9. TESTY ZGODNOŚCI 9.1 Róne sytuacje praktyczne
Transkrypt
9. TESTY ZGODNOŚCI 9.1 Róne sytuacje praktyczne
Testy zgodności 9 113 9. TESTY ZGODNOŚCI 9.1 Różne sytuacje praktyczne W praktyce badań statystycznych, jak już poprzednio stwierdzono, cały proces analizy statystycznej dzielimy na dwa etapy: formułowanie hipotezy statystycznej oraz weryfikacje hipotezy statystycznej, które powinny być oparte na niezależnych obserwacjach. Oznacza to, że po sformułowaniu hipotezy należy zebrać nowe obserwacje dla jej sprawdzenia. Prawda obiektywna nie może opierać się tylko na jednym materiale statystycznym. Często w praktyce podświadomie hipotezę statystyczną, którą sformułowaliśmy, traktujemy jako własną, jedynie słuszną, traktując odrzucenie hipotezy jak osobistą porażkę. Emocjonalny stosunek do hipotezy zerowej nie jest właściwym podejściem do testowania hipotez statystycznych, bowiem grozi statystycznym oszustwem. Niestety, często nawet w nauce zdarzają się takie sytuacje, w których celem jest obrona własnej, jedynie słusznej hipotezy. W takich sytuacjach powstaje manipulacja statystyczna udająca naukowe podejście do problemu. Dlatego też raporty z badań statystycznych powinny być „przeźroczyste” pozwalające na łatwą kontrolę obliczeń statystycznych. I stąd bierze się wymóg weryfikacji każdej hipotezy na niezależnym materiale. W dalszym ciągu przytacza się trochę zmieniony podrozdział 5.13 książki Plucińskich (1990). Mówiąc o zagadnieniach estymacji, jak również weryfikacji hipotezy parametrycznej, często zakładaliśmy, że znamy postać rozkładu interesującej nas cechy elementów populacji generalnej, a w przypadku nieznajomości postaci rozkładu, korzystaliśmy z twierdzeń granicznych. Obecnie omówione zostaną testy pozwalające na weryfikację hipotezy dotyczącej postaci nieznanego rozkładu. Niech dana będzie populacja, w której rozkład cechy X elementów jest nieznany. Pobieramy n-elementową próbkę. Zaobserwowane w próbce wartości zawierają oczywiście informacje o nieznanym rozkładzie cechy X. Najprostszą metodą prowadzącą do uzyskania wstępnych informacji o postaci rozkładu interesującej nas cechy elementów populacji jest narysowanie histogramu rozkładu Testy zgodności 9 114 zaobserwowanego w próbce. Uzyskane z rysunku informacje są jednak niepełne i oczywiście tylko „wzrokowe”. Niepełne przede wszystkim ze względu na to, że nie uwzględnia się losowego składu próbki. Jednakże te „wzrokowe” informacje zawarte w histogramie pozwalają na zorientowanie się, jakie ewentualnie rozkłady mogą być brane pod uwagę. Popatrzmy na histogramy podane na rysunkach 9.1. O ile na prawym histogramie skłonni byliśmy dopuścić możliwość występowania rozkładu Erlanga rzędu 2 lub więcej, o tyle taka ewentualność dla lewego histogramu nie powinna być brana pod uwagę. Rys. 9.1. Przykładowe histogramy z badań statystycznych Oczywiście, spostrzeżenia oparte na kształcie histogramu nie mogą służyć za podstawę do jakichś ogólniejszych rozważań. Niezbędna jest bardziej precyzyjna miara zgodności między rozkładem w próbce a hipotetycznym rozkładem cechy elementów populacji. Pierwszym krokiem, podobnie jak to miało miejsce w przypadku hipotez parametrycznych, powinno być ustalenie zbioru możliwych w danym zagadnieniu hipotez, tzn. zbioru możliwych rozkładów, które mogą być brane pod uwagę. Następnie wyróżnienie z tego zbioru hipotezy zerowej. Kolejnym krokiem jest przyjęcie odpowiedniej statystyki, która może służyć za test do weryfikacji hipotezy zerowej. Rozważmy szczegółowo kilka testów nieparametrycznych. 9.2 .Test χ 2 Pearsona Niech cecha x elementów populacji ma rozkład o dystrybuancie F. Podzielmy całą oś rzeczywistą na r +1 rozłącznych przedziałów I 1 , I 2 ,..., I r +1 za pomocą liczb − ∞ = α 0 < α 1 <... < α r < α r +1 = ∞ . Oznaczmy przez p j prawdopodobieństwo, że zmienna losowa X przyjmie wartość z przedziału I j , tzn. Testy zgodności 9 115 ( ) ( ) p j = F α j − F α j −1 , j = 1,2,..., r + 1 (9.1) i niech p j > 0 dla każdego j. Liczba np j jest oczekiwaną liczbą obserwacji n-elementowej próbki, które powinny się znaleźć w przedziale I j . Niech N j oznacza zmienną losową o wartościach n j będących liczbą obserwacji, które znalazły się w przedziale I j . Suma kwadratów różnic n j − np j tzn. r +1 ∑ (n j − np j j =1 ) 2 (9.2) może służyć za miarę zgodności rozkładu zaobserwowanego w próbce z rozkładem hipotetycznym. Wartość sumy (9.2) zmienia się od próbki do próbki, a statystyka, której wartościami są te sumy ma bardzo złożony rozkład. Okazuje się jednak, że odpowiednie ( „wyważenie” kwadratów n j − np j ) 2 pozwala na uzyskanie znanego rozkładu granicznego. K Pearson udowodnił mianowicie, że statystyka r +1 χ2 = ∑ j =1 (N j − np j ) 2 (9.3) np j ma, gdy n → ∞ , rozkład chi-kwadrat o r stopniach swobody. Statystyka (9.3) znana jest w literaturze pod nazwą testu χ 2 Pearsona. Zauważmy, że statystyka χ 2 nie zależy od tego, jaka jest postać dystrybuanty cechy X elementów populacji. ( ) Istotną rolę odgrywają tu prawdopodobieństwa p j = P X ∈ I j , przy czym podział na przedziały Ij został dokonany w sposób zupełnie dowolny. Ten sam układ prawdopodobieństw p1 , p2 ,..., pr +1 może odpowiadać wielu różnym rozkładom zarówno typu ciągłego, jak i skokowego. Oznacza to, że w gruncie rzeczy za pomocą testu χ 2 możemy zweryfikować hipotezę dotyczącą układu prawdopodobieństw p1 , p2 ,..., pr +1 , a nie postaci rozkładu cechy X elementów populacji. Dlatego też za hipotezę zerową będziemy tu uważać Testy zgodności 9 116 ( ) P X ∈ I j = p j ( j = 1,2 ,..., r + 1) . Hipotezą klasę wszystkich rozkładów, dla których ( ) alternatywną jest klasa rozkładów, dla których co najmniej dla jednego j jest P X ∈ I j ≠ p j . Oczywiście, obydwie wymienione klasy rozkładów są dość szerokie. Możne je na ogół bardzo zawęzić korzystając z informacji dotyczących przebiegu badanego zjawiska czy istoty zagadnienia, np. że cecha X elementów populacji jest zmienną losową typu ciągłego lub że przyjmuje wartości całkowite, czy też że przyjmuje wartości z pewnego niewielkiego przedziału. Jednakże mimo zawężenia hipoteza zerowa, jak i alternatywna będą nadal bardzo licznymi klasami rozkładów. Oznacza to, że przy danej próbce statystyka χ 2 będzie mieć tę samą wartość dla wielu rozkładów. Te rozkłady, dla których prawdopodobieństwo odrzucenia hipotezy zerowej jest takie samo i hipotezę odrzucamy, nie będą nas interesowały. Przyjęcie hipotezy zerowej jest równoważne stwierdzeniu, że każdy rozkład należący do niej może służyć do opisu danego zjawiska, czy doświadczenia. Wystarczy zatem wybrać jeden z rozkładów należących do hipotezy zerowej. Dlatego też w dalszych rozważaniach, dla uproszczenia, hipotezę zerową formułować będziemy jako przypuszczenie, że cecha X elementów populacji ma rozkład o dystrybuancie F. Mając sprecyzowaną hipotezę zerową i wybrany test do weryfikacji tej hipotezy postępujemy w sposób analogiczny jak w przypadku hipotez parametrycznych. Za pomocą testu χ 2 hipotezę zerową weryfikujemy w sposób następujący. Przyjmujemy poziom istotności testu α . Zbiorem krytycznym jest zbiór W= {( x , x 1 2 } 2 2 ,..., x n ): χ zaobs . χα , gdzie χα2 jest liczbą odczytaną z tablic rozkładu chi-kwadrat o r stopniach swobody spełniającą warunek ∞ P( χ 2 > χα2 ) = ∫ k ( x)dx = α , r χα2 przy czym k r ( x ) jest gęstością prawdopodobieństwa zmiennej losowej o rozkładzie chikwadrat z r stopniami swobody. Testy zgodności 9 117 Zatem hipotezę H 0 odrzucamy, gdy 2 χ zaobs. > χα2 (9.4) 2 ≤ χα2 , χ zaobs. (9.5) i przyjmujemy, gdy 2 gdzie χ zaobs . oznacza wartość statystyki (9.3) zaobserwowaną w próbce. Przedstawiona metoda weryfikacji hipotezy o postaci rozkładu jest oparta na granicznym rozkładzie statystyki (9.3), a zatem n musi być dostatecznie duże. Przyjmuje się, że test χ 2 można stosować, gdy np j ≥ 10 dla j = 2 ,3,..., r oraz np1 , npr +1 ≥ 5 . W przypadku takiego podziału osi na OX przedziały, w którym p j = 1 r + 1 ( j = 1,2 ,..., r + 1) można stosować graniczny rozkład testu χ 2 o r stopniach swobody na poziomie istotności α = 0.05 lub α = 0.01 już dla niewielkich n (15-20) i n j = 1. PRZYKŁAD 9.1 (Plucińscy, 1990) przeprowadzono obserwacje dotyczące wypadków określonym terenie spowodowanych w ciągu roku przez kierowców drogowych na będących w stanie nietrzeźwym. Otrzymany rozkład wypadków w poszczególne dni tygodnia podaje następująca tabelka: Pn Wt Śr Czw Pt So N 19 15 16 14 13 18 17 Przyjmując poziom istotności α = 0.05 zweryfikować hipotezę, że prawdopodobieństwo zdarzenia się na tym terenie wypadku spowodowanego przez kierowcę w stanie nietrzeźwym jest jednakowe dla wszystkich dni tygodnia. Mamy tu siedem przedziałów I 1 , I 2 ,..., I 7 oraz p1 = p 2 = ... = p 7 = 1 7 , a liczności n j podane są w tabelce. Z danych liczbowych wynika, że n = 112 , np j = 112 ⋅ 1 = 16 , 7 Testy zgodności 9 118 2 χ zaobs. = 14 1 ( 9 + 1 + 0 + 4 + 9 + 4 + 1) = = 1.75 . 16 8 Z tablicy rozkładu chi-kwadrat dla 6 stopni swobody i poziomu istotności α = 0.05 znajdujemy χα2 = 12.592 . Ponieważ 2 χ zaobs. < χ2 więc hipotezę H0 o równości prawdopodobieństw przyjmujemy. Omówiona metoda weryfikacji hipotez nieparametrycznych odnosi się wyłącznie do tych przypadków, gdy dystrybuanta F jednoznacznie określa hipotetyczny rozkład, bowiem tylko wtedy w sposób jednoznaczny można określić prawdopodobieństwa p j . Nie można na testem χ 2 zweryfikować hipotezy, że cecha X elementów przykład przedstawionym populacji ma rozkład normalny, jeśli parametry tego rozkładu nie są znane. Można jednak ulepszyć, a dokładniej poszerzyć metodę zaproponowaną przez Pearsona. Fisher udowodnił, że przy spełnieniu pewnych warunków odnośnie do nieznanych parametrów dystrybuanty F test χ 2 może być zastosowany również w tych przypadkach, gdy dystrybuanta F precyzuje jedynie pewną klasę rozkładów, a ściślej mówiąc, zależy od nieznanych parametrów. Przedstawimy teraz zmodyfikowany przzez Fishera test χ 2 . Sformułujemy najpierw twierdzenie udowodnione przez Fishera. TWIERDZENIE 9.1. Niech p j = p j ( λ1 , λ2 ,..., λm ) i niech istnieją ciągłe pochodne cząstkowe δp j δ 2 pj , , δλ j δλi δλl Jeżeli macierz [δp j δλi ] j = 1,2 ,..., r + 1; i , l = 1,2,..., m . ( j = 1,2,..., r + 1; i = 1,2,..., m) jest rzędu m, a parametry λ1 , λ2 ,..., λm zostały wyznaczone metodą największej wiarygodności, to rozkład statystyki χ 2 Pearsona zmierza, gdy n → ∞ , do rozkładu chi-kwadrat o r-m stopniach swobody. Z twierdzenia 9.1 wynika, że jeżeli chcemy zweryfikować hipotezę H 0 , że cecha X elementów populacji ma rozkład o dystrybuancie F zależnej od m parametrów, to do weryfikacji takiej hipotezy można użyć testu χ 2 Pearsona. Zbiorem krytycznym w tym przypadku będzie zbiór Testy zgodności 9 { 119 } 2 2 W = ( x1 , x 2 ,..., x n ): χ zaobs . > χα , gdzie χα2 jest liczbą odczytaną z tablicy rozkładu chi-kwadrat spełniającą warunek ∞ P( χ 2 > χα2 ) = ∫ k ( x)dx = α , r−m χ α2 przy czym k r − m ( x ) jest gęstością prawdopodobieństwa zmiennej losowej o rozkładzie chikwadrat z r-m stopniami swobody. PRZYKŁAD 9.2 (Plucińscy, 1990). W dziale kontroli technicznej pewnej fabryki konfekcji badanie jakości partii płaszczy damskich przeprowadza się wyrywkowo. W celu zbadania jakości partii płaszczy damskich pobrano próbkę o liczności 80 sztuk i zbadano liczby usterek otrzymując następujące dane liczbowe: Liczba usterek 0 1 2 3 4 5 Liczba płaszczy 18 26 20 10 5 1 Przyjmując poziom istotności α = 0.05 , zweryfikować hipotezę H 0 , że rozkład liczby usterek w płaszczach produkowanych w tej fabryce jest rozkładem Poissona. Mamy tu jeden nieznany parametr λ . Jak wiemy estymatorem NW parametru λ jest X n , a więc jako oszacowania parametru λ przyjmujemy x n = 15 . . I1 I2 I3 I4 I5 Testy zgodności 9 120 Rys. 9.2. Podział na przedziały zmienności Przyjmijmy podziały na przedziały I j jak na Rys. 9.2. Dwie ostatnie kolumny danych z tabelki połączyliśmy ze względu na małe liczności w tych kolumnach. Z tablicy rozkładu Poissona dla λ = 15 . odczytujemy prawdopodobieństwa p j . Następnie obliczamy wartość statystyki χ 2 Pearsona zapisując kolejne obliczenia w następującej tabelce: j nj pj np j n j − np j ( n − np ) j 2 j ( n − np ) j 2 j np j 1 18 0.2231 17.848 0.152 0.023104 0.0013 2 26 0.3347 26.776 -0.776 0.602176 0.0225 3 20 0.2510 20.080 -0.080 0.00640 0.0003 4 10 0.1255 10.040 -0.040 0.001600 0.0002 5 6 0.0471 3.768 2.232 4.981824 1.3221 2 χzaobs . = 1.3464 Mamy więc tu 5 przedziałów i jeden parametr wyznaczony na podstawie próbki, zatem liczba stopni swobody jest równa 3. Z tablic rozkładu chi-kwadrat dla α = 0.05 i trzech 2 stopni swobody odczytujemy χ zaobs. = 1.3464 < χα2 = 7.815 , więc przyjmujemy hipotezę H 0 , że rozkład liczby usterek w płaszczach jest rozkładem Poissona. 9.3 .Test λ Kołmogorowa Testy zgodności 9 121 Test nieparametryczny można również skonstruować na podstawie twierdzenia Kołmogorowa. Przypuśćmy, że interesująca nas cecha X elementów populacji jest zmienną losową typu ciągłego. Na podstawie n elementowej próbki (n co najmniej rzędu kilku dziesiątków) chcemy zweryfikować hipotezę H 0 , że cecha X ma dystrybuantę F. Jako test do weryfikacji hipotezy H 0 możemy przyjąć statystykę nDn = n sup Fn ( x ) − F ( x ) , (9.6) −∞< x <∞ gdzie Fn jest dystrybuantą empiryczną. Rozkład graniczny statystyki nDn precyzuje twierdzenie Kołmogorowa (patrz np. Plucińscy, 1990). Przyjmijmy poziom istotności α . Zbiorem krytycznym jest tu zbiór W= {( x , x 1 2 } ,..., x n ): nDn > λ , (9.7) gdzie λ jest liczbą spełniającą warunek P przy czym Q( λ ) ( ) nDn > λ = 1 − Q( λ ) = α , jest wartością dystrybuanty rozkładu określonej w (9.8) twierdzeniu Kołmogorowa (patrz np. Plucińscy, 1990). Dla danego α znamy Q( λ ) , a z odpowiedniej tablicy odczytamy wartość λ . Hipotezę H 0 , że cecha X ma dystrybuantę F odrzucamy, gdy nDn > λ (9.9) nDn ≤ λ . (9.10) i przyjmujemy, gdy Testy zgodności 9 122 Należy podkreślić, że przy stosowaniu testu λ Kołmogorowa trzeba mieć na uwadze pewne ograniczenia. Po pierwsze dystrybuanta F musi jednoznacznie określać hipotetyczny rozkład w tym sensie, że nie może zależeć od parametrów szacowanych na podstawie próbki. W przypadku zależności F od nieznanych parametrów twierdzenie Kołmogorowa nie jest prawdziwe. Po drugie w związku z założeniem ciągłości dystrybuanty F wyników obserwacji nie można grupować. 9.4 .Test Kołmogorowa- Smirnowa Przyjmijmy, że dane są dwie populacje. Chcemy zweryfikować hipotezę H 0 , że cecha X elementów obydwu populacji ma taką samą ciągłą dystrybuantę F. Test dla zweryfikowania takiej hipotezy oparty jest na następującym twierdzeniu Smirnowa: TWIERDZENIE 9.2. Niech: a) X 1 , X 2 ,..., X n1 i Y1 , Y2 ,..., Yn2 będą niezależnymi zmiennymi losowymi o jednakowym rozkładzie z ciągłą dystrybuantą F, b) Fn1 i Fn2 będą dystrybuantami empirycznymi określonymi wzorami Fn1 ( x ) = 1 Card {i: X i < x , i = 1,2,..., n1 } n1 (9.11) Fn2 ( x ) = 1 Card { i: Yi < x , i = 1,2 ,..., n2 } n2 (9.12) c) δ n = sup Fn1 ( x ) − Fn2 ( x ) , n = −∞< x <∞ n1 n 2 . n1 + n 2 Wówczas lim P n1 →∞ n2 →∞ gdzie ( ) nδ n < x = Q( x ) (9.13) Testy zgodności 9 123 ∞ k − 2k 2x2 ∑ ( − 1) e Q( x ) = k =−∞ 0 x>0 (9.14) x≤0 Wygodnym testem do weryfikowania sformułowanej hipotezy jest statystyka nδ n = n sup Fn1 ( x ) − Fn2 ( x ) . (9.15) −∞< x <∞ Opiszemy teraz metodę postępowania przy weryfikacji. Mamy dwie populacje. Pobieramy z nich próbki odpowiednio o liczebnościach n1 i n2 . Przypuśćmy, że zaobserwowaliśmy wartości x1 , x 2 ,..., x n oraz y1 , y 2 ,..., y n . Na podstawie tych danych znajdujemy dystrybuanty empiryczne Fn1 ( x ) i Fn2 ( x ) , a następnie kres górny bezwzględnej wartości różnicy tych dystrybuant i wartość statystyki nδ n . Ustalamy poziom istotności α , a następnie zbiór krytyczny {( ) } W = x1 , x 2 ,..., x n1 , y1 , y 2 ,..., y n2 : nδ n > λ , (9.16) gdzie λ jest liczbą spełniającą warunek P ( ) nδ n > λ = α . (9.17) Liczba Q( λ ) jest wartością dystrybuanty (9.14). Wartości dystrybuanty są stablicowane (patrz np. Plucińscy, 1990). Dla danego α , a tym samym Q( λ ) z tablicy odczytujemy wartość λ . Hipotezę H 0 o równości dystrybuant cechy X elementów obu populacji odrzucamy, gdy nδ n > λ (9.18) nδ n ≤ λ . (9.19) i przyjmujemy, gdy Testy zgodności 9 124 Pamiętać należy, że test Kołmogorowa-Smirnowa oparty jest na granicznym rozkładzie statystyki nδ n , a więc być stosowany tylko wtedy, gdy liczebności są dostatecznie duże (co najmniej rzędu kilku dziesiątek). PRZYKŁAD 9.3 (Plucińscy, 1990). W celu zbadania trwałości opon samochodowych produkowanych przez fabryki A i B pobrano próbki z bieżącej produkcji obu fabryk i otrzymano następujące dane dotyczące maksymalnego przebiegu samochodów na badanych oponach (wyrażone w tysiącach km): Maksymalny Liczba opon przebieg z fabryki A z fabryki B 10-15 8 0 15-20 18 12 20-25 54 28 25-30 42 76 30-35 24 36 35-40 12 20 40-45 2 8 Razem 160 180 Przyjmując poziom istotności α = 0.02 zweryfikować hipotezę H 0 , że rozkłady przebiegów dla opon produkowanych przez obie fabryki mają tę samą ciągłą dystrybuantę F. Zastosujemy tu test Kołmogorowa-Smirnowa, a obliczenia zapiszemy w postaci następującej tabelki: x n1 j n2 j n1sk n2 sk Fn1 ( x) Fn 2 ( x) Fn1 ( x) − Fn 2 ( x) Testy zgodności 9 125 15 8 0 8 0 0.050 0.000 0.050 20 18 12 26 12 0.163 0.067 0.096 25 54 28 80 40 0.500 0.222 0.096 30 42 76 122 116 0.763 0.6444 0.119 35 24 36 146 152 0.913 0.844 0.069 40 12 20 158 172 0.987 0,9555 0.032 45 2 8 160 180 1.000 1.000 0.000 W tabelce tej przez n1sk i n 2 sk oznaczyliśmy tzw. Częstości skumulowane, tzn. ∑n 1j i j≤x ∑n 2j . Z ostatniej kolumny tabelki odczytujemy, że j≤x δn = sup Fn ( x ) − Fn ( x ) = 0.278 1 (9.20) 2 Ponieważ n= n1 n 2 160 ⋅ 180 = = 84.7 , n1 + n 2 160 + 180 n = 9.2 , (9.21) więc nδ n = 9.2 ⋅ 0.278 = 2.5576 . (9.22) Przyjęliśmy α = 0.02 , tzn. Q( λ ) = 0.98 . Dla tej wartości Q( λ ) z tablicy rozkładu Kołmogorowa (patrz np. Plucińscy, 1990) odczytujemy λ = 152 . . Zatem otrzymaliśmy, że nδ n = 2.5576 > λ = 152 . , (9.23) 126 Testy zgodności 9 czyli spełniona jest nierówność (9.18). Oznacza to, że hipotezę H 0 o równości dystrybuant dla maksymalnych przebiegów opon pochodzących z fabryk A i B należy odrzucić. Na zakończenie należy podkreślić, że w założeniach twierdzenia Smirnowa występuje warunek ciągłości dystrybuanty F, co jest równoważne temu, że prawdopodobieństwo wystąpienia w próbce dwóch jednakowych wartości jest równe zeru. Grupowanie wyników w przedziałach może doprowadzić do błędnych wniosków (patrz np. Plucińscy, 1990). Niemniej jednak w praktyce wielkości badane obserwuje się tylko z pewną dokładnością związaną z przyjętym układem jednostek, co siłą rzeczy prowadzi do grupowania wyników. Przedziały grupowania nie powinny być większe niż jednostka przyjętej dla danego zagadnienia skali. Testy zgodności 9 127 Problemy rozdziału 9 1. Histogramy statystyczne jako źródła hipotez statystycznych prawdopodobieństwa w pierwszym etapie badań statystycznych. 2. Weryfikacja hipotezy o rozkładzie prawdopodobieństwa. 3. Test chi-kwadrat Pearsona. 4. Rozkład chi-kwadrat. 5. Klasy obserwacji a liczba obserwacji. 6. Zbiór krytyczny w teście chi-kwadrat. 7. Modyfikacja Fishera testu chi-kwadrat. 8. Liczba stopni swobody testu chi-kwadrat. 9. Test Kołmogorowa. 10. Zbiór krytyczny testu Kołmogorowa. 11. Test Kołmogorowa-Smirnowa. 12. Zbiór krytyczny testu Kołmogorowa-Smirnowa. 13. Porównanie jakości testu chi-kwadrat a Kołmogorowa. o rozkładach