Ясно, что алгоритм (13.185) не является непараметрическим.
Согласно центральной предельной теореме линейная статистика [см. левую часть (13.185)] асимптотически нормальна при произвольном распределении элементов независимой однородной выборки
и при условии
причем при любом
Тогда вероятности ошибок первого и второго рода при 1 равны
(13.186 а)
где
— интеграл Лапласа.
При заданном значении а из (13.186 а) находим
(13.187)
и, подставляя (13.187) в (13.1866), получаем [ср. с (13.96)]
(13.188)
где
— процентные точки нормального распределения.
Определим, используя соотношения, приведенные в п. 13.7.5, КАОЭ линейного знакового алгоритма (13.176) по отношению к линейному (13.185), имея в виду, что статистики, на которых основаны указанные алгоритмы, асимптотически нормальные. Как указывалось в п. 13.7.5, при неограниченном увеличении размера выборки
следует предположить, что гипотеза Н и альтернатива К сближаются. В рассматриваемом случае близость Н и К означает малость параметра а. Тогда для симметричной относительно среднего значения а плотности вероятности
имеем
(13.189 а)
Подставляя (13.189а и б) в (13.181), получаем для линейного знакового алгоритма следующую асимптотическую характеристику:
(13.189 в)
Из (13.162), (13.188) и (13.189 в) находим КАОЭ линейного знакового алгоритма (13.176) по отношению к линейному (13.185):
(13.190)
Если
— плотность нормального распределения, то
и из (13.190) следует, что
, т. е. при указанном условии эффективность знакового алгоритма почти в два раза меньше эффективности линейного, который оптимален при проверке гипотез о среднем значении нормального распределения. Однако при симметричном распределении, которое отличается от нормального, положение меняется. Так, при распределении Лапласа с плотностью
имеем
и из (13.190) следует, что
, т. е. знаковый алгоритм асимптотически вдвое эффективнее линейного.
Из (13.190) для равномерного распределения
следует, что
а для синусоиды со случайной равномерно распределенной фазой
. В этих двух случаях линейный алгоритм существенно эффективнее линейного знакового.
Заметим, что для симметричного распределения, у которого
КАОЭ знакового алгоритма (13.176) по отношению к линейному (13.185) равен нулю. Примером указанного распределения является бимодальное распределение с плотностью
Отметим также, что формула (13.190) представляет КАОЭ знакового алгоритма (13.176) по отношению к равномерно наиболее мощному алгоритму (13.104) для проверки гипотезы о среднем нормального распределения при неизвестной дисперсии. Это происходит потому, что статистика Стьюдента асимптотически нормальная, статистика в левой части (13.105) при
близка к линейной в (13.185), а порог (13.105) близок к
[см. (13.187)].