EssayAI
Блог
Блог
Математика и алгоритмы

Критерий Лиллиефорса: проверка нормальности выборки

8 ноября 2026Время чтения: 8 минут
#критерий Лиллиефорса#проверка нормальности#статистические гипотезы#функция распределения#математическая статистика
Критерий Лиллиефорса: проверка нормальности выборки

Критерий Лиллиефорса помогает проверить нормальность данных, когда среднее и стандартное отклонение генеральной совокупности неизвестны и оценены по той же выборке. Он сравнивает накопленные доли наблюдений с нормальной моделью и измеряет самое большое вертикальное расхождение между ними. Важная особенность - для решения используют распределение статистики с учётом оценки параметров, а не обычную таблицу Колмогорова.

В учебной модели ниже первые девять наблюдений фиксированы. Измените десятое и посмотрите, как одновременно меняются оценённая нормальная кривая и максимальное расхождение. Калькулятор показывает статистику, а решение о значимости требует отдельного критического значения.

Какую гипотезу проверяет тест

Пусть есть независимые наблюдения одной непрерывной величины. Нулевая гипотеза H0H_0 утверждает, что они получены из нормального распределения с некоторыми неизвестными μ\mu и σ>0\sigma>0. Альтернатива H1H_1 означает, что распределение не принадлежит этому семейству. Вопрос касается формы закона в генеральной совокупности, а не того, похожа ли гистограмма конкретных чисел на идеальный колокол.

Из данных вычисляют среднее xˉ\bar x и исправленное стандартное отклонение ss. По ним строят функцию распределения G(x)=Φ((x−xˉ)/s)G(x)=\Phi((x-\bar x)/s), где Φ\Phi относится к стандартной нормальной модели. Эмпирическая функция Fn(x)F_n(x) показывает долю значений, не превосходящих xx. Она растёт скачками в точках наблюдений.

На видео золотой отрезок последовательно показывает расхождение у каждого скачка. Тест сохраняет наибольшее из таких расстояний: важно проверить и верхнюю, и нижнюю сторону ступеньки.

Золотой отрезок обходит скачки эмпирической функции и показывает их расстояние до подогнанной нормальной модели.

Чем отличается от критерия Колмогорова

Статистика здесь устроена так же, как в одновыборочном критерии согласия Колмогорова - Смирнова: это максимум расстояния между двумя функциями распределения. Разница в том, как определена нормальная кривая и по какому распределению оценивают значимость.

В обычной постановке параметры проверяемого непрерывного закона полностью заданы до знакомства с выборкой. Если же оценить их по тем же наблюдениям, кривая приспосабливается к данным. Стандартная калибровка больше не подходит: применение обычного порога обычно делает проверку слишком консервативной. Лиллиефорс учитывает именно эту оценку параметров. NIST отдельно указывает, что обычная критическая область теста Колмогорова - Смирнова недействительна при оценивании параметров по данным.

Поэтому сначала задайте себе вопрос: параметры известны независимо или получены из проверяемой выборки? Не следует выбирать таблицу только по внешнему виду формулы DD. Есть также вариант Лиллиефорса для показательного распределения, но его калибровка отличается от нормальной; здесь рассматривается только нормальность.

Формула статистики и обе стороны скачка

Упорядочим наблюдения: x(1)≤…≤x(n)x_{(1)}\leq\ldots\leq x_{(n)}. Используем оценки

xˉ=1n∑i=1nxi,s=1n−1∑i=1n(xi−xˉ)2.\bar x=\frac{1}{n}\sum_{i=1}^{n}x_i,\qquad s=\sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar x)^2}.

Затем для каждого ранга найдём Gi=Φ((x(i)−xˉ)/s)G_i=\Phi((x_{(i)}-\bar x)/s). Эмпирическая функция непосредственно перед скачком равна (i−1)/n(i-1)/n, а в самой точке - i/ni/n. Две составляющие и итоговая статистика имеют вид

D+=max⁡i(in−Gi),D−=max⁡i(Gi−i−1n),D=max⁡(D+,D−).D^+=\max_i\left(\frac{i}{n}-G_i\right),\qquad D^-=\max_i\left(G_i-\frac{i-1}{n}\right),\qquad D=\max(D^+,D^-).

DD измеряется в долях от нуля до единицы, а не в единицах исходной величины. Большое значение означает сильное расхождение с подогнанной моделью. Проверка только после скачка может пропустить максимум непосредственно перед ним. Здесь использовано ss с делителем n−1n-1; например, такую нормировку применяет реализация statsmodels. При другой оценке масштаба нужна соответствующая калибровка.

Пошаговый расчёт на выборке

Возьмём учебные данные 1,2,3,4,5,6,7,8,9,121,2,3,4,5,6,7,8,9,12. Это иллюстрация метода, а не результаты измерений. Объём n=10n=10, сумма равна 57, поэтому xˉ=5,7\bar x=5{,}7. Сумма квадратов отклонений равна 104,1104{,}1, и s=104,1/9≈3,401s=\sqrt{104{,}1/9}\approx3{,}401.

Для четвёртого значения x(4)=4x_{(4)}=4 стандартизованная величина около −0,500-0{,}500. Соответствующая нормальная функция равна G4≈0,3086G_4\approx0{,}3086, тогда верхняя сторона ступеньки даёт 4/10−0,3086≈0,09144/10-0{,}3086\approx0{,}0914. Для первого значения G1≈0,0835G_1\approx0{,}0835, а доля слева равна нулю.

СравнениеРезультат
Максимум D+D^+0,0914 при x=4x=4
Максимум D−D^-0,0835 при x=1x=1
Статистика DD0,0914
Эмпирическая функция и подогнанная нормальная кривая: наибольшее вертикальное расстояние около 0,091
Эмпирическая функция и подогнанная нормальная кривая: наибольшее вертикальное расстояние около 0,091

Золотой отрезок показывает именно разницу по вертикали. Он не является разностью между соседними наблюдениями и не измеряет расстояние по оси xx. Если изменить последнее наблюдение в калькуляторе, нужно заново оценить и среднее, и ss: сравнение со старой кривой уже отвечало бы на другой вопрос.

Критическое значение и решение

Выберите уровень значимости α\alpha до просмотра результата. По таблице именно для нормального варианта Лиллиефорса находят критическое значение, соответствующее nn и α\alpha. В опубликованной таблице, приведённой в материалах statsmodels, для n=10n=10 и α=0,05\alpha=0{,}05 указано приблизительно 0,2620{,}262. Другие таблицы или симуляционные реализации могут немного отличаться из-за способа калибровки и округления.

В нашем примере 0,0914<0,2620{,}0914<0{,}262: на уровне 5% оснований отвергнуть H0H_0 нет. Это не доказательство нормальности. Выборка из десяти наблюдений может не дать тесту достаточно информации, чтобы заметить некоторые отклонения. И наоборот, в больших массивах даже слабые отклонения могут оказаться статистически значимыми.

Если результат близок к табличной границе, сохраняйте больше знаков при промежуточных расчётах: раннее округление может изменить решение. Уточните также, какая версия таблицы и какой способ оценки масштаба использованы. При сообщении результата полезно указать объём выборки, статистику, уровень значимости и источник критического значения. Так другой исследователь сможет воспроизвести сравнение и понять, какие предположения стоят за выводом.

Вместо таблицы программа может вернуть pp-значение: при верной нулевой модели это вероятность получить статистику не меньше наблюдаемой с учётом процедуры оценки параметров. Если p≤αp\leq\alpha, гипотезу отвергают; иначе не отвергают. Это не вероятность истинности H0H_0 и не мера практической важности отклонения.

Как воспроизвести проверку в программе

Перед запуском сохраните исходные наблюдения и заранее определите уровень значимости. Укажите, что проверяется нормальное распределение с двумя неизвестными параметрами. В программе проверьте не только название функции, но и её документацию: разные пакеты могут использовать различные приближения для вероятности и ограничивать диапазон возвращаемых значений. Округлённое значение на границе диапазона не следует трактовать как точную вероятность.

Сверьте промежуточные результаты: объём, среднее, стандартное отклонение и статистику. Для учебной выборки выше они составляют соответственно 10, 5,7, около 3,401 и около 0,091. Если программа выдаёт другое расстояние, проверьте порядок данных, делитель в формуле отклонения и обе стороны каждого скачка. Различие в последнем знаке может быть связано с округлением функции нормального распределения; крупное расхождение требует найти причину до интерпретации.

При подготовке отчёта полезно указать также, как выбирались наблюдения и были ли они округлены. Если проверено много групп по отдельности, серия решений увеличивает вероятность хотя бы одного случайного отклонения нулевой гипотезы. План анализа должен учитывать множественные сравнения, а не выбирать для обсуждения только наименьшее значение pp.

Условия применения и работа с результатом

Классическая калибровка предполагает независимую одинаково распределённую выборку из непрерывного закона. При сильном округлении и большом числе одинаковых значений ступени приобретают другую структуру; стандартное табличное решение может быть ненадёжным. Все одинаковые наблюдения также дают s=0s=0, и стандартизация невозможна. Для зависимых данных или остатков регрессии обычная таблица не обязана сохранять заявленный уровень ошибки: схему зависимости и оценку модели нужно учитывать при калибровке.

Проверяйте происхождение данных до вычислений: различие между генеральной совокупностью и выборкой определяет, к чему относится вывод. Дополните тест графиком квантилей и изучением способа измерения. Один экстремальный результат стоит проверить на ошибку записи, однако удалять его только ради желаемого pp нельзя; формальная диагностика выбросов, например критерий Граббса, имеет собственные предпосылки.

При анализе регрессии нормальность остатков и независимость ошибок - разные вопросы. Для последнего существует, например, диагностика автокорреляции. Сам по себе результат Лиллиефорса не устанавливает причин отклонения и не говорит, какая модель будет лучшей заменой.

Частые ошибки

  • Подставлять выборочные xˉ\bar x и ss, а затем сравнивать DD с обычным порогом Колмогорова. Для составной нормальной гипотезы нужна соответствующая калибровка.
  • Вычислять отклонение только с одной стороны ступеньки. Максимум может оказаться перед скачком.
  • Читать p>0,05p>0{,}05 как доказанную нормальность или как вероятность ошибки гипотезы. Это только отсутствие достаточных оснований для её отклонения при выбранном пороге.
  • Применять таблицу к сильно округлённым или зависимым наблюдениям без проверки её применимости.

FAQ

Сколько наблюдений нужно для теста?

У конкретной реализации есть минимальный допустимый объём: например, statsmodels для нормального варианта требует минимум четыре наблюдения. Технический минимум не гарантирует высокую способность обнаруживать отклонения. На малой выборке особенно полезно показывать данные и ограничения вывода.

Обязательно ли строить гистограмму?

Нет. Статистика рассчитывается по упорядоченным наблюдениям, без группировки по интервалам. Гистограмма помогает исследовать форму данных, но зависит от выбора интервалов и не заменяет проверку условий.

Можно ли использовать тест для остатков?

Остатки могут быть зависимы и получены после оценки параметров регрессии. Поэтому стандартные критические значения для независимой выборки не всегда применимы. Для конкретной модели используют подходящую модельную калибровку, учитывающую и этап оценки.

Коротко

Критерий Лиллиефорса сравнивает эмпирическую функцию с нормальной моделью, параметры которой оценены по тем же данным. Статистика DD - наибольшее вертикальное расхождение с учётом обеих сторон скачков. Её сравнивают с критическим значением Лиллиефорса для нужных объёма и уровня значимости, а не с обычной таблицей Колмогорова. Отсутствие значимости оставляет нормальность допустимой моделью, но не доказывает её.

Доверьте текст нейросети EssayAI

Открыть EssayAI

Бесплатно, на русском языке и без VPN

Читайте также

Критерий Шапиро-Уилка: проверка нормальности

Критерий Шапиро-Уилка: проверка нормальности

Как работает критерий Шапиро-Уилка, что означают статистика W и p-значение, как проверить выборку и правильно сформулировать вывод на числовом примере.

8 ноября 20268 минут
Информация Фишера: формула и пример расчёта

Информация Фишера: формула и пример расчёта

Что такое информация Фишера и как она связана с правдоподобием: вывод формулы для испытаний Бернулли, подробный числовой пример и граница Крамера-Рао для оценки вероятности.

8 ноября 20268 минут
Оценка максимального правдоподобия: метод и пример

Оценка максимального правдоподобия: метод и пример

Как найти оценку максимального правдоподобия: функция и логарифм правдоподобия, вывод для испытаний Бернулли, пример нормального распределения и границы метода.

8 ноября 20268 минут
Распределение функции случайной величины: метод

Распределение функции случайной величины: метод

Как найти распределение функции случайной величины через прообраз события и плотность: алгоритм, пример с квадратом, несколько обратных ветвей и проверка ответа.

8 ноября 20268 минут
Функция распределения случайной величины: свойства

Функция распределения случайной величины: свойства

Функция распределения F(x) = P(X меньше или равно x): определение, все свойства, как строить для дискретной и непрерывной величины, связь с плотностью и расчёт вероятности на интервале.

11 июня 20267 минут
Равномерное распределение случайной величины: формулы

Равномерное распределение случайной величины: формулы

Равномерное распределение непрерывной случайной величины простыми словами: плотность и функция распределения, мат. ожидание, дисперсия и вероятность попадания на отрезок с примером решения.

11 июня 20268 минут