Материал из MachineLearning.
< Участник:Riabenko(Различия между версиями)
м |
м |
| (6 промежуточных версий не показаны.) |
| Строка 1: |
Строка 1: |
| - | = Задание 2. Исследование свойств многомерного статистического метода на модельных данных =
| + | |
| - | == Пример ==
| + | |
| - | Исследуем чувствительность однофакторного дисперсионного анализа к расстояниям между выборками и дисперсиям выборок. <br>
| + | |
| - | <tex>x_i^{n_i}, \;\; x_i \sim N(\mu_i, \sigma_i), \;\; i=1,\ldots,3,</tex> <br>
| + | |
| - | <tex>\mu_2 = 0, \;\; -\mu_1=\mu_3 = \mu = 0\,:\,0.01\,:\,1,</tex> <br>
| + | |
| - | <tex>\sigma_1=\sigma_2=\sigma_3 = 0.01\,:\,0.01\,:\,1,</tex> <br>
| + | |
| - | <tex>n_1=n_2=n_3=20.</tex> <br>
| + | |
| - | Посмотрим, как от расстояний между выборками и дисперсий зависят средний достигаемый уровень значимости и мощность используемого по умолчанию критерия Фишера:
| + | |
| - | <gallery widths="250px" heights="250px">
| + | |
| - | Изображение:3000_p.png|Значения достигаемого уровня значимости, усрёднённого по 3000 экспериментам.
| + | |
| - | Изображение:3000_pow.png|Значения эмпирических оценок мощности критерия при проведении 3000 экспериментов <tex>(\alpha=0.05).</tex>
| + | |
| - | </gallery>
| + | |
| - | Зависимость выглядит естественно: мощность растёт при увеличении расстояния между выборками и уменьшении дисперсии.
| + | |
Текущая версия
