Advertisement
Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- x<-c(0, 1, 1, 1, 0, 1, 0, 0, 0, 0, 2, 1, 2, 0, 2, 0, 1, 1, 0, 2, 1, 1, 1, 0, 1, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 0, 0, 1, 0, 2, 0, 0, 2, 0, 0, 1, 1, 3, 5);
- sortVec<-sort(x); print (sortVec);
- 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 3 5
- table (x)
- x
- 0 1 2 3 5
- 17 20 11 1 1
- f<-function(x,t){z<-x[x<t]; length(z)/length(x)}
- plot(ecdf(x));
- hist(x,breaks=c(min(x):max(x)),freq=TRUE,right=TRUE,col="red");
- mean<-sum(x)/length(x)
- mean = 1
- var<-sum(x^2)/length(x)-mean^2
- var = 0.96
- med<-sort(x)[trunc(length(x)*1/2+1)]; print (med)
- med = 1
- asm<-sum((x-mean)^3)/length(x)/var^(3/2); print (asm)
- asm = 1.403353
- exc<-sum((x-mean)^4)/length(x)/var^2-3; print (exc)
- exc = 3.510417
- a<-0.00; b<-3.47
- p<-f(x,b)-f(x,a); print (p)
- p = 0.74
- library(maxLik) # подключаем библиотеку
- LL<-function(t){sum(dpois(x,t[1],log=TRUE))}
- ml<-maxNR(LL,start=c(1)) # максимум функции правдоподобия
- val<-ml$estimate; print (val) # оценка макс.правдоподобия
- val = 1 # то есть = выборочному среднему
- al<-0.01
- xal<-qnorm (1-al/2)
- T<-array(dim=2)
- T[1]<-mean-xal*sqrt(mean/length(x))
- T[2]<-mean+xal*sqrt(mean/length(x))
- 0 1 2 3 5
- 17 20 11 1 1
- n<-length(x); lambda0<-3; r<-3
- a1<-c(-Inf, 2, 3); b1<-c(1, 2, Inf)
- border <-c(1, 2) #общий массив границ интервалов
- h<-hist(x,breaks=c(min(x),border,max(x)),plot=FALSE); nu<-h$counts; print (nu)
- #частоты получены из гистограммы
- p1<-array(dim = r)
- p1[1]<- ppois(border[1], lambda0)
- p1[r] <- 1-ppois(border[r-1], lambda0)
- p1[2:(r-1)]<-ppois(border[2:(r-1)],lambda0)-ppois(border[1:(r-2)],lambda0)
- res <- array (dim = r)
- res [1:r] <- (nu[1:r] - n*p1[1:r])/sqrt(n*p1[1:r])
- res2 <- array (dim = r)
- res2 [1:r]<- (res[1:r])^2
- Xi2<-sum(res2)
- xal<-qchisq(1-al, r-1)
- Xi2>xal
- al2<-1-pchisq(Xi2,r-1);
- #Данные, которые были определены ранее:
- #a1<-c-Inf, 2, 3); b1<-c(1, 2, Inf); nu<-c(37, 11, 2)
- #al<-0.01; r<-3; n<-50
- csq<-function (t){ #функция для χ2
- p<-pnorm(b1,0,t) - pnorm (a1,0,t);
- f<-sum((nu-n*p)^2/(n*p));
- print (f)
- }
- X2<-nlm(csq,p=mean(x)) # стандартный минимизатоp
- xal1<-qchisq (1-al, r-2)
- X2$minimum<=xal1 #производим сравнение
- alpha2<-1-pchisq(X2$minimum,r-2)
- print (alpha2)
- Проведём вычисления в R.
- c<-0
- alpha1<-0.01
- alpha0<-1-ppois(c,lambda0*n)-dpois(c, lambda0*n)
- while (alpha0 > alpha1)
- {
- c<-c+1;
- alpha0<-1-ppois(c,lambda0*n)-dpois(c, lambda0*n)
- }
- c
- #178
- p<-(alpha1-alpha0)/dpois(c,lambda0*n)
- p
- #0.390959
- alpha0
- #0.009006067
- lche<- sum(x)
- lche>=c
- c<-0; lambda1 <-1
- alpha0<-ppois(c,lambda1*n)
- while(alpha0<alpha1){
- c<-c+1;
- alpha0<-ppois(c,lambda1*n)
- }
- c<-c-1
- c
- #33
- alpha0<-ppois(c,lambda1*n)
- p<-(alpha1-alpha0)/(dpois(c,lambda1*n))
- alpha0
- #0.006978765
- p
- #0.62077
- lche<- sum(x)
- lche<=c
- FALSE
- library(maxLik)
- LL<-function(t){sum(dgeom(x,t[1],log=TRUE))}
- ml<-maxNR(LL,start=c(1)) #максимум функции правдоподобия
- val<-ml$estimate; print (val) #оценка макс.правдоподобия
- #1
- 0 1 2 3 5
- 17 20 11 1 1
- r<-3 #количество интервалов
- a<-3
- b<-array(dim=r-1)#вектор границ
- b[1]<-1; b[2]<-2;
- h<-hist(x,breaks=c(min(x),b,max(x)),plot=FALSE) #построение гистограммы
- p<-array(dim=3)#вектор теоретических вероятностей
- p[1]<-pgeom(b[1],1/(a+1))
- p[2]<-pgeom(b[2],1/(a+1))-pgeom(b[1],1/(a+1))
- p[3]<-1-pgeom(b[2],1/(a+1))
- print (p)
- 0.2098765 0.0877915 0.7023320
- print(nu)#получение вектора частот
- 37 11 2
- v10<-(nu-n*p)/sqrt((n*p))
- print (v10)
- 8.182388 3.155137 -5.588426
- v1<-(nu-n*p)^2/(n*p)#вектор слагаемых величины X2
- print (v1)
- 66.951474 9.954887 31.230504
- X2<-sum(v1)#вычисление величины X2
- print (X2)
- 108.1369
- xa<-qchisq(1-alpha,2)#вычисление квантиля
- X2>xa
- TRUE
- alpha2<-1-pchisq(X2,2)#находим наибольший уровень значимости, при
- alpha2#котором нет оснований отвергнуть гипотезу
- 0
- P<-function(a){
- p[1]<-pgeom(b[1],1/(a+1))
- i<-2
- while(i<r){
- p[i]<-pgeom(b[i],1/(a+1))-pgeom(b[i-1],1/(a+1));
- i<-i+1;
- }
- p[r]<-1-pgeom(b[r-1],1/(a+1))
- p;}
- X2<-function(a){g<-n*P(a);f<-(nu-g)^2/g;sum(f)}
- XM<-nlm(X2,p=mean) #проводим минимизацию,
- xb<-qchisq(1-0.02,r-2) #вычисляем квантиль
- XM$minimum<xb# гипотезу принимаем на заданном уровне знач.
- FALSE
- alpha2<-1-pchisq(XM$minimum,r-2)#наибольший уровень значимости, на котором
- alpha2
- 0.01094687
- sortVec<-sort(x); print (sortVec) #вариационный ряд # вариационный ряд
- hist(x,breaks=c(min(x-1):max(x+1)),freq=TRUE,right=TRUE,col="red");
- (mean<-sum(x)/length(x);)
- (var<-sum(x^2)/length(x)-mean^2;)
- (med<-sort(x)[trunc(length(x)*1/2+1)];)
- (asm<-sum((x-mean)^3)/length(x)/var^(3/2);)
- (exc<-sum((x-mean)^4)/length(x)/var^2-3;)
- (p<-f(x,b)-f(x,a))
- al<-0.02
- n<-length(x)
- xal<-qnorm (1-al/2)
- T<-array(dim=2)
- T[1]<-1/mean-xal*(1/mean)/(sqrt(n))
- T[2]<-1/mean+xal*(1/mean)/(sqrt(n))
- T
- 0.1345562 0.2665026
- a0<-5; sig0<-10; n<-50; aa<- -28; sig<- 10;
- Fy<-ecdf(x)
- Fnorm<-pnorm(y,a0,sig0)
- Diff<-array(dim=50)
- for(i in 1:n){Diff[i]<-abs(Fy(y[i])-Fnorm[i])}
- D<-max(Diff)
- Dn<-D*sqrt(n)
- Dn
- 0.3912102
- r<-5 #количество интервалов
- a<-5
- b<-array(dim=r-1) #вектор границ
- b[1]<--2.715; b[2]<--1.923; b[3]<--0.132; b[4]<-0.724;
- h<-hist(x,breaks=c(min(x),b,max(x)),plot=FALSE) #построение гистограммы
- p[1]<-pnorm(b[1],a,sig0)
- i<-2
- while(i<=r-1){
- p[i]<-pnorm(b[i],a,sig0)-pnorm(b[i-1],a,sig0);
- i<-i+1;
- }
- p[r]<-1-pnorm(b[r-1],a,sig0)#конец заполнения вектора
- yhu<-h$counts#получение вектора частот
- v1<-(yhu-n*p)^2/(n*p)#вектор слагаемых величины X2
- X2<-sum(v1)#вычисление величины X2
- xa<-qchisq(1-alpha2,r-1)#вычисление квантиля
- X2<xa
- TRUE
- alpha3<-1-pchisq(X2,r-1)
- #находим наибольший уровень значимости, при котором нет оснований отвергнуть гипотезу
- alpha3
- 0.7644439
- P<-function(aa,sig){
- p[1]<-pnorm(b[1],aa,sig)
- i<-2
- while(i<=r-1){
- p[i]<-pnorm(b[i],aa,sig)-pnorm(b[i-1],aa,sig);
- i<-i+1;
- }
- p[r]<-1-pnorm(b[r-1],aa,sig);p;}
- h<-hist(x,c(min(x),b,max(x)),plot=FALSE) #новая гистограмма
- yhu<-h$counts
- X2<-function(a,b){g<-n*P(a,b);f<-(yhu-g)^2/g;sum(f)} #и величина X2 зависит от параметра
- XM<-nlm(X2,mean(x),sqrt(var(x))) #проводим нелинейную минимизацию, отыскивая тем самым
- yb<-qchisq(1-alpha2,r-3) #вычисляем квантиль
- XM$minimum<yb# гипотезу принимаем на заданном уровне знач.
- TRUE
- alpha3<-1-pchisq(XM$minimum,r-3)#наибольший уровень значимости, на котором
- alpha3 #нет оснований отвергнуть гипотезу
- 0.4257776
- A<-0
- A<-qnorm(alpha2,n*a0,sqrt(n)*sig0)
- sum(y)<A
- TRUE
- A
- 231.8761 #гипотезу отвергаем на уровне
- a1<--1
- A<-0
- A<-qnorm(1-alpha2,n*a1,sqrt(n)*sig0)
- A
- -31.87612
- sum(y)<A
- TRUE #гипотезу принимаем на уровне
- T<-array(dim=2)
- T[1]<-med-qnorm(1-alpha2/2)*sum(abs(y-med))/n
- T[2]<-med+qnorm(1-alpha2/2)*sum(abs(y-med))/n
- T
- -13.86588 24.66588
- TT<-array(dim=2)
- TT[1]<-((sqrt(2)-qnorm(1-alpha2/2))*sum(abs(y-med))/n)^2
- TT[2]<-((sqrt(2)+qnorm(1-alpha2/2))*sum(abs(y-med))/n)^2
- TT
- 57.06188 69.62617
- Flapl<-function(x,a,sig){
- if (x>a) p<-1-exp(-sqrt(2)*(x-a)/sig)/2
- else p<-exp(sqrt(2)*(x-a)/sig)/2
- p;
- }
- Fy<-ecdf(x);
- Flaplvec<-array(dim=50);
- for( i in 1:n){Flaplvec[i]<-Flapl(y[i],5.5,0.5)}
- Diff<-array(dim=50);
- for(i in 1:n){Diff[i]<-abs(Fy(y[i])-Flaplvec[i])}
- D<-max(Diff);
- Dn<-D*sqrt(n);
- Dn
- 3.335591
- h<-hist(y,breaks=c(min(y),b,max(y)),plot=FALSE) #построение гистограммы
- p<-array(dim=5)#вектор теоретических вероятностей
- p[1]<-Flapl(b[1],a,sig0)
- i<-2
- while(i<=r-1){
- p[i]<-Flapl(b[i],a,sig0)-Flapl(b[i-1],a,sig0);
- i<-i+1;
- }
- p[r]<-1-Flapl(b[r-1],a,sig0)
- yhu<-h$counts#получение вектора частот
- v1<-(yhu-n*p)^2/(n*p)#вектор слагаемых величины X2
- X2<-sum(v1)#вычисление величины X2
- xa<-qchisq(1-alpha2,r-1)#вычисление квантиля
- X2<xa#гипотеза опроверглась
- TRUE
- alpha3<-1-pchisq(X2,r-1)#находим наибольший уровень значимости, при
- alpha3#котором нет оснований отвергнуть гипотезу
- 0.4331152
- P<-function(aa,sig){
- p[1]<-Flapl(b[1],aa,sig)
- i<-2
- while(i<=r-1){
- p[i]<-Flapl(b[i],aa,sig)-Flapl(b[i-1],aa,sig);
- i<-i+1;
- }
- p[r]<-1-Flapl(b[r-1],aa,sig);p;}
- h<-hist(x,c(min(y),b,max(x)),plot=FALSE) #новая гистограмма
- yhu<-h$counts
- X2<-function(a,b){g<-n*P(a,b);f<-(yhu-g)^2/g;sum(f)} #и величина X2 зависит от параметра
- XM<-nlm(X2,mean(y),sqrt(var(y))) #проводим нелинейную минимизацию, отыскивая тем самым
- alpha3<-1-pchisq(XM$minimum,r-3)#наибольший уровень значимости, на котором
- alpha3
- 0.4963377
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement