मान लें कि दोनों लैपलेस डिस्ट्रीब्यूशन का एक ही प्रकार है,
क) संभावना अनुपात परीक्षण में एक परीक्षण आँकड़ा शामिल होगा:
ल = ∏nमैं = १12 τ^exp( - | x)मैं- μ^|τ^)Πn1मैं = १12 τ^1exp( - | x)मैं- μ^1|τ^1) ⋅ Πnमैं = एन1+ 112 τ^2exp( - | x)मैं- μ^2|τ^2)
लॉग लेना, रद्द करना / सरलीकृत करना और गुणा करना ।- २
- 2 एल = 2 ( एन लॉग( τ^) - एन1लॉग( τ^1) - एन2लॉग( τ^2) ) (जहां )l =लॉग( L )
जहाँ , संयुक्त नमूने में माध्यिका से औसत निरपेक्ष विचलन और , नमूना में माध्यिका से निरपेक्ष विचलन । τ मैं=मीटरमैंमैंτ^= एमτ^मैं= एममैंमैं
विल्क्स के प्रमेय के अनुसार, यह असमान रूप से null के तहत के रूप में वितरित किया जाता है , इसलिए 5% परीक्षण के लिए यदि आप अधिक हो तो आप अस्वीकार कर देंगे । 3.84χ213.84
सिमुलेशन प्रयोगों से पता चलता है कि परीक्षण छोटे नमूने के आकार में एंटीकॉन्सेर्वेटिव है (अस्वीकार करने की संभावना नाममात्र की तुलना में कुछ अधिक है), लेकिन लगभग n = 100 तक, यह कम से कम उचित लगता है (आप 5.3% के ऑर्डर पर प्राप्त करते हैं: 5.4%) नाममात्र 5% परीक्षण के लिए नल के तहत अस्वीकृति दर, उदाहरण के लिए ; यह 5.25% के करीब लगता है)।n1, एन2> 300 रु
b) हम यह भी उम्मीद करेंगे कि एक अच्छा परीक्षण आँकड़ा होगा (जहाँ प्रतिनिधित्व करता है नमूना माध्यिका और ); अगर मैंने वहां कोई त्रुटि नहीं की है, तो आपके जैसे बड़े नमूनों में यह लगभग 0 और वैरिएंट 1 के साथ शून्य के तहत वितरित किया जाएगा, जहां वर्ग के आधार पर हो सकता है संयुक्त नमूने में माध्य से पूर्ण विचलन का मतलब है, , हालांकि मुझे उम्मीद है कि यह दो नमूना के
नमूना-भारित औसत पर बेहतर तरीके से काम करने की प्रवृत्ति को । ~μv=2τ2(1μ~1- μ~2v√μ~ τ 2मीटर2मीटर 2 मैं †v = 2 τ^2( 1)n1+ 1n2)τ^2म2म2मैं†
† (संपादित करें: सिमुलेशन बताता है कि सामान्य सन्निकटन ठीक है, लेकिन विचरण गणना ऊपर सही नहीं है; मैं देख सकता हूं कि समस्या अभी क्या है, लेकिन मुझे अभी भी इसे ठीक करना है। इस परीक्षण का क्रमपरिवर्तन संस्करण (आइटम देखें) (c) अभी भी ठीक होना चाहिए)।
ग) एक अन्य विकल्प उपरोक्त आंकड़ों में से किसी एक के आधार पर क्रमपरिवर्तन परीक्षण करना होगा। ( यहां दिए गए उत्तरों में से एक यह भी बताता है कि मध्यस्थों में अंतर के लिए क्रमपरिवर्तन परीक्षण को कैसे लागू किया जाए।)
डी) आप हमेशा एक विलकॉक्सन / मान-व्हिटनी परीक्षण कर सकते हैं; यह लाप्लास में टी-टेस्ट का उपयोग करने की तुलना में काफी अधिक कुशल होगा।
ई) लाप्लास डेटा के लिए (डी) से बेहतर मूड का औसत परीक्षण होगा; अक्सर किताबों के खिलाफ सिफारिश की जाती है, जब लाप्लास डेटा के साथ काम करते हुए यह अच्छी शक्ति दिखाएगा। मुझे उम्मीद है कि यह मध्यस्थों में अंतर के स्पर्शोन्मुख परीक्षण के क्रमपरिवर्तन संस्करण के समान शक्ति होगी ((सी) में उल्लिखित परीक्षणों में से एक)।
यहां प्रश्न एक आर कार्यान्वयन देता है जो फिशर टेस्ट का उपयोग करता है, लेकिन उस कोड को इसके बजाय ची-स्क्वायर टेस्ट का उपयोग करने के लिए अनुकूलित किया जा सकता है (जो मैं यहां तक कि मध्यम नमूनों में भी सुझाव दूंगा); वैकल्पिक रूप से इसके लिए उदाहरण कोड (नहीं एक समारोह के रूप में) है यहाँ ।
माध्यिका परीक्षण की चर्चा यहां विकिपीडिया में की गई है , हालाँकि बहुत गहराई में नहीं (लिंक किए गए जर्मन अनुवाद में थोड़ी और जानकारी है)। नॉनपरमेट्रिक्स पर कुछ किताबें इसकी चर्चा करती हैं।