Вероятность и статистика · объяснение и практика
Самый мощный тест двух простых гипотез ранжирует исходы по отношению правдоподобий
Построить наиболее мощный тест для двух полностью заданных дискретных законов при ограничении ошибки первого рода и объяснить рандомизацию на границе.

В теме Оценивание и проверка гипотез: углубление · Учебная карта
Главная мысль
Для двух простых гипотез лемма Неймана — Пирсона предписывает отвергать нулевую гипотезу при больших отношениях p₁(x)/p₀(x). Ограничение на вероятность ошибки первого рода определяет порог и при необходимости вероятность рандомизации на его границе.
Метод и постановка
Нулевая и альтернативная гипотезы должны полностью задавать законы наблюдения. Если остаётся неизвестный параметр, простая постановка уже изменилась, и оптимальность одного отношения требует нового обоснования. Для каждого возможного исхода посчитайте вероятность при обеих гипотезах и их отношение. Большая редкость при нулевой гипотезе сама по себе не делает исход хорошим свидетельством альтернативы: важно сравнительное отношение.
Упорядочите исходы по убыванию отношения. Начинайте расходовать допустимую вероятность ошибки первого рода с самых выгодных исходов. Вероятность отклонения при альтернативе — мощность — растёт наиболее эффективно на единицу этого бюджета. Если следующий исход целиком превышает бюджет, допускается отклонение с определённой вероятностью только на этом пограничном исходе.
Проверка и границы вывода
Проверьте две суммы отдельно: уровень равен сумме вероятностей отклонения, взвешенных законом нулевой гипотезы, мощность — аналогичной сумме при альтернативе. Их нельзя менять местами. Рандомизация здесь является частью математического теста, а не неопределённостью в вычислении отношения. Без неё дискретный тест может иметь уровень строго меньше заданного предела.
Наиболее мощный не означает безошибочный. Утверждение сравнивает все тесты с тем же ограничением уровня для конкретной простой альтернативы. Оно не обещает единого оптимального теста против всех возможных альтернатив. Также полученный результат не является вероятностью истинности гипотезы после наблюдения: для такого вопроса потребовалась бы другая, например байесовская, модель. Формулируйте итог через частоты ошибок и мощность в заданных экспериментах.
Если некоторый исход невозможен при нулевой гипотезе, но возможен при альтернативе, его отклонение не расходует бюджет ошибки первого рода. Нулевые вероятности требуют такой отдельной договорённости, а не обычного деления на ноль. Пример использует положительные вероятности, чтобы ранжирование оставалось полностью явным.
Пример
Для исходов a,b,c заданы p₀=(0,5;0,3;0,2) и p₁=(0,2;0,3;0,5). Отношения равны 0,4;1;2,5. При уровне 0,2 отвергаем только на c и получаем мощность 0,5.
При уровне 0,3 дополнительно отвергаем на b с вероятностью 1/3. Тогда уровень равен 0,2+0,3/3=0,3, а мощность равна 0,5+0,3/3=0,6. Ранжирование и обе суммы проверяются независимо.
От чтения к действию
А теперь — вы
Частые вопросы
Нужна рандомизация всегда?
Нет. Она требуется лишь для точного использования бюджета на дискретной пограничной вероятности.
Это тест против любой альтернативы?
Нет. Оптимальность сформулирована для двух конкретно заданных законов.
Углублённый разбор
Двойственный сертификат мощности теста Неймана — Пирсона
Двойственная граница даёт сертификат максимальной мощности теста. Она позволяет доказать оптимальность кандидата без перечисления всех рандомизированных правил.
Перед началом: Правдоподобие и условное ожидание; Статистический риск, уровень и мощность теста.
Определение и постановка
На конечном пространстве простые гипотезы задают массыf₀(x),f₁(x). Тестφ(x) принимает значения от0 до1, его уровеньΣφf₀≤α, мощностьΣφf₁.
Вывод и вычислительный критерий
Для любого k≥0 перепишем мощность как kΣφf₀+Σφ(f₁−kf₀). Первое слагаемое не больше kα. Второе не больше суммы положительных частейΣ(f₁−kf₀)₊, поскольку0≤φ≤1.
Получена общая граница мощности B(k)=kα+Σ(f₁−kf₀)₊. Если допустимый тест достигает B(k), никакой другой тест того же уровня не может иметь большую мощность. Это полноценный оптимальный сертификат: допустимость снизу и общая граница сверху совпали.
Условия равенства объясняют правило отношения правдоподобий. Приf₁−kf₀>0 тест должен отклонять, при отрицательном значении не отклонять. На нулевой границе допускаются промежуточные вероятности. Приk>0 для точного равенства также расходуется весь уровеньα.
| Исход | p₀ | p₁ | p₁−p₀ | Оптимальное φ |
|---|---|---|---|---|
| A | 1/2 | 1/4 | −1/4 | 0 |
| B | 1/4 | 1/4 | 0 | 0 |
| C | 1/4 | 1/2 | 1/4 | 1 |
Условия и границы вывода
Ограничение k≥0 существенно: при отрицательном множителе неравенство уровня нельзя умножить с сохранением направления. Тест остаётся функцией наблюдаемого исхода и независимой рандомизации, а не неизвестной истинности гипотезы.
Граница относится к конкретной полностью заданной альтернативеf₁. Из оптимальности против одной альтернативы не следует оптимальность против другого закона или всей составной гипотезы.
Иногда выбранный k даёт неточную верхнюю оценку. Это не делает границу неверной, но не завершает доказательство оптимальности кандидата. Можно искать более подходящий k либо предъявить другой сертификат. Численный поиск одного хорошего теста без общей границы не доказывает, что лучших правил не существует.
Если взятьk=0, граница станетΣf₁=1 и останется правильной, но слишком слабой. Это показывает, почему одного существования верхней оценки недостаточно. Полезен тот множитель, при котором граница касается реально достижимой мощности кандидата.
Двойственная оценка допускает любое k≥0, поэтому даже неоптимально выбранное k даёт корректную верхнюю границу. Однако совпадение с достижимой мощностью может отсутствовать. В конечной задаче изломы функции B(k) находятся среди отношений p₁/p₀; проверка этих кандидатов помогает найти наиболее тесный сертификат.
Разобранная задача
Условие. На исходахA,B,C заданыf₀=(1/2,1/4,1/4),f₁=(1/4,1/4,1/2),α=1/4. Докажите оптимальность правила «отклонять толькоC» двойственной границей приk=1.
- Уровень кандидата равенf₀(C)=1/4, поэтому ограничение выполнено с равенством.
- Мощность кандидата равнаf₁(C)=1/2.
- Разностиf₁−f₀ равны(−1/4,0,1/4); сумма положительных частей1/4.
- ГраницаB(1)=1·1/4+1/4=1/2 совпадает с мощностью кандидата.
Ответ. Правило отклонения толькоC максимально мощно на уровне1/4; максимальная мощность1/2.
Проверка. Для произвольныхφ_A,φ_B,φ_C∈[0,1] тождество мощности и граница положительных частей сохраняются. Поэтому сертификат охватывает не только три детерминированных выбора, но все непрерывно многие рандомизированные тесты.
Где легко ошибиться. Сравнение нескольких выбранных тестов не является доказательством оптимальности; нужна верхняя граница, действующая на весь допустимый класс.
Проверьте понимание
Вопросы к этой главе
Что означает нулевая разность наB?
При выбранномk этот исход находится на границе отношения. Однако бюджет уже полностью израсходован наC, поэтому добавлениеB потребовало бы изменить другие вероятности отклонения.
Нужно ли делитьf₁ наf₀?
Для самого сертификата нет. Разностьf₁−kf₀ определена и при нулевойf₀. Это позволяет корректно учитывать исходы вне нулевого носителя без деления на ноль.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Barigozzi: mathematical statistics, Neyman–Pearson
Прочитаны §27.2: определение UMP, сравнение мощностей через плотности и доказательство леммы Неймана–Пирсона. Собственная конечная двойственная граница и несовместимые оптимумы доказаны независимо от примеров конспекта.
Две простые альтернативы: почему единого наиболее мощного теста может не быть
Тесты, оптимальные против разных простых альтернатив, могут требовать несовместимых решений. Тогда единого наиболее мощного теста для всей альтернативы не существует.
Перед началом: Правдоподобие и условное ожидание; Статистический риск, уровень и мощность теста.
Определение и постановка
Равномерно наиболее мощный тест должен одновременно достигать максимальной мощности против каждого закона составной альтернативы при одном общем ограничении уровня.
Вывод и вычислительный критерий
Для доказательства несуществования достаточно найти две альтернативы с несовместимыми единственными оптимумами. Если один закон требует отклонять исходA, а другой требует вместо него отклонятьB и бюджет не позволяет оба, общего оптимума нет.
Это не утверждение, что тестирование невозможно. Можно выбрать компромисс, минимаксный критерий, среднюю мощность по заранее объявленным весам или отдельную интересующую альтернативу. Но каждый такой выбор решает другую оптимизационную задачу.
Рандомизация также не обязана создавать равномерный оптимум. Она позволяет непрерывно делить бюджет между исходами, но не отменяет тот факт, что каждая из двух альтернатив предпочитает весь бюджет в собственном направлении.
Условия и границы вывода
Простая альтернатива полностью задаёт закон, поэтому теорема Неймана — Пирсона решает одну линейную задачу. Составная альтернатива объединяет несколько таких задач и требует совместимости их решений. Формальное повторение фразы «взять отношение правдоподобий» не выбирает единственное отношение для разных альтернатив.
Уникальность двух отдельных оптимумов полезна для строгого контрпримера. Если у каждой задачи есть множество оптимальных тестов, нужно проверить пересечение этих множеств; два выбранных различающихся представителя ещё не доказывают отсутствие общего.
Следует также сохранять одно и то же ограничение уровня. Разрешение разного бюджета для разных альтернатив изменило бы требование и не доказывало бы равномерную оптимальность одного рабочего правила.
Неединственность оптимума отдельной альтернативы требует осторожности: разные показанные лучшие тесты ещё не доказывают пустого пересечения всех оптимальных множеств. В примере линейный критерий имеет строгий наклон вдоль допустимого ребра и потому единственный максимум. Именно эта строгость позволяет перейти от двух вычислений к доказанному отсутствию общего правила.
Разобранная задача
Условие. Два исходаA,B имеютf₀=(1/2,1/2). Альтернативыf₁=(3/4,1/4),f₂=(1/4,3/4). Приα=1/2 докажите отсутствие равномерно наиболее мощного теста даже с рандомизацией.
- Допустимые вероятности отклоненияa,b удовлетворяют(a+b)/2≤1/2, то естьa+b≤1.
- Мощность противf₁ равна3a/4+b/4 и единственно максимальна при(a,b)=(1,0), значение3/4.
- Противf₂ мощностьa/4+3b/4 единственно максимальна при(0,1), также3/4.
- Один тест не может одновременно иметь обе пары вероятностей; общий равномерный оптимум отсутствует.
Ответ. UMP-теста для двух объявленных альтернатив нет; оптимальные решения несовместимы.
Проверка. Приa+b≤1 имеем3a/4+b/4≤1/4+a/2≤3/4, и равенство требуетa=1,b=0. Симметричное доказательство для второй альтернативы требуетa=0,b=1.
Где легко ошибиться. Наличие наиболее мощного теста для каждой простой альтернативы по отдельности не гарантирует общего наиболее мощного правила.
Проверьте понимание
Вопросы к этой главе
Что даёт компромисса=b=1/2?
Его мощность равна1/2 против обеих альтернатив. Он симметричен, но не достигает индивидуального максимума3/4, поэтому не является UMP.
Разве разные оптимальные тесты всегда исключают UMP?
Нет. Нужно установить несовместимость всех оптимальных множеств. Здесь каждое множество состоит из одного теста, что делает доказательство однозначным.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Barigozzi: mathematical statistics, Neyman–Pearson
Прочитаны §27.2: определение UMP, сравнение мощностей через плотности и доказательство леммы Неймана–Пирсона. Собственная конечная двойственная граница и несовместимые оптимумы доказаны независимо от примеров конспекта.
Байесовское решение: отношение правдоподобий и неравные потери
Классификация двух гипотез меняется при изменении их исходных вероятностей и цены ошибок. Выведем порог отношения правдоподобий непосредственно из сравнения двух условных ожидаемых потерь.
Перед началом: Условная вероятность; Точная арифметика.
Решение должно иметь названную цену
Пусть гипотезы H₀,H₁ имеют положительные prior π₀,π₁, а наблюдаемый исход x имеет массы f₀(x),f₁(x). Цена ложного выбора H₁ равна c₁₀>0, цена ложного выбора H₀ — c₀₁>0; правильные решения стоят ноль. Выбор H₁ имеет совместный вклад риска c₁₀π₀f₀(x), выбор H₀ — c₀₁π₁f₁(x). Для минимального общего риска на каждом x достаточно выбрать меньший из этих вкладов.
Порог получается из отношения
Если f₀(x)>0, выбираем H₁ при f₁(x)/f₀(x)>c₁₀π₀/(c₀₁π₁). На равенстве любое смешение двух решений даёт тот же риск. Если f₀=0<f₁, выбирают H₁; если обе массы нулевые, исход невозможен в модели и решение не влияет на риск. Такой порог определяется prior и потерями. В тесте Неймана—Пирсона порог вместо этого подбирают под ограничение вероятности ошибки первого рода; совпадение порядка исходов не делает критерии задачи одинаковыми.
Байесовский риск не является гарантией каждому состоянию
Минимизация взвешенного среднего риска может оставить большую ошибку редкой гипотезе, если её вес мал. Изменение цен или prior способно полностью изменить решение при тех же f₀,f₁. Поэтому сообщение одного accuracy без состава и цен не воспроизводит выбранный оптимум. Если prior не известны или могут меняться, нужно исследовать устойчивость решения либо минимаксный риск. При настройке по данным отдельно учитывают неопределённость оценённых вероятностей и отсутствие нулевых масс в конечной выборке.
Разобранная задача
Условие. Исходы a,b имеют f₀=(3/4,1/4), f₁=(1/4,3/4). Prior π₀=4/5,π₁=1/5. Цены c₁₀=1,c₀₁=4. Найдите оптимальное решение и полный риск.
- Порог отношения равен (1·4/5)/(4·1/5)=1. Отношения правдоподобий для a,b равны 1/3 и 3.
- Поэтому при a выбираем H₀, при b — H₁. Редкость H₁ компенсирована четырёхкратной ценой её пропуска.
- Ложный выбор H₁ происходит при H₀ и b: взвешенная цена равна (4/5)(1/4)·1=1/5.
- Пропуск H₁ происходит при H₁ и a: цена равна (1/5)(1/4)·4=1/5. Полный риск равен 2/5.
Ответ. Оптимальное правило выбирает H₁ только на b; байесовский риск равен 2/5.
Проверка. Всего существуют четыре детерминированных правила. Их риски для постоянного H₀, постоянного H₁, выбранного и обратного правила равны 4/5,4/5,2/5,6/5. Прямой перебор подтверждает минимум без отношения правдоподобий.
Где легко ошибиться. Порог один получился из конкретного совпадения prior и потерь. При равных ценах тот же редкий H₁ дал бы порог четыре и решение всегда H₀; использовать универсальный порог один нельзя.
Проверьте понимание
Вопросы к этой главе
Может ли рандомизация снизить риск ниже этого значения?
Средний риск линейно зависит от вероятностей решений в каждом исходе. Если сравниваемые вклады строго различны, лучшее решение детерминировано; смешение помогает лишь при равенстве и не снижает минимум.
Что означает цена четыре?
Она задаёт относительную потерю пропуска H₁ по сравнению с ложной тревогой. Это условная шкала задачи, а не утверждение о реальном денежном ущербе.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Will Fithian, Berkeley Stat210a: Minimax Estimation
Байесовский риск как средняя потеря; сравнение двух действий задаёт порог отношения правдоподобий.
Минимаксный тест: уравнивание двух рисков рандомизацией
Если prior двух гипотез не задан, можно минимизировать худший из двух условных рисков. Рандомизация на одном исходе иногда снижает этот максимум ниже любого детерминированного правила.
Перед началом: Условная вероятность; Точная арифметика.
Минимакс выбирает худшее состояние
Пусть наблюдение имеет конечные законы f₀,f₁, а цена каждой ошибки равна единице. Правило φ(x)∈[0,1] означает вероятность выбрать H₁ после x. Условные риски равны R₀=Σf₀φ и R₁=Σf₁(1−φ). Требуется минимизировать max(R₀,R₁), а не среднее при заранее заданном prior. Каждая координата φ является допустимым управляемым смешением решений, поэтому задача выпуклая и может иметь внутренний оптимум.
Уравнивание рисков требует проверки оптимальности
Если подходящее семейство правил двигает два риска в противоположные стороны, их пересечение является естественным кандидатом минимума максимума. Но одного равенства недостаточно для глобального доказательства. Нижнюю границу даёт любой prior: max(R₀,R₁)≥π₀R₀+π₁R₁≥минимальный байесовский риск этого prior. Если кандидат достигает такой нижней границы, он минимаксен. Наихудший prior здесь используется как сертификат, а не как заявленная частота гипотез в реальной популяции.
Монета не создаёт сведения о гипотезе
Рандомизация лишь распределяет цену ошибок между состояниями. Она может быть уместна в математическом плане и неудобна в конкретном приложении; запрет рандомизации задаёт другую задачу. Сохранение выбранного U и правила обеспечивает воспроизводимость. Минимаксная ошибка не является вероятностью ложности конкретного выданного ответа после наблюдения. Ниже законы простые и полностью известны, поэтому результат относится к указанной модели, а не к неизвестным распределениям без оценки.
Разобранная задача
Условие. Исходы a,b имеют f₀=(3/4,1/4),f₁=(1/2,1/2). Выбирайте H₁ всегда при b и с вероятностью r при a. Найдите r, уравнивающий риски, и докажите минимаксность с prior (2/5,3/5).
- Риски правила равны R₀=1/4+(3/4)r и R₁=(1/2)(1−r). Первый возрастает, второй убывает.
- Равенство даёт 1/4+3r/4=1/2−r/2, откуда r=1/5. Оба риска становятся 2/5.
- При prior π₀=2/5,π₁=3/5 байесовские вклады исхода a равны 3/10 для обоих решений; при b меньший вклад равен 1/10 при выборе H₁.
- Минимальный байесовский риск равен 3/10+1/10=2/5. Любой худший риск не меньше этой величины, а найденное правило её достигает.
Ответ. Минимаксное правило выбирает H₁ при b и с вероятностью 1/5 при a. Оптимальный худший риск равен 2/5.
Проверка. Четыре детерминированных правила имеют худшие риски 1,1,1/2 и 3/4. Их прямой перебор показывает, что 2/5 действительно недостижимо без смешения и улучшает лучший детерминированный максимум.
Где легко ошибиться. Не выдавайте любое равенство двух рисков за доказанный минимум. Здесь глобальность обеспечена отдельным байесовским нижним сертификатом, совпавшим с достигнутым максимумом.
Проверьте понимание
Вопросы к этой главе
Почему правило рандомизирует только a?
Для выбранного сертификатного prior два решения на a имеют одинаковый вклад. На b выбор H₁ строго выгоднее и не требует смешения.
Что будет при запрете случайных решений?
Нужно сравнить только четыре детерминированных правила. Лучшее из них имеет худший риск 1/2, то есть другой оптимум.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Will Fithian, Berkeley Stat210a: Minimax Estimation
Минимаксный риск, байесовская нижняя граница и равные условные риски рандомизированного правила.
Несколько нулевых законов: точный тест с двумя ограничениями размера
Лучший тест против одного нулевого закона может резко нарушать уровень при другом. Для конечной составной гипотезы требуется пересечение двух ограничений. Их взвешенная сумма создаёт проверяемый сертификат мощности, а равенство сертификату удостоверяет оптимум среди всех случайных правил.
Перед началом: Уровень и мощность рандомизированного теста; Двойственная граница для простой нулевой гипотезы.
Уровень ограничивает каждый допустимый нулевой закон
Конечное пространство наблюдений, два полностью заданных допустимых нулевых закона f₀,f₁ и одна заданная альтернатива g. Рандомизированное правилоφ(x)∈[0,1] одно и то же при всех законах.
Пусть нулевая гипотеза допускает f₀ или f₁. Условия имеют видΣf₀φ≤α иΣf₁φ≤α; мощность против g равнаΣgφ. Проверка только среднего этих двух уровней допускает нарушение одного из них. Если заранее неизвестен действующий нулевой закон, процедура должна защищать оба, а не выбирать удобный после наблюдения.
Та же допустимость автоматически сохраняется для любой выпуклой смеси f₀,f₁ по линейности. Это не требует утверждать, что такая смесь физически выбирается в популяции. Математическая смесь полезна как вспомогательный закон для доказательства верхней границы. Альтернатива здесь простая: задача не максимизирует одновременно мощности против неизвестного множества g.
Два бюджета дают два неотрицательных множителя
Дляλ₀,λ₁≥0 запишемΣgφ=λ₀Σf₀φ+λ₁Σf₁φ+Σ(g−λ₀f₀−λ₁f₁)φ. Каждый из первых двух членов ограничен своимλα. Последний не большеΣ(g−λ₀f₀−λ₁f₁)₊, поскольку 0≤φ≤1. Поэтому мощность любого допустимого правила не превосходит B=α(λ₀+λ₁)+Σ(g−λ₀f₀−λ₁f₁)₊.
Если кандидат достигает B, оптимальность доказана сразу для непрерывного множества рандомизированных правил. В точках положительного остатка для равенства нужноφ=1, отрицательного —φ=0. Нулевой остаток допускает промежуточные вероятности. Положительный множитель требует полного использования соответствующего бюджета уровня. Это позволяет не только проверить кандидата, но и иногда доказать его единственность.
Сертификат не заменяет проверку допустимости
Нужно отдельно вычислить оба уровня, затем мощность, затем общую границу. Хорошая мощность у правила с нарушенным хотя бы одним уровнем не является достижимым нижним свидетельством задачи. И наоборот, допустимое консервативное правило не обязано достигать лучшего результата. Неудачные множители дают правильную, но неточную верхнюю оценку.
Когдаλ₀+λ₁>0, их нормированные доли задают вспомогательную нулевую смесь. Можно интерпретировать сертификат как сравнение с этой смесью, однако исходные два ограничения остаются обязательными. Это отличается от минимакса двух ошибок: здесьα фиксировано, оптимизируется одна мощность, а не максимум рисков нулевого и альтернативного состояния.
Две нулевые среды ограничивают разные края
Условие. На исходах a,b,c заданы f₀=(3/5,3/10,1/10), f₁=(1/10,3/10,3/5), g=(2/5,1/10,1/2), α=1/4. Найдите лучший тест и подтвердите его множителямиλ₀=19/35,λ₁=26/35.
- Возьмёмφ=(5/14,0,5/14). Оба нулевых уровня равны(3/5+1/10)·5/14=1/4, поэтому правило допустимо одновременно.
- Его мощность равна(2/5+1/2)·5/14=9/28.
- Для предложенных множителей остатки g−λ₀f₀−λ₁f₁ равны(0,−2/7,0). Положительных частей нет, а B=(1/4)(45/35)=9/28.
- Кандидат достигает общей границы, значит максимально мощен. Оба множителя положительны, поэтому при равенстве оба уровня активны, а отрицательный остаток заставляетφ_b=0. Два оставшихся уравнения однозначно даютφ_a=φ_c=5/14.
- Если защитить только f₀, тестφ=(1/4,0,1) имеет уровень 1/4 и мощность 3/5. Но при f₁ его уровень 5/8, поэтому он недопустим для составной гипотезы.
Ответ. Единственный оптимальный тестφ=(5/14,0,5/14); максимальная мощность 9/28 при уровне не выше 1/4 в обеих нулевых средах.
Проверка. Два активных уравнения имеют матрицу[[3/5,1/10],[1/10,3/5]] с определителем 7/20>0. Прямая подстановка остатка в тождество мощности показывает: любое ненулевоеφ_b или неиспользованный активный бюджет создаёт строгий зазор до 9/28.
Где легко ошибиться. Тест, оптимальный при одном нулевом законе, нельзя объявлять корректным для составной гипотезы без проверки всех остальных допустимых законов.
Проверьте понимание
Вопросы к этой главе
Можно ли выбиратьφ по тому, какой нулевой закон истинный?
Нет. Истинный закон неизвестен; правило должно зависеть от наблюдённого исхода и независимой рандомизации. Два разных правила для двух неизвестных сред не составляют одну доступную процедуру.
Почему множители не могут быть отрицательными?
Из ограниченияΣfφ≤α при умножении на отрицательное число направление меняется. Тогда использованный верхний сертификат больше не следует из допустимости.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- William Fithian, Berkeley Stat210A, Hypothesis Testing §§2.1 и 3.1
Поддерживает определение уровня через все нулевые параметры, несколько ограничений при составной гипотезе и лагранжев подход к тестам. Двухмножительный сертификат и трёхисходный оптимум выведены в главе явно.
Источники и работа с материалом
Объяснение, примеры и вопросы написаны для erudeet. Факты и определения сверены по источникам ниже; это ссылки для самостоятельной проверки.
Продолжить разбираться
Контроль доли ложных находок: порог выбирается по последнему прошедшему рангу
Применить ступенчатую процедуру Бенджамини — Хохберга и отличить ожидаемую долю ложных отклонений от вероятности хотя бы одной ошибки.
Открыть темуУсловное усреднение оценки: где именно исчезает лишняя дисперсия
Улучшить несмещённую оценку условным ожиданием по достаточной статистике и проверить уменьшение дисперсии без заявления недоказанной глобальной оптимальности.
Открыть темуДостаточная статистика сохраняет информацию модели, но не исходный порядок данных
Установить достаточность статистики факторизацией правдоподобия и различить информационное сжатие относительно параметра и восстановление исходной выборки.
Открыть тему