gpt-4o-2024-08-06· OpenAI WildChat-4.8M (AI2)
Напиши код для построения асимптотического доверительного интервала уровня 1-\alpha для…
- User
Напиши код для построения асимптотического доверительного интервала уровня 1-\alpha для указанного параметра. Алгоритм следующий:
- Сгенерировать 2 выборки объема 25 и посчитать доверительный интервал
- Повторить 1000 раз
- Посчитать, сколько раз доверительный интервал покрывает реальное значение параметра. Класс распределения: U[-\theta, \theta], параметры и подсказки: \theta^2, \theta=5
- Assistant
Для оценки параметра (\theta^2) для равномерного распределения (U[-\theta, \theta]) с параметром (\theta = 5), нам потребуется сгенерировать выборки, найти оценку (\theta^2), построить доверительные интервалы и посчитать, сколько раз доверительный интервал покрывает истинное значение (\theta^2). Вот как это можно сделать в Python:
import numpy as np import scipy.stats as stats # Параметры theta = 5 theta_squared = theta**2 sample_size = 25 num_simulations = 1000 alpha = 0.05 # Функция для построения доверительного интервала def calculate_confidence_interval(sample): n = len(sample) sample_variance = np.var(sample, ddof=1) sample_theta_squared = 3 * sample_variance # оценка theta^2 standard_error = (4 * sample_variance**2 / n)**0.5 # стандартная ошибка # Z-критическое значение для нормального распределения z_critical = stats.norm.ppf(1 - alpha / 2) # Доверительный интервал ci_lower = sample_theta_squared - z_critical * standard_error ci_upper = sample_theta_squared + z_critical * standard_error return ci_lower, ci_upper # Инициализация счетчика для покрытия истинного значения coverage_count = 0 # Запуск симуляций для построения доверительных интервалов for _ in range(num_simulations): # Сгенерировать выборку sample = np.random.uniform(-theta, theta, sample_size) # Посчитать доверительный интервал ci_lower, ci_upper = calculate_confidence_interval(sample) # Проверить, содержит ли доверительный интервал истинное значение if ci_lower <= theta_squared <= ci_upper: coverage_count += 1 # Вероятность покрытия coverage_probability = coverage_count / num_simulations print(f"Доля покрытий истинного значения θ^2: {coverage_probability:.3f}")В данном коде:
- Мы генерируем 1000 выборок из равномерного распределения (U[-\theta, \theta]).
- Для каждой выборки оцениваем (\theta^2) как (3 \times s^2), где (s^2) — выборочная дисперсия.
- Строим асимптотический доверительный интервал на основе нормального приближения.
- Определяем, сколько раз истинное значение (\theta^2) (которое равно 25) находится в доверительном интервале.