого в почву, на разрывную прочность волокон хлопка. С каждой делянки отбирался один образец хлопка, на котором 4 измерительных показателя прочности по Прессли. Даны данные по этим четырем замерам.
 +
С помощью критерия Пейджа проверить гипотезу об отсутствии влияния количества удобрения на прочность нити, против альтернативы убывания прочности с ростом количества удобрения.
 +
 
 +
 
 +
 
 +
 
 +
 
 +
==Литература==
 +
 
 +
# ''Шеффе Г.'' Дисперсионный анализ. — М., 1980.
 +
# ''Аренс Х.'' ''Лёйтер Ю.'' Многомерный дисперсионный анализ.
 +
# ''Лапач С. Н. , Чубенко А. В., Бабич П. Н.'' Статистика в науке и бизнесе. — Киев: Морион, 2002.
 +
# ''Лагутин М. Б.'' Наглядная математическая статистика. В двух томах. — М.: П-центр, 2003.
 +
# ''Холлендер М., Вульф Д.А.'' Непараметрические методы статистики.
 +
 
 +
== Ссылки ==
 +
 
 +
* [http://www.tspu.tula.ru/res/math/mop/lections/lection_7.htm#_Toc73845987 Дисперсионный анализ для связанных выборок] - Аналитическая статистика.
 +
* [http://lib.socio.msu.ru/l/library?e=d-000-00---001ucheb--00-0-0-0prompt-10---4------0-1l--1-ru-50---20-about---00031-001-1-0windowsZz-1251-00&a=d&cl=CL1&d=HASHe10c3b36c7d751dd18704b.11 Многофакторный дисперсионный анализ] - Электронная библиотека.
 +
 
 +
==См. также==
 +
 
 +
* [[Однофакторная параметрическая модель]]
 +
* [[Однофакторная непараметрическая модель]]
 +
* [[Дисперсионный анализ]]
 +
 
 +
[[Категория:Прикладная статистика]]
 +
[[Категория:Дисперсионный анализ]]

Текущая версия

Содержание

Двухфакторная непараметрическая модель

Данные.

В каждом из n блоков содержится по одному наблюдению x_{ij} на каждуб из k обработок. Будем считать наблюдения реализацией случайных велечин X_{ij} в модели

X_{ij} = \mu + \alpha_i + \beta_j + \epsilon_{ij}, где 1 \le i \le n, 1 \le j \le k, .

Здесь \mu - неизвестное общее среднее, \alpha_i - эффект блока i (неизвестный мешающий параметр), \beta_j - эффект блока j (интересующий нас параметр), \epsilon_{ij} - случайная ошибка j

Допущения.

1. Все ошибки \epsilon_{ij} независимы.

2. Все \epsilon_{ij} имеют одинаковое непрерывное (неизвестное) распределение.

Критерий Фридмана

Для проверки гипотезы

H_0: \beta_1 = \dots = \beta_k

против альтернативы

H_1 : не все \beta_j равны между собой

применяется Критерий Фридмана [Холлендер М., Вульф Д.А., 155; Лагутин М. Б., 260]

Пример

Д. Хебб и К.Уильямс разработали тест эстакадного лабиринта для сравнительной оценки "сообразительности" животных. Он состоит из 12 заданий. Есть данные средних чисел ошибок при выполнении этих заданий крысами, кроликами и кошками. Есть ли животные, которые значимо различаются?

Критерий Пейджа

Нередко условия эксперимента таковы, что обработки упорядочены естественным образом, например, по интенсивности стимулов, сложности заданий и т.п. Критерий Пейджа учитывает информацию, содержащуюся в предпологаемой упорядоченности (в отличие от критерия Фридмана, статистика которого принимает одно и то же значение для всех перенумераций обработок).

Для проверки гипотезы

H_0: \beta_1 = \dots = \beta_k

против альтернативы возрастания эффектов обработок

H_2: \beta_1 \leq \dots \leq \beta_k ,

где хотя бы одно из неравенств строгое,

выполняется статистика критерия Пейджа [Холлендер М., Вульф Д.А., 163; Лагутин М. Б., 263]

Пример

Прочность волокон хлопка.

Проведен опыт, в котором изучалось влияние колличества калорий удобрения, вносимого в почву, на разрывную прочность волокон хлопка. С каждой делянки отбирался один образец хлопка, на котором 4 измерительных показателя прочности по Прессли. Даны данные по этим четырем замерам. С помощью критерия Пейджа проверить гипотезу об отсутствии влияния количества удобрения на прочность нити, против альтернативы убывания прочности с ростом количества удобрения.



Литература

  1. Шеффе Г. Дисперсионный анализ. — М., 1980.
  2. Аренс Х. Лёйтер Ю. Многомерный дисперсионный анализ.
  3. Лапач С. Н. , Чубенко А. В., Бабич П. Н. Статистика в науке и бизнесе. — Киев: Морион, 2002.
  4. Лагутин М. Б. Наглядная математическая статистика. В двух томах. — М.: П-центр, 2003.
  5. Холлендер М., Вульф Д.А. Непараметрические методы статистики.

Ссылки

См. также

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:%D0%9F%D0%B0%D1%81%D0%BA%D0%BE%D0%BD%D0%BE%D0%B2%D0%B0_%D0%9E%D0%BB%D1%8C%D0%B3%D0%B0/%D0%9F%D0%B5%D1%81%D0%BE%D1%87%D0%BD%D0%B8%D1%86%D0%B0»
Личные инструменты