Skip to content
The Chat Archive
gpt-4o-2024-08-06· OpenAI WildChat-4.8M (AI2)

Напиши код для построения асимптотического доверительного интервала уровня 1-\alpha для…

  1. User

    Напиши код для построения асимптотического доверительного интервала уровня 1-\alpha для указанного параметра. Алгоритм следующий:

    1. Сгенерировать 2 выборки объема 25 и посчитать доверительный интервал
    2. Повторить 1000 раз
    3. Посчитать, сколько раз доверительный интервал покрывает реальное значение параметра. Класс распределения: U[-\theta, \theta], параметры и подсказки: \theta^2, \theta=5
  2. 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.