background image

Łukasz  Nykiel st_MP_d08

 ROZKŁAD WEIBULLA 

pliki pomocnicze

Siatka o ustalonym k

K

READPRN "WEI_K.txt"

(

)



k

reverse K

(



1. Obróbka danych i obliczenie prawdopodobieństwa z próby:

γ

READPRN "WEI_G.txt"

(

)



dane

READPRN "dane08.txt"

(

)



A

READPRN "WEI_A.txt"

(

)



dane1

dane

T



B

READPRN "WEI_B.txt"

(

)



dane

dane1

1

 



length dane

(

)

30

min dane

(

)

159.8

max dane

(

)

847.4

μ

mean dane

(

)



μ

471.95

σ

Stdev dane

(

)



σ

198.864

i

0 length dane

(

)

1





i

0
1
2
3
4
5
6
7
8
9

10
11
12
13
14

data

i

if dane

i

μ

1

 0





n

length dane

(

)



data

0

0
1
2
3
4
5
6
7
8
9

10
11
12
13
14
15

1
0
1
0
1
1
1
1
1
0
1
0
0
1
1

...

p

i

i

1

(

)

n

1



u

sort dane

(

)



2. Oszacowanie punktowe metodą trzeciego momentu:

skew u

( )

0.446

kp

linterp γ k

 skew u

( )



(

)



kp

2.339

Ap

linterp K A

 kp



(

)



Bp

linterp K B

 kp



(

)



Ump

mean u

( )

Ap Stdev u

( )



Ump

527.719

k

kp



background image

...

Uop

mean u

( )

Bp

Ap

(

) Stdev u

( )



Uop

34.302

3. Zdefiniowanie współrzędnych liniowych:

y

i

ln 1

p

i

1

k



4. Obliczenie współczynników prostej regresji y=a+b*x :

a

intercept u y



(

)



b

slope u y



(

)



5. Obliczenie (estymacja graficzna) parametrów Uo i Um:

Uo

a
b



Um

1
b

Uo



Uo

0.808

Um

536.429

6. Porównanie z oszacowaniem punktowym:

Uop

34.302

Ump

527.719

kp

2.339

7. Wykres w siatce o ustalonym k:

pr x

( )

a

b x



min u

( )

159.8

max u

( )

847.4

max y

( )

1.694

min y

( )

0.232

x

10 900





150

225

300

375

450

525

600

675

750

825

900

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

1.1

1.2

1.3

1.4

1.5

1.6

y

i

pr x

( )

u

i

x

 x



corr u y



(

)

0.99

Uo

0.808

Um

536.429

k

2.339

Uow

18.081



Umw

77.2



8. Testy zgodnoœci

background image

 10.1. Test w

 2

pt

i

1

exp

u

i

Uo

Um

Uo

k







wt

n

1
n

i

2

i

1

(

)

1

[

] ln pt

i

 

2

n

i

1

(

)

[

]

1

[

] ln 1

pt

i







wt

0.316

Wartość krytyczna statystyki w

2

 na poziomie istotności a = 0.05 wynosi  wk =2.4933

WNIOSEK 2: Wartość testowa wt =  0.316 < od wartości krytycznej wk =2.4933
               Hipotezy o rozkładzie Weibulla na poziomie a = 0.05 odrzucić nie można. 

Dn

READPRN "dn.txt"

(

)



 10.2. Test Kołmogorowa-Smirnowa

delta

i

p

i

pt

i



dt

max delta

(

)



dt

0.088

dk

Dn

n 1

(

)



dk

0.242

Wartość krytyczna statystyki Dn na poziomie istotności a = 0.05 wynosi 0.242

WNIOSEK 3: Wartość testowa  0.088

 

< od wartości krytycznej 0.259

               Hipotezy o rozkładzie Weibulla na poziomie a = 0.05 odrzucić nie można. 

 10.3. Test w

 2

ω

t

1

12 n

0

n 1

i

delta

i

 

2



ω

t

0.042

Wartość krytyczna statystyki w

2

 na poziomie istotności a = 0.05 wynosi wk = 0.4614

WNIOSEK 5: Wartość testowa wart =  0.042 < od wartości krytycznej wk =0.4614
               Hipotezy o rozkładzie Weibulla na poziomie a = 0.05 odrzucić nie można. 

9. Obliczenie dwustronnych obszarów ufności dla prostej regresji i wykres: 

β

1

0.95

2



β

0.975

m1

i

2

n

i

(

)



m2

i

2

i

1

(

)



Fd

i

qF β m1

i



m2

i





Fg

i

qF β m2

i



m1

i





Fdd

i

1

1

n

i

i

1

(

)

Fd

i







Fdg

i

Fg

i

n

i

i

1





Fg

i



yd

i

ln 1

Fdd

i

1

k



yg

i

ln 1

Fdg

i

1

k



background image

x

45 46



900





pr x

( )

a

b x



v

y

a


b



40

115.833 191.667 267.5 343.333 419.167 495 570.833 646.667 722.5 798.333 874.167 950

0

0.133

0.267

0.4

0.533

0.667

0.8

0.933

1.067

1.2

1.333

1.467

1.6

1.733

1.867

2

pr x

( )

y

i

yd

i

yg

i

y

i

x u

i

 v

i

 v

i



10. Obliczenie granic przedziałów ufności dla parametrów:

β

1

1

0.95

2



β

2

1

0.95

2



β

1

0.975

β

2

0.025

w1

linterp N W1

2

 



n





w1

0.409

w2

linterp N W1

5

 



n





w2

0.414

w3

linterp N W2

2

 



n





w3

0.785

w4

linterp N W2

5

 



n





w4

1.413

θ

Um

Uo



θ

537.238

k

2.339

θ

d

θ

exp

w2

θ







θ

d

536.824

θ

g

θ

exp

w1

θ







θ

g

537.647

kd

k

w4



kd

1.656

kg

k

w3



kd

1.656

<

k

2.339

<

kg

2.98

ap

linterp K A

 kd



(

)



bp

linterp K B

 kd



(

)



Uog

mean u

( )

bp

ap

(

) Stdev u

( )

Uog

151 818

background image

Uog

mean u

( )

bp

ap

(

) Stdev u

( )



Uog

151.818

ap

linterp K A

 kg



(

)



bp

linterp K B

 kg



(

)



Uod

mean u

( )

bp

ap

(

) Stdev u

( )



Uod

71.921

Uod

71.9211

<

Uo

0.808

<

Uog

151.818

Umd

Uo

θ

d



Umd

536.015

Umg

Uo

θ

g



Umg

536.838

Umd

536.015

<

Um

536.429

<

Umg

536.838

11. Wykresy końcowe  

      Na wykresie powinny znaleźć się następujące krzywe:
      - dystrybuanta teoretyczna F(x)
      - funkcja gęstości prawdopodobieństwa odpowiadająca dystrybuancie teotetycznej f(x)
      - dystrybuanta empiryczna wraz z punktami odpowiadającymi tej dystrybuancie

F x

( )

1

exp

x

Uo

Um

Uo





k



f x

( )

x

Uo

(

)

Um

Uo

(

)





k

k

x

Uo

(

)

exp

x

Uo

(

)

Um

Uo

(

)





k



x

Uo Uo

0.1



1100





5

 50.25105.5160.75216271.25326.5381.75437492.25547.5602.75658713.25768.5823.75879934.25989.5

1.045 10

3

1.1 10

3

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

F x

( )

20 f x

( )

p

i

x x

 u

i



background image

Umed

79.4



Umod

74.6



skew u

( )

0.446

kurt u

( )

0.754

12. Wnioski końcowe

Wyniki przeprowadzonych testów na poziomie ufności b=0.95 wskazują, że nie można
odrzucić hipotezy o rozkładzie Weibulla. 

Punkty odpowiadające wartościom zmiennej losowej znajdują się wewnątrz obrzaru ufności
dla b=0.95

Kształty dystrybuanty teoretycznej i empirycznej są podobne. 

Szacowania graficzne dały podobne wyniki do szacowań punktowych. 

background image

K)

background image
background image
background image

Do punktu 9

W1

n

5

7

10

15

20

30

40

50

60

80

100

120

0.02

1.631

1.196

0.876

0.651

0.540

0.423

0.360

0.318

0.289

0.248

0.221

0.202

0.025

1.567

1.142

0.841

0.627

0.521

0.409

0.348

0.307

0.279

0.239

0.213

0.195

0.05

1.247

0.784

0.665

0.509

0.428

0.338

0.285

0.254

0.230

0.197

0.174

0.158

0.95

1.107

0.829

0.644

0.499

0.421

0.334

0.288

0.253

0.229

0.197

0.175

0.159

0.975

1.503

1.072

0.817

0.627

0.528

0.414

0.350

0.316

0.286

0.245

0.218

0.197

0.98

1.582

1.120

0.851

0.653

0.549

0.435

0.371

0.328

0.297

0.255

0.226

0.205



W2

n

5

7

10

15

20

30

40

50

60

80

100

120

0.02

0.604

0.639

0.676

0.716

0.743

0.778

0.801

0.817

0.830

0.848

0.861

0.871

0.025

0.617

0.650

0.686

0.725

0.751

0.785

0.807

0.823

0.836

0.853

0.866

0.875

0.05

0.683

0.709

0.738

0.770

0.791

0.820

0.839

0.852

0.863

0.878

0.888

0.897

0.95

2.779

2.183

1.807

1.564

1.449

1.334

1.273

1.235

1.208

1.173

1.150

1.135

0.975

3.395

2.563

2.026

1.704

1.557

1.413

1.338

1.290

1.257

1.214

1.185

1.165

0.98

3.518

2.640

2.070

1.732

1.579

1.429

1.35

1.30

1.267

1.222

0.226

1.17



W1

submatrix W1 1

 12



0

 6



(

)



W2

submatrix W2 1

 12



0

 6



(

)



N

W2

0

 



background image